一句话总结

微软研究院、新加坡国立大学、南洋理工大学、清华大学、北京大学、上海交通大学、西湖大学、CFAR 与 A*STAR 联合提出 ResearchStudio-Reel，一条基于技能的流水线，通过共享一个 Paper2Assets 提取步骤并施加硬性通过/失败渲染门控，自动将研究论文转化为可直接打印的海报、同步讲解视频和双语博客文章，最终产出完全可编辑的成果，在 Paper2Poster 基准的所有美学与信息子指标上均处于领先，并在美学上超越作者本人制作的海报，且唯一能够同时交付这三种制品。

核心贡献

• ResearchStudio-Reel 将五个 Claude Code 和 Codex 技能（Paper2Assets、Paper2Poster、Paper2Video、Paper2Blog、Paper2Reel）围绕一个共享提取器进行组织，并通过由硬性通过/失败渲染判定（而非软偏好分数）控制的测量填充循环。
• 系统产出可直接打印的海报、同步讲解视频和双语博客，且均可在 PowerPoint 和 Word 中保持可编辑；Paper2Reel 查看器则将这些制品绑定到一个自包含的 HTML 界面中，提供段落级同步导航。
• 在 100 篇论文的 Paper2Poster 基准上，所生成的海报在每一个美学和信息子指标上均优于所有先前的自动化系统和单次调用的前沿 LLM，在美学上超过作者本人海报（3.52 vs. 2.94），且 ResearchStudio-Reel 是唯一一条在单次运行中交付全部三种可编辑传播制品的流水线，在 84–93% 的论文上赢得总体评分。

引言

研究论文的传播（即制作会议海报、讲解视频和面向公众的博客文章）是一个时间紧迫的、人工完成“最后一公里”的过程，在论文被接收后立即给作者带来压力。先前的自动化系统分别处理每种制品，导致跨制品不一致、不可编辑的仅渲染输出，以及依赖软美学分数而非硬性完整性检查的质控。作者通过共享技能的编排来补足这些缺口：一个单独的提取器将一致的基础素材输送给三个生成器，每个生成器输出作者可编辑的文件（PowerPoint 或 Word）并施加硬性通过/失败填充判定，再加上一个将海报、视频和博客整合到一个可导航交互式查看器中的汇聚层。

方法

作者采用五技能架构，将单篇论文 PDF 转化为多种可编辑的制品。如下图所示：

系统以 Paper2Assets 为锚点，这是一个共享的上游提取层。Paper2Assets 一次性读取源 PDF 并生成一个规范化的素材包，包含完整正文文本、清理后的图表图像、元数据以及一份结构化的九节摘要。该素材包作为下游三个生成器（Paper2Poster、Paper2Video 和 Paper2Blog）的唯一事实来源。通过集中提取和图表清理，系统确保跨制品的事实一致性，而无需每个生成器重新解析源文档。最后，Paper2Reel 作为交互式汇聚层，将三种交付物绑定到一个可导航的呈现界面中。

Paper2Poster 将共享素材包转换为可直接打印的会议海报。海报并非依赖数量爆炸的固定模板，而是在构建时沿四个正交轴进行组装：列布局、视觉风格、标题横幅头部安排以及底部的“扫码阅读”区块。该模块的核心是一个分阶段填充循环，旨在达成一个完全填充的页面。参考下图：

循环从一个精简的草稿开始，迭代地测量每个章节的内容高度相对于其卡片高度，计算一个标量比率 $fullRatio = h_{content} / h_{card}$fullRatio=hcontent​/hcard​。该比率被量化为分类判定（EMPTY、SPARSE、FULL、SPILLAGE、OVERFLOW），这些判定指示具体的修复动作，例如追加补充文本或精简行文。只有当每个章节都达到目标 FULL 区间且所有图形满足最小尺寸阈值时，循环才终止。如下图所示：

这一可视化展示了章节如何从不均匀的初始探索过渡到完全填充的布局。为避免上下文窗口溢出，精炼循环从不重新读取整个海报；相反，它只编辑偏离目标章节的逐字源内容。一旦收敛，海报被渲染为 PDF 和 PNG，同时通过将 DOM 节点直接映射到原生形状，重新构建为可编辑的 PowerPoint 文件。

Paper2Video 将素材包转换为同步视频包。该模块首先在文本转语音合成之前规划旁白时长，确保通过内容规划而非事后剪辑来满足目标长度。系统生成一个可编辑的 PowerPoint 演示文稿作为渲染源。为引导观众注意力，Paper2Video 生成一个视觉提示计划，将语义锚点附加到特定幻灯片元素上，渲染与旁白同步的聚光灯或激光笔高亮。最终输出包含两种 MP4 变体：一种带有内嵌字幕，另一种为用于交互的纯净版本，以及一个将音频、字幕、幻灯片和视觉提示对齐的时间轴侧记文件。参考下图：

该展示突显了可编辑的演示文稿和带字幕的视频，以及面向用户的控制选项，包括时长、高亮样式和字幕模式。

Paper2Blog 生成双语编辑包，包括一篇中文微信公众号风格的文章和一篇英文研究博客文章。该模块首先从素材包构建一个共享的证据地图，记录关键事实、声明和图表角色，以确保两种语言草稿保持事实一致。作者利用语言特定的大纲和风格指南独立控制每篇草稿的语域，而非逐句翻译。一组共享的图表被选中并放置在两种文档的相关段落附近。装配过程生成带有嵌入媒体和固定文件名的 Word 文档。如下图所示：

该流水线摘要展示了共享证据地图如何驱动多语言草稿，并通过一个编辑 QA 循环，在最终交付前检查事实匹配、图表适配和页面流。

Paper2Reel 作为汇聚层，读取三个生成器完成的交付物，构建一个自包含的交互式查看器。该查看器以海报为先，将生成的海报作为主要导航界面。与海报某个章节交互会打开一个模态窗口，对齐相应的视频片段、幻灯片缩略图和双语博客段落。一个对齐侧记文件将规范化的章节 ID 映射到跨所有模态的相应资产，确保海报区块、视频时刻和博客段落作为同一论文章节的不同视图发挥作用。

实验

评估聚焦于海报生成器，在 Paper2Poster 基准上将 ResearchStudio-Reel 与单次调用的前沿 LLM、先前的海报流水线以及人工创作的海报进行比较。测量填充循环在自动化系统中获得了最高的美学和信息分数，平均超过人类基线，消融实验证实质量提升来自循环和编排技能，而非底层模型。完整的流水线是唯一能够产出全部三种可编辑传播制品（海报、视频、博客）的系统，且保持了较低的运行成本。

ResearchStudio-Reel（Claude Code）在所有自动化海报生成器中获得最高的美学和信息分数，甚至超越了人类作者基线。单次调用的前沿 LLM 生成的海报明显强于早期多步骤工具，但只有 ResearchStudio-Reel 将这种质量与完整的流水线覆盖相结合，从单篇 PDF 产出可编辑的海报、幻灯片、视频和博客。ResearchStudio-Reel（Claude Code）在每一项美学和信息子指标上均领先，整体美学均值为 3.52，而人类作者为 2.94。单次调用的前沿模型（Claude-4.8 Opus、GPT-5.5、Gemini-3.1 Pro）在美学上得分约 3.4 至 3.5，远高于 Paper2Poster 等旧流水线工具（仍低于 2.0）。只有 ResearchStudio-Reel 能交付所有四种传播制品（HTML 海报、PPTX 幻灯片、视频和博客），并提供原生可编辑文件；其他系统最多产出一或两种格式。早期的 Paper2Poster 工具获得了最高的阅读理解分数（95.65% 理解准确率），但在视觉吸引力和布局上大幅落后。

ResearchStudio-Reel 是唯一能够交付所有五项经审计能力的系统：可编辑幻灯片、旁白音频、字幕、定时高亮提示和时长控制。其他类别各自仅覆盖部分；演示文稿工具提供可编辑幻灯片但无媒体，视频工具提供字幕和音频但无时序控制或可编辑演示文稿，论文转视频 Agent 和 NotebookLM Video 仅提供旁白音频。ResearchStudio-Reel 唯一在所有列中达标：高亮提示、时长控制、可编辑 PPTX、字幕和旁白。演示文稿工具（PowerPoint、Google Slides、Keynote）提供可编辑 PPTX 演示文稿，但缺少旁白、字幕、高亮提示和时长控制。视频工具（DaVinci Resolve、Premiere Pro、CapCut）支持字幕和音频，但不支持可编辑幻灯片或时序控制。NotebookLM Video 和论文转视频 Agent 仅提供旁白音频，无高亮提示、时长控制、可编辑演示文稿或字幕。

ResearchStudio-Reel 是唯一能够从论文生成完整博客文章的系统，提供布局控制、内嵌图表、可编辑 DOCX 导出以及中英双语版本。所有其他对比工具，包括 Semantic Scholar TLDR、Research Assistants、Scholarcy 和 NotebookLM，都仅生成纯文本摘要，无布局或双语交付，仅 Scholarcy 额外提供 DOCX 输出。ResearchStudio-Reel 独有地结合了全部五项经审计的博客能力：布局、嵌入图表、可编辑 DOCX、双语交付和摘要。其他每个系统至少缺少五项能力中的三项，仅产出无布局或双语支持的文本摘要，尽管 Scholarcy 也导出 DOCX。

ResearchStudio 流水线在约 89 分钟内从一篇论文生成完整的四件套制品，其中海报和带旁白视频阶段占用了大部分成本。大部分 token 流量由缓存上下文重读构成，其计费约为新鲜输入的十分之一，从而使有效美元成本保持在较低水平。一次性图表提取阶段是最大的单一步骤，但如果提供 LaTeX 源文件，则可以略过，从而大幅降低共享开销。海报技能的填充循环是 token 成本最高的单一步骤。缓存上下文重读在 token 量中占主导，使得有效成本远低于原始输入总量所暗示的数值。提供论文的 LaTeX 源文件可避免昂贵的图表提取阶段，显著加快流水线速度。海报和视频技能共同占据了流水线的大部分时间和 token 用量。

实验将 ResearchStudio-Reel 与现有工具和人类基线进行比较，表明其独特地实现了卓越的美学质量，同时从单篇论文交付全套可编辑的传播制品（海报、幻灯片、带定时高亮提示的视频以及双语博客）。尽管前沿 LLM 可以接近高视觉分数，但只有 ResearchStudio-Reel 支持所有制品类型并提供原生可编辑文件，且其流水线通过缓存上下文重读和提供 LaTeX 源文件以绕过昂贵的图表提取，实现了高效运行。