当AI Scientist系统需要配套的基础设施支持时，WisPaper（切问学术）提供了一个从文献检索到实验执行的完整平台化解决方案。这份报告介绍了WisPaper的核心功能：一键生成论文摘要并抓取核心贡献点、数据图表解读；交互式实验助手通过自然语言交互自动配置云端GPU环境；以及一个从流形角度分析大语言模型工作机制的完整研究案例。WisPaper代表着AI科研从“分散工具”走向“集成平台”的关键趋势，正在降低AI科研的认知门槛和技术门槛。
WisPaper平台概述——从文献检索说起
切问学术的核心功能
WisPaper（切问学术）是一个面向AI科研的平台化工具，其核心设计理念是通过自然语言交互降低科研工作的认知门槛和技术门槛。平台提供从文献检索到实验执行的完整工作流支持。
核心功能包括：一键生成论文摘要、抓取核心贡献点、数据图表解读。用户通过自然语言输入研究主题，系统自动拆解关键词并执行AI自动过滤，对每篇论文进行结构化总结。
交互式实验助手——降低实验门槛
云端容器化实验环境
WisPaper的交互式实验助手提供云端容器化实验环境。通过自然语言交互和环境自动配置机制，大幅降低用户运行实验的认知门槛。系统为每个任务分配独立GPU环境，依赖与数据完全隔离。
用户无需手动配置Python环境、安装依赖包或处理GPU驱动问题，只需通过自然语言描述实验目标，系统自动完成环境配置、代码生成和实验执行。
研究案例——从流形角度分析LLM工作机制
实验设计与资源配置
WisPaper平台展示了一个从流形角度分析大语言模型工作机制的完整研究案例。研究目标包括核心目标（验证SAP独立贡献）、重要目标（Layer-Adaptive vs. Uniform对比）、补充目标（Per-layer principal angles训练轨迹分析）、可选目标（与SFT对比）。
资源配置包括可用代码/框架（GeoSPT v1代码、PyTorch+Hugging Face Transformers+lm_eval）和数据集（Alpaca 52K SFT训练、HellaSwag 10K OOD测试、ARC-Easy/Challenge）。
核心发现与关键结果
研究的关键发现：Qwen2.5-7B在196K规模下不存在erank明确退化——Vanilla和SGR的erank都稳定在-6.0，接近预训练水平。SGR的收益随数据规模递减——10K时SGR OOD avg +0.23明显优势，50K时-0.26略低，196K时-0.02持平。WinoGrande是SGR唯一稳定的优势项——在全部三个规模下SGR均提升WinoGrande。
未来方向建议：引入scale-adaptive α/β（数据量越大正则化越弱）、选择性SAP（只对特定层/子空间施加约束）、结合LoRA测试SGR。
WisPaper的科研平台价值
从分散工具到集成平台
WisPaper代表着AI科研基础设施从“分散工具”走向“集成平台”的趋势。传统科研工作流需要在文献管理、代码编写、环境配置、实验执行、结果分析等多个工具之间切换，WisPaper通过统一平台降低了这一认知成本。
平台的价值不仅在于提供工具，更在于建立了一个从“想法”到“实验”到“论文”的完整工作流闭环。这对于降低AI科研门槛、加速科研迭代具有重要意义。
降低AI科研门槛的三大路径
WisPaper通过三条路径降低AI科研门槛：自然语言交互替代命令行操作——用户无需学习复杂工具命令；云端容器化环境替代本地配置——无需处理环境依赖和硬件驱动问题；结构化文献检索替代人工筛选——AI自动完成论文过滤和核心信息提取。
