CycleResearcher：AI驱动的学术研究与审稿自动化工具

CycleResearcher 是一个开源的 AI 驱动学术研究与审稿生态系统，旨在通过自动化工具提升学术研究效率。它包含三个核心组件：CycleResearcher 用于生成高质量学术论文，CycleReviewer 提供详细的学术审稿，DeepReviewer 模拟多位审稿人并进行自我验证。这套系统通过研究与审稿的闭环反馈，加速科学发现，降低人工成本。它支持多种模型和数据集，适合研究人员、学生和开发者使用。用户可通过简单安装和 API 调用快速上手，适用于学术写作、论文评审等场景。

功能列表

• 论文生成：CycleResearcher 基于用户提供的主题和参考文献生成学术论文，支持多种模型（如 12B、72B、123B）。
• 学术审稿：CycleReviewer 提供详细的论文评审，输出平均评分和接受/拒绝决定，准确率达 74.24%。
• 多视角审稿：DeepReviewer 模拟多个审稿人，提供快速、标准和最佳三种模式，支持背景知识搜索和自我验证。
• AI 检测：内置 AIDetector 工具，分析论文是否由 AI 生成，并输出概率和置信度。
• 文献查询：OpenScholar 集成学术问答功能，支持通过 Semantic Scholar API 检索文献。
• 易于集成：提供 Python 库和 API 接口，方便开发者嵌入现有工作流。
• 多模型支持：支持多种预训练模型，如 Mistral、Llama3.1 和 Qwen2.5，满足不同性能需求。

使用帮助

安装流程

CycleResearcher 的安装非常简单，用户只需在 Python 环境中运行以下命令即可：

pip install ai_researcher

确保 Python 版本为 3.8 或以上。如果需要使用 OpenScholar，还需申请 Semantic Scholar API 密钥并启动相关服务。

OpenScholar 安装与启动

1. 申请 API 密钥：访问 Semantic Scholar API 申请密钥。
2. 启动模型服务：

   cd OpenScholar
   chmod +x start_models.sh
   ./start_models.sh
   

3. 启动 API 服务：

   python openscholar_api.py \
   --s2_api_key YOUR_SEMANTIC_SCHOLAR_API_KEY \
   --reranker_path OpenSciLM/OpenScholar_Reranker
   

4. 测试 API：
   使用 Python requests 库发送问题：

   import requests
   response = requests.post("http://localhost:38015/batch_ask", json={
   "questions": ["检索增强语言模型在知识密集任务中的表现如何？"]
   })
   print("OpenScholar 回答:", response.json()["results"][0]["output"])
   

使用 CycleResearcher 生成论文

CycleResearcher 可生成基于特定主题和参考文献的学术论文。以下是操作步骤：

1. 初始化模型：

   from ai_researcher import CycleResearcher
   from ai_researcher.utils import print_paper_summary
   researcher = CycleResearcher(model_size="12B")
   

   默认使用 12B 模型，适合大多数任务。

2. 加载参考文献：
   准备 BibTeX 格式的参考文献文件（如 cycleresearcher_references.bib），然后读取：

   with open('cycleresearcher_references.bib', 'r') as f:
   references_content = f.read()
   

3. 生成论文：
   指定主题和参考文献，生成一篇论文：

   generated_papers = researcher.generate_paper(
   topic="AI Researcher",
   references=references_content,
   n=1
   )
   print_paper_summary(generated_papers[0])
   

   生成的论文会包含摘要、引言和参考文献等完整结构。

使用 CycleReviewer 审稿

CycleReviewer 提供自动化审稿功能，适合快速评估论文质量。

1. 初始化模型：

   from ai_researcher import CycleReviewer
   reviewer = CycleReviewer(model_size="8B")
   

2. 审稿：
   假设 paper_text 是待审论文的文本内容，运行：

   review_results = reviewer.evaluate(paper_text)
   print(f"平均评分: {review_results[0]['avg_rating']}")
   print(f"审稿决定: {review_results[0]['paper_decision']}")
   

   输出包括平均评分和是否接受的决定，准确率高达 74.24%。

使用 DeepReviewer 进行多视角审稿

DeepReviewer 提供更复杂的审稿功能，支持多种模式和多位模拟审稿人。

1. 初始化模型：

   from ai_researcher import DeepReviewer
   deep_reviewer = DeepReviewer(model_size="14B")
   

2. 标准模式审稿：
   模拟 4 位审稿人：

   review_results = deep_reviewer.evaluate(
   paper_text,
   mode="Standard Mode",
   reviewer_num=4
   )
   for i, review in enumerate(review_results[0]['reviews']):
   print(f"审稿人 {i+1} 评分: {review.get('rating', 'N/A')}")
   print(f"审稿人 {i+1} 摘要: {review.get('summary', 'N/A')[:100]}...")
   

3. 最佳模式审稿：
   启用背景知识搜索和自我验证：

   review_results = deep_reviewer.evaluate(
   paper_text,
   mode="Best Mode",
   reviewer_num=6,
   enable_search=True,
   self_verification=True
   )
   

   最佳模式适合需要深入分析的场景，提供更全面的反馈。

使用 AIDetector 检测 AI 生成内容

检测论文是否由 AI 生成：

from ai_researcher import AIDetector
detector = AIDetector(device='cpu')
detection_result = detector.analyze_paper(paper)
print(f"AI 生成概率: {detection_result['probability'] * 100:.2f}%")
print(f"置信度: {detection_result['confidence_level']}")

使用 OpenScholar 查询学术问题

OpenScholar 支持基于检索的学术问答，适合快速查找文献或解答问题。运行 API 服务后，通过 HTTP 请求发送问题：

response = requests.post("http://localhost:38015/batch_ask", json={
"questions": ["如何提升语言模型在学术研究中的表现？"]
})
print(response.json()["results"][0]["output"])

注意事项

• 模型选择：根据任务需求选择合适的模型（如 12B、14B），更大模型适合复杂任务。
• API 密钥：OpenScholar 需要 Semantic Scholar API 密钥，确保申请并正确配置。
• 硬件要求：DeepReviewer 的最佳模式需要较高算力，建议使用 GPU 加速。
• 数据集支持：系统提供 Review-5K、Research-14K 等数据集，可用于模型微调或测试。

应用场景

1. 学术论文撰写
   研究人员可使用 CycleResearcher 快速生成论文初稿，结合参考文献生成结构化内容，适合初稿构思或灵感获取。
2. 论文审稿
   学术会议组织者或期刊编辑可通过 CycleReviewer 和 DeepReviewer 自动化审稿，模拟多位审稿人提供客观评价，节省时间。
3. 学术问题解答
   学生和研究人员可通过 OpenScholar 查询学术问题，快速获取文献支持或解答复杂问题。
4. AI 内容检测
   期刊编辑可使用 AIDetector 检查投稿论文是否由 AI 生成，确保学术诚信。
5. 研究开发
   开发者可利用 CycleResearcher 的 API 集成到学术工作流中，构建定制化的研究工具。

QA

1. CycleResearcher 支持哪些模型？
   支持 CycleResearcher-ML-12B、72B、123B，CycleReviewer-ML-Llama3.1-8B、70B、123B，以及 DeepReviewer-7B、14B，均基于主流预训练模型。
2. 如何选择 DeepReviewer 的审稿模式？
   快速反馈用 Fast Mode，平衡准确性和速度用 Standard Mode，需深入分析用 Best Mode。
3. OpenScholar 需要额外配置吗？
   需要 Semantic Scholar API 密钥，并启动模型和 API 服务，具体见安装流程。
4. 生成的论文质量如何？
   CycleResearcher-12B 的平均评分达 5.36，接近会议接受论文的 5.69，优于其他 AI 工具。
5. 是否支持中文论文生成？
   目前以英文论文为主，但可通过微调支持中文，需用户提供相关数据集。