一口气直出4w字深度报告，清华把AI写作'卷'出了新高度！

原创云中江树 2025-04-22 16:35 北京

那个能让论文发光的洞见，还得是你亲自点亮的那盏灯。

写综述熬夜至凌晨三点，1万字学术报告写得头秃，AI生成的内容还不能直接用...这些痛苦，学术党都懂。

现在回想起当年熬夜撰写文献综述的时候，还能感受到那种头发在哗哗掉的感觉。

最近无意间发现了清华和面壁智能的最新研究竟然能一口气直出近4万字的综述报告，而且内容引经据典，有深度、有广度！简直是科研人员了解领域概况的福音。

说实话，有被震惊到！

真正写过研究综述的人都知道，AI大模型直接出的内容其实是不太行的。每次看到AI生成的"综述"，不是逻辑混乱就是内容空洞。

类似谷歌的deep research等工具写的内容虽然在信息量上有比较大的提升，但是内容深度还是不足，包括语言表达方面还是比较枯燥。

01 为什么AI写不好综述报告？

两大难题卡住了它的脖子。

综述报告属于典型的"严进宫"内容，AI写作时面临两座大山：

综述太长，AI脑容量不够：

研究综述动辄几万字，而大模型一次最多也就写几千字，这大大超出了大模型单次写作的能力范围。就像让一个人一口气背完《红楼梦》，不现实啊！

综述要求高，AI写得太水：

高质量综述报告要求数据翔实，有深度洞见，信息量要高。但AI往往输出的是"大道理+空话"，信息密度低得可怜。

你可能会说："那我让AI分段写，再拼起来不就行了？"

试过了，拼接后的内容常常前言不搭后语，缺乏连贯性。

"那我给AI提供大量参考资料呢？"

问题是，AI的"工作记忆"有限，记不住那么多材料。常见做法是把这些信息做成知识库，AI需要时再"查阅"，抽取出碎片知识。

但是这些碎片知识之间关联度低、连续性差，最终写出来的内容像"缝合怪"，看看下面这篇"端侧模型部署技术调研报告"就知道了——信息零散，深度不够，典型的AI味儿。

与其让AI"抄抄抄"，更好的方法是让它"悟"——将提供的资料融汇贯通。

我一直在思考，精心设计的test-scaling策略应该能解决这个问题。

02 清华黑科技

本来我是想自己设计相关方案，但按一贯"先调研后行动"的习惯，我先研究了一下现有方案。

结果惊喜发现了清华和面壁智能团队出品的这篇宝藏论文！

https://arxiv.org/abs/2504.05732

当看到论文里这张「提取式」对比「综合式」的示意图时，瞬间击中我心灵——这正是我一直在寻找的解决思路！

论文名字有点学术范：「LLM × MapReduce: Simplified Long-Sequence Processing using Large Language Models」，翻译过来就是『LLM × MapReduce：使用大型语言模型简化长序列处理』。

幸好我有科研背景，能把实际问题抽象为技术问题，否则这篇宝藏论文就与我擦肩而过了。

这里的"长序列处理"就是指综述这类长文本内容。这是一个通用的解决方案，特别适用于行业报告、文献综述等各种需要对领域有全面了解的长文本场景。

最赞的是，论文、代码、体验demo全都开源了，简直是我的"梦中情项目"！

GitHub开源地址：

https://github.com/thunlp/LLMxMapReduce

03 让AI写出高质量长文综述

不愧是清华出品，他们提出的LLM×MapReduce-V2方案，不需要训练新模型，通过test-scaling方法就优雅地解决了问题。

这个原理图有点复杂，我用Claude帮忙做了一张更直观的解释图：

整体解决方案可以用"三步走"来概括：

第一步：列大纲

你有没有逛超市前先列购物清单的习惯？

同样的道理，LLM×MapReduce-V2会先根据你的主题（比如"人工智能最新进展"）和一大堆材料（几百篇论文资料），搭建一个内容框架，列出"引言、方法、结论"这些章节。

然后，它从每份材料里快速摘取精华，写成简短"摘要"，就像把每本厚书精华浓缩成一段话。

第二步：优化大纲

初版大纲像草图，可能有些地方不完美——章节内容太薄弱，或者逻辑顺序不够流畅。

LLM×MapReduce-V2使用两种方法优化大纲：

1）熵驱动的卷积：

这听起来很复杂，但实际上就像用放大镜一层层扫描拼图，把小信息块整合成大信息块。

它会先看每份材料的重点，再思考这些重点如何组成一个完整故事。用"信息熵"（信息丰富度）来评分，挑选最有价值的改进方案。

卷积的技术原理类似于我们看画作的过程——先看到树叶（局部细节），然后是整棵树，最后是整片森林（全局结构）。

这种从局部到全局的处理让AI能更好地掌握内容的整体逻辑和脉络，特别适合创建领域概览式的综述。

2）Best-of-N自优化：

生成多个优化版本，然后选择信息最丰富的那个，就像试穿几套衣服，挑最合适的那件。

第三步：填充内容

有了完美大纲，就像有了房子蓝图，接下来就是精装修！AI按照大纲一层层写内容：先处理小章节的细节（比如某项技术的实现方法），再写大章节的总结（如技术发展趋势）。

它会融入前面摘取的精华内容，确保文章既有深度又有广度，就像把每个房间都装修得既美观又实用。

这三步下来，就能得到一篇信息丰富、逻辑清晰的高质量领域综述报告，帮助研究者在开始深入研究前对整个领域有全面认识！

04 综述质量

为了确保内容真正有价值，系统用了一个巧妙的评估机制——用语言模型（LLM-as-judge）给大纲打分（0-10分），计算"信息熵"。

这个评分分为两部分：

结构熵（HT）：评估大纲结构是否清晰、层次是否分明

内容熵（HC）：评估各章节描述是否信息丰富、覆盖面是否广泛

最终总分 = 结构熵 + 内容熵

这就像请一位资深编辑审阅你的文章大纲，不够好的地方得返工！妙啊hh～

清华团队还构建了专门的数据集来进行效果评估：

表格有点枯燥，我来给你翻译翻译。相比其他方法（Vanilla、Vanilla+Skeleton、AutoSurvey），LLM×MapReduce-V2在综述写作中的优势明显：

资料利用率拉满：精准度和覆盖率（95.50和95.80）远超AutoSurvey（50.12和51.73）。用人话说就是：能把一堆资料的精华全部"榨干"，不错过任何重要信息！

内容"含金量"高：信息数量474.90比AutoSurvey（423.35）多，密度52.23比AutoSurvey（31.97）高。简单说：不只是内容多，而且句句都是"干货"，不废话！

有深度不肤浅：深度评分71.99最高，超过AutoSurvey（68.39）。这点是最难得的——不仅有广度还有深度，这决定了综述报告的整体质量。

当年还在学校的时候要是有这玩意儿就好了，入门新领域的效率能提高十倍呀！

数据集也在「抱抱脸」网站开源了：

05 效果

面壁智能团队还推出了超实用的体验demo，取名"卷姬"（这名字也太贴切了吧）：

链接在这里：https://surveygo.thunlp.org/

我忍不住试用了几个案例，看完生成的内容后，真心满意！内容翔实，而且引用规范，完全不像是AI生成的综述报告。

全文：https://modelbest.feishu.cn/wiki/JaTywqIn5i1SXEkLKxDcRvzJn2b

我从下面五个维度大概评估了一下，尤其值得称赞的是其在信息整合方面的出色表现，不是简单堆砌各方观点，而是真正做到了融会贯通，形成系统知识框架；同时其批判性分析能力也相当突出，不仅指出了概念界定的模糊性，还深入剖析了不同技术路径的局限与优势，为研究者提供了一个既全面又有深度的领域概览，大大提高了前期研究效率。

而且让我惊喜的是，报告引用的内容质量非常高，都来自Nature、斯坦福、谷歌、DeepMind等权威信源，非常适合作为研究前的领域概览参考。

因为项目是开源的，可以看源码，我发现他们对内容质量的把关非常严格，这个项目的构思和精细度真的很好！

从下面的评估提示词就能看出来（顺便说一句，这个项目架构和提示词设计真是太值得学习了）：

请你依据下列主题和在互联网上检索到的内容，判断这段内容的质量分数。

主题：{topic}
检索到的内容：{content}

请你依据以下几个维度，对这段检索到的内容进行打分。请你尽可能严格，批判性给分。

1. 内容与主题的相关程度。这需要考虑内容是否能被视为主题的一部分子内容进行展开。
2. 内容能够用于撰写与主题的文本的质量。这需要考虑文本的长度（例如：如果长度非常短，则用于参考的价值相对较低）、文本中是否包含较多乱码、文本本身的质量等。

请你综合考量上述两个维度，先给出评分的理由，再进行评分。你需要对每一个维度进行评分，评分范围是0-100。0表示完全不相关，100表示完全相关。完成每一个维度的评分后，你需要进行计算，得出最后的平均分。

注意，评分需要用<SCORE></SCORE>包裹起来。例如<SCORE>78<SCORE>

回答示例：
理由：...
相似度评分：<SCORE>89</SCORE>