scientific-ideation

Meta 的 IdeaScientist 论文将科研构思拆解为缺口发现、创新与报告撰写三个角色并分别用强化学习训练，基于 Qwen3.6-27B 在 2.77M 理念语料库上检索，超越最强开源 autoresearch 基线 14.0%，并优于 Claude Code SDK 与 Codex SDK 方案最多 5.9%。

本文介绍了 AI Night-Scientist，一个使用强化学习的框架，旨在提升大型语言模型在科学创意生成中的创造性推理能力，显著提高了想法的多样性和影响力。

IdeaTrail是一个多轮过程轨迹数据集，用于科学构思，通过Generator--Advisor循环从证据收集到提案构建合成研究过程，以确保依据充分。

提出了Agentic-Ideation框架，用于高效合成智能体轨迹以训练LLMs进行科学构想，实现了超过10倍的样本效率提升，并优于现有的基于工作流的基线方法。

本文介绍了RQ-Bench，一个用于评估LLM判断科学研究问题新颖性的基准。研究发现，LLM裁判一致认为生成的问题比人类专家认为的更新颖，这引发了对使用LLM进行科学新颖性评估可靠性的担忧。

本文系统评估了针对大型语言模型的人类创造力测试，发现它们无法预测科学构思能力。文章介绍了DRAT，一种结合了聚合思维与发散思维的新测试，能够可靠地预测语言模型的科学构思能力。