评审、图表代码等碎片数据连接成动态知识图谱

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。

痛点一：数据分散在多个平台，科研语义被割裂

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

• 在DBLP/Google Scholar看作者与引用网络

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」。

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

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。

• 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
• 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。

「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。

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. 引用推荐（Citation Recommendation）：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. 段落补全（Paragraph Completion）：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)：根据审稿意见自动生成回应内容。

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

• 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

有，而且是「稳定收益」

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。

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。

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。