你的論文有novelty嗎？復旦搞了個頂會論文查新系統

ICLR 2026 的 Rebuttal 結束了。當 OpenReview 上的喧囂散去，我們發現，作者與審稿人之間漫長的拉鋸戰，最終往往只剩下一個核心分歧：「這個想法，以前真的沒人做過嗎？」

Novelty（創新性）是學術評審中被高度關注的指標之一， 但其評估在實踐中仍高度依賴評審者的經驗判斷與檢索覆蓋。隨 arXiv 文獻數量的快速增長，僅靠人工檢索與記憶來追溯相關研究工作，已難以滿足高效的評審需求。

針對這一挑戰，復旦大學 NLP 研究團隊與其此前孵化的學術搜索平臺 WisPaper 展開合作，共同研發了 OpenNovelty——一個基于大語言模型、強調證據與可驗證性的自動化新穎性分析系統。

• 論文標題：OpenNovelty: An LLM-powered Agentic System for Verifiable Scholarly Novelty Assessment
• 論文鏈接：https://arxiv.org/abs/2601.01576
• Github 鏈接：https://github.com/january-blue/OpenNovelty
• HuggingFace：https://huggingface.co/papers/2601.01576

核心設計

OpenNovelty 的根本原則很簡單：任何關于「該論文創新性不足」的判斷，都必須附帶可追溯的真實證據，這些證據必須來自于已發表的文獻，并且能精確定位到原文具體段落。若系統未能找到相關證據，則如實說明「未發現支持該判斷的證據」。

與傳統查重僅關注文字表層重疊不同，OpenNovelty 試圖解決語義層面的重復。 系統會對投稿進行結構化抽取，將作者表述轉寫為更便于檢索與對比的學術概念短句，自動提取出論文的一個核心任務（Core Task）和若干具體貢獻（Contributions）。

此外，系統還采用了「查詢擴展（Query Expansion）」機制，針對提取出的每條信息，生成多個語義等價的變體，在 WisPaper 的索引庫中進行地毯式檢索，防止單一表述帶來的檢索遺漏。

四步分析流程：

從論文提交到生成

可驗證的新穎性評估報告

第一步：核心信息提取

系統從論文的標題、摘要和引言，精準地提取出兩類信息：

• 核心任務：論文擬解決的核心學術問題（例如：「基于多輪強化學習的 LLM 智能體長周期決策訓練」）；
• 貢獻聲明：作者明確宣稱的創新點，如新方法、框架、算法或理論形式化（例如：「一個支持多種強化學習算法的統一訓練框架」）。

第二步：相關文獻檢索與篩選

基于提取的信息，系統自動生成一組學術搜索語句（包括同義詞及變體表達，避免因措辭差異而遺漏相關文獻），然后利用 WisPaper 學術引擎展開地毯式搜索。

初步檢索可能召回數百至上千篇潛在相關論文，隨后通過去重、時間過濾與篩除弱相關性文獻等步驟，最終形成約 60–80 篇用于后續分析的候選論文集合。

第三步：層次化分析與證據比對

這是系統的核心分析環節。系統會基于核心任務召回的候選論文構建層次化 taxonomy（樹狀分類體系），以呈現目標論文在相關研究脈絡中的位置。提供目標論文在候選研究脈絡中的相對定位，供評審者快速瀏覽。

針對每條貢獻聲明，系統會在貢獻召回的候選論文集合中進行逐篇對比，并嘗試給出可核驗的對應證據片段。比對的結果有如下三種：

• 能反駁（can_refute）：找到已發表的論文具有相似貢獻，必須附帶雙方論文的原文摘錄作為證據。

• 無法反駁（cannot_refute）：在當前檢索范圍內，未發現可質疑該創新貢獻的文獻。
• 存疑（unclear）：信息不足，無法判斷。

關鍵在于：如果系統做出「能反駁」的判斷，但其提供的證據（即摘錄段落）無法在原論文中找到或匹配度過低，該判斷會自動降級為「無法反駁」。

第四步：「新穎性調查報告」生成

系統整合前三階段結果，生成包含以下模塊的評估報告：

• 論文的核心任務
• 研究領域的分類體系
• 每條創新聲明的比對結果和證據
• 綜合的「新穎性評估」敘述

對于系統給出的關鍵判斷，報告會盡量提供可追溯的候選文獻與可核驗的原文證據位置，便于評審者快速定位與人工復查。

系統部署與公開驗證

截止到 1 月 16 日，團隊已經在系統上分析了 1360 篇投稿，并且把所有生成的新穎性報告公開發布在其官方網站。任何人都可以查閱系統對某篇投稿的分析結果、檢索到的相關文獻以及判斷依據。

團隊計劃進一步將分析規模擴展至 2000+ 篇投稿，此外，還將持續優化系統，計劃將其應用于其他 AI 頂級會議，并對所收集的報告和評審證據進行深入分析。

OpenNovelty 的影響

對審稿人而言：它是一個輔助工具而非替代。系統可以幫助評審者梳理文獻脈絡，快速掌握一篇論文在領域中的位置，從而將更多精力集中于更需要人類專業判斷的關鍵環節，如研究意義、方法嚴謹性等問題。

對論文作者而言：它可作為投稿前的自查工具。如果研究具備實質創新性，系統可以提供相關證據；如果漏引了重要文獻，系統亦能指出問題。

對學術界而言：該系統提供了一種“可驗證的新穎性評估”工程路徑——用檢索到的真實文獻與貢獻級證據對比來約束結論輸出，讓判斷能夠被追溯與復核，而不是停留在模型的無證據生成。推動 AI 成為負責人的知識引證者，而非不可靠的內容生成器。

仍需人類判斷

團隊在論文里也明確指出了系統的局限性：

• 難以理解復雜的數學公式和圖表——如果一篇論文的核心創新藏在一個復雜的方程式里，系統可能會錯過；
• 只能搜到被索引過的論文，可能錯過未被收錄的小眾期刊或非英語出版物；
• 「無法反駁」僅表示在「檢索范圍內未找到」，并不等于「確實不存在」。

因此，團隊一再強調：這是輔助工具，而非決策主體。最終的學術判斷，仍然要由人類審稿人完成。

結語

OpenNovelty 的出現帶有某種實驗性的克制。它并非試圖取代現有的同行評審體系，而是作為一套第三方審計系統介入。在 Rebuttal 結束后的最終決策階段，它負責清洗迷霧，向 AC 展示那些被淹沒的證據，而將最終的價值判斷權留給人類。

目前，ICLR 2026 的部分論文查新報告已在 OpenNovelty 官網開放查閱。對于即將在明年繼續沖擊頂會的科研人員來說，這或許是一個審視自己工作的新鮮視角。