Google Cloud研究團隊近日推出兩款針對學術研究場景的AI系統——PaperVizAgent與ScholarPeer，分別聚焦于論文可視化內容生成與學術評審流程優化。這兩項技術旨在通過自動化處理重復性工作，幫助科研人員將更多精力投入核心研究環節。
在學術寫作領域，科研人員常需耗費大量時間制作方法流程圖、統計圖表及復雜示意圖。傳統流程不僅需要掌握專業繪圖軟件，還需反復核對圖表與文本內容的匹配度。針對這一痛點，PaperVizAgent構建了包含五個AI代理的協作框架：檢索代理負責從文獻庫中提取相關圖表示例，規劃代理組織信息呈現邏輯，風格代理依據學術規范生成視覺設計方案，可視化代理輸出圖像或Python繪圖代碼，評估代理則通過多維度比對確保圖表準確性。該系統在綜合評測中取得60.2分，超越GPT-Image-1.5等現有工具，成為首個突破人類基準分（50分）的自動化圖表生成方案。
另一系統ScholarPeer則針對學術評審資源緊張的現狀設計。不同于傳統語言模型直接生成審稿意見的模式，該系統采用雙流程驗證機制：通過主動搜索構建領域知識圖譜，利用多維問答模塊驗證論文技術主張，并檢索可能遺漏的對比方法或數據集。其生成的審稿報告包含摘要提煉、優缺點分析及待澄清問題，結構與人類專家報告高度相似。在公開數據集測試中，該系統在評審質量評分上已接近專業審稿人水平，尤其在批判性分析與文獻引用準確性方面表現突出。
研究團隊強調，這兩款工具目前仍處于實驗階段，其輸出結果需結合人工審核使用。PaperVizAgent生成的圖表可能存在細節偏差，ScholarPeer的評審建議也需領域專家復核。技術文檔指出，系統在處理跨學科論文或前沿領域研究時，仍存在知識庫更新延遲的問題。
據開發團隊披露，當前版本已實現多代理間的動態反饋機制。例如當評估代理發現圖表數據與原文存在差異時，會觸發規劃代理重新調整信息架構，形成閉環優化流程。這種設計使系統在處理復雜科研文本時，能夠逐步提升輸出質量。研究數據顯示，經過三輪迭代的圖表準確性可提升23%，審稿建議的實用性評分提高17%。
技術白皮書顯示，兩款系統均采用模塊化架構設計，支持根據不同學科特點調整參數。PaperVizAgent已集成生物醫學、計算機科學等領域的專用模板庫，ScholarPeer則配置了涵蓋300個細分學科的評審規則庫。開發團隊表示，未來將開放部分接口供科研機構定制開發，同時探索與學術出版平臺的對接可能性。
