用大模型构建机器学习研究地图，自动提炼论文核心内容。
Lacuna: A Research Map for Machine Learning
- 用大模型将论文和元数据转化为可链接的摘要与研究方向
- 在文献检索任务中召回率达0.538，优于现有系统
- 适合研究人员快速定位领域进展，支持深度调研
Lacuna 是一个机器学习研究地图，利用大语言模型将论文和学术元数据转化为 markdown 摘要、概念元素、研究方向和研究提案，每项均保留对原始文献的链接。我们发布了包含网页、markdown 和 MCP 接口的版本。在 LitSearch、Multi-XScience-CS/ML 和 ScholarQA-CS-ML 数据集上，Lacuna 的检索表现优于 OpenScholar，尤其在 LitSearch 上召回率@10 达 0.538，高于 OpenScholar v3 的 0.424。我们还评估了基于该地图的多阶段报告代理 Lacuna Deep Research，其在 25 个 ReportBench-ML 任务中达到 0.052 的引用 F1、0.339 的引用精确率、99 次专家参考命中，以及 7.82/10 的 RACE 报告质量；而 GPT-Researcher 对应指标为 0.039、0.290、72 次命中和 5.24/10。
原文摘要 · Abstract (English)
Lacuna is a research map for machine learning that uses LLMs to turn papers and scholarly metadata into markdown summaries, concept elements, research directions, and research proposals. Each item keeps links to the primary source records and papers that support it. We release the map with web, markdown, and MCP interfaces. Across LitSearch, Multi-XScience-CS/ML, and ScholarQA-CS-ML, Lacuna outperforms OpenScholar with the strongest gains on LitSearch retrieval (Recall@10 0.538 vs. 0.424 for OpenScholar v3). We also evaluate Lacuna Deep Research, a multi-stage report agent over the map, on 25 ReportBench-ML survey tasks: Lacuna Deep Research reaches 0.052 citation F1, 0.339 citation precision, 99 expert-reference hits, and 7.82/10 RACE report quality, while GPT-Researcher reaches 0.039 F1, 0.290 precision, 72 hits, and 5.24/10 RACE.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。