沙丘社区
论文

LECTOR：科学推理图与引言生成的联合优化

LECTOR: Joint Optimization of Scientific Reasoning Graphs and Introduction Generation

Jiabei Xiao, Yizhou Wang, Chen Tang, Pengze Li, Wanli Ouyang, Shixiang Tang
模型训练强化学习

摘要

AI Scientist已在研究流程的多个阶段展现出可喜进展，其中科学论文自动写作仍是一项艰巨挑战。引言写作尤其困难，它不仅要求语言流畅，还要求逻辑严密和可验证的忠实性。多数AI辅助方法将该任务当作文本生成而非推理与结构化，导致严重缺陷，例如编造引用。为此，我们首先提出内容条件引言生成（Content-Conditional Introduction Generation, CCIG）任务，要求引言扎根于论文的核心证据。随后我们提出LECTOR，一个新颖的逻辑-表达协同强化学习框架，能够严格遵循科学家的逻辑、添加高质量引用并保持结构化表达。LECTOR首先从论文正文构建逻辑推理图，作为可验证的逻辑蓝图。随后，它采用逻辑-表达协同奖励机制，联合优化图的结构忠实性与最终叙述的质量。我们基于Nature Communications论文构建数据集来评估方法。大量实验显示，逻辑忠实性与引言生成质量指标持续提升，例如图质量（+26.7%）、引用质量（+8.6%）和论文一致性（+3.3%）。代码与数据见https://github.com/Xiao-Youth/LECTOR。

LECTOR：科学推理图与引言生成的联合优化：论文配图
图 1：LECTOR 框架和性能评估概述。 (a) 现有方法将介绍写作视为直接文本生成任务，常常导致逻辑不一致和幻觉。 (b) LECTOR 将任务重新表述为内容条件引入生成（CCIG），首先提取推理逻辑图作为可验证的逻辑蓝图来指导逻辑感知写作。 (c) 结果表明，我们的 LECTOR-4B 显着优于 Qwen3-4B 基线。值得注意的是，与最先进的商业闭源模型 GPT-o3 相比，LECTOR-4B 实现了卓越的整体性能，验证了我们的逻辑表达联合强化学习方法的有效性。