一张可计算图，连接整个科研世界，告别数据碎片化
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
新智元报道
编辑：LRST
【新智元导读】UIUC研究团队打造ResearchArcade，将ArXiv论文、OpenReview评审、图表代码等碎片数据连接成动态知识图谱。模型可直接学习引用关系、修改轨迹与审稿互动，让AI更好辅助科研写作、修订与预测，为下一代科研智能体奠定统一数据基础。
在学术科研的过程中，研究者需要面对形态各异的数据来源：我们从ArXiv获取最新论文以追踪学术前沿，从 OpenReview 的开放评审中学习 Rebuttal 的技巧……
随着科研人员越来越多地借助机器学习（如LLM、GNN等）来辅助各类研究任务，一个关键问题随之浮现：
「我们是否能建立一个统一的数据接口，来支持不同学术任务中机器学习模型的开发？」
解决这一问题，将为Specialized Research Agents的发展奠定基础，促进auto- research的实现，也让我们更进一步地迈向让AGI真正理解科研与知识的奥秘的新阶段。
近日，伊利诺伊大学厄巴纳–香槟分校（UIUC） Jiaxuan You教授团队发布了新作，提出了基于图结构的统一科研数据接口，收集并处理了形式各异的科研数据，以辅助不同机器学习模型在各种科研任务上的训练，展望利用AI高效辅助科研的未来。
论文链接：https://arxiv.org/pdf/2511.22036
研究动机
痛点一：数据分散在多个平台，科研语义被割裂
研究一篇文章时，我们常常：
在ArXiv找相关论文（内容、图表、引用）
在OpenReview看审稿意见、看rebuttal、看版本修改
在GitHub或附录里找代码、找实验细节
在DBLP/Google Scholar看作者与引用网络
平台和平台之间缺少统一的结构化连接。模型拿到的往往只是一段段拼接好的，很难对平台间的跨源关系做建模。
痛点二：图表/段落/引用这些「高价值结构」，长期被当作噪声处理
论文里最有信息密度的内容，经常不是摘要，而是：方法流程图、实验表格、ablation与结果对比、对于前人工作的引用。
但传统数据集与基准常常把这些「结构」压扁成纯文本，导致模型无法接触到「论文内部的组织逻辑」。
痛点三：科研是「演化过程」，但我们常把它当成「静态快照」
科研不是一次性写完的。尤其在顶会投稿场景里，论文会经历：reviewer评论、rebuttal、revision（多轮修改）
这些是「科研互动」和「论文进化」的核心信号，但在很多数据里它们要么缺失，要么只是散落文本。
ResearchArcade
将科研世界模拟成一张动态图
研究人员提出的ResearchArcade是一个基于图结构的数据接口，连接了多个学术数据源，统一了学术任务定义，并支持广泛的机器学习模型的训练。
ResearchArcade利用多表格格式以图的结构去组织来自不同来源的数据，包括ArXiv的学术语料库和OpenReview的同行评审，也储存多模态信息（如图形和表格）。
同时ResearchArcade还保留了论文自身前后修改的版本信息以及不同论文的发表时间，支持论文修订以及更广泛的研究趋势的研究。更重要地，表格管理数据的方式便于图的动态扩展，一个新的数据个体的加入和在对应表格中加一行是一样的，ResearchArcade支持每日的不断添加ArXiv上更新的文章。
具体而言，ResearchArcade有四个核心特征：
Multi-source：它把 ArXiv 与 OpenReview 关联在一起
Multimodality：它不只处理文字，还处理图片和表格
Heterogeneity：它用图结构保存异质的关系
Dynamic：它把时间与版本变化也存进来
它把数据组织成表格的形式，其中包括节点表（比如 paper/author/paragraph/figure/table/review/revision），和边表（比如 authorship、citation、paragraph-to-figure/table、review-to-revision 等），使得数据库到异构图的转换更加直接。
除此之外，我们还支持SQL，CSV，JSON格式的数据导入导出，这样既可以把它当作结构化数据库来使用，支持LLM的训练，也可以无缝转成异构图来训练 GNN 这样的图模型。
学术任务怎么统一定义？
「两步范式」很关键
ResearchArcade用两步把各式学术任务统一成同一个范式，便于任务的定义以及数据的调用：
Identify Target Entity（找目标实体）：你要预测/生成的东西对应图里的哪个节点或边？
Retrieve Neighborhood（取邻域子图）：围绕目标实体，取多跳邻域，形成一个任务输入子图
这件事看起来简单，但它直接解决了「每个科研任务都要重写数据管线」的经典问题。
以后你想加新任务，不需要推倒重来，只要
换一个target（比如 review节点、revision节点、citation边）
换一种neighborhood（取哪些关系、多大hops）
换一种输出形式（分类/排序/生成）
任务就能在同一张图上跑起来。
规模与覆盖面
对于ArXiv部分，ResearchArcade收集了66,918篇ArXiv论文，跨11个科学领域，并进一步拆到更细粒度：
包含569,501个section、8,014,095个paragraph、876,636张figure、324,648个table，并且捕捉它们之间的连接关系 。
同时它支持持续爬取更新（可以按周/按日更新），保证数据实时更新，反应最新科研热点 。
对于OpenReview部分，它收集了OpenReview上来自ICLR, NeurIPS, ICML, and EMNLP来自189,038位作者的 57,278篇投稿，以及884,875 条review与 54,467次rebuttal/revision过程中的修改记录。除此之外，ResearchArcade把OpenReview投稿与对应的ArXiv论文按标题匹配相连接，最终有25,969篇（约45.34%）成功对齐 。
ResearchArcade到底能做什么？
ResearchArcade在论文里定义并实验了六个任务，覆盖预测与生成两大范式：
1）引用预测（Citation Prediction）
给定某段 paragraph 以及论文内部结构与已引用信息，让模型预测：这段话最应该引用哪篇论文。
2）段落生成（Paragraph Generation）
给定上下文段落、引用的图表、引用的文献等，让模型补全缺失段落内容。
3）修改定位（Revision Retrieval）
给定 reviewer 评论与原论文段落，让模型找出：哪些段落会被改、改在哪里。
4）修改生成（Revision Generation）
给定原段落 + reviewer 意见，让模型生成一个更好的 revised 段落。
5）录用预测（Acceptance Prediction）
把历史年份论文与其结构/模态信息作为训练信号，预测未来年份论文是否会被 accept。
6）Rebuttal生成（Rebuttal Generation）
给定 reviewer 评论、论文相关段落以及图表信息，让模型生成 rebuttal 回复。
同时，ResearchArcade 在论文中还列了一些「未来可扩展的新任务」，比如 idea generation、experiment planning、abstract writing、review generation 等（即覆盖科研流程更多阶段）（文中对「学术任务统一定义」的论证与扩展思路与此一致）。
如果把它放到「科研智能体」的语境里，你可以想象一个更完整的闭环：
读：快速理解论文结构（段落/图表/引用）
写：在结构约束下生成段落、补齐实验描述
改：把 reviewer 意见映射到具体修改点，生成 revision
回：生成 rebuttal，并引用论文内部证据与图表支持
荐：对引用、相关工作、对比基线给出结构化推荐
图结构真的有用吗？
有，而且是「稳定收益」
结论一：小模型训练后能逼近大模型，说明数据接口的质量很关键
论文里提到，在revision generation / rebuttal generation上，经过训练的小模型（如 Qwen3-0.6B）性能显著提升，并能接近更大模型表现，侧面验证了 ResearchArcade 的数据与任务定义是「可学习」的 。
结论二：它确实能建模「动态演化」，但趋势预测仍然难
revision retrieval / revision generation 展示了论文内演化建模的能力；而 acceptance prediction 最好 accuracy 也只有0.55，几乎接近随机，说明「预测科研趋势」本身就很难 。
结论三：图结构带来稳定增益，多跳邻域有时能明显提升
论文直接对比了「图模型 vs 非图模型」，在 revision retrieval 上观察到显著提升（文中给出 67% 的增益量级），在 acceptance prediction 上也有一定改善；并且多跳邻域（比如从 1-hop 扩到 3-hop）能让 acceptance prediction 的表现上升到 0.55，说明高阶上下文很重要 。
结语
ResearchArcade 试图做的不是再造一个「更大的数据集」，而是把科研过程中那些原本被分割、被压扁、被静态化的信息，重新组织成可连接、可追溯、可扩展的「计算对象」。
一旦数据接口具备了这种统一的结构表达，科研任务就不必各自为政：引用、写作、修改、回复、预测乃至更复杂的科研规划，都可以在同一套范式里被定义、被训练、被比较，也就为 Specialized Research Agents 的规模化演进，auto- research的系统化落地，以至于最终能够理解科研学术奥秘的AGI提供了更稳的地基。
科研世界的Arcade（游乐场）已经搭好，接下来就看我们能在这张图上玩出多少新东西了。
参考资料：
https://arxiv.org/pdf/2511.22036
相关攻略
新智元报道编辑：好困 Aeneas【新智元导读】把闪存股一夜干崩的谷歌顶会论文，出大事了。TurboQuant的核心方法，两年前就被一位华人学者做完、发完顶会、代码全部开源了。谷歌不仅没正面提及，而
近来，两起涉及科学研究领域的相关工作要求，引发了广泛关注。中科院发布声明称，自3月1日起，中国科学院将停止使用科研经费和中央财政拨款支付30种国际高收费开放获取（OA）期刊的论文发表费用；中国科学技
机器之心编辑部就在刚刚，正在舆论风口上左摇右摆的 AI 顶会 NeurIPS 发布了一条长推文，针对此前的「NeurIPS 限制华为等实体机构投稿」事件做了解释、道歉、承诺三件事：解释：在编制 Ne
在中国科学技术协会、中国计算机学会、中国自动化学会相继发布声明宣布“抵制”后，人工智能学术会议NeurIPS低头道歉。 3月27日，NeurIPS通过社交平台“X”发布了一份声明，就征稿指南中的不
今天，中国科协发布的一条声明引起广泛关注：“自2026年3月27日起，中国科协停止受理学者参加2026年NeurIPS会议资助申请，同时，有关申请全部转至国内相应学术会议资助或者面向尊重中国学者权益
热门专题
热门推荐
抖音国际版电脑版可通过正式tiktok com在线使用，支持网页端高清浏览、多方式登录、智能搜索、创作者发布及跨端同步等功能。抖音国际版电脑版怎么用？TikTok游戏在线访问入口在
OPPO Find N6 自3月20日开售以来，首销三天销量即突破5 64万台，仅凭借三天销售，进入当周（ 2026 年第 12 周）中国市场手机激活量Top 30，也是榜单中唯一的折叠屏手机。业内
在电脑的使用过程中，驱动程序起着至关重要的作用。而驱动人生作为一款常用的驱动管理软件，它所备份的驱动位置对于很多用户来说是一个关心的问题。当我们使用驱动人生完成驱动备份后，其默认的
崩坏星穹铁道超级机铠星探成就怎么达成？超级机铠星探是4 1版本新增成就之一，玩家们需要前往指定的区域寻找四位机铠，并进行互动即可，下面小编就为大家带来《崩坏：星穹铁道》4 1版本超
3月28日，电视剧《白日提灯》在腾讯视频多集上线，正式首播。这部电视剧由陈飞宇、迪丽热巴等演员主演，讲的则是架空的古装世界当中，男将军和女鬼王之间的爱情故事。基于目前上线的剧情内容来论，该剧叙事主线