論文の概要: Spark-to-Paper: End-to-End Research Paper Generation as a Composable Skill
- arxiv url: http://arxiv.org/abs/2608.11924v1
- Date: Wed, 12 Aug 2026 11:11:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.560384
- Title: Spark-to-Paper: End-to-End Research Paper Generation as a Composable Skill
- Title（参考訳）: Spark-to-Paper: 構成可能な技術としてのエンド・ツー・エンド研究用紙
- Abstract要約: 本稿では,既存のコーディングアシスタント内の13種類の構成可能なスキルとして実装された,エンドツーエンドの研究論文生成システムSpark-to-Paperを紹介する。
実験計画と報告を分離し、結果が観察される前に必要な証拠が特定され、測定結果に応じて原稿クレームが修正される。
8つの制御された研究トピックの中で、Spark-to-Paperは99.5%の引用妥当性と96.4%の数値編集性を達成した。
- 参考スコア（独自算出の注目度）: 8.917367808177904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Turning a research idea into a complete paper requires more than text generation: the system must retrieve literature, design and execute experiments, revise claims according to evidence, produce publication-ready figures, and maintain consistency across a long generation process. We present Spark-to-Paper, an end-to-end research paper generation system implemented as thirteen composable skills inside an existing coding assistant, without requiring a separate agent platform or orchestration service. Spark-to-Paper separates model-based judgment from deterministic operations that can be directly executed and checked. It further separates experiment planning from reporting, so that required evidence is specified before results are observed and manuscript claims are revised according to measured outcomes. To improve reliability over long research trajectories, the system combines deterministic integrity checks with self-critique and bounds a failure mode we call the Self-Refutation Loop, in which repeated experiments continue to reject the original research objective. Spark-to-Paper also produces editable vector figures through programmatic plotting for experimental results and code-based reconstruction for generated method diagrams. Across eight controlled research topics, Spark-to-Paper achieves 99.5% citation validity and 96.4% figure editability. A controlled ablation increases fabrication detection from 14% for a single-pass draft to 92% with the full integrity and review stack, while adversarial review achieves 74% precision. The full system uses 11.9M tokens, costs $8.1 per manuscript, and requires 3.2 hours on average. These results show that end-to-end research paper generation can be implemented as a lightweight, composable workflow inside existing coding assistants while keeping experimental evidence central to how claims are accepted, revised, or abandoned.
- Abstract（参考訳）: システムは文献を検索し、実験を設計し実行し、証拠に従ってクレームを修正し、出版可能な数字を作成し、長い世代のプロセスで一貫性を維持する必要がある。
本稿では,既存のコーディングアシスタント内で,エージェントプラットフォームやオーケストレーションサービスを別途必要とせずに,13種類の構成可能なスキルとして実装された,エンドツーエンドの研究論文生成システムSpark-to-Paperを紹介する。
Spark-to-Paperは、モデルベースの判断と、直接実行してチェックできる決定論的操作を分離する。
さらに、実験計画と報告を分離し、結果が観察される前に必要な証拠が特定され、測定結果に応じて原稿クレームが修正される。
長い研究軌跡の信頼性を向上させるため、決定論的整合性チェックを自己批判と組み合わせ、我々はセルフ・リフューテーション・ループ(Self-Refutation Loop)と呼ぶ障害モードを限定する。
Spark-to-Paperは、実験結果のためのプログラムプロットと、生成されたメソッドダイアグラムのためのコードベースの再構成によって、編集可能なベクトルフィギュアも生成する。
8つの制御された研究トピックの中で、Spark-to-Paperは99.5%の引用妥当性と96.4%の数値編集性を達成した。
制御されたアブレーションは、単一パスドラフトの14%から完全な完全性とレビュースタックで92%に増加し、対向的なレビューは74%の精度を達成する。
システム全体のトークンは190万枚、原稿1本あたり8.1ドル、平均3.2時間である。
これらの結果から,エンド・ツー・エンドの研究論文生成は,既存のコーディングアシスタント内での軽量で構成可能なワークフローとして実装可能であるとともに,クレームの受け入れ,修正,放棄といった実験的な証拠を保っていることが示唆された。
関連論文リスト
- Deep Academic Survey: Stateful Agentic Closed-Loop Paradigm for Academic Survey Automation [60.151050016855834]
DASは出版指向の学術調査を作成するためのステートフルなエージェント・フレームワークである。
その鍵となる考え方は、再利用可能な紙分析とトピック固有の原稿構築を分離することである。
DASは4つの次元で最高点に達し、総合スコアは4.34であり、最強の競争相手は4.03である。
論文 参考訳（メタデータ） (2026-08-18T17:29:00Z) - Prompt-to-Paper: Agentic AI System for Bioinformatics [0.0]
本稿では,この評価ギャップに直接対処するマルチエージェントフレームワークであるPrompt-to-Paperを紹介する。
まず,有意な60-100論文のコーパスにおいて,各クレームに有意な関連性評価と雪玉の引用拡張を施した決定論的検索拡張生成パイプラインについて検討した。
第二に、自律符号化エージェントは、合成出力を真に数値的な結果に置き換える実際の計算生物学実験を実行する。
第三に、8次元の自動品質スコアラで、公表された論文からの概ね参照統計をベンチマークし、明示的な幻覚の罰則を付加し、標準化された再現可能な品質評価を提供する。
論文 参考訳（メタデータ） (2026-07-05T21:30:24Z) - Coding-agents can replicate scientific machine learning papers [0.0]
論文複製により、選択された各論文は、記録された証拠を持つターゲットを主張し、コーディングエージェントスキルとして実装する。
このワークフローにより、エージェントはこれらのターゲットを記録し、論文の手法を再構築し、計算実験を行い、生成された出力を証明とリンクさせ、論文の主張と比較する。
本論文は,4つの理科の機械学習論文における12の独立した実行について,ペーパーレプリケーションを評価した。
論文 参考訳（メタデータ） (2026-07-02T13:11:30Z) - SPECTRA: Synthetic IR Test Collections with Relevance Oracles and Controlled Distractor Diagnostics [0.8557392136621891]
本稿では,合成テキストコーパスと検索テストコレクションを生成するための再現可能なフレームワークであるSPECTRAを紹介する。
シングルプロセスのPythonプロトタイプは、最大6万のドキュメントと9.61万のトークンをコーパス生成し、制御可能な長尾語彙の成長を保存する。
その結果,軽量合成コーパスは,コストのかかるコレクション構築を開始する前に,検索システムスケーリングと障害モードを公開することができることがわかった。
論文 参考訳（メタデータ） (2026-05-29T17:44:15Z) - ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence [57.37494162084001]
チェーン・オブ・エビデンス(Chain-of-Evidence, CoE)は、すべてのクレームがエビデンス・ソースにトレース可能であることを要求する検証可能なフレームワークである。
CoE Auditはポストホック監査であり、スコア検証、仕様違反、参照検証、メソッドコードアライメントという4つの整合性チェックが全システムに均一に適用される。
論文 参考訳（メタデータ） (2026-05-25T21:30:27Z) - AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。
我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。
障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
論文 参考訳（メタデータ） (2026-05-18T17:08:26Z) - The Last Human-Written Paper: Agent-Native Research Artifacts [106.47848184955576]
本稿では,物語紙を機械処理可能な研究パッケージに置き換えるプロトコルであるAgent-Native Research Artifact(ARA)を紹介する。
通常の開発において決定と終了をキャプチャするLive Research Manager、レガシPDFとリポジトリをARAに変換するARAコンパイラ、人間レビュアーが重要性、ノベルティ、味にフォーカスできるように客観的チェックを自動化するARAネイティブレビューシステムである。
論文 参考訳（メタデータ） (2026-04-27T16:23:09Z) - PaperAudit-Bench: Benchmarking Error Detection in Research Papers for Critical Automated Peer Review [54.141490756509306]
本稿では、エラーデータセットであるPaperAudit-Datasetと、自動レビューフレームワークであるPaperAudit-Reviewの2つのコンポーネントからなるPaperAudit-Benchを紹介する。
PaperAudit-Benchの実験では、モデルと検出深さの誤差検出可能性に大きなばらつきが示された。
本研究では,SFTおよびRLによる軽量LLM検出器のトレーニングをサポートし,計算コストの削減による効率的な誤り検出を実現する。
論文 参考訳（メタデータ） (2026-01-07T04:26:12Z) - Enhancing Automated Paper Reproduction via Prompt-Free Collaborative Agents [8.185402940269794]
本稿では,コード生成の品質を自動的に向上する,プロンプトフリーな協調エージェントフレームワークを提案する。
提案手法では,各ステップの出力が対応するシステムプロンプトに規定された要求を満たすかどうかを検証する検証エージェントと,識別された問題に基づいて出力を更新する精査エージェントの2つを用いている。
論文 参考訳（メタデータ） (2025-12-02T14:24:23Z) - Reflective Paper-to-Code Reproduction Enabled by Fine-Grained Verification [46.845133190560375]
複雑なコードを効率的にデバッグするために、人間が体系的なチェックリストを使う方法に触発されて、textbfReflective Paper-to-Code textbfReproductionフレームワークである textbfReProを提案する。
紙の指紋を自動的に抽出し、高品質な監視信号として機能する、正確で原子的な基準の包括的なセットを参照する。
ベースラインよりも13.0%のパフォーマンスギャップを達成し、反射の複雑な論理的および数学的基準を正しく修正する。
論文 参考訳（メタデータ） (2025-08-21T06:57:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。