⌁ Awesome Auto Research Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

SurveyX：基于大语言模型的学术综述自动化

arXiv 2025 55.2 method

TLDR

SurveyX利用大语言模型，通过两阶段分解、在线检索和属性树，自动生成学术综述，性能优于现有系统。

评分理由

The paper presents a clear methodology and evaluation, showing improvements in content and citation quality. However, it focuses narrowly on survey generation rather than broader scientific discovery, and lacks details on limitations or generalizability.

Read-first 评分解释

综合优先阅读分 55.2，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 59。

近期性 8%
86.7

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：2025

方法质量 25%
80

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：评估、实验、指标、结果

主题相关性 42%
49.2

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

可复现性 25%
30

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：无

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：19。

关键词评分

survey generation
10
literature review agent
9
paper writing agent
8
automated research
7
research automation
7
AI for scientific research
6
automated scientific discovery
3
scientific discovery agent
3
AI scientist
2
autonomous research agent
2
automated experimentation
1
experiment design agent
1

深度分析

创新点

  • 将综述生成分解为准备阶段和生成阶段
  • 在线参考文献检索
  • AttributeTree预处理方法
  • 再润色过程

方法

SurveyX将自动综述生成分解为准备阶段和生成阶段，结合在线参考文献检索、AttributeTree预处理方法和再润色过程，以提升内容和引用质量。该系统通过内容质量和引用质量指标与现有自动综述生成系统进行对比评估。

关键结果

SurveyX在内容质量上提升0.259，在引用质量上提升1.76，优于现有系统，在多个评估维度上接近人类专家水平。

技术栈

Large Language ModelsOnline Reference RetrievalAttributeTree

资源

论文

标签

CL