自动化学术推广系统AutoPR：让学术推广自动化，精准触达目标受众

学术研究的价值不仅在于成果本身，更在于被广泛知晓与合理应用。如今，同行评审研究数量持续激增，学者们愈发依赖社交平台发现前沿成果，而作者们也需投入大量精力推广研究，以维持学术可见度与引用率。

• 项目主页：https://yzweak.github.io/autopr.github.io
• GitHub：https://github.com/LightChen233/AutoPR
• Demo：https://huggingface.co/spaces/yzweak/AutoPR

哈尔滨工业大学、中南大学、香港大学和字节跳动的研究人员联合推出自动推广（AutoPR）方案，核心是将学术论文转化为忠实于原文、吸引力强且发布时机恰当的面向公众的内容。为支撑这一研究，团队同步发布了PRBench多模态基准数据集，并提出PRAgent模块化代理框架，让学术推广实现高效自动化与可衡量的效果提升。

核心亮点速览

• AutoPR 任务：聚焦学术论文到通道感知推广内容的自动转化，重点优化保真度、对齐性与参与度三大核心指标。
• PRBench 基准：收录512个专家精选的论文-推广帖子对，配备加权事实检查清单与人类偏好判断，为方案评估提供标准化依据。
• PRAgent 框架：创新三阶段代理工作流，相比传统LLM与规则基线，实现观看时间提升604%、点赞数提升438%的显著成效。

PRBench：学术推广的标准化评估基准

要衡量自动化学术推广的效果，需要一套覆盖科学传播全生命周期的评估体系。PRBench通过专家精选的评分维度，从保真度、对齐度、参与度三个核心轴对推广内容进行全面评估，每个子分数均由三名训练有素的标注者分配，分歧通过协调统一，确保评估结果的可靠性。

1. 保真度：确保内容准确忠实

核心是检验推广帖子是否与源论文保持一致，避免信息失真：

• 作者与标题准确性：验证论文归属是否正确，确保研究人员与论文标题得到准确突出。
• 加权事实检查清单：依据专家编写的声明要点评分，重点关注高权重的科学贡献是否被完整覆盖。

2. 对齐度：适配平台规则与传播策略

判断推广内容是否符合目标平台的传播惯例，提升可发现性：

• 上下文相关性：检查内容的语气、节奏和专业术语使用，是否契合目标受众的认知习惯。
• 视觉-文本整合：评估标题与图像的搭配效果，是否能相互强化，适配平台信息流展示逻辑。
• 标签与提及策略：审查标签选择是否合理，能否有效驱动内容被目标受众检索发现。
• 平台兴趣：通过成对比较，判断哪类帖子更受平台原生受众偏好。

3. 参与度：增强内容吸引力与说服力

测试推广内容能否引发目标受众的主动参与：

• 参与钩子强度：评估内容开头是否具备足够吸引力，能否快速抓住受众注意力。
• 逻辑吸引力：衡量叙述的清晰度与流畅性，确保受众能轻松理解研究核心。
• 视觉吸引力：评估配图的原创性与信息密度，是否能辅助传递核心研究内容。
• 行动号召分数：检查内容是否能引导读者采取有意义的后续行动（如查阅原文、参与讨论等）。
• 专业兴趣与更广泛兴趣：通过成对比较，分别衡量内容对专家受众与公众受众的吸引力。

PRAgent：三阶段实现高效自动化学术推广

PRAgent是AutoPR方案的核心执行框架，通过模块化代理协作，分三个阶段完成学术推广内容的自动化生成与优化，全程减少人工干预，提升推广效率。

第一阶段：内容提取

对长篇学术论文进行分层解析与浓缩，提炼核心观点、研究方法与关键结果，同时将论文中的视觉元素（如图表、示意图）与核心标题进行精准配对，为后续内容生成奠定基础。

第二阶段：多代理合成

由专业代理团队协同工作：一部分代理负责起草逻辑连贯的叙述内容，确保研究成果的完整呈现；另一部分代理专注分析视觉元素的表达效果，并优化内容语气，使其既专业又具可读性，最终形成出版级别的输出内容。

第三阶段：平台特定适应

通过协调代理，针对不同社交平台的传播规范与用户偏好，定制专属推广策略：包括优化内容开头的吸引力钩子、筛选精准标签、调整叙述节奏，最大化内容在目标平台的覆盖范围与传播效果。

评估结果：成效显著，优势突出

团队通过PRBench基准测试与RedNote平台10天真实部署验证，全面评估了AutoPR方案的性能，结果显示其优势明显。

1. 传统LLM在学术推广中的局限性

直接使用前沿LLM生成学术推广内容，仍存在三大核心问题：

• 事实差距明显：数值、方法论和术语错误占比超90%，难以精准保留论文的核心贡献。
• 参与策略单一：反复使用通用钩子，未针对目标受众定制，逻辑与视觉吸引力不足。
• 平台适配不足：生成标签与专家标签的Jaccard相似度仅为0.0347，与学术社区的发现机制契合度低。

2. PRAgent框架的性能提升

• 跨模型普遍适用：在12个竞争性LLM骨干上均实现性能提升，至少增加7.15个百分点，使用GPT-5-mini时提升超20点，平均分数达到70年代中高位。
• 三阶段协同增效：消融实验显示，平台适应阶段将对齐度从71.36提升至79.38，结构化内容提取将保真度从66.38提升至70.76，每个阶段均为整体效果提供关键支撑。
• 真实场景表现优异：在RedNote平台的测试中，PRAgent驱动的账户相比直接使用GPT-5的基线账户，总观看时间增加604%，个人资料访客增加575%，点赞、保存和分享数据持续领先，且两者消耗的模型预算相同，验证了框架设计的高效性。
• 用户偏好度高：与人类作者生成的内容相比，AutoPR生成的内容在用户偏好研究中胜出比例高达64.8%。