摘要
大型语言模型使得研究创意的生成变得愈加容易，但有效的创意发展不仅仅依赖于生成候选方向。研究者需要将问题与现有文献联系起来，识别重要的瓶颈，区分与现有解决方案的不同，并在实施之前评估风险。我们介绍了 ResearchStudio-Idea，这是一个可重用的技能套件，旨在支持研究创意的初步阶段。
该技能套件包括：
- Paper-Search：一个独立的多源文献搜索技能。
- Scoop-Check：一个独立的先前艺术碰撞检查器，用于验证新颖性声明。
- IdeaSpark：一个端到端的技能，将证据基础、模式引导生成、碰撞检索、审核和创意卡渲染整合为一个工作流程。
IdeaSpark 的构建基于 2021 至 2025 年间收集的 1,947 篇机器学习会议论文，包括 ICLR、ICML 和 NeurIPS 的口头论文、高引用子集和被拒绝的提交。对这些结果的分析揭示了 31 种重复出现的创意子模式，并整合为 15 种可重用的创意模式。每种模式被结构化为一张卡片，包含研究背景、瓶颈类型、差异化策略、支持先例和常见失败模式。
给定一个研究问题和一组证据，IdeaSpark 评估证据准备情况，重建相关研究背景，识别未解决的瓶颈，选择相关模式，实例化一个候选方向，检索潜在的冲突先前工作，并进行基于结果的审核。这一工作流程将可重用的创意模式转化为可追溯的研究提案。盲评结果显示，IdeaSpark 始终产生比无技能和通用技能基线更强的研究提案，同时保持竞争力的新颖性。
博主点评： ResearchStudio-Idea 的出现标志着研究创意阶段的重大进步，它不仅提供了文献检索和新颖性检查的工具，还通过系统化的模式引导生成和审核过程，提升了研究提案的质量。这一创新将有助于研究者更有效地定位和解决实际问题，极大地推动了学术研究的进步。