Research Paper Writing

• Начало новой исследовательской статьи на основе существующей кодовой базы или идеи, включая настройку структуры рабочего пространства, контроль версий и формулировку вклада в одном предложении перед написанием чего-либо.
• Разработка и проведение экспериментов, напрямую соответствующих утверждениям в статье, с инкрементальным сохранением, сохранением артефактов, отслеживанием затрат и мониторингом с помощью запланированных по cron проверок состояния.
• Написание или редактирование любого раздела статьи по машинному обучению/ИИ, включая генерацию LaTeX с использованием официальных шаблонов конференций (NeurIPS, ICML, ICLR, ACL, AAAI, COLM) с паттерном двухпроходного уточнения.
• Подготовка к подаче или повторной подаче, включая анонимизацию, проверку форматирования, валидацию перед компиляцией, контрольные списки для конкретных конференций и материалы после принятия, такие как постеры, доклады и публикации кода.

• Области исследований, не связанные с ML/AI (например, медицина, социальные науки, гуманитарные дисциплины) — конвейер специально откалиброван под площадки ML-конференций и их нормы.
• Очень слабые базовые модели (класса Llama 8B) для задач итеративного уточнения — в заметках к навыку указано, что такие модели слишком слабы для генерации разнообразных кандидатов, что делает цикл autoreason контрпродуктивным.
• Быстрые разовые задачи написания текстов без экспериментальной составляющей — накладные расходы полного 8-фазного конвейера перевешивают выгоду для небольших самодостаточных задач.

Охватывает Настройку проекта → Обзор литературы → Разработку эксперимента → Выполнение и мониторинг → Анализ → Подготовку рукописи → Самопроверку и редактирование → Подготовку к публикации как итеративный цикл, а не линейную последовательность. Результаты инициируют новые эксперименты; рецензии инициируют новый анализ; навык явным образом обрабатывает эти петли обратной связи.

Каждая цитата извлекается программно через Semantic Scholar, arXiv и согласование содержимого CrossRef DOI — никогда не генерируется из памяти. Непроверяемые цитаты помечаются [CITATION NEEDED] и сообщаются учёному, что решает известную проблему ~40% ошибок цитирования ИИ.

Основанный на доказательствах цикл итеративного уточнения (Критик → Автор Б → Синтезатор → панель из 3 судей по методу Борда) с эмпирически проверенными параметрами: сходимость при k=2, судьи с цепочкой рассуждений (CoT), температура 0.8 для авторов / 0.3 для судей. Включает таблицу принятия решений, сопоставляющую уровень модели и тип задачи с оптимальной стратегией уточнения, а также задокументированные режимы отказов и способы их устранения.

Генерирует N=3–5 независимых рецензий с промптом, настроенным на критическое восприятие, после чего агрегирует результаты через роль мета-рецензента, моделирующего Area Chair. Включает отдельный проход визуального анализа на основе VLM для оценки качества иллюстраций и проблем с вёрсткой, а также проход верификации утверждений с использованием нового суб-агента для предотвращения предвзятости подтверждения.

Включает готовые к использованию шаблоны для NeurIPS 2025, ICML 2026, ICLR 2026, ACL, AAAI 2026 и COLM 2025, с профессиональной преамбулой (microtype, booktabs, siunitx, cleveref, algorithm2e, TikZ, SciencePlots), скриптами предварительной проверки перед компиляцией (chktex, проверка цитат, рисунков и меток), а также рабочим процессом latexdiff для отслеживания правок при ответе на рецензии.

Разработано для агента Hermes: использует delegate_task для параллельного составления разделов и одновременной проверки цитат, cronjob для мониторинга экспериментов с протоколом [SILENT] для подавления уведомлений об отсутствии изменений, memory и todo для сохранения состояния между сессиями, а также send_message для асинхронных уведомлений о завершении экспериментов.

Начиная с существующего репозитория, навык исследует кодовую базу для определения вклада, разрабатывает эксперименты, соответствующие конкретным утверждениям, запускает их с инкрементальным сохранением контрольных точек, анализирует результаты с помощью тестов статистической значимости, составляет полноценную статью в формате LaTeX с использованием шаблона целевого издания и подготавливает финальный анонимизированный пакет для подачи.

После отклонения навык конвертирует статью в формат нового места публикации (включая корректировку ограничений по объёму и обязательных разделов, специфичных для площадки), устраняет замечания рецензентов в пересмотренном тексте, генерирует PDF с разметкой изменений через latexdiff и проверяет новую подачу по чек-листу целевой площадки — без каких-либо ссылок на предыдущую версию.

Для статей, требующих человеческой оценки в качестве основного доказательства (например, задачи генерации ACL), навык разрабатывает протокол аннотирования — тип аннотаторов, шкалу (попарное сравнение vs. шкала Лайкерта), размер выборки с помощью анализа мощности, выбор метрики межаннотаторского согласия, выбор платформы (Prolific, MTurk) и контрольный список IRB — до запуска автоматизированных экспериментов, поскольку человеческая оценка, как правило, требует более длительного времени подготовки.

Помимо эмпирического машинного обучения, навык поддерживает написание теоретических статей (структура теорема/доказательство с набросками доказательств в основном тексте и полными доказательствами в приложении), обзорных статей (поиск литературы по принципу «сначала вширь» с разработкой таксономии), бенчмарк-статей (документирование наборов данных с помощью Datasheets for Datasets, свидетельства конструктной валидности) и позиционных статей — каждый из этих форматов имеет собственную структуру и стандарты представления доказательств.