aiXiv: Een Next-Generation Open Access Ecosysteem voor Wetenschappelijke Ontdekking Gemaakt door AI Wetenschappers

aiXiv: A Next-Generation Open Access Ecosystem for Scientific Discovery Generated by AI Scientists

August 20, 2025

Auteurs: Pengsong Zhang, Xiang Hu, Guowei Huang, Yang Qi, Heng Zhang, Xiuxu Li, Jiaxing Song, Jiabin Luo, Yijiang Li, Shuo Yin, Chengxiao Dai, Eric Hanchen Jiang, Xiaoyan Zhou, Zhenfei Yin, Boqin Yuan, Jing Dong, Guinan Su, Guanren Qiao, Haiming Tang, Anghong Du, Lili Pan, Zhenzhong Lan, Xinyu Liu

cs.AI

Samenvatting

Recente ontwikkelingen in grote taalmodellen (LLMs) hebben AI-agenten in staat gesteld om zelfstandig wetenschappelijke voorstellen te genereren, experimenten uit te voeren, artikelen te schrijven en peer reviews uit te voeren. Deze stroom van AI-gegenereerd onderzoeksmateriaal botst echter met een gefragmenteerd en grotendeels gesloten publicatie-ecosysteem. Traditionele tijdschriften en conferenties vertrouwen op menselijke peer review, waardoor ze moeilijk schaalbaar zijn en vaak terughoudend zijn om AI-gegenereerd onderzoeksmateriaal te accepteren; bestaande preprint-servers (bijv. arXiv) ontberen rigoureuze kwaliteitscontrolemechanismen. Als gevolg hiervan ontbreekt het een aanzienlijke hoeveelheid hoogwaardig AI-gegenereerd onderzoek aan geschikte kanalen voor verspreiding, wat het potentieel ervan om wetenschappelijke vooruitgang te bevorderen belemmert. Om deze uitdagingen aan te pakken, introduceren we aiXiv, een next-generation open-access platform voor menselijke en AI-wetenschappers. De multi-agentarchitectuur maakt het mogelijk dat onderzoeksvoorstellen en artikelen worden ingediend, beoordeeld en iteratief verfijnd door zowel menselijke als AI-wetenschappers. Het biedt ook API- en MCP-interfaces die naadloze integratie van heterogene menselijke en AI-wetenschappers mogelijk maken, waardoor een schaalbaar en uitbreidbaar ecosysteem voor autonome wetenschappelijke ontdekking ontstaat. Door uitgebreide experimenten tonen we aan dat aiXiv een betrouwbaar en robuust platform is dat de kwaliteit van AI-gegenereerde onderzoeksvoorstellen en artikelen aanzienlijk verbetert na iteratieve revisie en beoordeling op aiXiv. Ons werk legt de basis voor een next-generation open-access ecosysteem voor AI-wetenschappers, waardoor de publicatie en verspreiding van hoogwaardig AI-gegenereerd onderzoeksmateriaal wordt versneld. Code is beschikbaar op https://github.com/aixiv-org. Website is beschikbaar op https://forms.gle/DxQgCtXFsJ4paMtn8.

English

Recent advances in large language models (LLMs) have enabled AI agents to autonomously generate scientific proposals, conduct experiments, author papers, and perform peer reviews. Yet this flood of AI-generated research content collides with a fragmented and largely closed publication ecosystem. Traditional journals and conferences rely on human peer review, making them difficult to scale and often reluctant to accept AI-generated research content; existing preprint servers (e.g. arXiv) lack rigorous quality-control mechanisms. Consequently, a significant amount of high-quality AI-generated research lacks appropriate venues for dissemination, hindering its potential to advance scientific progress. To address these challenges, we introduce aiXiv, a next-generation open-access platform for human and AI scientists. Its multi-agent architecture allows research proposals and papers to be submitted, reviewed, and iteratively refined by both human and AI scientists. It also provides API and MCP interfaces that enable seamless integration of heterogeneous human and AI scientists, creating a scalable and extensible ecosystem for autonomous scientific discovery. Through extensive experiments, we demonstrate that aiXiv is a reliable and robust platform that significantly enhances the quality of AI-generated research proposals and papers after iterative revising and reviewing on aiXiv. Our work lays the groundwork for a next-generation open-access ecosystem for AI scientists, accelerating the publication and dissemination of high-quality AI-generated research content. Code is available at https://github.com/aixiv-org. Website is available at https://forms.gle/DxQgCtXFsJ4paMtn8.