CycleResearcher: ein KI-gestütztes Automatisierungstool für die akademische Forschung und die Überprüfung von Manuskripten

CycleResearcher ist ein quelloffenes, KI-gesteuertes Ökosystem für akademische Forschung und Begutachtung, das die Effizienz der akademischen Forschung durch automatisierte Tools verbessern soll. Es besteht aus drei Kernkomponenten: CycleResearcher für die Erstellung hochwertiger akademischer Arbeiten, CycleReviewer für die Erstellung detaillierter akademischer Gutachten und DeepReviewer für die Simulation mehrerer Gutachter und die Selbstvalidierung. Dieses System beschleunigt die wissenschaftliche Entdeckung und reduziert die Arbeitskosten durch eine geschlossene Feedbackschleife zwischen Forschung und Begutachtung. Es unterstützt mehrere Modelle und Datensätze und ist für Forscher, Studenten und Entwickler geeignet. Benutzer können durch einfache Installation und API-Aufrufe schnell loslegen, und es eignet sich für akademisches Schreiben, die Überprüfung von Arbeiten und andere Szenarien.

Funktionsliste

• Generation PapierCycleResearcher generiert akademische Arbeiten auf der Grundlage der vom Benutzer eingegebenen Themen und Referenzen und unterstützt mehrere Modelle (z.B. 12B, 72B, 123B).
• Akademischer GutachterCycleReviewer bietet eine detaillierte Überprüfung von Arbeiten und gibt durchschnittliche Bewertungen und Annahme-/Ablehnungsentscheidungen mit einer Genauigkeitsrate von 74,241 TP3T aus.
• Multiperspektivische Überprüfung von ManuskriptenDeepReviewer simuliert mehrere Prüfer und bietet drei Modi: Schnell, Standard und Best, mit Unterstützung für die Suche nach Hintergrundwissen und Selbstvalidierung.
• AI-ErkennungAIDetector: Eingebautes Tool, das analysiert, ob eine Arbeit durch KI erstellt wurde und Wahrscheinlichkeiten und Konfidenzniveaus ausgibt.
• LiteratursucheOpenScholar integriert wissenschaftliche Frage- und Antwortfunktionen und unterstützt die Literatursuche über die Semantic Scholar API.
• Leicht zu integrierenBereitstellung von Python-Bibliotheken und API-Schnittstellen für Entwickler zur Einbindung in bestehende Arbeitsabläufe.
• Unterstützung mehrerer ModelleUnterstützt eine Vielzahl von vortrainierten Modellen, wie Mistral, Llama3.1 und Qwen2.5, um unterschiedliche Leistungsanforderungen zu erfüllen.

Hilfe verwenden

Einbauverfahren

CycleResearcher ist sehr einfach zu installieren, Sie müssen nur den folgenden Befehl in Ihrer Python-Umgebung ausführen:

pip install ai_researcher

Stellen Sie sicher, dass die Python-Version 3.8 oder höher ist. Wenn Sie OpenScholar verwenden möchten, müssen Sie außerdem einen Semantic-Scholar-API-Schlüssel anfordern und die entsprechenden Dienste starten.

Installation und Start von OpenScholar

1. Anfordern eines API-Schlüssels: Zugang Semantische Gelehrte API Beantragen Sie einen Schlüssel.
2. Starten des Modelldienstes::

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

3. Starten des API-Dienstes::

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

4. Test-API::
   Senden Sie Fragen mit Hilfe der Python-Anfrage-Bibliothek:

   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"])
   

CycleResearcher zur Erstellung von Papieren verwenden

CycleResearcher erstellt akademische Arbeiten auf der Grundlage bestimmter Themen und Referenzen. Nachfolgend finden Sie die Schritte dazu:

1. Initialisierung des Modells::

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

   Das Modell 12B wird standardmäßig verwendet und ist für die meisten Aufgaben geeignet.

2. Referenzen laden::
   Bereiten Sie die Referenzdatei im BibTeX-Format vor (z. B. cycleresearcher_references.bib) und dann lesen:

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

3. Eine These aufstellen::
   Weisen Sie Themen und Referenzen zu, um ein Papier zu erstellen:

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

   Die erstellte Arbeit wird eine vollständige Struktur mit Zusammenfassung, Einleitung und Referenzen enthalten.

Überprüfung von Manuskripten mit CycleReviewer

CycleReviewer bietet eine automatisierte Überprüfungsfunktion, mit der die Qualität einer Arbeit schnell beurteilt werden kann.

1. Initialisierung des Modells::

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

2. Rezensent::
   Nehmen wir an, dass... paper_text Der Text der zu prüfenden Arbeit ist der eigentliche Inhalt:

   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']}")
   

   Die Ausgabe bestand aus einer mittleren Punktzahl und einer Entscheidung über Annahme oder Ablehnung mit einer Genauigkeit von 74,241 TP3T.

Mehrperspektivische Überprüfung mit DeepReviewer

DeepReviewer bietet ausgefeiltere Überprüfungsfunktionen, die mehrere Modi und mehrere simulierte Prüfer unterstützen.

1. Initialisierung des Modells::

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

2. Überprüfung des Standardmodells::
   Simulation von 4 Gutachtern:

   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. Optimale Modellüberprüfung::
   Ermöglichung der Suche nach Hintergrundwissen und Selbstvalidierung:

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

   Das optimale Modell eignet sich für Szenarien, die eine eingehende Analyse erfordern und ein umfassenderes Feedback liefern.

Erkennung von KI-generierten Inhalten mit AIDetector

Erkennen Sie, ob das Papier von AI erstellt wurde:

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']}")

Abfrage wissenschaftlicher Fragen mit OpenScholar

OpenScholar unterstützt suchbasierte akademische Fragen und Antworten, was ideal ist, um schnell Literatur zu finden oder Fragen zu beantworten. Nach Ausführung des API-Dienstes werden die Fragen über HTTP-Anfragen gesendet:

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"])

caveat

• Auswahl des ModellsAuswahl des geeigneten Modells (z. B. 12B, 14B) entsprechend den Anforderungen der Aufgabe; größere Modelle sind für komplexe Aufgaben geeignet.
• API-SchlüsselOpenScholar benötigt den Semantic Scholar-API-Schlüssel. Stellen Sie sicher, dass dieser korrekt angefordert und konfiguriert wird.
• Hardware-VoraussetzungDeepReviewer's optimaler Modus erfordert eine hohe Rechenleistung und GPU-Beschleunigung wird empfohlen.
• Unterstützung von DatensätzenDas System stellt Datensätze wie Review-5K, Research-14K usw. zur Verfügung, die zur Feinabstimmung oder zum Testen von Modellen verwendet werden können.

Anwendungsszenario

1. Akademische Arbeiten schreiben
   Forscher können CycleResearcher verwenden, um schnell einen ersten Entwurf eines Papiers zu erstellen und Referenzen einzubeziehen, um einen strukturierten Inhalt zu erzeugen, der für erste Ideen oder Inspiration geeignet ist.
2. Überprüfung der Papiere
   Organisatoren akademischer Konferenzen oder Herausgeber von Zeitschriften können Zeit sparen, indem sie den Begutachtungsprozess mit CycleReviewer und DeepReviewer automatisieren, die mehrere Gutachter simulieren, um objektive Bewertungen abzugeben.
3. Antworten auf akademische Fragen
   Studierende und Wissenschaftler können OpenScholar nutzen, um sich über akademische Themen zu erkundigen, schnellen Zugang zu Literatur zu erhalten oder komplexe Fragen zu beantworten.
4. AI Content-Erkennung
   Redakteure von Zeitschriften können mit AIDetector überprüfen, ob eingereichte Beiträge von KI generiert wurden, um die akademische Integrität sicherzustellen.
5. Forschung und Entwicklung (F&E)
   Entwickler können die API von CycleResearcher nutzen, um sich in akademische Arbeitsabläufe zu integrieren und maßgeschneiderte Forschungswerkzeuge zu erstellen.

QA

1. Welche Modelle werden von CycleResearcher unterstützt?
   CycleResearcher-ML-12B, 72B, 123B, CycleReviewer-ML-Llama3.1-8B, 70B, 123B und DeepReviewer-7B, 14B werden unterstützt, die alle auf vortrainierten Mainstream-Modellen basieren.
2. Wie wählt man den Überprüfungsmodus von DeepReviewer?
   Schnellmodus für schnelles Feedback, Standardmodus für ein ausgewogenes Verhältnis von Genauigkeit und Geschwindigkeit und Bestmodus für eine gründliche Analyse.
3. Benötigt OpenScholar eine zusätzliche Konfiguration?
   Der Semantic Scholar-API-Schlüssel wird benötigt und das Modell und die API-Dienste werden gestartet, wie im Installationsprozess beschrieben.
4. Wie hoch ist die Qualität der erstellten Unterlagen?
   CycleResearcher-12B erreichte eine durchschnittliche Bewertung von 5,36, was nahe an der 5,69 für akzeptierte Konferenzbeiträge liegt und besser als andere KI-Tools ist.
5. Unterstützt es die Erzeugung von chinesischem Papier?
   Derzeit sind die Dokumente hauptsächlich auf Englisch, können aber auf Chinesisch angepasst werden, wobei der Benutzer entsprechende Datensätze bereitstellen muss.