一句话总结

来自南洋理工大学、微软研究院及合作者的研究人员提出了 ResearchStudio-Idea，一个将 1,947 篇 ICLR/ICML/NeurIPS 论文（2021–2025）提炼为 15 种可复用构思模式的技能套件，以及 IdeaSpark，其端到端技能将问题解决立足于证据、检索冲突并审计提案，盲审自动评估显示，与无技能和通用技能基线相比，它能生成更强大、可追溯的研究提案，同时保持有竞争力的新颖性。

核心贡献

• 对 1,947 篇 ICLR、ICML 和 NeurIPS 论文（2021–2025）的分析提炼出 31 种反复出现的构思子模式，并将其归纳为 15 张结构化的可复用模式卡片，这些卡片涵盖了研究背景、瓶颈类型、差异化策略、支撑先例和常见失败模式。
• 提出 ResearchStudio-Idea 作为一个技能套件，包含 Paper-Search（多源文献搜索）、Scoop-Check（先验工作碰撞检测）和 IdeaSpark，后者将证据扎根、模式引导的生成、碰撞检索和审计相结合，以生成可追溯、可审计的构思卡片。
• 盲审自动评估显示，IdeaSpark 生成的研究提案在评判质量上高于无技能和通用技能基线，同时保持有竞争力的新颖性，表明大规模会议成果中的模式可以被操作化，用于证据扎根的构思。

引言

基于 LLM 的研究 Agent 目前能够检索文献、提出假设并撰写报告，但关键瓶颈已转移至早期阶段：将证据组织为可复用技能，使一个可辩护的方向扎根，并在实验开始前审计其新颖性。先前的工作要么自动化整个研究生命周期，要么利用学到的新颖性信号在大候选空间中搜索，要么仅从已接收论文中归纳模式，但这些方法往往缺乏一个结构化的、以结果为基础的层次，无法将文献空白与可操作的研究策略联系起来，也无法揭示类似尝试是如何失败的。作者引入了 ResearchStudio-Idea，一个由三个可复用技能组成的套件：Paper-Search 用于多源文献扎根，Scoop-Check 用于声明级先验工作碰撞检测，以及 IdeaSpark，后者挖掘 1,947 篇来自 ICLR、ICML 和 NeurIPS 的论文，从接收、高引用和拒稿工作之间的对比中归纳构思模式，并将其打包为操作卡片，同时指导构思生成和审计。

数据集

作者构建了一个包含 1,947 篇机器学习论文的数据集，来自 ICLR、ICML 和 NeurIPS（2021–2025），通过 OpenReview API 收集，并补充了 Semantic Scholar 引用计数。每篇论文包含标题、摘要、作者列表、OpenReview id、录用决定、可用的审稿字段、元审稿（如有）以及引用计数。论文可被赋予一个或多个标签，旨在操作化工作中的关键对比：

• Oral（1,014 篇论文）：录用决定为 Oral 的论文，标示程序委员会的偏好。
• High-Cited (HC)（260 篇论文）：每个会议-年份前 30 篇引用最多的论文（2025 年为前 10），代表社区采纳。完整集合 HC_all 包含 49 篇也是 Oral 的论文，一个互斥子集 HC_disjoint（211 篇）在需要互斥的 Oral、HC 和 Reject 类别时使用。
• Reject（722 篇论文）：具有明确 Reject 决定且拥有非平凡审稿集的论文，提供了具体的失败信号。

经过合并并按 OpenReview 提交 id 去重，数据集包含 1,947 篇唯一论文。元数据覆盖度不同：1,891 篇论文具有非空抽象字段（摘要、引言和审稿），用于嵌入；1,074 篇包含完整摘要，716 篇有解析的审稿，682 篇有提取的引言，340 篇有元审稿。对于卡片生成，一个单独的审稿恢复流程会从公开的 OpenReview 线程中拉取审稿证据，无法恢复审稿文本的论文仍包含在签名提取中，其审稿衍生字段被视为低证据辅助信号。

处理步骤包括从论文 PDF 中提取引言、解析审稿线程以及按 OpenReview id 去重。56 篇缺乏非空抽象字段的论文被从嵌入池中移除。作者身份被保留但不作为特征使用。数据集通过一个基于 LLM 的领域归纳管道进一步丰富：LLM 从每篇论文的标题、摘要和作者提供的关键词中提取研究子领域标签；标签被嵌入并聚类，第二个 LLM 归纳出一个 28 领域的分类体系。结果为每篇论文分配领域，覆盖了 98.5% 的论文。

该数据集用于扎根策略签名提取、聚类和模式卡片生成。三个标签作为对比委员会偏好、社区采纳和拒稿的分析基础。内部引用论文时使用类似“ICLR 2022 0094”的标识符，该标识符解析为数据集的 openreview id 字段。

方法

作者通过一个两阶段过程，将每篇论文转换为适合策略级聚类的形式，提取一个包含十二个字段的创新签名。在第一阶段，他们将论文的标题、摘要、引言、审稿和元审稿输入 Claude Sonnet 4.6，提取八个基础字段。这些字段包括创新方法、关键步骤、非显而易见的原因、触发条件、审稿人赞扬、审稿人担忧、接收信号和贡献类型。前四个字段最具策略承载性。在第二阶段，进行第二次传递，将这些四个字段重写为领域无关的等价形式。提示词指示模型用通用占位符替换领域名词，采用祈使句式，保留机制，并省略应用细节。这种抽象化可防止嵌入依赖于领域特定名词，确保生成的聚类反映推理策略而非主题。

对于每篇论文，四个抽象化策略字段被连接，并使用 OpenAI text-embedding-3-large（3,072 维）嵌入，随后进行 L2 归一化。然后作者应用 UMAP 将维度降至 10，接着进行 HDBSCAN 聚类。选择最小聚类大小为 10，识别出 31 个构思子模式。每个聚类由 Opus 4.7 自动标记，读取八个距质心最近的代表性论文，生成标签和一句话描述。第二次传递为每个聚类生成二级消歧卡片，详细说明战术模式、逐步配方、在父模式中的差异化、触发条件、战术失败模式以及论文无关的示例。

为了归纳出更高层次的分类体系，作者要求 Claude Opus 4.7 从 31 个聚类中构建一个一级构思模式分类体系，结果得到 15 种不同的构思模式。每个模式包括定义、操作签名和适用条件。这 15 种模式并不互斥；论文经常组合执行多个操作符。

下图中展示了该层次结构的覆盖范围和粒度。

内圈按论文数量大小显示 15 种构思模式，中圈将每种模式细分为 31 个组成子聚类，外圈编码每种模式的 Oral 接收率。分布呈现长尾，顶级模式如“审计并枢转一个假设”占据了大量论文，而其他模式则代表稀有但连贯的操作符。

为了理解为何某些构思模式常常成对组合，作者在嵌入空间中计算了 15 种模式之间的质心余弦相似度。

矩阵显示，构思模式并非正交，而是形成一个密集的邻域。几何邻近性为合理的次级模式组合提供了证据。例如，“审计并枢转一个假设”与“替换操作符或表示”具有高余弦相似度。作者还进行了论文级多标签标注，发现 $k=2$k=2 是每篇论文执行的构思模式数量的经验众数。

作者构建了 IdeaSpark，将这一经验基础转化为可运行的研究构思工作流。它被实现为一个双层技能：一个运行时层包含编排逻辑和提示词，一个证据层包含归纳的模式卡片和语料库衍生的失败模式清单。工作流经过几个阶段。

第 0 阶段通过查询多个来源来建立广泛的文献包和全文缓存，以进行文献扎根。第 1 阶段通过将邻域排列成方法谱系树，识别文献扎根的瓶颈，暴露增量和减量差距。第 2 阶段将模式选择与候选生成分离。系统选择其操作签名在结构上能闭合诊断出的差距的构思模式，并实例化为一个具体的候选机制。

第 3 阶段作为质量检验。它运行聚焦的文献检索以检测机制级碰撞，并执行四项语料库锚定的审计检查：差距闭合拒绝扫描、配方应用、反模式实质性验证和论文指向威胁。审计返回一个推进、修订或放弃候选的裁决。最后，第 4 阶段将候选扩展为最终的构思卡片工件包，运行可实施性审计，渲染输出，并应用确定性验证器以确保杀伤开关完整性和扩展完整性。系统通过将每个承重声明扎根于检索到的记录，并使用确定性门控防止幻觉，确保忠实性。

实验

评估分析了 1,947 篇机器学习论文的语料库，提取出 15 种构思模式，揭示出录用与否取决于子模式层面的执行质量而非策略选择，且像“表征一个极限，然后超越它”这样的模式在各个领域都稳健地表现为 Oral，而其他模式则具有领域依赖性。消融实验证实，管道的领域无关重写和释义编码器比基于主题的替代方案更能捕捉策略相似性，而对 IdeaSpark 的盲评估显示，其语料库扎根的工作流产生的构思质量最高，而仅凭新颖性本身具有误导性，因为存在“新颖但空洞”的失败模式。

数据集包含 1,947 篇来自 ICLR、ICML 和 NeurIPS（2021–2025）的唯一论文，每篇被标记为 Oral、High-Cited 或 Reject，其中 49 篇论文同时属于 Oral 和 High-Cited。分析中使用的互斥池为 1,014 篇 Oral、211 篇 High-Cited（互斥）和 722 篇 Reject，从而能够对比程序委员会偏好、社区采纳和失败信号。Oral 和 High-Cited 标签仅在 49 篇论文中重叠，移除这些重叠后得到 211 篇互斥的 High-Cited 池。数据集包含 722 篇 Reject 论文，提供了仅接受论文语料库中不存在的失败信号。High-Cited 计数基于每个会议-年份的前 30 篇引用，但 2025 年由于引用累积仅使用前 10 篇。

对最小聚类大小的 HDBSCAN 扫描显示，最小设置（10）产生最高的轮廓系数（0.584）和最多的聚类数（31），同时留下 47.7% 的论文未聚类。较粗的设置产生更少的聚类和更低的轮廓系数，但未聚类比例始终很高（40–49%），表明这些点确实远离密度峰值。未聚类标签反映了模态聚类之间的几何位置，而非缺乏策略内容。最小的最小聚类大小（10）实现了最强的轮廓系数（0.584）和最多的聚类数（31），而较粗的设置同时降低了聚类数和轮廓系数。在所有最小聚类大小下，未聚类比例始终保持在 40% 到 49% 之间，从未低于 39.7%，表明这些点并非细粒度伪影。将最小聚类大小从 10 增加到 40，聚类数大约减半（从 31 到 6），轮廓系数从 0.584 降至 0.474。

从一个大型机器学习论文语料库中归纳出 15 种可复用构思模式的分类体系。最常见的模式——“审计并枢转一个假设”——在接收论文中占主导地位，而其他模式如“将异构输入统一到同一空间”则显示出更均衡的接收和高引用混合。当嵌入到结构化工作流中时，这些模式显著提升了构思质量，但裸模型可能产生空洞的新颖性，这强调了需要同时评估质量和新颖性。“审计并枢转一个假设”是接收论文中最普遍的模式，具有高 Oral 数量但相对较少的高引用论文，而“将异构输入统一到同一空间”的 Oral 和高引用论文数量几乎相等，表明不同模式与不同形式的影响相关。IdeaSpark 的质量优势源于其语料库扎根的模式卡片和多阶段工作流，而非模型骨干或检索单独作用，正如同一骨干的阶梯对比所示，通用自动撰写的技能表现并不比裸基线好。

在嵌入空间中，具有高余弦相似度的构思模式更有可能在口头报告中组合出现，正如前三对 Oral 丰富的组合所示。两个最孤立的模式是“设计一个混淆隔离诊断”和“表征一个极限，然后超越它”，它们形成了自己的独立区域，这不能仅由样本量解释。三种模式——“审计并枢转一个假设”、“重构为可解对象”和“替换操作符或表示”——充当枢纽，各自作为其他三种模式的最近邻。嵌入空间中相邻的模式在实践中经常配对：前三对 Oral 丰富的组合都涉及高余弦邻居，如“审计并枢转”与“结构先验编码”或“操作符替换”。“设计一个混淆隔离诊断”是最孤立的模式（最低最近邻余弦），尽管支持度中等（n=86），因为其混淆隔离测量仪器的签名与其他模式无法以标准方式组合。

在所有录用决定中，两个构思模式是最常见的计数，59.2% 的论文恰好执行两个模式。只有 7.2% 的论文使用单一模式，而 33.6% 使用了三个或更多，揭示了可观的多模式长尾。Oral、Highly-Cited 和 Reject 论文的平均模式数紧密聚集在 2.3 左右，表明模式的数量本身并不能区分录用结果。k 的众数对每个录用类别均为 2，59.2% 的所有论文恰好执行两个构思模式。超过三分之一的论文（33.6%）使用了三个或更多模式，这是一个基于聚类的方法（上限为 k≤2）未能充分代表的长尾。

实验利用了一个包含 1,947 篇论文的数据集，带有录用和引用标签，以对比程序委员会偏好、社区采纳和失败信号。聚类显示近一半的论文位于模态聚类之间，表明模式空间是连续的而非离散的类别，而一个 15 种构思模式的分类体系表明，区分录用工作的是模式类型而非数量，某些枢纽模式频繁共现，而其他模式则保持孤立。将这些模式嵌入到结构化工作流（IdeaSpark）中显著提升了构思质量，而裸模型生成空洞的新颖性，强调了扎根的模式使用至关重要。