ResearchEVO：面向自动化科学发现与文档撰写的端到端框架

arXiv 2026 64.4 method

TLDR

ResearchEVO是一个端到端框架，结合LLM引导的算法进化与自主论文生成，实现自动化科学发现。

评分理由

The paper presents a novel two-phase framework (evolution and writing) validated on real-world problems, demonstrating strong empirical results. However, the abstract lacks details on limitations and comparison to baselines, and the writing phase's anti-hallucination verification is not fully evaluated.

Read-first 评分解释

综合优先阅读分 64.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 98。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

主题相关性 42%

81.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：AI scientist、automated scientific discovery、autonomous research agent、automated research、literature review agent、survey generation、automated experimentation、experiment design agent、AI for scientific research、paper writing agent、research automation、scientific discovery agent

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：实验

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：135。

关键词评分

automated scientific discovery

AI scientist

automated research

automated experimentation

AI for scientific research

paper writing agent

research automation

scientific discovery agent

autonomous research agent

experiment design agent

literature review agent

survey generation

深度分析

创新点

端到端框架，自动化完整的“发现-解释”科学范式，从盲算法进化到可发表的论文生成。
LLM引导的双维协同进化，同时优化算法逻辑和整体架构，仅基于适应度，无需先验理解。
句子级检索增强生成，带有显式反幻觉验证和自动化实验设计，用于写作阶段。
首个在单一流水线中联合执行原则性算法进化与基于文献的科学文档生成的系统。

方法

ResearchEVO包含一个进化阶段，使用LLM引导的双维协同进化通过适应度搜索代码实现；以及一个写作阶段，通过句子级检索增强生成（带反幻觉检查和自动化实验设计）生成完整的LaTeX手稿。该框架在量子纠错（使用真实Google量子硬件数据）和物理信息神经网络两个任务上进行了验证。

关键结果

进化阶段在两个任务中发现了领域文献中未曾提出的人类可解释的算法机制。写作阶段自主生成了可编译的LaTeX手稿，通过RAG正确地将盲发现与现有理论联系起来，且零虚构引用。

技术栈

LLMRetrieval-Augmented Generation (RAG)LaTeXPython

资源

论文