Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РазборКод / SDK · В работуGitHub Trending AI→ оригинал

Google Research выложила PaperOrchestra: 5 ИИ-агентов пишут научную статью из черновиков

Идея и логи экспериментов есть, а статьи нет: нужны план, обзор чужих работ, графики и вёрстка. Google Research выложила PaperOrchestra — пять ИИ-агентов, которые собирают из черновиков рукопись в LaTeX, формате научных конференций. Один агент строит план, другой ищет литературу, остальные пишут разделы, правят текст и рисуют графики. Репозиторий набрал 306 звёзд за день, но цифр качества пока нет.

AI-обработка оригинала GitHub Trending AI; редакция Hamidun News
Google Research выложила PaperOrchestra: 5 ИИ-агентов пишут научную статью из черновиков
Источник: GitHub Trending AI. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникGitHub Trending AI ↗
Главный редактор
Входидея и логи, выход: LaTeX-файлы под шаблон конференции
Ключевой факт #2Нужен ключ Gemini или OpenAI и Semantic Scholar для поиска работ
Ключевой факт #3Это не официальный продукт Google, датасет оценки выложат позже

Представьте аспиранта, у которого эксперименты уже прогнаны: есть текстовые заметки с идеей и таблицы с результатами запусков. До готовой статьи всё равно остаются недели рутины: составить структуру, найти и пересказать чужие работы, нарисовать графики, а потом подогнать всё под требования конференции. Google Research выложила на GitHub проект PaperOrchestra, который пытается автоматизировать именно эту часть. В нём работают пять ИИ-агентов (отдельных экземпляров языковой модели с узкой ролью), а на выходе получается рукопись в формате LaTeX — это язык вёрстки, в котором научные конференции принимают статьи. За сутки репозиторий набрал 306 звёзд, то есть столько пользователей GitHub отметили его как интересный, и попал в тренды.

Что делает PaperOrchestra

Это мультиагентный фреймворк: вместо одной большой модели, которой говорят «напиши статью», работает команда специалистов. По описанию авторов, это агент плана, агент обзора литературы, агент написания разделов, агент доработки текста и агент построения графиков.

На вход подаются «сырые» материалы: описание идеи и журнал экспериментов. Строгой структуры от них не требуется. На выходе получается рукопись, оформленная по шаблону целевой конференции, с обзором литературы и сгенерированными иллюстрациями: графиками результатов и концептуальными схемами.

Если разложить работу аспиранта по ролям, получится как раз эта схема. Первый агент набрасывает каркас статьи. Второй ищет релевантные работы, выбирает самые важные и вплетает их в текст. Третий пишет разделы. Четвёртый перечитывает текст и улучшает его. Пятый строит графики по коду.

Как это запустить

Проект ставится в отдельное окружение Conda на Python 3.11, зависимости берутся из requirements.txt. Ключи нужны для тех моделей, которые вы собираетесь использовать. Для Gemini требуется либо проект и регион Vertex AI, либо GEMINI_API_KEY, для моделей OpenAI — OPENAI_API_KEY. Отдельно указывается ключ Semantic Scholar: он нужен для поиска литературы. Если хотите, чтобы демо присылало результат на почту, добавляются ещё два поля.

Запуск идёт через скрипт paper_writing_cli.py. Обязательных параметров два: папка с исходными материалами и папка с LaTeX-шаблоном. Папку для результата можно не указывать, тогда создастся каталог с отметкой времени. Есть переключатель для агента графиков и отдельный выбор модели для пишущих и литературных агентов и для агентов-рецензентов, которые проверяют и переосмысляют черновик. Для тех, кто не хочет возиться с консолью, есть интерактивное демо на Streamlit.

В репозитории лежат скрипты автоматической оценки, основная логика агентов и пайплайна, вспомогательные функции для вызовов API и работы с PDF, а также шаблоны конференций. Свой шаблон можно добавить, создав подпапку.

Ограничения и что с этим делать

Важно трезво смотреть на то, чего в материале нет. В описании нет цифр о качестве: непонятно, как часто сгенерированные статьи проходят рецензирование и насколько точны ссылки на литературу. Датасет, на котором проект проверяли, пока не опубликован: авторы обещают выложить его позже. Работа описана в препринте arXiv:2604.05018 (Yiwen Song, Yale Song, Tomas Pfister, Jinsung Yoon). Репозиторий прямо помечен как неофициальный продукт Google, поэтому поддержки и гарантий ждать не стоит.

Есть и этический вопрос, который код не решает. Автоматическая сборка рукописи из логов легко превращается в поток слабых статей, а у многих конференций есть правила об использовании ИИ при написании. Ответственность за достоверность фактов, корректность ссылок и честное описание экспериментов остаётся на авторе.

Практический вывод для разработчиков агентов: PaperOrchestra — наглядный пример архитектуры, где задача разбита на узкие роли, а после написания идёт отдельная стадия самопроверки. Такой шаблон можно переносить на другие длинные документы: технические отчёты, документацию, аналитические записки. Для исследователей это способ быстро получить первый черновик и шаблон для правок, но не замена собственной работе. Пока датасет и независимые оценки не вышли, относиться к проекту стоит как к интересной заготовке, а не как к готовому инструменту для подачи статей.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: что делает PaperOrchestra?

Это мультиагентный фреймворк: вместо одной большой модели, которой говорят «напиши статью», работает команда специалистов. По описанию авторов, это агент плана, агент обзора литературы, агент написания разделов, агент доработки текста и агент построения графиков. На вход подаются «сырые» материалы: описание идеи и журнал экспериментов. Строгой структуры от них не требуется.

Что известно по теме: как это запустить?

Проект ставится в отдельное окружение Conda на Python 3.11, зависимости берутся из requirements.txt. Ключи нужны для тех моделей, которые вы собираетесь использовать. Для Gemini требуется либо проект и регион Vertex AI, либо GEMINI_API_KEY, для моделей OpenAI — OPENAI_API_KEY. Отдельно указывается ключ Semantic Scholar: он нужен для поиска литературы. Если хотите, чтобы демо присылало результат на почту, добавляются ещё два поля. Запуск идёт через скрипт paper_writing_cli.py.

Что известно по теме: ограничения и что с этим делать?

Важно трезво смотреть на то, чего в материале нет. В описании нет цифр о качестве: непонятно, как часто сгенерированные статьи проходят рецензирование и насколько точны ссылки на литературу. Датасет, на котором проект проверяли, пока не опубликован: авторы обещают выложить его позже. Работа описана в препринте arXiv:2604.05018 (Yiwen Song, Yale Song, Tomas Pfister, Jinsung Yoon). Репозиторий прямо помечен как неофициальный продукт Google, поэтому поддержки и гарантий ждать не стоит.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…