引言

🌳 全篇思维导图（先看这张图记住骨架）
思维导图（阅读顺序：中心 → 分支 → 子分支）：
小朋友，今天我们要认识一个很特别的大哥哥，名字叫 BLAZE。它不是来抢科学家工作的，而是来当科学家的"大管家"和"病历系统"。我们要用最简单的话，把它讲清楚。

📖 第1章：这篇论文到底在说什么？（核心主张）

🧠 一句话核心主张

科学智能不是"一个AI模型有多聪明"，而是"知识、假设、实验、证据、批评和人类判断，在一个能长期记住、能追查、能管住的研究组织里，一起碰撞出来的集体能力"。

小朋友，你可以这样想：一个球迷再厉害，也踢不过一支配合默契的球队。BLAZE 认为，科学发现的"聪明"不在单个机器人身上，而在整个"科研球队"怎么配合。

论文给出的数学"档案袋"长这样（记住这个公式，后面会拆开）：

$$R=⟨q,H,P,G,E,C,V,A,S,\Pi ⟩$$

📋 核心主张汇总表

知识点	什么意思（讲给小朋友听）	论文里的证据位置
核心命题	科学智能来自"知识+假设+实验+证据+批评+人"一起协作	摘要、§1.3、§11
基本单位	智能的单位是"整个研究过程"，不是单个模型	§1.3、§11
目标	让人和机器组成一个能记住、能质疑、能验证、能负责的组织	结论 §11
不是	不是让机器更像科学家，而是建立科学家+机器共用的制度	结论 §11
总结	BLAZE 不是要造一个更聪明的AI，而是要给整个科研过程建一个"电子病历"，让每一步都记得住、查得到、有人负责。

⚠️ 第2章：现在AI做科研，有哪四个大毛病？（四大痛点）

小朋友，现在很多AI做科研，就像一个人同时当医生、护士、会计、院长，还边干边忘。BLAZE 说，现在有四个大毛病：

1. 临时记忆（Temporary Scientific Memory）
   AI 每次上手都像"第一次见到这个项目"。上次失败的教训、改过的方案、专家的意见，项目一结束就全忘了。下次又从零开始，永远无法积累。

2. 假设–证据–结论 链断了（Broken Chain）
   翻文献、想点子、写代码、写论文，用的都是不同的工具。最后论文上写"这个方法很厉害"，但你想查"这个结论到底靠哪个实验、哪份数据、哪行代码撑起来的？"——查不到！

3. Agent 没有责任分工（No Differentiated Accountability）
   很多多智能体，就是让同一个模型戴几顶不同的帽子轮流说话。谁负责什么、什么时候出手、谁说了算，全没规定。出了问题，找不到负责人。

4. 人类权威边界模糊（Unclear Human Authority）
   AI 能做越来越多的事，大家就忘了"谁该拍板"。选题、风险、能不能发表，这些大事到底该谁说了算？没人说清。

📋 四大痛点汇总表

痛点	一句话（小朋友版）	问题实质	论文研究问题编号
临时记忆	做完就忘，没有积累	中间推理、失败、意见不留存	Q1 连续性
证据链断裂	结论查不到靠什么撑起来	假设、实验、结论没连起来	Q2 可追溯性
无责任分工	一堆人轮着说，没人负责	角色不分、无法问责	Q3 建设性分歧
权威边界模糊	不知道谁拍板	大事小事全交给AI	Q4 问责性
总结	这四个毛病说明，现在的AI科研不是"不够聪明"，而是"不够可靠"。光拼智商没用，得先治"健忘"和"乱来"。

🎁 第3章：BLAZE 给的四件宝贝（四项核心贡献）

BLAZE 拿出四件宝贝治上面的病：档案袋、施工图、证物袋、审批门。

🗃️ 宝贝一：Research Object（可追溯研究对象 / 档案袋）

它治什么病： 以前项目只留下最后论文，中间为什么转向、哪些想法被否掉、人批准了什么，全还原不出来。

它怎么做： 把整个项目做成一个"档案袋"，里面装下十样东西：

$$R=⟨q,H,P,G,E,C,V,A,S,\Pi ⟩$$

• $q$：研究问题
• $H$：假设
• $P$：研究计划
• $G$：实验图
• $E$：证据
• $C$：结论
• $V$：评审与修订
• $A$：人工审批
• $S$：项目状态
• $\Pi$：来源、权限和风险约束

项目往前推进，不是随便写句话，而是必须满足条件的"状态搬家"：

$$T_i:R_t\to R_{t+1}$$

📋 档案袋汇总表

知识点	讲给小朋友听	关键点
是什么	一个研究项目的"全生命周期档案袋"	十种信息装一起，还带版本
治什么病	防止"做完就只剩一篇论文"	中间过程全部可还原
怎么动	状态必须有条件才能换	缺来源/缺审批/缺证据不能过
创新点	给科研做"状态建模"	不是新算法，是新组织方式
总结	档案袋把科研从"只剩论文"变成"每一步都可追溯"，让中间思考、失败、审批都成为可审计的资产。

🗺️ 宝贝二：Experiment Graph（实验图 / 施工图）

它治什么病： 把中文计划翻译成代码时会"走样"；调参数时有人悄悄换掉数据划分、指标、基线，让实验没法比较。

它怎么做： 把实验画成一张"施工依赖图"：

$$G_{\text{exp}}=(V,E_{\text{dep}},E_{\text{prov}},E_{\text{claim}})$$

• $V$：节点（基线、主方法、调参、消融、稳健性、复现、调试、聚合）
• $E_{\text{dep}}$：依赖边——规定谁先谁后
• $E_{\text{prov}}$：来源边——把代码和数据连起来
• $E_{\text{claim}}$：主张边——标明哪个结果能支持或反驳哪个结论

每个节点还记着：数据划分、指标、配置、随机种子、日志、预算、状态。

📋 实验图汇总表

知识点	讲给小朋友听	关键点
是什么	一张"实验施工图"	有节点有连线
依赖边	规定先做哪步后做哪步	顺序清楚
来源边	代码和数据"绑在一起"	可查来源
主张边	结果和结论挂钩	一个结果撑一个结论
节点记录	种子、指标、配置、日志全存	失败/阴性结果也保留
总结	实验图把实验从"黑箱调参"变成"施工图"，每一步依赖、数据来源、结论支撑都一目了然，防止悄悄换配置。

🧾 宝贝三：Evidence Packet（证据包 / 证物袋）

它治什么病： 写作模型爱把"有个结果"吹成"方法普遍有效"，或把弱相关文献包装成直接证据。

它怎么做： 每条要写进论文的结论，都必须带一个"证物袋"，里面记着：来源、版本、可靠性、候选结论、证据强度、必要引用、图表、验证状态、责任人。

系统对每句话做五道检查，然后决定：接受 / 降级 / 拒绝 / 退回补证据。

📋 证据包汇总表

知识点	讲给小朋友听	关键点
是什么	每个结论配一个"证物袋"	来源、版本、责任人都装好
五道检查	来源、引用、蕴含、图表、措辞	全查一遍
四种结果	接受/降级/拒绝/补证据	不能说大话
最大好处	弱证据也能写，但只能写小	不能被吹成"普遍有效"
总结	证据包就像"证物袋"，每条结论都必须有据可查，经过五道检查才能写进论文，防止AI吹牛。

🚪 宝贝四：人机治理与质量门（审批 + 门槛）

它治什么病： AI 能不能自己决定选题、实验风险、结论强度、要不要投稿？没有边界。

它怎么做： 设了五个必须由人签字 的点：选题、想法、实验、投稿、伦理与署名。每个审批都记下：审批人、时间、理由、对象版本、哈希（防篡改）。

📋 治理与质量门汇总表

知识点	讲给小朋友听	关键点
五个审批点	选题/想法/实验/投稿/伦理署名	必须真人签字
审批记录	谁、何时、为何、对象、哈希	变成可审计证据
六个质量门	新颖、重要、可证伪、可行、准备、伦理	见第7章详解
分工	AI 提建议，人拍板	高风险/方向/结论/公开由人负责
总结	治理与质量门划清了人与AI的边界：AI提建议，人拍板，关键节点必须真人签字，防止AI越权。

🏥 第4章：科研像医院，有四个科室（四阶段科研生命周期）

BLAZE 把科研分成四个阶段，像医院的四层楼，每层楼进下一层前都要过一道"门"：

📋 四阶段生命周期汇总表

阶段	输入（送上来的材料）	核心动作（这层楼干什么）	输出 + 要过的门
知识构建 Knowledge	人类问题、文献、私有材料、数据、约束	建知识库、找研究版图、找争议和空白	输出版本化背景和证据快照；过"选题审批"
假设审议 Deliberation	空白、支持证据、反证、资源	多角色提出/批评/改假设；编译研究计划	输出假设、反对意见、基线、指标、消融、风险；过"想法审批"
实验执行 Execution	已批准计划和冻结的比较协议	编译实验图、生成代码、审查、隔离运行、有界调试、统计	输出日志、配置、原始结果、失败、证据包；过"实验审批"
验证交付 Validation	合格证据包、候选结论、文献、评审	证据约束写作、人机评审、修订、补实验	输出可追溯论文、修订记录、沉淀记忆；过"投稿/伦理/署名审批"
总结	关键点：质量门不是提高生成质量，而是控制状态能不能往下走。没通过验证的结果，可以留下当"探索性/阴性证据"，但不能自动升级成正式论文结论。

🏗️ 第5章：四层大楼（四层架构分工）

BLAZE 系统由四层组成，每层各管一摊事：

📋 四层架构汇总表

层	管什么（讲给小朋友听）	主要成员/内容
知识与记忆层	一座巨大的"图书馆+日记本"	论文、私有资料、知识图谱、实验史、失败结果、评审记录
智能体社会层	一群分工明确的小帮手	PI、文献、领域专家、方法学家、怀疑者、实验、统计师、作家、审稿人、编辑、伦理
工具与执行层	动手做实验的工具箱	代码仓库、数据集、容器、算力、统计工具、绘图、写作系统
评估与治理层	把关和守护	来源检查、统计验证、证据-结论匹配、人工审批、风险管理、投稿控制
总结	注意：四层和四阶段不是一一对应。比如知识层既帮忙查文献，也帮忙写作时的引用验证；智能体层既参加假设辩论，也参加代码调试和论文评审。

👥 第6章：AI角色们怎么分工（Agent 社会运行机制）

BLAZE 里有一群AI角色，各有各的本事：

📋 AI角色分工汇总表

角色	它负责什么（小朋友版）
PI 老板	定方向、裁决吵架
领域专家	检查"这想法科学上对不对"
方法学家	把想法变成变量、控制、机制
怀疑者	专门找隐藏漏洞和反例
实验员	看实验能不能做
统计师	设计统计方法
审稿人/编辑	检查严谨性和表达
伦理官	评估风险

关键机制

• 事件驱动： AI 不是24小时全班在岗。调度器根据"现在差什么"只叫醒需要的角色。比如缺统计不确定性，就只叫统计师，不把全班都叫来。

• 冲突协议： 吵架按固定流程走：

$$\text{Propose}\to \text{Challenge}\to \text{Revise}\to \text{Adjudicate}$$

（提出 → 挑战 → 修订 → 裁决）

反对意见必须说到点子上（针对哪个假设、哪个证据），最好给出反证或判别实验。证据不足的争议就变成实验去做；治理约束有否决权；其他冲突由 PI 或人类裁决。

📋 Agent 机制汇总表

机制	讲给小朋友听	关键点
角色分工	每角色干一样活	有明确职责
事件驱动	缺啥叫谁，不叫全班	省力高效
冲突协议	吵架有固定流程	提出-挑战-修订-裁决
争议处理	说不清就去做实验	靠证据说话
裁决权	治理想否决就否决	冲突由PI或人裁决
总结	小朋友要记住：这比普通"一群AI聊天"严格得多，但角色再严格，如果它们用同一个大脑和同一份资料，犯错可能还是一起错（这个坑后面第9章还会说）。

🚦 第7章：六个必须全过的门槛（非补偿性质量门）

普通打分是"加权平均"：一个想法新颖性很高，就能把"不能证伪"的短板补回来。BLAZE 说：不行！ 六个门槛，每一个都必须合格，谁也不能替谁补分。

📋 六个质量门汇总表

质量门	内容（讲给小朋友听）	为什么不能靠别的补
新颖性	是不是新东西	新颖但不可证伪，没法用实验分辨真假
重要性	值不值得做	重要但做不到，白白浪费资源
可证伪性	能不能被实验证反	连能不能证反都不知道，就不是科学假设
可行性	能不能做出来	做不到的，不能拿去耗资源
证据准备度	有没有材料支撑	没证据不能靠说话好听或多数投票凑
伦理与风险	做起来安全吗	风险不可控，平均分再高也不能上
总结	关键点：这是"必要条件"，不是"总分制"。目的是守住科学主张的最低底线，防止系统为了冲高分而牺牲可证伪性、安全或诚信。

🔗 第8章：从问题到论文的完整链条（证据绑定链路）

整篇文章的"证据链"是一条完整的线：

📋 证据链汇总表

步骤	内容
1	研究问题 $q$
2	假设 $H$ + 冻结计划 $P$
3	实验图节点
4	代码/数据/配置/种子/日志/统计结果
5	证据包 Evidence Packet
6	候选论文结论
7	五类验证器检查
8	接受/降级/拒绝/返回补证据
9	人类签署 + 论文交付
总结	从问题到论文，每一步都有迹可循，证据绑定链路确保结论不是凭空而来。

AutoPaper（写论文的AI）

AutoPaper 不是从空白开始乱写。它先检索与结论范围相同的证据包，再做五类检查：

📋 五类验证器汇总表

验证器	查什么（讲给小朋友听）
来源验证	来源、版本、责任人、文件完整吗
引用验证	引用是真的吗？原文支持这句话吗
蕴含验证	实验结果真的撑得起这个结论吗
图表验证	指标方向、单位、标签、源文件一致吗
措辞验证	措辞强度对吗（分6种状态）
总结	措辞有六种证据状态：$unverified$、$indirect$、$pilot$、$protocol\text{-}valid$、$replicated$、$contradictory$。意思是：弱证据可以写进论文，但只能写成"先导观察、局限、待验证"，不能被AI润色成板上钉钉的结论。

🧪 第9章：三个真实案例（案例验证）

BLAZE 做了三个案例来证明自己能干活。

🧊 案例一：冰架 PINN 反演

BLAZE 跑了四种 $\gamma$ 比例，每种 501 次，一共 $2004$ 次基线运行，并把代码版本、环境、指标、SHA-256 哈希全存下来。然后在 PCD、NoRA、JLS 三个方向里筛候选，把阴性候选、内部评审、论文交付记录都保留。

关键结果：PCD 在 $36$ 个种子、单一 $\gamma /(1-\gamma )=10^5$ 设置下，得到 $AUROC=1.000$、$Spearman\rho =0.871$。

⚠️ 但要注意坑： 这只是在同一个实验总体里的回顾性聚类可分性，不是在新数据上的预测能力。真实误差标签参与了事后定义和评分。稳健性、干净消融、不确定性分析都还没做。

📊 案例二：H-EDML 基准测试

AutoPaper 在五个数据集上做了 $10$ 个种子的控制实验，能分清"严格复现、候选比较、探索性优化"。

得分：宏平均 $87.454$ 比 $84.736$ 高 $2.718$ 分。

⚠️ 但要注意坑： 这个高分来自"逐数据集用测试反馈选配置"，所以只能算优化上界或探索性结果，不能算新的留出泛化能力。对比里 EvoScientist 也用了后验选择，ARIS 候选还出现负平均增益，不能只看谁分高。

📚 案例三：Sciverse 知识库对比

BLAZE 用版本化 API 重算机构生产力和合作统计，公开质量边界：作者覆盖率 $98.18$%、机构覆盖率 $72.16$%、跨机构合作率 $41.22$%。对覆盖率低的会议，明确给警告或排除规则。

⚠️ 但要注意坑： BLAZE 用的是内部数据库和API，Sciverse 只凭公开网页。“Sciverse 未公开"只能说明"当前任务下没法评估”，不能证明 BLAZE 数据质量更高。这个案例验证的是统计透明性和可重算性，不是"我比你强"。

📋 三个案例汇总表

案例	验证了什么	适用边界（坑在哪）
冰架 PINN	基线审计、候选筛选、失败保留、主张降级的完整链路	AUROC 1.000 只是组内回顾性，无独立总体验证
H-EDML	区分复现/比较/探索，透明标记	高分来自测试反馈选择，非留出泛化
Sciverse	统计透明、可重算、覆盖率报告	内部库Vs公开信息，证明不了"更强"
总结	三个案例验证了 BLAZE 的工程能力——能记、能查、能锁版本，但都还没证明"这样能做出更正确的科学发现"。

✅❓ 第10章：已经证明的 vs 还没证明的

BLAZE 很诚实，把自己"坐实了"和"还没坐实"的分开讲：

📋 已证实 vs 未证实汇总表

已经证明（有证据）	还没证明（论文明说承认）
能保存基线、代码、配置、日志、阴性结果、评审、交付记录	没证明能普遍提高科研可靠性/效率/质量/影响力
档案袋/实验图/证据包形成可执行机制	50人的人机评审实验没伦理审批、没招募、没结果
冻结交付包覆盖了较完整生命周期	只到数字研究 D0，D1-D3 是路线图
知识库能输出版本化统计和覆盖率边界	PCD 无独立总体/跨设置前瞻性验证
124/124 论文检查、哈希环境记录	没验证 Agentic Compute 增加会单调提升质量
—	跨学科 Transfer Object 只是治理机制，没证明可靠迁移
总结	BLAZE 坦诚地分开"已证实"和"未证实"，已证实的是工程能力，未证实的才是科学质量的硬骨头。

📋 数字研究阶段 D0-D3 汇总表

阶段	含义
D0	当前做到：文献、代码、计算实验、模拟、写作
D1	离线协议检查（未来）
D2	监督下的设备执行（未来）
D3	低风险范围内有限闭环适应（未来）

🚀 第11章：未来怎么做（后续方向）

BLAZE 自己说，接下来要补三件事：

📋 后续方向汇总表

方向	具体做法	要回答的问题
等预算因果消融	相同模型/资料/算力/时间下，比完整BLAZE、单Agent、线性流水线，以及去掉记忆/辩论/质量门的版本	各模块是否真的降低错误，还是只是多记账
前瞻性第三方复现	结果出现前就冻结假设、协议、指标，覆盖多领域，外部团队按证据包独立复现	交付包"看起来完整"能否变成"第三方真能恢复验证"
增强真实多样性	用异构模型、独立检索源、盲态初始意见、相关错误统计；完成多机构专家人机评审实验	避免多角色虚假共识，测量错误质疑、锚定、审批负担
总结	未来方向聚焦于用对照实验和第三方复现来验证 BLAZE 是否真的能让科学更可靠，而不是停留在"可追溯"的工程层面。

🎉 第12章：总结（一句话记住）

BLAZE 不是发明新算法来刷新分数，而是发明了一套"科研组织的规矩"：记住过去、连起证据、分工纠错、人来做主。它最厉害的地方是敢承认自己还没做到的事。它的价值在于提出了"证据如何跨科研生命周期一直活着"这个正确的问题，但要证明它真的能让科学更可靠，还得靠以后的对照实验和第三方复现。

📋 全篇一句话总结表

问题	回答
BLAZE 是什么	一套社会化AI4R科研基础设施/制度设计
最大贡献	把"研究过程"当作智能的基本单位
最大边界	目前只证明"可追溯的工程能力"，未证明"更正确的科学发现"
一句话总结	科学智能=能记住、能质疑、能验证、能负责的科研组织
一句话总结 科学智能=能记住、能质疑、能验证、能负责的科研组织

🏁 考试测验

第 1 题｜核心主张

原题： 请用一句话概括：这篇论文（BLAZE）的核心主张是什么？它认为"科学智能"到底来源于什么？

满分答案： 核心主张是——科学智能不是单个 AI 模型的能力，而是知识、假设、实验、证据、批评与人类判断，在一个能持续记忆、可追溯、可治理的科研组织中协同产生的集体能力。科学智能来源于"把这些要素组织成一个长期运转、能追查、有人负责的科研组织"，而非来源于单独的计算或单个模型。

儿童版解析： 问"球队为什么能赢"，答案不是"球员会投篮"，而是"整支球队配合默契、有战术、有复盘、有人指挥和负责"。BLAZE 就是这个意思：科学发现靠的不是单个 AI，而是一支有记忆、能追查、人拍板的"科研球队"。

记忆版： 不是模型强，是组织强：记住、追查、分工、人拍板。

第 2 题｜四大痛点

原题： 论文说现有 AI4R 系统有"四个根本问题"。请说出这四个问题，并各用一句话说明"为什么这是问题"。

满分答案： ①临时科学记忆——项目做完中间推理、失败、意见就丢失，科研无法累积；②假设-证据-结论链断裂——结论无法反查到具体假设、实验和统计，数字≠遵循协议；③Agent 无差异化问责——多智能体只是同一模型轮流发言，无角色分工，出错无法定位责任、分歧无法纠错；④人类权威边界模糊——未区分 AI 可辅助的可逆操作与选题/伦理/风险/投稿等不可委托决策，导致责任稀释。

儿童版解析： 四个毛病：写完作业第二天就弄丢（临时记忆）；汇报成功却拿不出进球录像（证据断）；一堆同学没人分工、互相甩锅（权责不明）；危险实验没人拍板（权威模糊）。

记忆版： 四大病：做完就忘、证据断了、权责不清、没人拍板。

第 3 题｜四个研究问题

原题： 论文提出了四个对应的研究问题（Q1-Q4）。请说出这四个研究问题分别是什么，并说明它们分别对应第2题中的哪个痛点。

满分答案： Q1 连续性——如何跨周期保留演进中的科学知识（假设、实验史、失败、决策理由），对应痛点①临时记忆；Q2 可追溯性——如何把假设、计划、实验、证据、结论链接成可复现可检查的过程，对应痛点②证据链断裂；Q3 建设性分歧——如何让角色分化的智能体进行结构化批评、循证协商与修订而非强化共同偏见，对应痛点③无差异化问责；Q4 问责性——如何保留人类对科研目标、伦理、风险、最终结论的明确权威，对应痛点④人类权威边界模糊。

儿童版解析： Q1"怎么让作业本不弄丢"（记住）；Q2"怎么让每个进球有录像"（查到底）；Q3"怎么让吵架变成有意义的讨论"（建设性分歧）；Q4"怎么让老师保留放学决定权"（人拍板）。

记忆版： Q1记住 · Q2查到底 · Q3吵得有意义 · Q4人拍板。

第 4 题｜Research Object

原题： 论文的核心是"Research Object"（研究对象）。请说说它是什么、由哪些部分组成，以及它最重要的作用是什么。

满分答案： 它是一个"全生命周期档案袋/容器"，装下整个研究项目，数学表示为：

$$R=⟨q,H,P,G,E,C,V,A,S,\Pi ⟩$$

（研究问题、假设、计划、实验图、证据、结论、评审与修订、人工审批、项目状态，以及来源/权限/风险约束，共十项）。它最重要的作用是：让科研从"自由生成文本"变成"带质量条件的受控状态迁移"——项目推进必须满足"有来源、有审批、证据合格"才能从 $R_t$ 迁到 $R_{t+1}$，从而保证过程的完整、可追溯和可审计。

儿童版解析： 它是一只"档案盒"，装着项目的全部信息；每次推进不是"随便写一句"，而是必须过"安检门"（东西齐全、有人签字、证据合格）才能往前，不合格就打回。这样每一步都有据可查、有人负责。

记忆版： 档案盒装下全过程，过安检才准前进 = 记住 + 查得到 + 有人签字。

第 5 题｜Experiment Graph

原题： 论文提出了"Experiment Graph"（实验图）。请说明它是什么、包含哪三种边，以及它想解决什么问题。

满分答案： 它是一张"实验施工图/依赖图"：

$$G_{\text{exp}}=(V,E_{\text{dep}},E_{\text{prov}},E_{\text{claim}})$$

由节点 $V$（基线、主方法、调参、消融、稳健性、复现、调试、聚合，每个节点记录数据划分、指标、配置、种子、日志、预算、状态）和三种边组成：①依赖边规定执行顺序；②来源边连接代码与数据；③主张边标明结果支持/反驳哪些结论。它解决：①自然语言计划翻译成代码时的语义漂移（走样）；②调参/调试时悄悄更换数据划分、指标、基线的"偷改"问题，使实验结果变成带上下文的科学记录而非孤立分数。

儿童版解析： 它是盖展览城堡的"施工图"：点=每一步（记着用哪份数据、什么种子），三种线管"顺序/来源/结论"。解决两大麻烦：计划话说清会走样、有人偷改数据被发现。

记忆版： 一张施工图：点记配置，三种线管顺序/来源/结论，防走样、防偷改。

第 6 题｜Evidence Packet

原题： 论文提出了"Evidence Packet"（证据包）。请问它是什么？当一条结论的证据不足时，系统有哪些处理方式（结果分支）？

满分答案： 证据包是每条候选结论必须携带的"证物袋"，记录来源、版本、可靠性、候选结论、证据强度、必要引用、图表、验证状态和责任人。系统先用五类验证器检查（来源、引用、蕴含、图表、措辞强度），再给出四种结果分支：接受、降级、拒绝、退回补证据。弱证据仍可写进论文，但只能作为先导观察/局限/待验证方向，不能被润色成确定性结论。

儿童版解析： 报告前先交"证物袋"，老师做五道检查（真假、引用、撑不撑得起、图表、话说得太满没），然后给四种结果：接受（放心写）、降级（只能写"可能"）、拒绝（不能写）、退回补证据（先回去补实验）。

记忆版： 证物袋装6样，过5道检查，给4种结果：接受/降级/拒绝/补证据。

第 7 题｜非补偿性质量门

原题： 论文强调"非补偿性质量门"（Non-compensatory quality gates）。请解释：什么是"非补偿性"？假设生成要过哪六个质量门？为什么论文坚持"非补偿"而不是普通加权打分？

满分答案： 非补偿性指每个标准独立合格、不能互相补分，是"必要条件门槛"而非总分制。六个质量门：新颖性、重要性、可证伪性、可行性、证据准备度、伦理与操作风险。论文坚持非补偿是因为：加权打分会让"某项严重不合格"的混过去；非补偿防止系统为冲总分而牺牲可证伪性、安全、伦理、诚信——新颖但不可证伪则无法用实验分辨真假，重要但不可执行则白耗资源，可行但伦理不可控则平均分再高也不能上。

儿童版解析： 普通打分是"总分制"，卫生1分也能靠口味满分拿奖；非补偿是"每项必须及格"，卫生不过直接淘汰。六个门槛每项都过才行，防止为了高分牺牲安全和诚信。

记忆版： 六个门全要过，谁也不能补谁：新颖/重要/可证伪/可行/证据/伦理。

第 8 题｜四层架构 vs 四阶段

原题： 论文提出了"四层架构"。请说出这四层分别是什么，并说明它们与"四阶段科研生命周期"是不是一一对应的关系。

满分答案： 四层：知识与记忆层、智能体社会层、工具与执行层、评估与治理层。四层与四阶段不是一一对应——四阶段（知识构建→假设审议→实验执行→验证交付）是"时间流程/排序"，四层是"功能分工/部门"，维度不同；一层会贯穿多个阶段（如知识层既服务文献检索也服务写作引用验证，智能体层既参加假设辩论也参加代码调试和论文评审）。

儿童版解析： 阶段=放学后"先写作业再吃饭"的时间顺序；层=家里"厨房卧室厕所"的功能房间。一个是时间轴，一个是分工表，当然不是一一对应，而且一个层会出现在多个阶段里。

记忆版： 层=房间分工，阶段=时间顺序，一层多阶段，不对应。

第 9 题｜三个案例

原题： 论文用三个案例（Case Study）来验证系统。请说出这三个案例分别是关于什么的，并各指出一个"适用边界"（即：结果不能过度解读的地方）。

满分答案： ①冰架 PINN 反演——验证基线审计、候选筛选、失败保留、主张降级链路；边界：AUROC=1.000 是单一设置（$\gamma /(1-\gamma )=10^5$、36 个种子、constant-$B$）下的回顾性组内可分性，真实误差标签参与事后定义与评分，稳健性/干净消融/不确定性分析未做。②H-EDML 基准测试——验证能区分严格复现/候选比较/探索性优化；边界：87.454 分来自逐数据集测试反馈选择（test-feedback selection），只能算优化上界/探索性结果，非留出泛化。③Sciverse 知识库对比——验证统计透明性与可重算性；边界：BLAZE 用内部数据库/API，Sciverse 仅公开网页，“未公开”=不可评估，不能证明 BLAZE 数据质量或整体能力更强。

儿童版解析： 案例一是"开卷考试"（用已知答案的回顾性数据）；案例二是"先看答案再答题"（测试反馈选择）；案例三是"对方没公开没法比"（不等于我更厉害）。分数高先查水分。

记忆版： PCD是开卷(回顾性)、H-EDML是看答案(测试反馈)、Sciverse没对手(未公开)——分数高先查水分。

第 10 题｜已证实 vs 未证实

原题： 论文对自己的能力和"尚未证实"的内容很诚实。请分别说出：①论文目前已经提供证据支持的内容（至少3点）；②论文明确承认尚未证实的内容（至少3点）。

满分答案： ①已证实：能保存基线/代码/配置/日志/阴性结果/评审/交付记录；Research Object、Experiment Graph、Evidence Packet 已形成可执行/可检查的工程机制；冻结交付包覆盖较完整生命周期；知识库能输出版本化统计及覆盖率边界；124/124 论文检查通过。②未证实：未证明能普遍提高科研可靠性/效率/质量/影响力；50 人评审实验未获伦理审批、未招募、无结果；只达到数字研究 D0，D1-D3 为路线图；PCD 无独立总体/跨设置前瞻性验证；未验证 Agentic Compute 增加带来单调质量提升；跨学科 Transfer Object 只是治理机制，未证明可靠迁移。

儿童版解析： 诚实的同学会分清楚"做成了什么"和"没做成什么"：做成了记录、工具、整条流程；没做成"更可靠、人实验、物理闭环、泛化"。知道自己能做什么也承认做不到什么，才是靠谱的科研态度。

记忆版： 诚实学霸：做成了"记录+工具+流程"，没做成"更可靠+人实验+物理闭环+泛化"。