Research Pipeline

• Du har en forskningsriktning eller ett ämne och vill att systemet autonomt ska upptäcka genomförbara idéer, implementera experiment och producera ett granskningsbart pappersutkast — användningsfallet för "hela pipelinen".
• Du vill köra GPU-experiment med flera seeds över natten och vakna upp till automatiskt granskade resultat utan manuell intervention.
• Du behöver en ändamålsenlig reproducerbar forskningsartefakt: rankade idéer, experimentloggar, granskningshistorik och LaTeX-källkod samlat i ett sammanhängande resultat.
• Du riktar dig mot en specifik konferens (ICLR, NeurIPS, ICML, CVPR, ACL, etc.) och vill att pipelinen automatiskt ska skriva och kompilera en PDF formaterad enligt konferensens krav.

• Du behöver bara ett enskilt steg isolerat (t.ex. enbart idéupptäckt, enbart körning av experiment eller enbart skrivande av artikel) — anropa de enskilda färdigheterna (/idea-discovery, /run-experiment, /paper-writing) direkt istället.
• Du saknar GPU-resurser eller fjärrservrar konfigurerade, eftersom steg 3–4 kräver infrastruktur för experimentdriftsättning.
• Din forskning kräver manuellt skapande av figurer innan artikelskrivandet — pipelinen kommer att pausas och vänta, så ta hänsyn till detta i din tidplan.

Orkestrerar Arbetsflöde 1 (/idea-discovery), Arbetsflöde 2 (/run-experiment + /auto-review-loop) och det valfria Arbetsflöde 3 (/paper-writing) i sekvens. Varje arbetsflöde producerar fristående utdatafiler så att du kan inspektera eller återuppta vid vilket steg som helst.

AUTO_PROCEED=true väljer automatiskt den högst rankade idén och fortsätter utan att vänta; AUTO_PROCEED=false pausar vid Gate 1 för explicit användarbekräftelse. HUMAN_CHECKPOINT=true visar granskningspoäng efter varje omgång så att du kan ge egna korrigeringsinstruktioner innan loopen fortsätter.

Auto-granskningsloopen stöder tre adversariella nivåer: medium (standardgranskning), hard (granskarminne + debattprotokoll) och nightmare (GPT läser repot direkt via codex exec + minne + debatt). Upp till 4 omgångar av gransknings-/fixcykler körs autonomt med målet att uppnå ett betyg på ≥ 6/10.

Små batcher (≤5 jobb) skickas via /run-experiment; stora multi-seed-svep (≥10 jobb) dirigeras till /experiment-queue med OOM-återförsök, rensning av inaktuella skärmar, fasberoenden och kraschsäkert tillstånd. GPU-tillgänglighet kontrolleras innan driftsättning.

När AUTO_WRITE=true och VENUE är inställt anropar Research Pipeline automatiskt /paper-writing efter steg 5, och kör faserna plan → figur → skriv → kompilera → förbättringsloop och producerar en slutlig paper/main.pdf.

Varje steg producerar versionerade, manifest-loggade utdatafiler: IDEA_REPORT.md, AUTO_REVIEW.md, NARRATIVE_REPORT.md, samt en fullständig Research Pipeline Report som sammanfattar GPU-timmar, granskningsrundor, poäng och återstående att-göra-punkter.

Sätt AUTO_PROCEED=true, HUMAN_CHECKPOINT=false och starta innan du går och lägger dig. Research Pipeline upptäcker idéer, väljer automatiskt de bästa, implementerar experiment, driftsätter på din GPU-server, kör upp till 4 gransknings-/korrigeringsrundor och genererar NARRATIVE_REPORT.md till morgonen.

Sätt AUTO_PROCEED=false för att pausa vid Gate 1, granska de rankade idéerna själv, välj eller kombinera idéer och godkänn sedan. Steg 2–4 körs därefter helt autonomt — du får mänsklig kontroll över forskningsriktningen utan att behöva övervaka experimenten.

Sätt AUTO_WRITE=true och VENUE=NeurIPS (eller ICLR, ICML, CVPR, ACL, etc.). När experiment och granskningsomgångar är klara skriver, kompilerar och förbättrar pipelinen ett LaTeX-dokument formaterat enligt konferensens krav, och avslutas med paper/main.pdf redo för inlämning.

Sätt REVIEWER_DIFFICULTY=nightmare för att låta GPT läsa repositoryt direkt och tillämpa minnes- och debattprotokoll under granskningsrundorna. Använd detta när du vill ha den skarpast möjliga feedbacken innan inlämning till en konkurrensutsatt konferens eller tidskrift.