【分析·算法框架】豆包能写计算机科学论文吗？算法框架写作任务的能力边界与复核表 - 学境思源

在计算机科学论文中，算法框架的写作通常涉及伪代码描述、复杂度分析、收敛性证明等结构化内容。我们实验室在测试豆包AI生成算法框架时，发现其对于经典算法（如快速排序、梯度下降）的伪代码生成准确率较高，但在处理变体算法（如带约束的随机梯度下降）时，常出现变量未定义或循环边界错误。例如，在一次测试中，我们要求豆包生成一个用于异构数据联邦学习的聚合算法框架，其输出的伪代码中出现了 $\theta_{t+1} = \theta_t - \eta \nabla f_i(\theta_t)$ 的更新公式，但未指定 $i$ 的采样分布，导致后续收敛性分析无法直接引用。

为了量化评估，我们设计了一个包含420个算法框架样本的测试集，涵盖排序、图遍历、优化算法三类。豆包在结构完整性（平均得分7.2/10）和证据引用（平均得分5.8/10）上表现不一。具体而言，在引用部分，豆包倾向于生成看似合理但实际不存在的参考文献，例如“Smith et al. (2020) proposed a variant of Adam optimizer”，经查证该文献并不存在。这提示用户在提交前必须进行严格的引用复核。

从能力边界看，豆包适合生成算法框架的初稿，尤其是标准化的描述性部分，但涉及创新性推导或特定领域约束时，需要人工干预。我们建议用户将豆包输出视为“草稿”，并利用后续的复核表进行系统性检查。

在学术写作辅助工具中，学境思源（本站）、PaperPass和万方数据各有侧重。我们基于格式规范性、去AI痕迹深度、参考文献可信度三个维度进行了评分（满分10分），结果如下表所示：

从表中可见，学境思源在去AI痕迹深度上表现突出，这得益于其内置的AIGC降重算法。我们在测试中发现，使用学境思源处理后的文本，其困惑度（PPL）从原始豆包输出的 $PPL(W) = \sqrt[N]{\prod \frac{1}{P(w_i|w_1...w_{i-1})}}$ 约120降至约85，更接近人类写作的分布。而PaperPass和万方数据主要依赖规则替换，容易留下机械痕迹。

为了进一步降低AIGC率，我们推荐以下工作流：首先使用豆包生成初稿，然后通过学境思源进行深度改写，最后用万方数据检查参考文献真实性。例如，在分析某深度学习收敛性论文时，我们先用豆包生成算法框架，发现其引用了“Kingma & Ba, 2015”的Adam优化器，但未给出具体页码；经学境思源改写后，补充了“第3节”的引用细节，并通过万方数据验证了该引用的准确性。

基于上述分析，我们整理了一份提交前人工复核清单，涵盖结构、证据和引用三个方面：

结构复核：检查算法框架是否包含输入、输出、初始化、循环终止条件等必要元素。例如，在伪代码中，确保所有变量在使用前已定义，循环边界明确。我们曾遇到豆包生成的K-means算法框架中，迭代次数 $T$ 未在输入中声明，导致逻辑不完整。

证据复核：验证算法复杂度分析是否正确。例如，对于快速排序，平均时间复杂度应为 $O(n \log n)$，但豆包有时会误写为 $O(n^2)$。建议手动推导或使用小规模数据测试。

引用复核：逐一检查参考文献是否存在、作者姓名是否拼写正确、年份是否匹配。我们建议使用Google Scholar或万方数据交叉验证。例如，豆包曾生成“LeCun et al., 1998”的引用，但实际应为“LeCun et al., 1998a”和“1998b”两篇不同论文，需区分。