告别通宵读文献！IAAR、人大推出全自动综述神器SurveyX，一键生成图文并茂的综述论文

在学术研究中，综述论文是帮助研究者快速了解某一领域发展现状的重要文献。然而，随着计算机科学等领域技术的飞速发展，每天新增的研究论文数量巨大，研究者在阅读、筛选和总结文献的过程中面临极大的挑战。如何提升学术综述的撰写效率，成为学术界关注的重要问题。

近期，SurveyX 这一自动化学术综述生成系统应运而生。该系统基于大语言模型（LLM），仅需提供论文标题和关键词，便可高效检索相关文献，并自动生成与人类专家质量相当的综述论文。

论文标题：

SurveyX: Academic Survey Automation via Large Language Models

论文地址：

https://huggingface.co/papers/2502.14776

Github地址：

https://github.com/IAAR-Shanghai/SurveyX（关注Git可提交综述任务）

项目网站：

http://www.surveyx.cn/

作者单位：

中国人民大学、上海算法创新研究院、东北大学、悉尼大学

引言

近年来，学术界的研究产出呈指数级增长，特别是在计算机科学等快速发展的领域，预印本网站每天都会收录数千篇新的研究论文。面对海量文献，研究者往往难以全面掌握某一细分领域的技术演进，而手动撰写综述的过程既耗时又费力。因此，一种高效、自动化的学术综述生成框架显得尤为重要。

大语言模型的兴起为自动化综述生成提供了新的可能。LLM 经过大规模文本数据训练，能够生成语言流畅、逻辑清晰的文本。然而，直接依赖 LLM 生成综述论文仍然面临诸多挑战，例如文献筛选的准确性、信息组织的合理性以及生成内容的学术严谨性。

SurveyX 通过系统化的方法解决这些问题，实现高效自动化的综述撰写。该系统的工作流程分为 准备阶段 和 生成阶段 ：

• 在 准备阶段 ，SurveyX 先通过检索和过滤技术筛选相关文献，并采用 AttributeTree 算法提取关键信息；

• 在 生成阶段 ，系统基于提取的信息构建结构清晰、内容准确的论文大纲和正文，同时支持自动生成表格和图片，以增强表达效果。

通过这一完整的自动化流程， SurveyX 使综述论文的撰写变得更加高效，为学术研究者提供了强有力的支持。

方法介绍

SurveyX 的工作流程分为 准备阶段 和 生成阶段 ，SurveyX 的主旨思想在于模仿人类专家在撰写综述时的思路。

在 准备阶段 中， SurveyX 通过高效的检索算法初步检索文献，后利用属性树模板对文献信息进行抽取总结，充分模仿了人类专家的文献材料准备流程。具体来讲：

SurveyX 先通过 Keyword Expansion 算法尽可能的保证不遗漏任何与话题相关的文献，后通过粗粒度+细粒度的语义过滤方法及可能的去除掉与话题不相关的文献。从而获得高质量的综述撰写参考文献（图中 1-1 ～ 1-8 ）。

SurveyX 模仿人类专家的阅读思路，利用属性树算法，基于多种模板对论文文章信息进行提取，从而保证能够归纳总结生成综述所需的所有信息。不仅显著提高了检索材料的信息密度，而且能高效利用 LLM 的下文窗口，为高质量综述的撰写奠定了更坚实的基础（图中 1-9 ～ 1-10 ）

在 生成阶段 中，SurveyX 通过大纲生成，正文生成和后处理优化保证了生成的综述论文的高质量和结构化。

SurvyX 先结合属性树中的信息，归纳总结一个可以系统的整理所有文献的框架，而后根据此框架，生成综述论文的一级大纲和二级大纲（ 2-1 与 2-2 ）。

考虑到 LLM 生成的二级大纲存在一定的冗余，SurveyX 又通过分离一二级大纲后去冗余+重新排列的方法实现了二级大纲的优化，使得全文大纲逻辑结构性更强（ 2-3 与 2-4 ）。

在生成正文内容时，SurveyX 先基于所有的属性树生成正文撰写思路，而后根据撰写思路与属性树的具体内容顺序地生成正文内容（2-5）。

在后处理阶段，SurveyX 首先通过 RAG 的方法对属性森林进行检索，确保文章中所有引用语句的正确性（ 2-6 ）。其次，SurveyX 通过章节重写提升文章的行文流畅性与章节之间的一致性（ 2-7 ）。

最后，SurveyX 利用 LLM 对正文提取关键信息，结合图片和表格的代码模板生成图片和表格的代码，生成丰富的图表（ 2-8 与 2-9 ）；同时，SurveyX 利用多模态大模型对参考文献中的图片进行检索，生成综述的部分图片（ 2-10 ），丰富了文章的表现形式，提高了文章易读性和内容质量。

实验结果

文章作者委托了 5 位博士生对 SurveyX 生成的综述质量进行了评估，评估结果如下：

可以看到，SuryveX 在各个方面都已经超过了现有模型，并以较小的差距逼近人类水平的综述标准。

除了人工评估，SurveyX 也进行了机器评估，评估结果如下：

SurveyX 以较高的差距拉开了现有方法的结果，并且在引用准确性上略微超过了人类专家水平。可以看出，SurveyX 较好的解决了 LLM 的幻觉问题，充分保证了引文内容的正确性。

样例展示

与展示实验指标相比，SurveyX 更希望读者可以直接看到他们生成综述论文，

您可以通过点击 SurveyX 网站查看综述论文样例：

http://www.surveyx.cn/

表格生成样例：

图片生成样例：

TIPS： SurveyX 也鼓励大家通过在 github 上提交 issue 的方式来生成专属于您的自动综述。

Github地址：

https://github.com/IAAR-Shanghai/SurveyX

更多阅读