Research Paper Writing

• Einen neuen Research Paper Writing-Prozess starten auf Basis einer vorhandenen Codebasis oder Idee, einschließlich der Einrichtung der Arbeitsbereichsstruktur, der Versionskontrolle und einer einsätzigen Beitragsaussage, bevor irgendetwas geschrieben wird.
• Experimente entwerfen und durchführen, die direkt den Behauptungen im Paper entsprechen, mit inkrementellem Speichern, Artifact-Sicherung, Kostenverfolgung und Überwachung durch cron-geplante Statusprüfungen.
• Jeden Abschnitt eines ML/KI-Papers schreiben oder überarbeiten, einschließlich der Erstellung von LaTeX unter Verwendung offizieller Konferenzvorlagen (NeurIPS, ICML, ICLR, ACL, AAAI, COLM) mit einem zweistufigen Überarbeitungsmuster.
• Vorbereitung auf die Einreichung oder Wiedereinreichung, einschließlich Anonymisierung, Formatierungsüberprüfung, Vorvalidierung vor der Kompilierung, konferenzspezifischer Checklisten und Lieferungen nach der Annahme wie Poster, Vorträge und Code-Veröffentlichungen.

• Nicht-ML/KI-Forschungsbereiche (z. B. Medizin, Sozialwissenschaften, Geisteswissenschaften) — die Pipeline ist speziell auf ML-Konferenzveranstaltungsorte und deren Normen kalibriert.
• Sehr schwache Basismodelle (Llama-8B-Klasse) für iterative Verfeinerungsaufgaben — die Skill-Notizen weisen darauf hin, dass diese Modelle zu schwach für die Generierung vielfältiger Kandidaten sind, was die Autoreason-Schleife kontraproduktiv macht.
• Schnelle einmalige Schreibaufgaben ohne experimentellen Anteil — der Aufwand der vollständigen 8-Phasen-Pipeline überwiegt den Nutzen bei kleinen, in sich geschlossenen Schreibaufgaben.

Umfasst Projektaufbau → Literaturrecherche → Experimentdesign → Durchführung & Überwachung → Analyse → Papierentwurf → Selbstüberprüfung & Überarbeitung → Einreichungsvorbereitung als iterativen Kreislauf, nicht als lineare Abfolge. Ergebnisse lösen neue Experimente aus; Überprüfungen lösen neue Analysen aus; die Fähigkeit behandelt diese Rückkopplungsschleifen explizit.

Jede Zitation wird programmatisch über Semantic Scholar, arXiv und CrossRef DOI Content Negotiation abgerufen – niemals aus dem Gedächtnis generiert. Nicht verifizierbare Zitationen werden mit [CITATION NEEDED] gekennzeichnet und dem Wissenschaftler gemeldet, um der bekannten KI-Zitationsfehlerquote von ~40 % entgegenzuwirken.

Eine evidenzbasierte iterative Verfeinerungsschleife (Kritiker → Autor B → Synthesizer → 3-Richter-Borda-Panel) mit empirisch validierten Parametern: k=2-Konvergenz, CoT-Richter, Temperatur 0,8 für Autoren / 0,3 für Richter. Enthält eine Entscheidungstabelle, die Modell-Tier und Aufgabentyp der optimalen Verfeinerungsstrategie zuordnet, sowie dokumentierte Fehlermodi und entsprechende Gegenmaßnahmen.

Generiert N=3–5 unabhängige Gutachten mit einem negativ-gewichteten Prompt und aggregiert diese anschließend über eine Meta-Reviewer-Rolle, die einen Area Chair simuliert. Beinhaltet einen separaten VLM-basierten visuellen Prüfdurchlauf für Abbildungsqualität und Layoutprobleme sowie einen Behauptungsverifizierungsdurchlauf mit einem eigenständigen Subagenten, um Bestätigungsfehler zu vermeiden.

Enthält gebrauchsfertige Vorlagen für NeurIPS 2025, ICML 2026, ICLR 2026, ACL, AAAI 2026 und COLM 2025, mit einer professionellen Präambel (microtype, booktabs, siunitx, cleveref, algorithm2e, TikZ, SciencePlots), Validierungsskripten vor der Kompilierung (chktex, Zitat-/Abbildungs-/Label-Prüfungen) sowie einem latexdiff-Workflow zur Nachverfolgung von Überarbeitungen im Rahmen der Rebuttal-Phase.

Entwickelt für den Hermes-Agenten: verwendet delegate_task für paralleles Abschnittsentwürfen und gleichzeitige Zitationsverifizierung, cronjob für die Experiment-Überwachung mit einem [SILENT]-Protokoll zur Unterdrückung von Keine-Änderung-Benachrichtigungen, memory und todo für persistenten Zustand über Sitzungen hinweg sowie send_message für asynchrone Benachrichtigungen bei Abschluss von Experimenten.

Ausgehend von einem vorhandenen Repository erkundet die Fähigkeit die Codebasis, um den Beitrag zu identifizieren, entwirft Experimente, die auf spezifische Aussagen abzielen, führt diese mit inkrementellem Checkpointing aus, analysiert die Ergebnisse mithilfe statistischer Signifikanztests, verfasst ein vollständiges LaTeX-Paper unter Verwendung der Vorlage des Zielkonferenz- oder Journalformats und bereitet das abschließende anonymisierte Einreichungspaket vor.

Nach einer Ablehnung konvertiert die Funktion das Paper in das Format eines neuen Einreichungsorts (einschließlich Anpassungen der Seitenlimits und ortsspezifisch erforderlicher Abschnitte), geht auf die Anmerkungen der Gutachter im überarbeiteten Text ein, erstellt ein mit latexdiff markiertes PDF, das die Änderungen zeigt, und prüft die neue Einreichung anhand der Checkliste des Zielorts – ohne auf die vorherige Einreichung Bezug zu nehmen.

Für Arbeiten, die menschliche Evaluierung als primären Nachweis erfordern (z. B. ACL-Generierungsaufgaben), entwirft die Funktion das Annotationsprotokoll – Annotatortyp, Skala (paarweiser Vergleich vs. Likert), Stichprobengröße mittels Power-Analyse, Auswahl der Interannotator-Übereinstimmungsmetrik, Plattformwahl (Prolific, MTurk) sowie die IRB-Checkliste – bevor automatisierte Experimente durchgeführt werden, da menschliche Evaluierungen typischerweise längere Vorlaufzeiten haben.

Über empirisches ML hinaus unterstützt die Fähigkeit Theorie-Paper (Theorem-/Beweisstruktur mit Beweissk izzen im Haupttext und vollständigen Beweisen im Anhang), Übersichts-Paper (breitenorientierte Literaturrecherche mit Taxonomiedesign), Benchmark-Paper (Datensatzdokumentation mittels Datasheets for Datasets, Belege zur Konstruktvalidität) sowie Positionspapiere – jeweils mit eigenständiger Struktur und spezifischen Evidenzstandards.