Sci-Reasoning：解码 AI 创新模式的数据集

虽然 AI 创新加速推进，但突破背后的智识过程——研究者如何识别空白、综合前人工作并产生洞见——仍鲜为人知。科学推理方面结构化数据的缺失阻碍了对 AI 研究智能体的系统性分析与开发。我们介绍 Sci-Reasoning，首个捕捉高质量 AI 研究背后智识综合的数据集。利用社区验证的质量信号以及 LLM 加速、人工核验的流水线，我们将 NeurIPS、ICML 与 ICLR（2023—2025）的 Oral 与 Spotlight 论文追溯至其关键前驱，并以结构化形式表述具体的推理链接。我们的分析识别出 15 种不同的思维模式，其中三种主导策略合计占 52.7%：缺口驱动重构（Gap-Driven Reframing，24.2%）、跨领域综合（Cross-Domain Synthesis，18.0%）与表征转变（Representation Shift，10.5%）。最强大的创新配方组合了多种模式：缺口驱动重构＋表征转变、跨领域综合＋表征转变，以及缺口驱动重构＋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。