OpenRaiser/NanoResearch

What it solves

NanoResearchは、初期の研究アイデアから完全なLaTeX論文の作成まで、科学的研究プロセス全体を自動化します。AIが執筆した論文における「ハルシネーション（幻覚）」によるデータの問題を、ローカルGPUやSLURMクラスター上で実際に計算実験を実行することで解決します。これにより、最終的な論文に含まれるすべての図、表、およびデータポイントが、LLMによる捏造ではなく、実際の実験結果から導き出されることを保証します。

How it works

システムは、9段階のディープパイプラインを通じて動作します：

1. Ideation: 学術文献（OpenAlexおよびSemantic Scholar経由）を検索し、研究のギャップを見つけ、仮説を提案します。
2. Planning: データセット、ベースライン、およびメトリクスを含む詳細な実験設計図を作成します。
3. Setup: 環境、依存関係、およびデータセットを準備します。
4. Coding: 完全に実行可能な実験コードを生成します。
5. Execution: ローカルGPUまたはSLURMクラスター上でトレーニングを実行し、失敗した場合は自動的にデバッグと再試行を行います。
6. Analysis: トレーニングログとメトリクスを解析して、構造化されたエビデンスを生成します。
7. Figure Generation: 実データに基づいたアーキテクチャ図や結果プロットを作成します。
8. Writing: 集められたエビデンスと引用文献を使用して、完全なLaTeX論文の草稿を作成します。
9. Review: 各章を自動的にレビューし、修正します。

Python CLI（TUIモード付き）、Claude Code統合、およびFeishu (Lark) ボットを含む複数のインターフェースをサポートしています。また、複数の研究サイクルを通じてスキルとプロジェクトのメモリを蓄積する「Evo」自己進化型パイプラインも備えています。

Who it’s for

• Researchers: プロトタイプを迅速に検証したり、高品質な論文の初稿を生成したりしたい研究者。
• AI Engineers: 仮説、コーディング、およびGPU実行のサイクルを自動化したいAIエンジニア。
• Academic Teams: ベンチマークをバッチ生成したり、、完全に追跡可能な研究監査トレイルを維持したりする必要がある学術チーム。

Highlights

• Real-world Execution: ライティングツールとは異なり、GPUクラスターに実際のジョブを投入し、実際のログを解析します。
• Self-Evolving Pipeline: evo モードは、フィードバック駆動型のプランニングとRAM LoRAアダプターを使用して、時間の経過とともにユーザーの好みに適応します。
• Flexible Model Routing: 異なるステージに異なるLLMを割り当てることができます（例：IdeationにはDeepSeek、CodingにはGPT-5.5）。
• Multi-Interface Access: CLI、Claude Code（Bash/WebSearchを使用）、またはチャットボットを介して操作できます。