摘要

随着同行评审研究论文数量的急剧增长，学者们越来越依赖社交平台进行学术发现，而作者也投入大量精力推广自己的研究成果，以提升可见度和被引次数。为简化这一过程并减少对人工干预的依赖，我们提出了自动推广（Automatic Promotion, AutoPR）这一新任务，旨在将研究论文转化为准确、吸引人且及时的公开传播内容。为支持严谨的评估，我们发布了PRBench——一个跨模态基准数据集，将512篇经过同行评审的学术论文与高质量的推广帖子进行关联，从三个维度对系统性能进行评估：忠实度（准确性与语调）、互动性（受众定位与吸引力）以及一致性（发布时间与传播渠道的优化）。此外，我们提出了PRAgent——一种多智能体框架，分三个阶段实现AutoPR的自动化：基于多模态预处理的内容提取、协同合成以生成高质量输出，以及面向不同平台的适配优化，以最大化传播效果，包括规范表达、语调匹配与标签策略。在PRBench基准上的对比实验表明，PRAgent相较于直接使用大语言模型（LLM）的流水线方法，性能显著提升：总观看时长增加604%，点赞数上升438%，整体互动率至少提升2.9倍。消融实验进一步证实，平台建模与定向推广是性能提升的主要贡献因素。我们的研究将AutoPR确立为一个可实现、可度量的科研问题，并为构建可扩展、具影响力的自动化学术传播体系提供了清晰的技术路线图。