借来的火种：科学论文的族谱与遗传密码

当牛顿说"站在巨人肩膀上"时，他没说这巨人到底长什么样。两百多年后，上海交大的一群年轻人决定：把巨人拍一张CT。

🧬 一、从一把椅子说起

你见过一把好椅子，就能想象出它的"血统"。

它的四条腿是从古埃及凳子继承来的；靠背是工业革命时期"人应该坐着干活"这一主张的变异；材质——可能是胶合板——则来自包豪斯学派把"工艺民主化"的野心。如果你翻过这把椅子的背面，还能看到金属连接件，那是某位德国工程师在1920年代为了解决"木头会裂"这个局限而引入的补丁。

这把椅子不是凭空出现的。它是一长串念头被继承、被修改、被遗忘、被重新组合之后的产物。

科学论文也一样。但你如果去问今天的AI——那些号称"能读论文、能写论文、甚至能搞科研"的大语言模型——它多半会告诉你：这篇论文"关于"这个方向，那篇论文也"关于"这个方向，所以它们很"相关"。这等于说：这把椅子和那张板凳都在客厅里，所以它们是一家子。

AI们搞错了。

客厅里有两把椅子，不意味着它们有血缘关系。一个是从古埃及凳子变来的，一个是从蒙古马扎改的。它们可能从来没"见过"对方。论文之间的关系也是：两篇都"关于目标检测"的论文，可能一个在改锚框，一个在推Transformer，它们的机制像两个国家的语言——同一件事，完全不同的基因。

这个问题听起来像哲学，但它已经变得很实际了。当AI开始替人类"读文献""提想法""写论文"时，我们得知道它读的东西是不是读对了。它"生成"的新想法，到底是站在巨人肩膀上，还是只是从巨人旁边走过，顺手摸了一下他的头发。

这就是IdeaGene-Bench（简称IG-Bench）这篇论文想做的事。来自上海交大、CMU、上海人工智能实验室等机构的团队，给AI做了一份"血统测试"。

这份测试的厉害之处，不在于它问了什么刁钻问题，而在于它问了一个之前没人认真问过的问题。现有的论文阅读工具，比如各种RAG系统、文献综述AI、科研助手，它们的核心KPI是"检索到相关论文"——你问"目标检测的最新进展"，它给你一百篇论文。但这只是第一步。下一步，也是更困难的一步，是判断这些论文之间到底谁生了谁、谁改了谁、谁只是碰巧站在同一个屋檐下的陌生人。IG-Bench把这个第二步变成了可测量的任务。

📜 二、论文的DNA：Idea Genome

2.1 为什么不是"摘要"

论文的摘要，就像相亲时对方递过来的简历：写了年龄、写了工作、写了爱好。但你看完简历，还是不知道这个人的脾气是从他爸那儿来的，还是被他前任改的。

摘要的问题是太粗了。它把论文包装成一个完整的想法，但其实一篇论文是由很多小念头拼起来的：一个要解决什么问题（niche），一个用什么办法（mechanism），一个发现了什么（observation），一个之前有什么毛病（limitation），一个怎么修的（delta），以及一个吹牛的说法（claim）。

这些碎片——作者称之为Idea Genome（思想基因组）——才是遗传的真正载体。它们不是论文的概括，而是可以被独立继承、独立修改、独立丢失的最小单元。就像基因不是"你这个人"，而是决定你眼睛颜色的那一小段DNA。

一篇论文可以被视为一组Idea Genome对象的集合：

其中每个对象都有角色类型（niche / mechanism / observation / limitation / delta / claim）、内容描述、证据指向（论文里的哪个段落、哪个图、哪个公式支持它），以及可选的约束条件。

这个设定很简洁，但背后是一个很大的主张：科学进步不是论文级别的，而是基因级别的。 一篇论文的意义，不在于它"发表了什么"，而在于它把哪些基因传给了下一代，又把哪些基因突变成了新的样子。

这引出了一个更深层的问题：为什么论文的"基因"需要被显式地提取出来？ 答案藏在"相关性"和"继承性"的裂缝里。相关性是平面的——两篇论文可以"相关"，但互不继承。继承性是纵深的——它意味着论文A中的某个机制，在论文B中被保留、被修改、或者被抛弃。现有的AI系统擅长平面相关，但对纵深继承几乎一窍不通。这就是为什么它们能写出"看起来相关"的文献综述，却写不出"真正继承"的研究提案。

2.2 六个类型：论文的零件清单

让我把六个类型翻译成人话：

• niche（生态位）：这个活儿是谁给的？比如"目标检测在自动驾驶里不够快"。
• mechanism（机制）：你用什么招？比如"用Transformer做集合预测，不用锚框了"。
• observation（观察）：你看到了什么？比如"发现小目标漏检是因为特征分辨率不够"。
• limitation（局限）：之前这活儿有什么毛病？比如"YOLO的锚框设计很人工，要调一堆超参数"。
• delta（修复）：你怎么改的？比如"把锚框换成可学习的位置编码"。
• claim（主张）：你吹什么牛？比如"我们的方法比YOLO快三倍"。

一个有意思的设定是：作者要求每个Idea Genome都必须有证据。它不能只靠"背景知识"或者"常识"来填充，而必须指向原文中的某个段落、图表或公式。这个要求把论文从"可读的文本"变成了"可审计的证物"。如果你说这篇论文继承了那篇的某个机制，你得告诉我具体是在哪句话里看到的。这种级别的证据主义在现有的论文阅读工具里几乎不存在——它们关心的是"你找到相关论文了吗"，而不是"你找到那个具体的机制了吗"。

🔄 三、GenomeDiff：论文的"亲子鉴定"

知道了论文的基因组，下一步是：两篇论文之间，到底发生了什么？

让我用一个更贴切的例子把这套系统讲清楚。假设你手里有两篇论文：

• 论文A："YOLO：统一实时目标检测"（2016）
• 论文B："YOLOv2：更快更强"（2017）

在传统视角下，这两篇论文的"相似度"非常高：同一个作者，同一个任务，标题里都带YOLO。AI读到这里会很有信心："这两篇很相关。"但它不会追问："YOLOv2到底继承了YOLO的什么，又改了什么？"

用IdeaGene的视角，故事就不一样了。论文A的Idea Genome里有一条mechanism："把目标检测和分类合到一个网络里，一次性预测所有边界框和类别。"论文B的Idea Genome里也有这条mechanism，但它被标记为Inherited（继承）。同时，论文B的GenomeDiff记录显示：论文A的limitation "锚框尺寸需要手工设计" 在论文B里变成了delta "引入k-means聚类自动生成锚框尺寸"——这是一个Mutation（突变）。论文A里没有batch normalization，论文B加了——这是一个Novel Insertion（新插入）。

这些关系不是"相关"两个字能概括的。它们是精确的遗传操作。就像生物学家说"这个基因从父代传到子代，但启动子区域发生了点突变"——不是模糊地说"这两个生物有点像"。

这个对齐过程需要同时判断三件事：类型一致（niche对niche，mechanism对mechanism）、语义一致（同一个机制在干同一件事）、命运标注（继承、变异、丢失、新出现、外部引入）。每一步都不能含糊，因为下一步会依赖前一步的结论。

3.1 进化动力学：六种"论文是怎么生出来的"

对齐之后，作者还进一步把论文之间的过渡关系分成了六种进化动力学。这是整篇论文最妙的地方之一，因为它把"科学如何进步"这个模糊的哲学问题，变成了可以操作的分类标签。

1. Mutation（突变）：改了一个东西，但基本框架不变。比如YOLOv2对YOLO的改进——加锚框、加批归一化、多尺度训练。核心机制还在，但参数变了。

2. Adaptive Radiation（适应辐射）：把同一个机制搬到完全不同的环境里。比如把Transformer从NLP搬到视觉，做ViT。机制基因没变，但生态位完全换了。

3. Hybridization（杂交）：把两个不同的谱系拼在一起。比如某个论文把CNN的局部特征提取和Transformer的全局建模能力嫁接，生出一个混合体。

4. Speciation（物种形成）：同一个大方向里，两条路越走越远了。比如目标检测里，基于锚框的一派和基于集合预测的一派（DETR），它们共享同一个生态位（都解决目标检测），但驱动机制已经完全不同了。

5. Niche Competition（生态位竞争）：两篇论文都挂在同一个任务上，但谁也不继承谁。它们只是被同一个问题吸引过来的，像两个品牌都卖咖啡但配方完全不同。

6. Isolation（隔离）：某个想法被遗忘了，没有后代。这种"断子绝孙"的论文在科学史上比比皆是，但现在的AI工具根本不会注意到它们的存在。

你可以把这六种动力学看作一本**"论文生育指南"**。当你看到两篇论文，先问："有驱动继承吗？"如果有，再看是突变、杂交还是适应辐射。如果没有，看是不是物种形成（同任务但不同机制），或者生态位竞争（同任务但无继承）。如果什么都没有，那就是隔离——一个想法死了，没有后代。

这六种动力学的分类顺序还有优先级规则：当模棱两可时，先判杂交，再判物种形成，再判生态位竞争。这个规则不是拍脑袋定的，而是为了让不同标注者之间达成一致——在没有明确谱系证据时，保守地偏向"它们有关系"。

作者特别强调：这些动力学是操作性的分类工具，不是科学的进化论。 他们不是在说"科学真的像生物进化"，而是说"借用进化的语言，我们可以把论文之间的继承关系描述得更精确"。这很诚实，也很费曼。费曼从不会说"这就是真理"，他只会说"这么看，事情就清楚了"。

🏗️ 四、IG-Bench：一座给AI的"血统法庭"

框架搭好了，下一步是做成一个可以跑分的基准测试。这就是IdeaGene-Bench（IG-Bench）。

4.1 数据规模

这个基准包含：

• 1,961条黄金谱系轨迹（golden lineage traces），覆盖10个科学领域（NLP、计算机视觉、多模态学习、生物、化学、物理、材料、医学、数学）
• 1,085个精心整理的Idea Genome对象
• 920条成对的GenomeDiff记录

50名研究生标注者（硕士和博士，横跨计算机、生物、物理、材料等学科）参与了数据构建和质量验证。三个标注者里出现分歧时，由第三人仲裁。进化动力学标签的标注者一致性是84.7%——这在需要判断论文关系的任务里已经相当高了。

一个有意思的细节是：作者在做匿名化处理时，不是简单地隐去作者名字，而是把整个论文的引用网络、发表时间、会议来源都抹掉，只保留论文内容本身。这是为了防止模型利用"已知信息"作弊——比如"GPT-4知道YOLOv2的作者就是YOLO的作者，所以它们一定有关系"。这种严格的匿名化意味着，模型必须真正从内容里推断谱系关系，而不是靠名字或引用网络来猜。

4.2 两个考场：IG-Exam 和 IG-Arena

作者把测试分成两部分，对应两种能力：

📋 IG-Exam：闭卷考试，看AI能不能读懂族谱

IG-Exam有42种任务类型，共1,029个实例。这些任务按难度递增，分成四个档次：

• T1：基因组读取（Genome Abstraction）——给你一个论文，你能提取出它的Idea Genome对象吗？准确率最高的系统能做到34.4%。这看起来不高，但别忘了，这些对象不是简单的"关键词"，而是带类型、带证据、带角色功能的结构化信息。

• T2：继承追踪（Inheritance Tracing）——给你两篇论文，你能追踪哪些基因从前作传到了后作吗？最好的系统37.9%。有趣的是，带工具支持的CLI脚手架（比如用Claude Code做迭代检索）在这个任务上提升最大——从25.7%跳到37.9%。这说明工具对"找信息"是有帮助的。

• T3：进化推理（Evolutionary Reasoning）——给你一个GenomeDiff，你能解释过渡的主要动力学是什么吗？最好的系统25.3%。这里难度陡增，因为不仅要找对应关系，还要判断"为什么"这个过渡发生了。

• T4：谱系验证（Lineage Verification）——给你一个论文和一个声称是它前作的论文，你能判断这个谱系关系是否成立吗？最好的系统只有17.4%。

17.4%是什么概念？这差不多是随机瞎猜和真正理解之间的悬崖。但更准确地说，这不是"不会做"，而是**"做对了开头，但后面的拼图拼不上"。作者把这个问题命名为组合瓶颈（compositional bottleneck）**。

组合瓶颈的意思是：AI在单步推理上表现还行，但要把多个步骤串成一个自洽的链条时，它就散架了。具体拆解：

• 父论文识别：找到哪篇是祖先。这个单步，很多模型能做到70-80%。
• 基因对应：把前作的Idea Genome和后作的一一对上。这个单步，降到50-60%。
• 命运标注：标出每个基因是继承、变异、丢失还是新出现。这个单步，再降到40%左右。
• 动力学推断：从全局判断过渡类型。这个单步，30%出头。
• 证据验证：整个链条的自洽检查。最后这一步，17.4%。

每个步骤单独看都不算灾难，但乘在一起就是一个灾难。费曼如果看到这个数字，大概会说："你看，问题不是不会做加法，而是连做五个加法的时候忘了进位。"

而且，错误模式不是随机的。模型倾向于过度推断继承关系——看到两篇论文都用了Transformer，就默认后者继承了前者。这种"相关即继承"的偏见，恰恰是人类初学者也会犯的毛病。但区别在于，人类会承认"我不确定"，而AI会自信地给出一个错的答案。

所有任务都用精确匹配（exact match）评分。这意味着：你识别出了对的父论文，但给错了进化动力学标签，也算错。你知道了哪个基因被继承了，但标错了它的命运（比如把"变异"标成"继承"），也算错。这个评分很残酷，但它暴露了一个关键问题：AI做局部推理还行，但把它们拼成一个自洽的整体时，就会散架。

🏟️ IG-Arena：开放式擂台，看AI能不能写出"合法后代"

IG-Arena是生成测试。给AI一个前沿问题，让它写一个研究提案。但这个提案不是单独评分的，而是被放入一个"谱系法庭"：你写的这个东西，能不能作为一个合理的后代，被插入到某个已有的谱系里？

评分体系叫Population-Evolution Score（PES），这个名字直接借用了达尔文自然选择的三要素：

• Heredity（遗传度）：你继承了对的父论文基因吗？不是泛泛地"参考了相关文献"，而是精确地继承了那个驱动机制，修复了那个具体的局限。
• Variation（变异度）：你和谱系里附近的论文足够不一样吗？不是表面换词，而是实质上有新的Idea Genome对象，或者对已有对象做了有意义的突变。
• Selection（选择值）：你的提案在这个谱系里是有竞争力的吗？它可行吗？它开启了有价值的研究方向吗？

PES是三个维度的算术平均，由3个模型评委（位置随机化）打分。作者还计算了ELO排名（从棋类比赛借来的 pairwise 比较方法），但发现PES和ELO并不完全吻合——有时候一个写得"漂亮"的提案会在ELO pairwise里赢过一个更扎实但文笔差一点的。这恰恰说明：只看偏好分数，容易被表面功夫骗。 PES的优势在于它被谱系条件约束了，不是靠"第一印象"打分。

这个发现对AI辅助科研的启示很尖锐。如果未来的评估只看"写得好不好"，AI就会变成论文界的"网红"——颜值高、流量大，但血统可疑。 PES的存在，就是在说：写得好是必要条件，但谱系合法才是充分条件。一篇论文可以写得很漂亮，但如果它声称继承的某个机制根本不在它的父论文里，那它就是一篇伪科学。

三个信息设置构成一个对照实验：

• Question-only：只给前沿问题，看AI的"参数知识"能憋出什么东西
• Library：给一堆无序的论文摘要，看AI能不能在文献堆里找到相关的
• Lineage：给一个有序的谱系，包含Idea Genome对象和GenomeDiff证据，看AI能不能用结构化的继承信息来生成

🧪 五、实验：14个AI科学家的"血统测试"

实验对象包括14个"AI科学家"：8个直接调用的大语言模型（GPT-5.5、Kimi-K2-Thinking、Qwen3、Llama 4、Claude Opus 4.7、DeepSeek-V4、Gemini 2.5 Pro、Grok 3）、2个研究Agent框架（AI Scientist v2、CoI-Agent），以及4个CLI工具脚手架（用Codex或Claude Code包裹GPT-5.5或Claude Opus 4.7）。

结果很震撼。

5.1 闭卷考试：最强者只拿了27.3分

IG-Exam的精确匹配准确率上，最好的系统（GPT-5.5 + Claude Code）只拿到27.3%。这不是某个刁钻子集上的分数，而是全部1,029个实例上的精确匹配。

想想这是什么意思：一个号称能"读论文""理解文献"的AI，在判断两篇论文之间的继承关系时，四分之三的时候都是错的。而且错误不是简单的"没找到正确答案"——它们经常是部分对、部分错。找到了对的父论文，但动力学标签错了。推断出了驱动基因，但命运标错了。局部信号能恢复，但全局一致性保不住。

5.2 工具帮了检索，但没帮一致性

CLI工具脚手架在T2（继承追踪）上提升很大，因为迭代检索可以对比多个论文的Idea Genome对象。但这个优势在T3（进化推理）上就缩小了，在T4（谱系验证）上几乎消失。结论是：工具帮人找信息，但不帮人想明白。

更讽刺的是，研究Agent（AI Scientist v2、CoI-Agent）的表现几乎和直接调用GPT-5.5没有区别。这些Agent用了复杂的文献检索、多步推理、工作流编排，但在线谱系推理上并没有什么额外收益。这暗示了一个令人不安的可能：我们花了很多精力在"让AI更像科学家"的pipeline工程上，但瓶颈可能不在pipeline，而在底层模型的组合推理能力上。

你可以这样想：你给了一个孩子一把更好的螺丝刀和一本更好的说明书，但如果他 fundamentally 不会拧螺丝，这些工具帮不了他。当前LLM的瓶颈不是"找不到对的论文"（T2已经能到37.9%了），而是"找到了之后，能不能把所有碎片拼成一张正确的族谱图"（T4只有17.4%）。这个问题是架构性的，不是工具性的。

5.3 谱系信息不是万金油：它筛选人，而不是帮所有人

IG-Arena的结果更有趣。

从Question-only到Library到Lineage，PES的中位数提升是+4.4。但这不是均匀的：GPT-5.5在Question-only时已经很强（PES 85.2），加了谱系信息只涨了+2.3；而较弱的模型如Kimi-K2-Thinking涨了+6.9。

这意味着什么？结构化的谱系信息不是对所有人都友好。它更像一个筛子：能把会用谱系证据的系统和不会用的系统分开。 那些本来就强的模型，谱系信息只是锦上添花；那些弱一点的模型，能从中获得更大的结构性提升；但还有些模型，你给不给谱系信息，它们都一样懵。

如果把PES拆开看，变化主要来自Heredity（遗传度）。Variation（变异度）和Selection（选择值）在不同设置下几乎不变（82.7–84.7和79.7–82.2之间）。也就是说，AI们写提案时，"新奇度"和"可行性"本来就有，但"有没有继承对的东西"这个维度，在没给谱系信息时惨不忍睹。Question-only设置下，Mutation（突变）模式只有Heredity 61.9；而给了Lineage信息之后，Hybridization（杂交）模式能达到Heredity 84.2。

这里有一个反直觉的发现：加了谱系信息之后，AI生成的提案变得更集中在Hybridization（杂交）模式上（占比超过97%）。这不代表杂交更好，而是代表AI在知道谱系结构后，倾向于走"把已有的东西拼一拼"这条安全路线。而在不知道谱系时，它们会随机尝试Mutation、Adaptive Radiation、Hybridization等模式，但很多Mutation实际上是"没有合法父母的突变"——看起来像是改进了什么，但底层没有继承对的东西，所以PES很低。

5.4 PES和ELO的分歧：漂亮≠扎实

PES和ELO的Spearman相关系数是0.82——不低了，但也不是1。分歧最明显的地方是：一个文笔流畅但谱系不连贯的提案，可能在pairwise ELO里打败一个更扎实但写法粗糙的。 这正是为什么作者坚持PES作为首要指标。如果只开一场写作比赛，AI会学会怎么写得"像论文"；但如果要求它在一个真实的谱系里做一个合法后代，它就得真的理解继承关系了。

🔍 六、发现背后：三个关键洞见

作者总结了三个发现，我想把它们用自己的话重新说一遍。每一个都值得停下来想一想。

发现1：论文堆在一起，不等于有谱系

Library设置（给一堆无序论文摘要）比Question-only好，但远没有Lineage好。为什么？因为一堆论文摘要就是一堆论文摘要，它们不会自动告诉你谁是谁的爸爸。两篇论文都在做目标检测，不代表一篇是从另一篇变来的。只有当论文被拆解成Idea Genome对象，并用GenomeDiff对齐之后，"继承关系"才变得可见。这个信息不在论文里，而在论文之间。

这里有一个反向推论：如果一个AI系统只给你一堆"相关论文"，它实际上什么都没说。相关性是廉价的——搜索引擎做了三十年了。继承关系才是昂贵的，因为它需要理解机制、局限、修复、驱动因素之间的完整链条。IG-Bench的价值，就是把这种昂贵的理解变成了可测量的能力。

发现2：验证是理解和生成之间的桥

IG-Exam最难的是T4（谱系验证），而IG-Arena需要的能力本质上也是验证：你的提案能不能通过一个"谱系审核"——有没有对的父母？基因兼容吗？局限修对了吗？有没有乱拼？两个测试的分数有中等程度的正相关，说明闭卷理解能力和开放生成能力有关，但不是一回事。能读懂谱系的，不一定能写出谱系；能写的，不一定能审。

这个发现其实呼应了认知科学里一个老观点：理解和生成是两个不同的技能。你能读一篇好论文，不代表你能写一篇。你能写一篇，不代表你能判断别人写的对不对。IG-Bench的两部分设计（IG-Exam和IG-Arena），恰好把这两个技能分开了测量，让我们能看到它们之间的缝隙。

发现3：组合瓶颈是底层问题，不是工程问题

5个使用GPT-5.5作为backbone的系统，在五个能力维度上的表现几乎重叠。加了复杂Agent工作流的，没有明显比直接调用LLM更强；加了CLI工具脚手架的，能提升检索型任务，但推理型任务不变。这个模式指向一个结论：当前LLM的核心瓶颈是组合推理能力，而不是信息获取能力。 你可以给模型更多工具、更多上下文、更复杂的工作流，但如果它没法把多个局部推断拼成一个全局一致的判断，这些工程努力都是边际递减的。

这是最让我心里一沉的发现。因为这意味着，我们过去一两年在AI科研助手上的大量投入——更复杂的Agent、更长的上下文、更多的工具调用——可能都投错了方向。 真正需要的，不是让AI更像一个科学家，而是让AI更像一个能同时追踪多个逻辑线索的推理器。这个问题在2026年还没有解决。

🌌 七、结语：族谱不是装饰，是科学的脊梁

这篇论文让我想起了费曼在康奈尔大学的一个故事。有人问他："你是怎么想出那些新点子的？"费曼说："我没想出什么新点子。我只是把旧的点子从不同的抽屉里拿出来，放到一起。"

费曼的抽屉里装着什么？他不说。但我们可以猜测：他抽屉里的每个点子，都标注了"从谁那儿来的""为什么能放到一起""这个组合会不会把之前的结论搞坏"。这不是随机的拼贴，而是对谱系的深刻理解。他知道每个点子的血统，所以知道哪些组合是合理的，哪些是胡来的。

科学的本质不是凭空创造——是继承、是变异、是重组、是修复。 这个观点不新，达尔文在一百六十年前就写在《物种起源》扉页上的题献里："Descent with modification"（带有变异的遗传）。但把这个观点变成可操作的基准测试，让AI能在这个基准上被测量、被比较、被改进——这是新的。

IG-Bench的论文选择用达尔文的话做开篇引言，不是随便找的。因为作者真正想说的也许是：如果我们想让AI辅助科学，我们得先让它理解科学是怎么繁殖的。 不是理解"这篇论文讲了什么"，而是理解"这篇论文从哪儿来、要到哪里去、它的基因库里有什么、它的突变是合法的还是胡来的"。

27.3%的精确匹配准确率，在今天看来是一个令人沮丧的数字。但它也是一个诚实的数字。它告诉我们：当前最前沿的AI系统，在科学思想的谱系推理上，还有很长很长的路要走。 这不是说AI没用，而是说我们现在评估AI的方式——看它能写多漂亮的论文、能在考试里得多少分——可能漏掉了一个更根本的问题。

漂亮不等于合法。考试分数高不等于血统对。

这篇论文提出的IdeaGene框架，也许不会成为科学史的标准写法。但它至少做了一件很重要的事：把"科学思想如何继承"这个问题，从哲学思辨的领域拉到了可测量、可改进的工程学领域。 在这一点上，它和费曼的精神是一致的：别光说"我觉得"，做个实验，看看是不是真的。

📚 参考文献

[1] Zhou, Y., Yang, Q., Li, Y., et al. "Ideas Have Genomes: Benchmarking Scientific Lineage Reasoning and Lineage-Grounded Idea Generation." arXiv preprint arXiv:2607.08758, 2026.

[2] Darwin, C. On the Origin of Species by Means of Natural Selection. John Murray, 1859.

[3] Redmon, J., et al. "You Only Look Once: Unified, Real-Time Object Detection." CVPR, 2016.

[4] Redmon, J., & Farhadi, A. "YOLO9000: Better, Faster, Stronger." CVPR, 2017.

[5] Carion, N., et al. "End-to-End Object Detection with Transformers." ECCV, 2020.

[6] Ren, S., et al. "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks." NeurIPS, 2015.

[7] Dosovitskiy, A., et al. "An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale." ICLR, 2021.

[8] Guo, S., et al. "IdeaBench: Benchmarking Large Language Models for Research Idea Generation." KDD, 2025.

[9] Qiu, Z., et al. "AI Idea Bench 2025." arXiv preprint, 2025.

[10] Tang, T., et al. "Scientist-Bench: Evaluating Scientific Reasoning of LLMs." arXiv preprint, 2025.

[11] Xu, W., et al. "Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows." arXiv preprint arXiv:2512.16969, 2025.

[12] Wang, W., et al. "SciPp: An LLM-based Scientific Paper Idea Proposer." arXiv preprint arXiv:2410.23166, 2024.

[13] Ye, T., et al. "Physics of Language Models: Part 2.1, Grade-School Math and the Hidden Reasoning Process." ICLR, 2025.

[14] Yuan, S., et al. "EvoAgent: Towards Automatic Multi-Agent Generation via Evolutionary Algorithms." NAACL, 2025.

[15] Li, L., et al. "Chain of Ideas: Revolutionizing Research via Novel Idea Development with LLM Agents." arXiv preprint arXiv:2410.13185, 2024.

[16] Jansen, P., et al. "CodeScientist: End-to-End Semi-Automated Scientific Discovery with Code-based Experimentation." arXiv preprint arXiv:2503.22708, 2025.

[17] King, R.D., et al. "The Automation of Science." Science, 324(5923):85-89, 2009.

[18] Klahr, D., & Dunbar, K. "Dual Space Search During Scientific Reasoning." Cognitive Science, 12(1):1-48, 1988.

[19] Kuhn, T.S. The Structure of Scientific Revolutions. University of Chicago Press, 1962.

[20] Lu, S., et al. "AI-Researcher: Automating Scientific Research with Large Language Models." arXiv preprint, 2025.

[21] Li, H., et al. "LLMs-as-Judges: A Comprehensive Survey on LLM-based Evaluation Methods." arXiv preprint arXiv:2412.05579, 2024.

[22] Chiang, W.L., et al. "Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference." NeurIPS, 2024.

[23] Li, J., et al. "BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation." ICML, 2022.

[24] Xiao, Y., et al. "SciAgents: Automating Scientific Discovery through Multi-Agent Intelligent Collaboration." arXiv preprint, 2025.

[25] Lu, S., et al. "AI-Researcher: Automating Scientific Research with Large Language Models." arXiv preprint, 2025.

[26] Lebanoff, L., et al. "Scientific Document Summarization." ACL Anthology, 2019.

[27] Mialon, G., et al. "GAIA: A Benchmark for General AI Assistants." ICLR, 2024.

[28] Devlin, J., et al. "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding." NAACL, 2019.

[29] Radford, A., et al. "Learning Transferable Visual Models From Natural Language Supervision." ICML, 2021.

[30] Redmon, J., et al. "You Only Look Once: Unified, Real-Time Object Detection." CVPR, 2016.

[31] Redmon, J., & Farhadi, A. "YOLO9000: Better, Faster, Stronger." CVPR, 2017.

[32] Neelakantan, A., et al. "SciRepEval: A Multi-Format Benchmark for Scientific Document Representations." EMNLP, 2023.

[33] Ren, S., et al. "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks." NeurIPS, 2015.

[34] Rein, D., et al. "GPQA: A Graduate-Level Google-Proof Q&A Benchmark." arXiv preprint, 2024.

[35] Huang, J., et al. "CoI-Agent: Chain-of-Idea Agent for Autonomous Research." arXiv preprint, 2025.

[36] Zhao, W.X., et al. "A Survey of Large Language Models." arXiv preprint, 2023.

[37] Hu, X., et al. "NOVA: An Iterative Planning and Search Approach to Enhance Novelty and Diversity of LLM Generated Ideas." arXiv preprint arXiv:2410.14255, 2024.

[38] Xiong, C., et al. "LitSearch: A Benchmark for Scientific Literature Search." arXiv preprint, 2024.

[39] Laurent, J., et al. "Lab-Bench: A Framework for Benchmarking LLMs on Laboratory Tasks." arXiv preprint, 2024.

[40] Lu, S., et al. "AI-Researcher: Automating Scientific Research with Large Language Models." arXiv preprint, 2025.

[41] Bradford, S.C. "Sources of Information on Specific Subjects." Engineering, 26:85-86, 1934.

[42] Neelakantan, A., et al. "SciRepEval: A Multi-Format Benchmark for Scientific Document Representations." EMNLP, 2023.

[43] Li, H., et al. "Position Bias in LLM-as-a-Judge." arXiv preprint, 2024.

[44] Guo, S., et al. "IdeaBench: Benchmarking Large Language Models for Research Idea Generation." KDD, 2025.

[45] Phan, L., et al. "Humanity's Last Exam." arXiv preprint, 2025.

[46] Ye, T., et al. "Physics of Language Models: Part 2.1, Grade-School Math and the Hidden Reasoning Process." ICLR, 2025.

[47] Wang, W., et al. "Intern-Atlas: Mapping the Evolution of Research Methods." arXiv preprint, 2025.

[48] Xu, W., et al. "Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows." arXiv preprint arXiv:2512.16969, 2025.

[49] Laurent, J., et al. "Lab-Bench: A Framework for Benchmarking LLMs on Laboratory Tasks." arXiv preprint, 2024.

[50] Lu, S., et al. "AI-Researcher: Automating Scientific Research with Large Language Models." arXiv preprint, 2025.

[51] Kim, S., et al. "τ-Bench: A Benchmark for Tool-Augmented LLMs." arXiv preprint, 2024.

[52] Hu, X., et al. "NOVA: An Iterative Planning and Search Approach to Enhance Novelty and Diversity of LLM Generated Ideas." arXiv preprint arXiv:2410.14255, 2024.

[53] Li, H., et al. "LLMs-as-Judges: A Comprehensive Survey on LLM-based Evaluation Methods." arXiv preprint arXiv:2412.05579, 2024.

火的真正秘密，不是被谁点燃，而是它如何把热量从一代传到下一代。科学也一样。

"Descent with modification." — Charles Darwin, On the Origin of Species (1859)

#论文解读 #arXiv #IdeaGene #科学谱系 #AI #小凯 #每日论文