[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-xtragpt-paper-revision-human-ai-collaboration-zh":3,"article-related-xtragpt-paper-revision-human-ai-collaboration-zh":30,"series-research-2a17250c-5c06-4d19-ac3b-67d3abe4d7c7":73},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"2a17250c-5c06-4d19-ac3b-67d3abe4d7c7","xtragpt-paper-revision-human-ai-collaboration-zh","XtraGPT 讓論文改稿有控制感","\u003Cp data-speakable=\"summary\">XtraGPT 把論文改稿\u003Ca href=\"\u002Fnews\u002Fsk-telecom-anthropic-mythos-policy-flashpoint-zh\">變成\u003C\u002Fa>可控的人機協作流程，重點是保留\u003Ca href=\"\u002Fnews\u002Fglm-5-2-open-source-1m-context-long-tasks-zh\">上下文\u003C\u002Fa>、控制改動幅度，避免 AI 改到走鐘。\u003C\u002Fp>\u003Cp>我用 AI 寫論文修稿一陣子了，但老實說，大多數工具都讓我越改越火大。你丟一段進去，它回你一段看起來更順的文字，結果意思被磨平、術語被亂換、語氣也被改到不像原作者。最煩的是，它表面上很幫忙，實際上是在偷偷把你的論點換成它自己覺得比較像樣的版本。這不是編修，這比較像溫柔地拆稿。\u003C\u002Fp>\u003Cp>我真正想要的其實很土：保留原意、吃得懂上下文、讓我能決定這次改多大力。如果我說要精簡 related work，我不想拿到一篇小作文；如果我說某些名詞不能動，那就真的別動。一般聊天式助手最不可靠的地方就在這裡，它很會回答 prompt，但不一定懂文件本身。\u003C\u002Fp>\u003Cp>我會注意到 XtraGPT，是因為這篇 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2050234884409627149\">知乎文章\u003C\u002Fa>指向了論文 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fpdf\u002F2505.11336\">XtraGPT: Context-Aware and Controllable Academic Paper Revision via Human-AI Collaboration\u003C\u002Fa>，還有程式碼庫 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FX-Computing\u002FXtraGPT\">XtraGPT on GitHub\u003C\u002Fa>。文章也提到這個工作來自新加坡國立大學 He Bingsheng 團隊，並已被 ACL 2026 接受。它沒有把技術細節講滿，但光是這個切法，就已經比一堆「幫你潤稿」工具像樣很多。\u003C\u002Fp>\u003Ch2>別再叫聊天機器人「幫我改好一點」\u003C\u002Fh2>\u003Cblockquote>Context-Aware and Controllable Academic Paper Revision via Human-AI Collaboration\u003C\u002Fblockquote>\u003Cp>這句標題其實很直白：XtraGPT 不是在做一個泛用寫作聊天機器人，它是在做「修稿系統」。這個差別很重要。聊天機器人是被設計來回應你；修稿系統是被設計來在限制條件下改寫文字。兩者工作目標根本不同。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782066792613-enzs.png\" alt=\"XtraGPT 讓論文改稿有控制感\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我自己改論文最常遇到的痛點，從來不是「從零寫不出來」，而是「這段已經有意思了，怎麼改才不會把整體結構弄壞」。一般 \u003Ca href=\"\u002Ftag\u002Fllm\">LLM\u003C\u002Fa> 對第一題還行，對第二題常常很粗。它不太知道什麼叫 section-level intent，也不太在乎你這段在整篇文章裡扮演什麼角色。你若常看到模型把精準術語換成更漂亮但更空的同義詞，你就知道它在亂幫忙。\u003C\u002Fp>\u003Cp>XtraGPT 這種 framing 我覺得有價值的地方，是它把修稿看成一個 human-AI 協作迴圈，而不是一次性生成。人提供意圖、限制、判斷；模型產生候選改寫；最後還是人決定哪些版本留下來。這比較像我跟同事對稿：對方提案，我砍掉一半，稿子反而更好，因為 feedback loop 很短。\u003C\u002Fp>\u003Cp>實操上，我會建議你把 prompt 從「幫我優化」改成「指定編修任務」。你要講清楚哪些不能變、哪些可以變、這次要改多大力。如果你在做自己的工具，最好\u003Ca href=\"\u002Fnews\u002Fcudf-turns-pandas-code-into-gpu-runs-zh\">直接\u003C\u002Fa>把「生成」跟「受限修稿」拆開，不要混成一個模糊的 improve 按鈕。\u003C\u002Fp>\u003Cul>\u003Cli>先定義修稿目標，不要先丟文字就想賭運氣。\u003C\u002Fli>\u003Cli>把不可變項目列出來，例如名詞、引用、公式、縮寫。\u003C\u002Fli>\u003Cli>讓模型先提案，再由人決定要不要收。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>上下文不是加分項，是底線\u003C\u002Fh2>\u003Cp>學術寫作最麻煩的地方，就是很多句子離開上下文之後都會失真。單看一段話可能語法沒問題，但放回整篇 paper，意思就歪了。這也是為什麼「context-aware」不是裝飾詞，而是修稿能不能用的底線。\u003C\u002Fp>\u003Cp>我以前拿 LLM 改技術文件時，最常被氣到的事，就是它自作主張把「retrieval-augmented generation」改成更順口的說法。聽起來好像更自然，實際上是在破壞一致性。學術寫作不是在比誰文筆漂亮，而是在保住一條語意鏈。詞換錯了，後面整段都會跟著歪。\u003C\u002Fp>\u003Cp>從標題來看，XtraGPT 強調 context-aware，我的理解是它不是只看眼前那一段，而是會把鄰近段落、章節角色、甚至文件結構一起納入。這些細節在來源文章裡沒有完全展開，我不會亂補；但方向很清楚。修稿如果看得到文件脈絡，它就不會像盲目 paraphraser 一樣亂改。\u003C\u002Fp>\u003Cp>實操上，你至少要把前後段一起丟進去，最好再補上 section title 和一句話說明這段的功能。不要只給句子，然後期待模型自己知道這段是在定義方法、補背景，還是收斂討論。\u003C\u002Fp>\u003Cul>\u003Cli>把章節標題一起交給模型。\u003C\u002Fli>\u003Cli>明講哪些術語是鎖定的，不准改。\u003C\u002Fli>\u003Cli>給一句修稿目的，例如「減少重複」或「讓主張更清楚」。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>控制感比「幫我改好」重要太多\u003C\u002Fh2>\u003Cp>我看到標題裡的 controllable，就知道這篇不是在講漂亮話。很多 AI 寫作工具失敗的原因很簡單：它們只給你一個很模糊的品質提升，卻不給你方向盤。你丟一句「幫我改好」，模型自己決定什麼叫好。那不是工作流，那是抽籤。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782066795966-o2t6.png\" alt=\"XtraGPT 讓論文改稿有控制感\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>在學術寫作裡，控制通常不是單一維度，而是很多維度一起出現：改多少、保留多少原句、能不能調整段落順序、這次是要更精簡還是更保守。只要系統把這些控制項露出來，輸出通常就會馬上變得可用。反過來說，如果控制項藏起來，你後面花在修模型的時間，常常比它幫你的還多。\u003C\u002Fp>\u003Cp>我喜歡這種設計，因為它承認作者不是每次都要同一種幫忙。related work 的初稿可能需要大改結構；methods 段落可能只要文法和清晰度；結果討論則可能需要更克制的語氣，不是更大膽的結論。沒有一種改法能通吃全部情境。\u003C\u002Fp>\u003Cp>實操上，我會把修稿模式拆成三檔：light edit、structural edit、argumentative edit。你每次送進模型前先選檔位，別讓它自己猜。如果你在做 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa> 或產品，這些模式要直接露出來，不要藏在一個看起來很厲害的「一鍵優化」裡。\u003C\u002Fp>\u003Cul>\u003Cli>Light edit：文法、標點、流暢度，少動原句。\u003C\u002Fli>\u003Cli>Structural edit：調順序、刪重複、補轉場。\u003C\u002Fli>\u003Cli>Argumentative edit：加強論證、調整重點、修正語氣。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>人機協作不是口號，是責任分工\u003C\u002Fh2>\u003Cp>我通常對「human-AI collaboration」這種說法有點膩，因為很多產品只是把人放在最後按確認，然後就說自己有協作。但這裡比較像真的抓到問題核心。論文修稿不是純生成問題，它其實是協商問題。\u003C\u002Fp>\u003Cp>作者知道原意，模型知道怎麼產生多個流暢版本，編輯知道期刊或會議的風格、風險容忍度。這三者要互相對話。人太早退出，就會得到很會講話但內容歪掉的稿子；模型太早退出，速度跟覆蓋面都會掉。真正有用的系統，是把兩邊都留在迴圈裡。\u003C\u002Fp>\u003Cp>我也覺得這比「幫我寫整篇論文」更值得做。因為目標不是取代研究者，而是壓縮掉修稿中最煩的那一段：明明想法已經有了，卻得花兩小時把句子磨到像樣。這才是 AI 最能幫上忙的地方。不是作者替身，也不是自動續寫機器，就是少一點無謂耗損。\u003C\u002Fp>\u003Cp>實操上，我會要求工作流永遠是 model proposes、human disposes。不要讓模型無聲覆蓋原文。差異要看得到，最好按變更類型分開檢視，不要只看一坨新文字。這樣你才保得住作者意圖，又拿得到速度。\u003C\u002Fp>\u003Ch2>這種工具為什麼比較適合論文，不適合一般文案\u003C\u002Fh2>\u003Cp>很多寫作助手是為了風格服務，但學術寫作是為了精確、可追溯、克制。這也是為什麼一個在行銷文案上很好用的工具，到了 paper 裡可能直接翻車。論文有引用、有術語、有段落功能，這些東西不是可以隨便互換的。\u003C\u002Fp>\u003Cp>XtraGPT 有趣的地方就在於它直接瞄準這個髒活。標題已經很明白地把範圍縮到 academic paper revision，而且還帶著 controllable 與 context-aware。這種窄，不是缺點，反而是優點。你越明確知道文件類型，系統就越能把假設做深，輸出也通常越穩。\u003C\u002Fp>\u003Cp>我在技術文件和規格書上也看過同樣的事。工具越懂文件類型，我越少花時間修它。泛用寫作工具老想讓文字「更好聽」；領域型修稿工具則想讓內容「更正確」。我在乎的是後者。\u003C\u002Fp>\u003Cp>實操上，如果你在挑或做研究寫作流程，不要問它會不會寫。你要問的是：它懂不懂文件結構、能不能保留術語、能不能做受控改寫。這三題答不清楚，通常就代表它太泛用了，不適合嚴肅的論文工作。\u003C\u002Fp>\u003Ch2>我最想偷走的不是模型，而是產品形狀\u003C\u002Fh2>\u003Cp>如果要我從 XtraGPT 這個方向偷一樣東西，我不會先偷模型技巧，我會先偷產品形狀。它把修稿當成一個有結構的文件操作，把人類意圖當成輸入，把可控性當成硬需求。這比「貼上文字，拿回更漂亮的文字」合理太多。\u003C\u002Fp>\u003Cp>如果我自己要做一個學術助手，我會立刻抄三件事：包含前後段的上下文視窗、明確的編修模式、可視化 diff。再加一條硬規則：模型不能在未經同意下偷偷改名詞、公式、縮寫或引用。\u003C\u002Fp>\u003Cp>會有編輯這個職業，不是沒有原因。他們不是只會改句子，而是在保護意思。\u003Ca href=\"\u002Ftag\u002Fai-工具\">AI 工具\u003C\u002Fa>如果忽略這件事，通常就是聰明五分鐘，接下來五次修稿都在補洞。XtraGPT 這種思路比較像在說：你可以用 AI，但前提是把控制和上下文變成系統的一部分。\u003C\u002Fp>\u003Cp>實操上，我會在每次修稿前先問四個問題：什麼不能動？什麼可以動？這次要改多大力？模型需要哪些上下文？如果你答不出來，就先別急著修。先把規則寫清楚，省得後面整段重來。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># 論文修稿提示詞模板（可直接貼上用）\n\n你現在是我的學術論文編修助手，不是自由發揮的寫手。\n\n## 目標\n請在不改變原意的前提下，修正文段的語法、清晰度與段落銜接。\n\n## 硬性限制\n- 不要新增任何新主張、新結果、新引用。\n- 不要改動專有名詞、縮寫、公式、符號、引用標記，除非我明確要求。\n- 不要改變這段在整篇文章中的功能。\n- 如果不確定某個改動是否安全，先保留原文，並標註疑點。\n\n## 修稿模式\n請先依照我指定的模式處理：\n- light：只修文法、標點、語句順暢度，盡量少改字\n- structural：可調整句序、刪重複、補轉場，但不改論點\n- argumentative：可微調論證重點與語氣，但不能改事實\n\n## 上下文\n章節標題：[填入章節名]\n論文主題：[填入主題]\n前文：[貼上前一段]\n目標段落：[貼上要改的段落]\n後文：[貼上下段]\n\n## 輸出格式\n1. 修訂後段落\n2. 修改摘要（列 3 點以內）\n3. 需要人類確認的地方（如果有）\n\n## 目標段落\n[貼上原文]\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板就是我把 XtraGPT 這種思路翻成今天就能用的版本。它不是論文原文，也不是對實作細節的亂猜；它只是我會真的拿去用的工作流：先給上下文，再給控制，最後才讓模型動手。\u003C\u002Fp>\u003Cp>如果你想把 AI 用在論文改稿上，這大概是最不容易翻車的起點。先把模型綁住，修稿模式講清楚，變更差異攤開來看。這很無聊，但也正是它比較不會害你重寫整篇的原因。\u003C\u002Fp>\u003Cp>來源致謝：我第一次看到這個題目是透過 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2050234884409627149\">知乎文章\u003C\u002Fa>，它連到 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fpdf\u002F2505.11336\">arXiv 論文\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FX-Computing\u002FXtraGPT\">GitHub 程式碼庫\u003C\u002Fa>。上面的拆解是我自己的整理，模板則是依照這個思路衍生出來的可直接套用版本。","XtraGPT 把論文改稿變成可控的人機協作流程，重點是保留上下文、控制改動幅度，避免 AI 改到走鐘。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2050234884409627149",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782066792613-enzs.png","research","zh","8cdb1cdd-1014-4c4c-9ea3-63dc78301524",[17,18,19,20,21],"academic writing","human-AI collaboration","context-aware revision","paper editing","prompt template",[23,24,25],"修稿不是聊天，重點是受限改寫與保留原意。","上下文、術語鎖定、變更模式要先講清楚。","最好用可視化 diff 與三檔修稿模式控制 AI。",0,"2026-06-21T18:32:49.170651+00:00","2026-06-21T18:32:49.16+00:00","0c35a120-52fc-41fc-afa3-d404eb934158",{"tags":31,"relatedLang":32,"relatedPosts":36},[],{"id":15,"slug":33,"title":34,"language":35},"xtragpt-paper-revision-human-ai-collaboration-en","XtraGPT lets you revise papers with control","en",[37,43,49,55,61,67],{"id":38,"slug":39,"title":40,"cover_image":41,"image_url":41,"created_at":42,"category":13},"10c48be8-a5e6-4153-87d3-573dd4b2aec4","rootly-benchmark-llama-4-trails-coding-models-zh","Rootly 測試：Llama 4 落後編碼模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782086568903-6jm6.png","2026-06-22T00:02:22.337854+00:00",{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"422953c3-97a9-4981-b06b-8a8383bd7419","8tai-jiqiren-bao-shiyan-liucheng-zuo-cheng-bihuan-zh","8台机器人把實驗流程做成閉環","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782073091466-pbxi.png","2026-06-21T20:17:40.866759+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"411c8eae-4b17-49a6-bc60-a72749c85a3d","skill-to-lora-cuts-agent-token-overhead-zh","Skill-to-LoRA 讓技能別再吃 Token","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781993875553-e5u3.png","2026-06-20T22:17:30.645442+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"e3e27211-1d3e-41d5-bc4e-828679944083","turboquant-does-not-hurt-search-quality-equal-bytes-zh","TurboQuant 在等字節預算下不會傷害搜尋品質","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781857969634-naia.png","2026-06-19T08:32:21.766491+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"ed7ed094-2671-4723-8105-a89dc805f8a9","deterministic-multicalibration-optimal-sample-use-zh","確定性多重校準終於達標","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781850776591-fs2z.png","2026-06-19T06:32:28.220144+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"b84a7dd2-d3f3-428c-a37f-1ac69cb01d4b","uniego-proxy-teachers-egocentric-video-zh","UNIEGO 用代理教師統一自我中心影片","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781849878221-5dnm.png","2026-06-19T06:17:31.822125+00:00",[74,79,84,89,94,99,104,109,114,119],{"id":75,"slug":76,"title":77,"created_at":78},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":80,"slug":81,"title":82,"created_at":83},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]