Spark-to-Paper：端到端研究论文生成作为可组合技能

将研究想法转化为完整论文所需的能力远不止文本生成：系统必须检索文献、设计并执行实验、根据证据修正论断、生成可发表的图表，并在漫长的生成过程中保持一致性。我们提出Spark-to-Paper，一个端到端的研究论文生成系统，以现有编码助手内部的十三个可组合技能形式实现，无需独立的智能体平台或编排服务。Spark-to-Paper将基于模型的判断与可直接执行和检查的确定性操作分离，并进一步将实验规划与报告分离，从而在观察结果之前明确所需证据，并根据实测结果修正手稿论断。为提高长研究轨迹的可靠性，系统将确定性完整性检查与自我批判相结合，并限制了一种我们称为“自我反驳循环”的失败模式，即重复实验持续否定原始研究目标。Spark-to-Paper还通过程序化绘图生成可编辑的矢量图，用于实验结果，并通过基于代码的重建生成方法示意图。在八个受控研究主题中，Spark-to-Paper实现了99.5%的引用有效性和96.4%的图表可编辑性。受控消融实验将伪造检测率从单遍草稿的14%提升至完整完整性与审查流程下的92%，而对抗性审查达到74%的精确率。完整系统使用1190万token，每篇手稿成本为8.1美元，平均耗时3.2小时。这些结果表明，端到端研究论文生成可以作为现有编码助手内的轻量级、可组合工作流实现，同时保持实验证据在论断接受、修正或放弃中的核心地位。