Story2Proposal: Een Steiger voor Gestructureerd Wetenschappelijk Paper Schrijven
Story2Proposal: A Scaffold for Structured Scientific Paper Writing
March 28, 2026
Auteurs: Zhuoyang Qian, Wei Shi, Xu Lin, Li Ling, Meng Luo, Ziming Wang, Zhiwei Zhang, Tengyue Xu, Gaoge Liu, Zhentao Zhang, Shuo Zhang, Ziqi Wang, Zheng Feng, Yan Luo, Shu Xu, Yongjin Chen, Zhibo Feng, Zhuo Chen, Bruce Yuan, Biao Wu, Harry Wang, Kris Chen
cs.AI
Samenvatting
Het genereren van wetenschappelijke manuscripten vereist het behoud van consistentie tussen narratieve redenering, experimenteel bewijs en visuele elementen gedurende de volledige documentlevenscyclus. Bestaande generatiepijplijnen met taalmodellen baseren zich op onbeperkte tekstsynthese met validatie die pas na generatie plaatsvindt, wat vaak leidt tot structurele afwijkingen, ontbrekende figuren of tabellen, en inconsistenties tussen secties. Wij introduceren Story2Proposal, een contractgestuurd multi-agentframework dat een onderzoeksverhaal omzet in een gestructureerd manuscript via gecoördineerde agents die opereren onder een persistent gedeeld visueel contract. Het systeem organiseert architect-, schrijver-, verfijnings- en renderagents rond een contractstatus die de sectiestructuur en geregistreerde visuele elementen bijhoudt, terwijl evaluatieagents feedback leveren in een generate-evaluate-adapt-cyclus die het contract tijdens de generatie actualiseert. Experimenten met taken afgeleid van de Jericho-onderzoekscorpus tonen aan dat Story2Proposal een expertbeoordelingsscore van 6.145 behaalde versus 3.963 voor DirectChat (+2.182) over GPT-, Claude-, Gemini- en Qwen-backbones. Vergeleken met de gestructureerde generatie-baseline Fars behaalde Story2Proposal een gemiddelde score van 5.705 versus 5.197, wat wijst op verbeterde structurele consistentie en visuele afstemming.
English
Generating scientific manuscripts requires maintaining alignment between narrative reasoning, experimental evidence, and visual artifacts across the document lifecycle. Existing language-model generation pipelines rely on unconstrained text synthesis with validation applied only after generation, often producing structural drift, missing figures or tables, and cross-section inconsistencies. We introduce Story2Proposal, a contract-governed multi-agent framework that converts a research story into a structured manuscript through coordinated agents operating under a persistent shared visual contract. The system organizes architect, writer, refiner, and renderer agents around a contract state that tracks section structure and registered visual elements, while evaluation agents supply feedback in a generate evaluate adapt loop that updates the contract during generation. Experiments on tasks derived from the Jericho research corpus show that Story2Proposal achieved an expert evaluation score of 6.145 versus 3.963 for DirectChat (+2.182) across GPT, Claude, Gemini, and Qwen backbones. Compared with the structured generation baseline Fars, Story2Proposal obtained an average score of 5.705 versus 5.197, indicating improved structural consistency and visual alignment.