CogGen：认知启发的递归深度研究报告生成

深度研究报告的自主合成代表了 大语言模型 (LLM) 的关键前沿，需要复杂的信息编排和非线性叙事逻辑。当前的方法依赖于严格的预定义线性工作流程，这会导致错误累积，妨碍后续洞察的全局重组，并最终限制深入的多模态融合和报告质量。我们提出了 CogGen，一种用于深度研究报告生成的认知启发递归框架。 CogGen 利用分层递归架构来模拟认知写作，可实现灵活的规划和全局重组。为了将这种递归性扩展到多模式内容，我们引入了抽象视觉表示（AVR）：一种简洁的意图驱动语言，可以迭代地细化视觉文本布局，而无需像素级重新生成开销。我们进一步提出了 CLEF（一种认知负荷评估框架），并从Our World in Data（OWID）中构建了一个新基准。大量实验表明，CogGen 在开源系统中取得了最先进的结果，生成的报告可与专业分析师的输出相媲美，并超越 Gemini Deep Research。我们的代码和数据集可在 https://github.com/NJUNLP/CogGen 获取。