尧图网站建设 
AI-Scientist 自动化论文生成实战从环境搭建到出稿的完整指南【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 项目地址: https://gitcode.com/GitHub_Trending/ai/AI-ScientistAI-Scientist 是一个开源的自动化科研系统你指定一个研究模板和一台 GPU它就能独立完成生成想法 → 跑实验 → 写论文 → 同行评审四个环节最终产出一份 ICLR 风格的 PDF 论文。本文不讲概念直接用三个官方模板中最轻量的 grokking 模板带你走一遍完整上手路径装环境、跑基线、一条命令生成论文再到怎么读结果文件夹。先说最终产出AI 自动写出的论文长什么样仓库的 example_papers/ 目录下放着 10 份系统产出的完整样例建议先翻两到三份再决定自己跑什么。以gan_diffusion这份为例AI 自己提出GAN 增强扩散模型的想法写训练代码在 circle、dino、line、moons 四个二维数据集上跑实验自动画出损失曲线和样本对比图最后编译成论文。这张图就是系统为那篇论文自动生成的训练损失曲线基线之外的梯度惩罚、微调超参、二次 beta 调度等改进方案全部由 AI 设计并以同一张图对比呈现。上面这张来自另一份样例对比不同数据增广方式在各数学运算数据集上达到 99% 验证精度所需的训练步数。从想法、代码、训练到画图和写 caption全程没有人手写过代码。提前打声招呼这些样例同时展示了系统的强弱项——部分 run 的实验会发散个别论文写得偏浅。它帮你压缩的是科研周期不是自动产出高质量论文的机器。AI-Scientist 工作原理从想法到评审的四段流水线入口是 launch_scientist.py内部流程非常线性。对每一个通过新颖性检查的想法它会先复制一份模板到独立的结果目录然后按顺序执行四个阶段想法生成ai_scientist/generate_ideas.py 让 LLM 依据模板里的prompt.json提出实验想法再用 Semantic Scholar 或 OpenAlex 检索相关文献逐一做新颖性检查标记已被做过的方向。实验执行ai_scientist/perform_experiments.py 通过 aider 让模型直接修改experiment.py和plot.py执行训练、采集run_1到run_5的结果并自动出图。论文撰写ai_scientist/perform_writeup.py 把实验数据填入 LaTeX 模板、插入引用用pdflatex编译成 PDF。自动评审ai_scientist/perform_review.py 换用另一个模型当审稿人给出 1–10 分评分、接受/拒稿决定和弱点列表写入review.txt。这套设计的好处是每个想法独立可复现代码、数据、图、论文全在同一个文件夹里任何一步出问题都能回溯。环境搭建三处配置加一次基线运行官方模板面向 Linux NVIDIA GPUCUDA PyTorch开发纯 CPU 机器跑现有模板耗时不可行先确认硬件。1. 基础依赖conda create -n ai_scientist python3.11 conda activate ai_scientist sudo apt-get install texlive-full pip install -r requirements.txttexlive-full安装很慢耐心等。系统启动前会检查pdflatex和chktex是否可用缺了会直接报错退出。2. API Key按你选用的模型设置环境变量。OpenAI 用OPENAI_API_KEYAnthropic 用ANTHROPIC_API_KEYDeepSeek 用DEEPSEEK_API_KEYGemini 用GEMINI_API_KEY。完整支持列表在 ai_scientist/llm.py 里。文献检索默认走 Semantic Scholar没有S2_API_KEY的话装一下pyalex启动时加--engine openalex即可改用免 Key 的 OpenAlex。3. 模板基线运行启动前必须先用所选模板跑出run_0基线论文里的对比才有参照。以最轻量的 grokking 模板为例pip install einops cd templates/grokking python experiment.py --out_dir run_0 python plot.pyNanoGPT 模板还需要先跑 data/ 下 enwik8、text8、shakespeare_char 三个数据准备脚本2D 扩散模板需要先安装 NPEET 包。用 grokking 模板跑通一次完整论文生成流程环境就绪后启动命令只有一行python launch_scientist.py --model gpt-4o-2024-05-13 \ --experiment grokking --num-ideas 2几个值得说明的参数--num-ideas生成多少条想法默认 50。每条想法都会走完整实验 写作 评审循环第一次试跑设 2 足够--parallel N起 N 个进程并行每个绑定一张 GPU超出可见卡数会自动截断--gpus 0,1指定用哪几张卡不填则用全部--improvement评审完成后根据审稿意见自动修改论文生成改进版并再次评审--skip-idea-generation跳过想法生成直接复用模板里已有的ideas.json方便单独调试实验阶段。单次试跑大约需要数小时到一天取决于想法数量和实验规模。结果统一输出到results/grokking/时间戳_想法名/每个想法一个文件夹。结果文件夹怎么读核对流水线每一步的产出跑完后打开任一结果文件夹可以按阶段核对整条流水线ideas.json本次生成的想法列表和新颖性检查结论experiment.py/plot.pyAI 修改后的实验代码和模板基线的差异一目了然run_1/到run_5/每组实验的 JSON 数据目录数量取决于 AI 设计了几组实验log.txt与*_aider.txt完整标准输出日志和与模型的对话记录run 失败时从这里查原因latex/与最终 PDF按 ICLR 模板编译出的论文review.txt自动评审的评分、决定和弱点列表。论文里的图同样由系统自动生成上图是自适应双尺度去噪样例的权重演化分析展示四个数据集上各时间步的参数变化。如果你只想要评审能力也可以直接调用 ai_scientist/perform_review.py 里的load_paper和perform_review对任意一份 PDF 拿到评分和弱点列表不必走完整流程。自制实验模板把 AI-Scientist 扩展到自定义课题想让 AI-Scientist 研究你自己的课题照官方模板建一个新目录即可。必须齐备五个文件experiment.py主实验脚本接收--out_dir参数把结果 JSON 写到指定目录plot.py读取 run 目录生成图表代码尽量清晰易改模型会频繁修改它prompt.json给 LLM 的任务说明包含模板背景和相关论文摘要seed_ideas.json一两条高质量种子想法也可以先跑一次生成、挑最好的留下latex/template.tex论文模板建议直接复用官方的把预置引用换成你课题相关的文献。关键约束是文件名和输出 JSON 的格式要和官方模板保持一致其余内容都可以自由发挥。仓库里已有多个社区贡献模板可参考包括 seir传染病建模、mobilenetV3图像分类、sketch_rnn、MACE量子化学、earthquake-prediction、tensorf都在 templates/ 下。上图中去噪器在不同权重下对 dino 数据集的生成样本颜色代表门控权重。这种多组对比图正是撰写阶段会自动引用进论文的典型素材。资源附录与下一步本文涉及的路径都列在这里方便回溯templates/全部实验模板grokking 最轻量适合第一次试跑example_papers/10 份含代码、数据和 PDF 的完整样例开跑前值得通读data/NanoGPT 模板的数据准备脚本review_iclr_bench/对 ICLR 论文的批量评审分析用于评估评审模块的可靠性docs/项目资料experimental/提供 Dockerfile 和开放式科研入口。注意该系统会执行 LLM 写的代码官方建议容器化运行并限制网络访问。下一步你可以这样做先克隆仓库git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist用 grokking 模板跑一次--num-ideas 2的试跑等你能读懂结果文件夹里的全部产出再把自己的课题做成模板接入。多卡环境加上--parallel提升吞吐跑完一轮后重点检查review.txt的评分趋势判断这个课题值不值得继续投入。【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 AI-Scientist 自动化论文生成实战：从环境搭建到出稿的完整指南
AI-Scientist 自动化论文生成实战从环境搭建到出稿的完整指南【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 项目地址: https://gitcode.com/GitHub_Trending/ai/AI-ScientistAI-Scientist 是一个开源的自动化科研系统你指定一个研究模板和一台 GPU它就能独立完成生成想法 → 跑实验 → 写论文 → 同行评审四个环节最终产出一份 ICLR 风格的 PDF 论文。本文不讲概念直接用三个官方模板中最轻量的 grokking 模板带你走一遍完整上手路径装环境、跑基线、一条命令生成论文再到怎么读结果文件夹。先说最终产出AI 自动写出的论文长什么样仓库的 example_papers/ 目录下放着 10 份系统产出的完整样例建议先翻两到三份再决定自己跑什么。以gan_diffusion这份为例AI 自己提出GAN 增强扩散模型的想法写训练代码在 circle、dino、line、moons 四个二维数据集上跑实验自动画出损失曲线和样本对比图最后编译成论文。这张图就是系统为那篇论文自动生成的训练损失曲线基线之外的梯度惩罚、微调超参、二次 beta 调度等改进方案全部由 AI 设计并以同一张图对比呈现。上面这张来自另一份样例对比不同数据增广方式在各数学运算数据集上达到 99% 验证精度所需的训练步数。从想法、代码、训练到画图和写 caption全程没有人手写过代码。提前打声招呼这些样例同时展示了系统的强弱项——部分 run 的实验会发散个别论文写得偏浅。它帮你压缩的是科研周期不是自动产出高质量论文的机器。AI-Scientist 工作原理从想法到评审的四段流水线入口是 launch_scientist.py内部流程非常线性。对每一个通过新颖性检查的想法它会先复制一份模板到独立的结果目录然后按顺序执行四个阶段想法生成ai_scientist/generate_ideas.py 让 LLM 依据模板里的prompt.json提出实验想法再用 Semantic Scholar 或 OpenAlex 检索相关文献逐一做新颖性检查标记已被做过的方向。实验执行ai_scientist/perform_experiments.py 通过 aider 让模型直接修改experiment.py和plot.py执行训练、采集run_1到run_5的结果并自动出图。论文撰写ai_scientist/perform_writeup.py 把实验数据填入 LaTeX 模板、插入引用用pdflatex编译成 PDF。自动评审ai_scientist/perform_review.py 换用另一个模型当审稿人给出 1–10 分评分、接受/拒稿决定和弱点列表写入review.txt。这套设计的好处是每个想法独立可复现代码、数据、图、论文全在同一个文件夹里任何一步出问题都能回溯。环境搭建三处配置加一次基线运行官方模板面向 Linux NVIDIA GPUCUDA PyTorch开发纯 CPU 机器跑现有模板耗时不可行先确认硬件。1. 基础依赖conda create -n ai_scientist python3.11 conda activate ai_scientist sudo apt-get install texlive-full pip install -r requirements.txttexlive-full安装很慢耐心等。系统启动前会检查pdflatex和chktex是否可用缺了会直接报错退出。2. API Key按你选用的模型设置环境变量。OpenAI 用OPENAI_API_KEYAnthropic 用ANTHROPIC_API_KEYDeepSeek 用DEEPSEEK_API_KEYGemini 用GEMINI_API_KEY。完整支持列表在 ai_scientist/llm.py 里。文献检索默认走 Semantic Scholar没有S2_API_KEY的话装一下pyalex启动时加--engine openalex即可改用免 Key 的 OpenAlex。3. 模板基线运行启动前必须先用所选模板跑出run_0基线论文里的对比才有参照。以最轻量的 grokking 模板为例pip install einops cd templates/grokking python experiment.py --out_dir run_0 python plot.pyNanoGPT 模板还需要先跑 data/ 下 enwik8、text8、shakespeare_char 三个数据准备脚本2D 扩散模板需要先安装 NPEET 包。用 grokking 模板跑通一次完整论文生成流程环境就绪后启动命令只有一行python launch_scientist.py --model gpt-4o-2024-05-13 \ --experiment grokking --num-ideas 2几个值得说明的参数--num-ideas生成多少条想法默认 50。每条想法都会走完整实验 写作 评审循环第一次试跑设 2 足够--parallel N起 N 个进程并行每个绑定一张 GPU超出可见卡数会自动截断--gpus 0,1指定用哪几张卡不填则用全部--improvement评审完成后根据审稿意见自动修改论文生成改进版并再次评审--skip-idea-generation跳过想法生成直接复用模板里已有的ideas.json方便单独调试实验阶段。单次试跑大约需要数小时到一天取决于想法数量和实验规模。结果统一输出到results/grokking/时间戳_想法名/每个想法一个文件夹。结果文件夹怎么读核对流水线每一步的产出跑完后打开任一结果文件夹可以按阶段核对整条流水线ideas.json本次生成的想法列表和新颖性检查结论experiment.py/plot.pyAI 修改后的实验代码和模板基线的差异一目了然run_1/到run_5/每组实验的 JSON 数据目录数量取决于 AI 设计了几组实验log.txt与*_aider.txt完整标准输出日志和与模型的对话记录run 失败时从这里查原因latex/与最终 PDF按 ICLR 模板编译出的论文review.txt自动评审的评分、决定和弱点列表。论文里的图同样由系统自动生成上图是自适应双尺度去噪样例的权重演化分析展示四个数据集上各时间步的参数变化。如果你只想要评审能力也可以直接调用 ai_scientist/perform_review.py 里的load_paper和perform_review对任意一份 PDF 拿到评分和弱点列表不必走完整流程。自制实验模板把 AI-Scientist 扩展到自定义课题想让 AI-Scientist 研究你自己的课题照官方模板建一个新目录即可。必须齐备五个文件experiment.py主实验脚本接收--out_dir参数把结果 JSON 写到指定目录plot.py读取 run 目录生成图表代码尽量清晰易改模型会频繁修改它prompt.json给 LLM 的任务说明包含模板背景和相关论文摘要seed_ideas.json一两条高质量种子想法也可以先跑一次生成、挑最好的留下latex/template.tex论文模板建议直接复用官方的把预置引用换成你课题相关的文献。关键约束是文件名和输出 JSON 的格式要和官方模板保持一致其余内容都可以自由发挥。仓库里已有多个社区贡献模板可参考包括 seir传染病建模、mobilenetV3图像分类、sketch_rnn、MACE量子化学、earthquake-prediction、tensorf都在 templates/ 下。上图中去噪器在不同权重下对 dino 数据集的生成样本颜色代表门控权重。这种多组对比图正是撰写阶段会自动引用进论文的典型素材。资源附录与下一步本文涉及的路径都列在这里方便回溯templates/全部实验模板grokking 最轻量适合第一次试跑example_papers/10 份含代码、数据和 PDF 的完整样例开跑前值得通读data/NanoGPT 模板的数据准备脚本review_iclr_bench/对 ICLR 论文的批量评审分析用于评估评审模块的可靠性docs/项目资料experimental/提供 Dockerfile 和开放式科研入口。注意该系统会执行 LLM 写的代码官方建议容器化运行并限制网络访问。下一步你可以这样做先克隆仓库git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist用 grokking 模板跑一次--num-ideas 2的试跑等你能读懂结果文件夹里的全部产出再把自己的课题做成模板接入。多卡环境加上--parallel提升吞吐跑完一轮后重点检查review.txt的评分趋势判断这个课题值不值得继续投入。【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考