XtraGPT：通过人机协作实现上下文感知与可控的学术论文修订
计算与语言
2026-04-24 v4
摘要
尽管大型语言模型（LLM）在学术工作流程中的应用日益广泛，但其在支持高质量科学写作方面的能力仍然有限。现有大多数系统是为通用科学文本生成而设计的，无法满足超越表面润色的复杂研究交流需求，例如，保持跨章节的概念连贯性。此外，学术写作本质上是迭代和修订驱动的，这一过程并未得到基于直接提示的范式的良好支持。为了解决这些场景，我们提出了一个用于学术论文修订的人机协作框架，该框架以标准引导的意图对齐和上下文感知建模为中心。为了验证该框架，我们策划了一个包含 7000 篇来自顶级会议/期刊的研究论文的数据集，并标注了 140,000 个反映现实章节级科学修订的指令-响应对。我们在 XtraGPT 中实例化了该框架，这是首个专门为上下文感知的学术论文修订进行微调的开源 LLM 套件（参数规模从 1.5B 到 14B）。大量实验表明，XtraGPT 显著优于同规模基线模型，并能与商业闭源模型的质量相媲美。自动偏好评估和人工评估均证实了 XtraGPT 在改进科学草稿方面的有效性。我们的代码和模型可在 https://github.com/Xtra-Computing/XtraGPT 和 https://huggingface.co/collections/Xtra-Computing/xtragpt 获取。
引用
@article{arxiv.2505.11336,
title = {XtraGPT: Context-Aware and Controllable Academic Paper Revision via Human-AI Collaboration},
author = {Nuo Chen and Andre Lin HuiKai and Jiaying Wu and Junyi Hou and Zining Zhang and Qian Wang and Xidong Wang and Bingsheng He},
journal= {arXiv preprint arXiv:2505.11336},
year = {2026}
}
备注
41 pages, 19 figures; Accepted at ACL 2026