Sci-Reasoning：解码 AI 创新模式的数据集
人工智能
2026-01-09 v1 机器学习
摘要
尽管 AI 创新加速发展，但突破背后的智力过程——研究人员如何识别空白、综合先前工作并产生洞见——仍然知之甚少。缺乏关于科学推理的结构化数据阻碍了对 AI 研究智能体的系统分析和开发。我们引入 Sci-Reasoning，首个捕捉高质量 AI 研究背后智力综合过程的数据集。利用社区验证的质量信号和 LLM 加速、人工验证的流程，我们追溯了 NeurIPS、ICML 和 ICLR（2023-2025）的 Oral 和 Spotlight 论文及其关键前身，以结构化格式阐明具体的推理链接。我们的分析识别出 15 种不同的思维模式，其中三种主导策略占 52.7%：空白驱动重构（24.2%）、跨领域综合（18.0%）和表示转换（10.5%）。最强大的创新配方结合了多种模式：空白驱动重构 + 表示转换、跨领域综合 + 表示转换，以及空白驱动重构 + 跨领域综合。该数据集支持对科学进步的定量研究，并为训练下一代 AI 研究智能体提供结构化推理轨迹。
引用
@article{arxiv.2601.04577,
title = {Sci-Reasoning: A Dataset Decoding AI Innovation Patterns},
author = {Jiachen Liu and Maestro Harmon and Zechen Zhang},
journal= {arXiv preprint arXiv:2601.04577},
year = {2026}
}
备注
22 pages, 9 figures