阅读、检索与综合：诊断LLM研究构思中的跨域种子暴露
人工智能
2026-05-13 v1
摘要
发现新方法以持续循环推进，常由跨域技术迁移驱动。基于此观察，我们提出问题：当前LLM构思系统是否受益于针对性跨域检索，抑或仅因接触多样化机制而受益。我们通过PaperGym构建三阶段管道：（1）通过read、grep和bash对孤立论文环境进行工具增强的种子提取；（2）通过在七个ML领域之间的改写进行跨域种子检索；（3）从检索到的种子进行方法综合，由基于评分标准的裁判给出分数。工具增强的提取提高了特异性，改写检索扩宽了领域覆盖。综合方面，跨域检索在与无检索和同域基线的两两新颖性比较中获得更多胜出，但与随机多样化种子控制组无显著差异。这些发现表明，LLM构思系统受益于多样化种子暴露，但尚未可靠地利用特定种子检索的语义原因。我们发布种子库、评分标准提示词和运行脚本：https://github.com/yunjoochoi/PaperGym
引用
@article{arxiv.2605.11532,
title = {Read, Grep, and Synthesize: Diagnosing Cross-Domain Seed Exposure for LLM Research Ideation},
author = {Yunju Choi and Min Song},
journal= {arXiv preprint arXiv:2605.11532},
year = {2026}
}
备注
12 pages, 2 figures, 7 tables