# 论文中了之后海报、视频、博客还要熬夜赶我们把这段最后一公里自动化了一份 PDF 进一张会议海报 一段讲解视频 一份中英双语博客出全部可以在 PowerPoint 和 Word 里继续改。▎ 项目主页https://aka.ms/ResearchStudio▎ 论文https://arxiv.org/abs/2607.04438▎ 代码https://github.com/microsoft/ResearchStudio---一、先说一个每个投过顶会的人都懂的场景论文中了本该是件高兴事。但如果你投的是 NeurIPS、CVPR、ACL、ICML 里任何一个你八成会经历下面这套连招- 组委会要你交一张会议海报一般是 60×36 英寸横版或者 A0 竖版看会议规矩- 虚拟会场或实验室 YouTube 频道要你交一段 5–10 分钟的讲解视频配 PPT、字幕、旁白越接近真人讲越好- 老板 / 公众号 / 组里做对外传播的同事要你写一份面向非专家的博客。如果实验室在国内多半还得中英各写一遍。三件事的共同点都赶在 camera-ready 之后那几天集中砸下来都得手工做而且做没做、做得好不好直接决定这篇论文接下来一年被多少人看见。现有的自动化工具是什么样呢大致三类1. 专做海报的从 Paper2Poster 到 PosterForest、P2P、PosterGen、EfficientPosterGen、APEX、SciPostGen、PosterVerse。每家都在多智能体拓扑和美学评分器上做文章但产物基本是一张不能编辑的 PDF。想改个错字就得重跑一遍。2. 专做视频的PPSGen → D2S → DOC2PPT → SlideSpawn → PPTAgent / VideoAgent / Paper2Video / Preacher 这一条线。渲染出来就是一段 MP4字幕、音轨、幻灯片一旦封进视频里就再也没法按章节回到源码。3. 做长文摘要的HERA、PTSPI、GoSum、LongDPO、ProjectMundo、SciLay 这一系列。给你一段纯文本没有 Word 交付、没有嵌入图也没做双语版面。三条线里更烦的是它们各自从 PDF 里重新抽一遍图和摘要所以海报里的 Figure 3 未必等于博客里引用的 Figure 3。举个实际会碰到的例子博客里写如 Figure 3 所示我们把 ImageNet 上的 Top-1 从 76.2% 提到 78.9%海报里的 Figure 3 却是消融实验的一张子图读者看博客对不上海报你在会议现场还得反复解释。而且大多数系统的收敛条件就是美学评分不再上涨——分数卡在 7.8/10 了可实际打开一看Method 那张卡是空的。这就是 ResearchStudio-Reel 想解决的事。ResearchStudio-Reel---二、五个 Skill 组成的一条流水线五个 SkillClaude Code / Codex 里的可复用技能模块分工如下- Paper2Assets上游共享层把 PDF 读一次输出一份证据包——裁好的图、九段式摘要Problem / Motivation / Contribution / Method / Dataset / Key Result / Ablation / Headline Numbers / Takeaway、元数据、机构 logo从 Wikimedia Commons 抓、二维码。下游三个生成器只读这份包不再碰 PDF。- Paper2Poster把资产包组装成一张会议海报同时输出 HTML、印刷分辨率 PDF、缩略图 PNG以及一份原生形状的 PowerPoint——不是把渲染图贴进 PPT是把 DOM 一个节点一个节点重建成 PPT 原生对象。- Paper2Video三份根级文件——video.pptx可编辑的 deck、video.mp4烧字幕的成片、video_no_subtitles.mp4不烧字幕的干净片源供交互层使用外加 timeline.json把音频、字幕、幻灯片帧、亮点框按 section id 对齐。- Paper2Blog两份 Word .docx中文按公众号克制的语气写英文按研究博客的中性语气写。两份文档共享同一份 evidence map数字、图注、结论必须对得上只有语气可以各自发挥。- Paper2Reel把上面三份产物绑成一份自包含的 HTML 胶片。默认从海报进入鼠标悬停高亮章节双击弹出模态框左边是对应的视频段、字幕、幻灯片缩略图右边是对应的博客段头部还能切中英。前人系统即便把这三件东西都跑出来它们也是三份互不认识的文件Reel 把它们绑成同一份论文的三个视图。发给导师、发给非本领域的同行、发给 comms 团队做前评时他们不用装 PowerPoint / Word也不用下 MP4浏览器打开就能按论文顺序过完这篇工作比三份文件请分别下载要顺得多。---三、三个关键设计G1. 上游抽取只做一次前人系统的每个渲染器都自己抽图、算 caption、拉元数据结果就是跨产物的一致性完全靠人兜底图的抽取质量也参差不齐——有的连 caption 文字一起裁进来有的把两张独立子图当成一张。我们把上游抽取抽成独立 Skill (Paper2Assets)图像清理走确定性前处理 → 视觉 AI 给紧致 bbox → 新上下文子 agent 验证三段只有验证通过才提交每步幂等、原图先备份。三个下游共享同一份 figure 文件名海报、视频、博客指的自然是同一张图不需要任何跨 Skill 协调。G2. 所有产物都能回炉多数系统给你的是 PDF / MP4 / Markdown——发现错别字要重跑想改图要重跑想调语气还要重跑。而真实的编辑场景是作者收到成品之后再手改两三轮所以产物必须落进作者已经会用的工具里。- 海报走一条 live DOM → 原生 PPT 形状 的桥做四件事1. 遍历 DOMgetBoundingClientRect 读几何getComputedStyle 读样式CSS 像素按海报画布尺寸换成 EMU2. 按语义分类块级文字 → 可编辑文本框保留 strong/em 混排 run列表 → 悬挂缩进项目符号img → 可替换图片svg → 同 box 内栅格化div → 带真实填充/边框/渐变/投影的圆角矩形3. MathJax 公式 → 原生 PowerPoint OMML公式在 PPT 里点开就能改4. color-mix / oklab / color() 等 CSS 色空间通过 1 像素 canvas 归一化到 RGBA。- 视频的 deck 走完整的 ppt-master 工作流一个独立开源项目产出所以 video.pptx 不是中间产物是作者可以打开重录的一等公民。- 博客输出 Word .docx字体、嵌入图、caption 位置都在 assembler 层校对过。作者作品的门槛不是AI 生成而是能被打开、能被改、能被拥有。G3. 收敛条件是硬门禁不是软打分VLM 的美学打分是个连续偏好函数一张海报拿 7.8/10你不知道扣掉的 2.2 分是字太多、图太挤还是Method 卡是空的但字体好看。前人系统的收敛条件普遍是分数不再上升——但如果一个 load-bearing section 就是空的连续打分照样给一个看起来还行的分数。我们把收敛条件换成分类式的硬门禁。以海报的 fill loop 为例每一轮做的事情1. headless 浏览器渲染当前 HTML2. 每个 section 算一个 fullRatio h_content / h_card量化成五档- EMPTY (0.70) — 补一段预留的补充段或提升一个可选 section- SPARSE (0.70–0.90) — 加长散文或放大 widget 直到贴底- FULL (0.90–1.00) — 不动- SPILLAGE (1.00–1.10) — 缩紧散文回到带内- OVERFLOW (1.10) — 直接删补充段。3. 每轮只改一节按像素差调整幅度拒绝重复越界过的动作磁盘上的轮次计数器负责断路4. 所有 section 都到 FULL、所有 figure 至少占 card 一维的 70%才算收敛。终止条件是分类固定点而不是得分平原日志里能看到第 3 轮 Related Work 从 SPARSE 变 FULL这种明确记录一个不收敛的海报是可以调试的而不是agent 又发神经了。在这之上还有 RRPReader-Reconstruction Preference 门禁一个 held-out reader 模型只看海报图回答不出关于论文的问题就退回上一轮。视频有自己的 check_video_package.py检查音频、字幕不重叠、亮点框不能是单词大小、时长在 tolerance 内博客有 layout-aware DOCX 检查近空白页、孤字尾、缩小的图。每个 Skill 靠自己的通过就发货清单而不是靠感觉过。---四、实验海报在美学上超过了论文作者本人海报有公开 benchmark视频和博客没有。量化对比只能锚在海报这块用 Paper2Poster 官方基准的 100 篇论文评委是两位 held-out VLMclaude-opus-4.8 和 gpt-5.5。评价用它们原论文的六准则美学 3 项 信息 3 项1–5 分加一份 PaperQuiz 阅读理解题海报统一缩到长边 ≤ 2560 像素谁都不占分辨率便宜。对比三类系统一句 prompt 直接吐海报的 single-shot LLMClaude-4.8 Opus / GPT-5.5 / Gemini-3.1 Pro前人 poster pipelinePaper2Poster / P2P / PosterGen我们按论文复现加我们自己两个 settingClaude Code Opus、Codex GPT-5.5以及作者原图。主要结果两位评委平均加粗为组内最好下划线为次好 逐篇看我们的海报在 84–93% 的论文上总分高于作者原图Claude judge 判 93%GPT judge 判 84%两位评委独立打分。两个观察值得展开一下(1) 海报在美学上平均而言超过了作者本人。平均 3.52 vs. 2.94半分多的差距两位来自不同模型家族的 VLM 都同意。这个结果自己也意外但想想又不难理解人做海报会碰上疲劳和 deadline而 fill loop 的美学是结构性的——每张卡在密度带内、figure 不会缩成小邮票、颜色间距 logo 都走同一份约束。(2) PaperQuiz 排名和美学近乎相反。PaperQuiz 奖励照抄原文越像原文AI 阅读器越容易答对。P2P 的 75.40 来自它把全文塞进竖版长海报Paper2Poster tool 的 95.65 更极端——它的内容本身是从 benchmark 的问答对里抽出来的答案已经明写在海报上。作者原图正相反人剪得最狠只留 headlineQuiz-Detail 因此垫底。我们在中间fill loop 把每列填到目标密度而不是塞满为止。两个指标是有张力的我们把它并排放出来让读者自己判断。消融也埋在同一张表里- Skill 加持 vs. 裸模型直出模型不变claude-opus-4.8 一句 prompt 直接吐海报美学 2.76同一个模型套上 Skill美学 3.52。0.76 分美学 整整 1 分的 Layout来自 loop 和 composition不是来自模型。GPT-5.5 也一样3.03→3.34Layout 3.22→3.80。- 换 harness、换模型Skill 不变Claude Code Opus vs. Codex GPT-5.5美学 3.52 vs. 3.34都仍然领先所有前人系统。这是 Skill 的属性不是某家闭源模型的属性。---五、上手方式bashgit clone https://github.com/microsoft/ResearchStudiocd ResearchStudio ./install.sh装完在 Claude Code 或 Codex 里对一份 PDF 或 arXiv 链接调用任一 Skill 即可只要海报就调 Paper2Poster想要完整的可交互胶片就调 Paper2Reel它会自动补齐上游缺失的产物。系统依赖poppler-utils、libreoffice、ffmpeg、一个 headless Chromium。语言模型侧用 Edge TTS 做旁白不需要凭证API 从 host runtime 读Claude Code 走 ANTHROPIC_API_KEY。---六、最后想说的好的海报、好的讲解视频、好的博客本来就是一篇论文完整生命周期的一部分——它们决定了你熬夜写出来的结论能被多少人看到、读懂、转给下一个可能用得上的同行。我们希望这三份产物从熬夜赶工才能勉强完成变成一次生成就是不错的起点把作者的时间从排版、切图、对时轴、双语校对这些机械环节里解放出来留给真正属于作者的判断用哪张图讲 Method、用哪句话开博客、在视频里用哪种语气强调结论。至于基准上的美学超过作者本人 84–93%其实说明的是——结构性的一致性密度、图占比、留白呼吸是可以被工程托底的。作者在这份底子上再改一轮最后成品既有工程一致性又有个人风格。- 论文与项目主页https://aka.ms/ResearchStudio- 开源许可MIT- 联合团队Microsoft Research、新加坡国立大学、南洋理工大学、清华大学、北京大学、上海交通大学、西湖大学、A*STAR评论区想听你聊- 手上有一篇论文想跑一遍看看效果留言告诉我们- fill loop 的分档是怎么定下来的- DOM → PPTX 那条桥怎么保证公式仍然可编辑- Paper2Reel 的对齐 sidecar 长什么样为什么不直接从视频里 scrub或者你自己最想让下一版 Skill 帮你搞定的一步是什么。
