Research Paper Writing

• Iniciar un nuevo artículo de investigación a partir de una base de código o idea existente, incluyendo la configuración de la estructura del espacio de trabajo, el control de versiones y una declaración de contribución de una sola oración antes de escribir cualquier cosa.
• Diseñar y ejecutar experimentos que se correspondan directamente con las afirmaciones del artículo, con guardado incremental, preservación de artefactos, seguimiento de costos y monitoreo mediante verificaciones de estado programadas con cron.
• Redactar o revisar cualquier sección de un artículo de ML/IA, incluyendo la generación de LaTeX utilizando plantillas oficiales de conferencias (NeurIPS, ICML, ICLR, ACL, AAAI, COLM) con un patrón de refinamiento en dos pasadas.
• Prepararse para la presentación o nueva presentación, incluyendo la anonimización, la verificación de formato, la validación previa a la compilación, listas de verificación específicas de cada conferencia y los entregables posteriores a la aceptación, como pósters, presentaciones y publicaciones de código.

• Dominios de investigación no relacionados con ML/IA (p. ej., medicina, ciencias sociales, humanidades) — el pipeline está calibrado específicamente para los espacios de conferencias de ML y sus normas.
• Modelos base muy débiles (clase Llama 8B) para tareas de refinamiento iterativo — las notas de habilidad indican que estos modelos son demasiado débiles para la generación de candidatos diversos, lo que hace que el bucle de autoreason sea contraproducente.
• Tareas de escritura rápidas y puntuales sin componente experimental — la sobrecarga del pipeline completo de 8 fases supera el beneficio para trabajos de escritura pequeños y autocontenidos.

Cubre Configuración del Proyecto → Revisión de Literatura → Diseño del Experimento → Ejecución y Monitoreo → Análisis → Redacción del Artículo → Autorrevisión y Revisión → Preparación para Envío como un bucle iterativo, no una secuencia lineal. Los resultados generan nuevos experimentos; las revisiones generan nuevos análisis; la habilidad gestiona estos ciclos de retroalimentación de forma explícita.

Cada cita se obtiene de forma programática a través de Semantic Scholar, arXiv y la negociación de contenido DOI de CrossRef, nunca se genera desde la memoria. Las citas no verificables se marcan como [CITATION NEEDED] y se reportan al científico, abordando la conocida tasa de error de citas de IA de aproximadamente el 40%.

Un bucle de refinamiento iterativo basado en evidencia (Crítico → Autor B → Sintetizador → panel Borda de 3 jueces) con parámetros validados empíricamente: convergencia k=2, jueces CoT, temperatura 0.8 para autores / 0.3 para jueces. Incluye una tabla de decisiones que mapea el nivel del modelo y el tipo de tarea a la estrategia de refinamiento óptima, además de modos de fallo documentados y sus mitigaciones.

Genera N=3–5 revisiones independientes con un prompt de sesgo negativo, luego las agrega mediante un rol de meta-revisor que modela a un Editor de Área. Incluye un pase de revisión visual separado basado en VLM para evaluar la calidad de las figuras y problemas de diseño, así como un pase de verificación de afirmaciones utilizando un subagente nuevo para prevenir el sesgo de confirmación.

Incluye plantillas listas para usar para NeurIPS 2025, ICML 2026, ICLR 2026, ACL, AAAI 2026 y COLM 2025, con un preámbulo profesional (microtype, booktabs, siunitx, cleveref, algorithm2e, TikZ, SciencePlots), scripts de validación previa a la compilación (chktex, verificaciones de citas/figuras/etiquetas) y un flujo de trabajo con latexdiff para el seguimiento de revisiones en la fase de rebuttal.

Diseñado para el agente Hermes: utiliza delegate_task para la redacción paralela de secciones y la verificación concurrente de citas, cronjob para el monitoreo de experimentos con un protocolo [SILENT] que suprime las notificaciones sin cambios, memory y todo para el estado persistente entre sesiones, y send_message para notificaciones asíncronas cuando los experimentos se completan.

Partiendo de un repositorio existente, la habilidad explora la base de código para identificar la contribución, diseña experimentos que corresponden a afirmaciones específicas, los ejecuta con puntos de control incrementales, analiza los resultados con pruebas de significancia estadística, redacta un artículo LaTeX completo utilizando la plantilla del evento objetivo y prepara el paquete de envío anonimizado final.

Tras un rechazo, la habilidad convierte el artículo al formato de una nueva sede (incluyendo ajustes de límite de páginas y secciones requeridas específicas de la sede), aborda las observaciones de los revisores en el texto revisado, genera un PDF con marcas latexdiff que muestra los cambios, y verifica el nuevo envío contra la lista de verificación de la sede de destino, sin hacer referencia al envío anterior.

Para artículos que requieren evaluación humana como evidencia principal (por ejemplo, tareas de generación de ACL), la habilidad diseña el protocolo de anotación —tipo de anotador, escala (por pares vs. Likert), tamaño de muestra mediante análisis de potencia, selección de métrica de acuerdo entre anotadores, elección de plataforma (Prolific, MTurk) y lista de verificación del IRB— antes de ejecutar experimentos automatizados, dado que la evaluación humana suele tener plazos de entrega más largos.

Más allá del ML empírico, la habilidad abarca artículos teóricos (estructura de teorema/demostración con esbozos de prueba en el texto principal y demostraciones completas en el apéndice), artículos de revisión (búsqueda bibliográfica en amplitud con diseño de taxonomía), artículos de referencia comparativa (benchmark) (documentación de conjuntos de datos mediante Datasheets for Datasets, evidencia de validez de constructo) y artículos de posición, cada uno con una estructura distinta y estándares de evidencia particulares.