Repolode
worldbench

worldbench/awesome-ai-auto-research

Подборка исследований об автоматизации с помощью ИИ всего цикла научной работы — от генерации идей до рецензирования и распространения результатов.

Звёзды
558
Форки
51
Открытые issues
3
Последний коммит
позавчера

Что это?

Awesome AI Auto-Research — это подборка статей и инструментов к обзору об использовании ИИ для автоматизации научных исследований или помощи в них. В ней академический исследовательский цикл разделён на восемь этапов и четыре фазы: создание (генерация идей, обзор литературы, программирование и эксперименты, таблицы и графики), написание, проверка (рецензирование и ответ на рецензию) и распространение результатов (преобразование статей в слайды, постеры, видео и веб-страницы).

В каждом разделе перечислены работы по этапам и подтемам: например, генерация идей на основе LLM, агенты для глубоких исследований, системы преобразования статей в код, автоматическое написание обзоров и генерация рецензий. Где доступны, к записям добавлены ссылки на arXiv, конференции и журналы, страницы проектов и репозитории GitHub, а также бенчмарки для оценки таких систем.

Подборка пригодится исследователям и инженерам, которым нужен обзор этой области или отправная точка для поиска конкретных систем и бенчмарков.

Ключевые возможности

  • 01Систематизирует статьи по восьми этапам исследовательского цикла, объединённым в четыре фазы
  • 02Охватывает генерацию идей, обзор литературы, программирование и эксперименты, а также написание текстов
  • 03Включает разделы о рецензировании, ответах на рецензии и распространении научных работ
  • 04Содержит бенчмарки для оценки систем ИИ для научных исследований
  • 05Содержит ссылки на публикации на arXiv, конференции и журналы, а также репозитории GitHub, если они доступны

Сценарии использования

  • Получить обзор исследований в области научных открытий с помощью ИИ
  • Найти существующие системы для обзора литературы или преобразования статей в код
  • Подобрать бенчмарки для оценки генерации идей или определения новизны
  • Следить за новыми работами об автоматизации исследований и рецензирования

Что важно знать

  • README — это подборка статей и обзорная работа, а не исполняемое программное обеспечение, поэтому инструкций по установке и запуску нет.

Темы

Частые вопросы

Что такое awesome-ai-auto-research?
Подборка исследований об автоматизации с помощью ИИ всего цикла научной работы — от генерации идей до рецензирования и распространения результатов. Awesome AI Auto-Research — это подборка статей и инструментов к обзору об использовании ИИ для автоматизации научных исследований или помощи в них. В ней академический исследовательский цикл разделён на восемь этапов и четыре фазы: создание (генерация идей, обзор литературы, программирование и эксперименты, таблицы и графики), написание, проверка (рецензирование и ответ на рецензию) и распространение результатов (преобразование статей в слайды, постеры, видео и веб-страницы).
awesome-ai-auto-research можно использовать бесплатно? Какая у него лицензия?
awesome-ai-auto-research распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.
awesome-ai-auto-research всё ещё поддерживается?
Активно поддерживается. Последний коммит в awesome-ai-auto-research — 19 окт. 2026 г..
Для чего можно использовать awesome-ai-auto-research?
Получить обзор исследований в области научных открытий с помощью ИИ Найти существующие системы для обзора литературы или преобразования статей в код Подобрать бенчмарки для оценки генерации идей или определения новизны Следить за новыми работами об автоматизации исследований и рецензирования
Где скачать awesome-ai-auto-research?
Исходный код и инструкции по установке — на GitHub: https://github.com/worldbench/awesome-ai-auto-research

Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.

Похожие проекты

Подборка материалов на китайском языке о ChatGPT и передовых LLM: их использовании, промптинге, разработке приложений, агентах и инструментах для повышения продуктивности.

11,8 тыс.1,1 тыс.PythonMITОбновлён 5 дней назад