大規模言語モデル(LLM)の急速な進展により、AIによる論文の自動生成が可能になりつつあります。しかし現在のシステムには深刻な問題がありました。生成された主張が検証可能な文献に根拠づけられていない、実験結果が実際に実行されず捏造されている、そしてAI生成論文が実際の学術出版に耐える品質基準を満たしているかを評価する標準的なフレームワークが存在しないという3つの課題です。 研究チームが発表した「Prompt-to-Paper」は、これらの問題を直接的に解決するマルチエージェント型フレームワークです。このシステムは3つの革新的な機構を統合しています。第一に、セクション対応の関連性スコアリングと引用の段階的拡張を備えた決定論的な検索拡張生成パイプラインが、60～100本の論文からなる検証可能なコーパスに全ての主張を根拠づけます。第二に、自律型コーディングエージェントが実際の計算生物学実験を実行し、合成出力ではなく真正な数値結果を生成します。第三に、公開論文の統計情報を参考にベンチマークされた8次元の自動品質スコアラーが、幻覚(ハルシネーション)ペナルティを組み込んで標準化された再現性のある品質評価を提供します。 品質向上ループは、各反復を3つの研究者アクションのいずれかにルーティングするコンテキスト豊かなリバイザーを用いており、10反復ごとに深い研究サイクルを発動して実験を再実行し、より強力な出力から論文を再生成します。バイオインフォマティクスの5つのケーススタディで検証した結果、全ケースで引用範囲外のエラーなしで投稿形式のPDFが生成され、改善ループにより平均して品質スコアが0～100のスケールで+17.96ポイント上昇(最大+26.04ポイント)しました。人間レビュアーによる外部検証では、5つの論文が平均7.0/10の評価を得ており、1本あたり約0.31ドルのコストで完全な論文が生成されるようになりました。