CycleResearcher: uma ferramenta de automação com tecnologia de IA para pesquisa acadêmica e revisão de manuscritos

O CycleResearcher é um ecossistema de pesquisa e revisão acadêmica orientado por IA de código aberto, projetado para melhorar a eficiência da pesquisa acadêmica por meio de ferramentas automatizadas. Ele consiste em três componentes principais: CycleResearcher para gerar artigos acadêmicos de alta qualidade, CycleReviewer para fornecer revisões acadêmicas detalhadas e DeepReviewer para simular vários revisores e autovalidação. Esse sistema acelera a descoberta científica e reduz os custos de mão de obra por meio de feedback de ciclo fechado entre pesquisa e revisão. Ele é compatível com vários modelos e conjuntos de dados e é adequado para pesquisadores, estudantes e desenvolvedores. Os usuários podem começar rapidamente por meio de instalação simples e chamadas de API, e é adequado para redação acadêmica, revisão de artigos e outros cenários.

Lista de funções

• Geração de papelCycleResearcher gera artigos acadêmicos com base em tópicos e referências fornecidos pelo usuário e oferece suporte a vários modelos (por exemplo, 12B, 72B, 123B).
• Revisor acadêmicoCycleReviewer: O CycleReviewer fornece uma análise detalhada dos artigos, produzindo classificações médias e decisões de aceitação/rejeição com uma taxa de precisão de 74,241 TP3T.
• Revisão multiperspectiva de manuscritosO DeepReviewer simula vários revisores e oferece três modos: Rápido, Padrão e Melhor, com suporte para pesquisa de conhecimento em segundo plano e autovalidação.
• Detecção de IAFerramenta AIDetector integrada que analisa se um documento foi gerado por IA e gera probabilidades e níveis de confiança.
• Pesquisa bibliográficaOpenScholar: o OpenScholar integra a funcionalidade de perguntas e respostas acadêmicas e oferece suporte à recuperação de literatura por meio da API do Semantic Scholar.
• Fácil de integrarBibliotecas Python: fornece bibliotecas Python e interfaces de API para os desenvolvedores incorporarem aos fluxos de trabalho existentes.
• Suporte a vários modelosSuporte a uma variedade de modelos pré-treinados, como Mistral, Llama3.1 e Qwen2.5, para atender a diferentes requisitos de desempenho.

Usando a Ajuda

Processo de instalação

O CycleResearcher é muito fácil de instalar, basta executar o seguinte comando em seu ambiente Python:

pip install ai_researcher

Certifique-se de que a versão do Python seja 3.8 ou superior. Se precisar usar o OpenScholar, você também precisará solicitar uma chave de API do Semantic Scholar e iniciar os serviços relevantes.

Instalação e inicialização do OpenScholar

1. Solicitação de uma chave de API: Acesso API do Semantic Scholar Solicite uma chave.
2. Iniciando o serviço de modelo::

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

3. Iniciando o serviço de API::

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

4. API de teste::
   Envie perguntas usando a biblioteca de solicitações Python:

   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"])
   

Uso do CycleResearcher para gerar documentos

O CycleResearcher gera trabalhos acadêmicos com base em tópicos e referências específicos. Veja abaixo as etapas:

1. Inicialização do modelo::

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

   O modelo 12B é usado por padrão e é adequado para a maioria das tarefas.

2. Carregando referências::
   Prepare o arquivo de referência no formato BibTeX (por exemplo cycleresearcher_references.bib) e depois ler:

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

3. Gerar uma tese::
   Atribua tópicos e referências para gerar um documento:

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

   O artigo gerado conterá uma estrutura completa de resumo, introdução e referências.

Revisão de manuscritos usando o CycleReviewer

O CycleReviewer oferece uma função de revisão automatizada adequada para avaliar rapidamente a qualidade de um documento.

1. Inicialização do modelo::

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

2. revisor::
   suponha que... paper_text É o conteúdo textual do documento a ser revisado que é executado:

   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']}")
   

   O resultado consistiu em uma pontuação média e uma decisão de aceitar ou não, com uma precisão de 74,241 TP3T.

Revisão multiperspectiva com o DeepReviewer

O DeepReviewer oferece recursos de revisão mais sofisticados, com suporte a vários modos e vários revisores simulados.

1. Inicialização do modelo::

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

2. Revisão do modelo padrão::
   Simulação de 4 revisores:

   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. Revisão do modelo ideal::
   Possibilitando a busca e a autovalidação do conhecimento de base:

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

   O modelo ideal é adequado para cenários que exigem uma análise aprofundada, fornecendo um feedback mais abrangente.

Detecção de conteúdo gerado por IA com o AIDetector

Detectar se o papel é gerado por IA:

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']}")

Consultando questões acadêmicas com o OpenScholar

O OpenScholar oferece suporte a perguntas e respostas acadêmicas baseadas em pesquisa, o que é ideal para encontrar rapidamente literatura ou responder a perguntas. Depois de executar o serviço de API, as perguntas são enviadas por meio de solicitações HTTP:

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"])

advertência

• Seleção de modelosSelecione o modelo apropriado (por exemplo, 12B, 14B) de acordo com os requisitos da tarefa; modelos maiores são adequados para tarefas complexas.
• Chave da API: O OpenScholar requer a chave da API do Semantic Scholar, verifique se ela foi solicitada e configurada corretamente.
• Requisitos de hardware: O modo ideal do DeepReviewer requer alta capacidade de computação e a aceleração da GPU é recomendada.
• Suporte a conjuntos de dadosO sistema fornece conjuntos de dados, como Review-5K, Research-14K, etc., que podem ser usados para ajuste fino ou teste do modelo.

cenário do aplicativo

1. Redação de trabalhos acadêmicos
   Os pesquisadores podem usar o CycleResearcher para gerar rapidamente um primeiro rascunho de um artigo, incorporando referências para produzir um conteúdo estruturado adequado para ideias ou inspiração para o primeiro rascunho.
2. Revisão de documentos
   Os organizadores de conferências acadêmicas ou editores de periódicos podem economizar tempo automatizando o processo de revisão com o CycleReviewer e o DeepReviewer, que simulam vários revisores para fornecer avaliações objetivas.
3. Respostas a perguntas acadêmicas
   Estudantes e pesquisadores podem usar o OpenScholar para fazer perguntas sobre questões acadêmicas, obter acesso rápido a suporte bibliográfico ou responder a perguntas complexas.
4. Detecção de conteúdo de IA
   Os editores de periódicos podem usar o AIDetector para verificar se os artigos enviados são gerados por IA, garantindo a integridade acadêmica.
5. pesquisa e desenvolvimento (P&D)
   Os desenvolvedores podem usar a API do CycleResearcher para integrar-se aos fluxos de trabalho acadêmicos e criar ferramentas de pesquisa personalizadas.

QA

1. Quais modelos são compatíveis com o CycleResearcher?
   CycleResearcher-ML-12B, 72B, 123B, CycleReviewer-ML-Llama3.1-8B, 70B, 123B e DeepReviewer-7B, 14B são suportados, todos baseados em modelos pré-treinados convencionais.
2. Como escolher o modo de revisão do DeepReviewer?
   Modo Rápido para feedback rápido, Modo Padrão para equilibrar precisão e velocidade e Modo Melhor para análise aprofundada.
3. O OpenScholar requer configuração adicional?
   A chave da API do Semantic Scholar é necessária e os serviços de modelo e API são iniciados, conforme descrito no processo de instalação.
4. Qual é a qualidade dos documentos gerados?
   O CycleResearcher-12B obteve uma classificação média de 5,36, que está próxima da classificação de 5,69 para artigos aceitos em conferências e é melhor do que outras ferramentas de IA.
5. Ele oferece suporte à geração de papel chinês?
   Atualmente, os documentos estão principalmente em inglês, mas podem ser ajustados para oferecer suporte ao chinês, exigindo que o usuário forneça conjuntos de dados relevantes.