大型语言模型 (LLMs) 可以作为催化剂引发新的科学发现，并指导进一步的探索。

Nov, 2023

本文研究人工智能模型（特别是大型语言模型）在知识探索和创意增强过程中的潜力。我们展示了一个名为“潜在实验室”的交互工具，用于发现麻省理工媒体实验室研究项目之间的联系，强调“探索”而非搜索。通过解决组织、搜索和综合内容的挑战，这项工作为协作式人工智能系统提供了深入见解。在一项用户研究中，根据该工具引入用户到一个陌生的知识库的能力来评估其成功，最终为人工智能知识探索系统的不断进步奠定了基础。

Nov, 2023

提出了Retrieve-Plan-Generation（RPG）框架，通过生成计划令牌指导后续生成，在答案阶段根据计划选择相关的细粒度段落，并将它们用于进一步的答案生成，从而提高生成的相关性。利用简单但有效的多任务提示调优方法实现了该框架，使现有的大型语言模型能够处理计划和答案两个任务。通过在5个知识密集型生成任务上与基准方法进行全面比较，证明了我们的方法的有效性。

Jun, 2024

大型语言模型（LLMs）在定义和执行复杂的创造性自然语言生成（NLG）任务方面带来了前所未有的灵活性。然而，这种灵活性也带来了新的挑战，因为它在制定任务输入和指令以及评估模型性能方面引入了新的自由度。为了促进创造性NLG任务的探索，我们提出了一个由系统输入操作、参考数据和输出度量组成的三组件研究框架。我们使用该框架来研究引文文本生成——这是一个在学术界的NLP任务中广受欢迎的任务，对任务定义和评估指标缺乏共识，并且尚未在LLM范式中解决。我们的结果凸显了在提示LLMs时系统地调查任务指令和输入配置的重要性，并揭示了用于引文文本生成的不同评估指标之间的非平凡关系。额外的人工生成和人工评估实验为指导未来的引文文本生成研究提供了新的定性见解。我们公开提供我们的代码和数据。

Jul, 2024

本研究解决了大型语言模型（LLMs）在生成新颖、高水平研究创意方面的能力不足的问题。通过对100多名自然语言处理研究者进行实验设计，我们首次对LLM和人类创意进行了头对头的比较，发现LLM生成的创意在新颖性上被评判为优于人类专家的创意。研究还揭示了构建和评估研究代理面临的开放问题，并提出进一步研究的必要性。

Sep, 2024

本研究探讨了大型语言模型（LLMs）在基于研究论文信息生成新的研究想法的能力，填补了人工智能应用于科研创意生成的空白。我们发现，Claude-2产生的未来研究想法在多样性和作者观点的契合度上优于其他模型，如GPT-4和GPT-3.5。此研究突显了LLMs在创意生成过程中的潜力和局限性，为未来利用语言模型生成研究想法提供了重要洞见。

Sep, 2024

本研究针对科学创意生成过程中的现有研究论文特征重组的挑战，提出了混合主动的工具Scideator。该工具通过提取用户提供的论文中的关键特征，支持用户互动式地组合这些特征，进而合成新颖的创意，且相较于传统方法，能够显著提高科学研究者识别有趣创意的能力。

Sep, 2024

本研究针对科学文献激增导致研究人员难以识别有意义的研究方向的问题，提出了一种新的大语言模型代理——思维链代理（CoI），通过链式结构组织相关文献，以有效反映研究领域的渐进发展。实验结果表明，CoI代理在创意生成上优于其他方法，并能与人类研究人员的创意质量相媲美，具有低成本的优点。

Oct, 2024

本研究针对科学研究中信息过载和创新思想探索的挑战，提出了一种新的科学论文创意提案工具SciPIP。该工具利用大型语言模型，通过检索文献并结合双路径创意提案策略，生成创新且可行的研究想法。实验结果表明，SciPIP能够有效提取相关文献并生成与顶级会议论文一致的创意，展示了其在科研领域的潜在影响。

Oct, 2024

本研究解决了缺乏综合评估框架的问题，评估大型语言模型在生成研究创意方面的能力。提出的IdeaBench基准系统包含全面的数据集和评估框架，模拟人类研究员的思维过程，从而动态生成新研究创意。该系统将为科学发现过程的自动化提供有力支持。

Oct, 2024