端到端论文生成系统：假结论检出率92%，自动跑实验、画图、直出论文初稿

Spark-to-Paper 是一套端到端研究论文生成系统，以 13 个可组合技能的形式运行在现有编程助手内部，无需单独部署的智能体平台或外部编排服务。从一句研究想法出发，系统自动完成文献检索、实验设计、实验执行、论文写作、证据驱动的结论修订、可编辑论文图生成，直至输出可直接编译的完整 LaTeX 项目。

在 8 个受控研究课题上，Spark-to-Paper 引文有效率达 99.5%，图形元素可编辑率达 96.4%；对 36 条人为注入的假结论，检出率从单遍生成的 14% 提升至 92%，对抗式评审精确率达 74%。平均每篇论文使用 11.9M token，成本 8.1 美元，耗时 3.2 小时。

• 论文：https://arxiv.org/abs/2608.11924
• Hugging Face：https://huggingface.co/papers/2608.11924

目前，介绍该系统的论文已被 Hugging Face Papers 标记为当日第一。

AI 科研的痛点问题

CodingAgent 的发展重塑了传统科研流程，成为 AI 辅助科研的新范式：智能体负责科研任务规划、方案生成与任务执行等全流程工作，显著提升了科研效率。

但由于科研流程本身的复杂性和当前大模型能力的局限性，AI 科研仍面临两大痛点，制约着实际应用。

其一是工具碎片化：文献阅读、假设提出、代码编写、实验试错、参数调优等工作散落在多个平台，各环节产物难以衔接，即使使用编程助手 (Claude Code / Codex)，也缺少一套把「从想法到论文」完整串起来的端到端流程。

其二是科研幻觉：大模型存在固有幻觉问题，面对复杂、长链条的科研任务，容易出现文献引用、实验数字、因果推导等错误 —— 引用查不到、数字没有出处、实验结果与结论相悖时「假装无事发生」，严重破坏科研工作的可复现性与严谨性。

Spark-to-Paper：

从想法到论文的端到端科研工作流

Spark-to-Paper 没有再造独立的智能体平台，而是直接复用编程助手已有的读文件、代码执行、信息搜索与工具调用能力，把科研过程拆成 13 个可组合技能。每个技能只规定任务目标、约束条件、可用工具与交付标准，具体执行由编程助手根据当前项目状态自主完成；一条轻量级流水线负责指定任务顺序。全部技能共享同一个项目目录，通过文件化产物协作，前一步的输出就是后一步的输入，文献、研究蓝图、代码、实验结果、图片与修改记录全部保留 —— 任何一步出现问题，都可以从对应产物继续修改，而不是整篇重新生成。

从一句短想法出发，系统先将其扩展为结构化研究提案，再依次完成规划、引文、写作、修订、评审、画图与组装，最终输出包含手稿、参考文献、图表与模板配置的完整 LaTeX 项目，可直接编译。组装阶段按目标会议或期刊模板自动处理章节顺序、引用格式与文档结构，编译后通过确定性检查，确保没有未解析引用与 LaTeX 错误。

实验环节同样由系统自动完成：规划阶段预先确定数据集、基线、指标、消融与结果表格结构（数值留空），形成流程内的轻量级预注册；写作完成后，系统从论文的主张反推缺失证据，在代码与数据可用时自动运行最小实验集，记录日志、指标文件、表格与图，并用实测结果回填正文、重绘结果图，同时联动修订摘要、引言、结果与结论。

论文图则按角色走两条路径：结果图直接读取实测数据、由绘图程序生成并导出矢量 PDF；方法图与示意图先用图像模型产出视觉草图，再由编程助手重建为可编辑的网页文件并迭代校准，最终导出矢量 PDF。

Spark-to-Paper 总体执行流程

Spark-to-Paper 核心技术

基于技能的模块化流水线

13 个技能由输入路由与八个阶段组织。输入判断起点并选择结果完整性模式 —— 无实测结果时进入提案模式，数字必须留空；有实测数据时进入数据感知模式，定量结论须有结果支撑。规划、引文、写作、修订、评审、画图、组装构成核心论文生成流程；实验执行按需触发，将实测证据写回论文。整个流水线中，模型负责需要理解与判断的决策，可核验操作由确定性程序完成，两者各司其职。

预注册式实验设计与证据驱动修订

实验规划与实验报告严格分离：在观测结果之前，规划阶段即固定数据集、基线、指标、消融与结果表格结构；实验阶段按需执行最小证据集，昂贵计算或外部数据获取必须由具体主张与资源可用性背书。实验完成后，系统依据实测证据复审手稿，将论点分类为支持、部分支持、未支持、被反驳或需进一步确认，并相应保留、弱化、删除、移入局限性或触发补充实验；阴性、无效或不显著的结果予以保留而非省略，摘要、引言、结果与结论联动更新，确保全文与最终证据一致。

完整性检查、长程自省与失败边界

确定性 Gate 对可验证属性逐项把关：蓝图结构、引用一致性、记法统一、图文件齐备、LaTeX 编译成功，以及提案模式下「未观测结果必须留白」等规则，都以程序而非模型判断执行。

语义层面的问题由两级模型自省处理：自我审查在每次编辑后局部检查论点漂移与前后一致性；对抗式评审从理论正确性、实验设计与系统有效性等角度对整篇论文进行多轮独立审查，每条评审意见必须引用具体段落，并从三个方向核验 —— 问题是否真实存在、是否已在别处回答、是否超出论文声称范围；无法反驳的意见才进入修订，评审持续到一轮内不再产生新问题。

针对「反复实验否定同一研究方向」的自我反驳循环，系统将实验 — 批评 — 修订循环上限设为 7 轮。超过上限仍无法支撑核心目标时，终止该轨迹并生成失败报告，记录原始想法、试过的方法、实测结果与证据不足的原因，随后从新的想法重新开始。失败轨迹被保留为研究产出，但不会被包装成成功论文。

完整性检查、自我审查与自我反驳循环

可编辑图生成

论文图按角色走两条路径：实验结果图读取实测输出、由绘图程序生成原生矢量 PDF，数值与实验结果严格绑定；方法图与解释性图先由图像模型生成视觉草图，再以草图作为视觉规范，由 Coding Agent 以生成 HTML 的形式重建文字、形状、连线与布局，经渲染对比迭代校准后导出矢量 PDF，重建不可靠时回退到栅格图。生成式模型负责视觉设计，实验结果图完全由数据决定，最终产物保持可编辑。

结果图与方法图采用两条不同的可编辑生成路径

应用实践与评测结果

受控评测：与人类预印本及现有科研智能体对比

在 8 个受控研究课题上，Spark-to-Paper 引文有效率达 99.5%，高于人类撰写预印本的 97.8%、AI Scientist 的 93%、AI Scientist-v2 的 91%、Agent Laboratory 的 96% 与单遍生成基线的 81%。图形元素可编辑率达 96.4%，对比之下，人类预印本仅为 58%，AI Scientist 与 Agent Laboratory 发布产物中的可编辑图元素为 0%。

在防幻觉消融评测中，对固定注入的 36 条假结论，单遍生成仅检出 14%，加入门禁后升至 69%，叠加自我审查达 81%，完整堆栈达 92%；对抗式评审精确率 74%，意味着多数评审意见对应真实可核验的问题。

效率方面，完整系统平均使用 11.9M token、成本 8.1 美元、耗时 3.2 小时；单遍生成基线为 0.11M token、0.66 美元、16 分钟，但引文有效率仅 81%。Spark-to-Paper 以更多的推理与检查成本，换取更可靠的引用、可追溯的实验结果与可编辑的论文产物。

Spark-to-Paper 在 Hugging Face Papers 页面被标记为当日第一

开放与共建

欢迎每一位开发者、科研人员与领域专家参与共建，在代码仓库中提交反馈或贡献内容，我们会持续迭代优化。Spark-to-Paper 的代码与资源已开源，GitHub、项目网站、论文与 Hugging Face 页面链接如下。

• GitHub：https://github.com/Spark-To-Paper-Skills/spark-to-paper-skills
• 项目网站：https://spark-to-paper-skills.github.io/spark-to-paper-skills/
• 论文：https://arxiv.org/abs/2608.11924
• Hugging Face：https://huggingface.co/papers/2608.11924