OpenRaiser/NanoResearch

해결하는 문제

NanoResearch는 연구 아이디어에서 완전한 LaTeX 논문에 이르기까지 과학 연구 전 과정을 자동화합니다. AI가 작성한 논문에서 흔히 발생하는 '허구적 데이터' 문제를 해결하기 위해, 로컬 GPU 또는 SLURM 클러스터에서 실제 계산 실험을 수행함으로써 최종 논문의 모든 그림, 표, 데이터 포인트가 LLM의 창작이 아닌 실제 실험 결과에서 유도됨을 보장합니다.

작동 방식

이 시스템은 9단계의 심층 파이프라인으로 작동합니다:

1. 아이디어 도출: OpenAlex 및 Semantic Scholar를 통해 학술 문헌을 검색하여 연구의 공백을 찾고 가설을 제안합니다.
2. 계획 수립: 데이터셋, 베이스라인, 평가 지표를 포함한 상세한 실험 설계를 수립합니다.
3. 환경 설정: 실행 환경, 종속성, 데이터셋을 준비합니다.
4. 코드 생성: 실행 가능한 완전한 실험 코드를 생성합니다.
5. 실행: 로컬 GPU 또는 SLURM 클러스터에서 학습을 실행하며, 실패 시 자동 디버깅 및 재시도가 수행됩니다.
6. 분석: 학습 로그와 메트릭을 분석하여 구조화된 증거를 생성합니다.
7. 그림 생성: 실제 데이터를 기반으로 아키텍처 다이어그램과 결과 플롯을 생성합니다.
8. 논문 작성: 수집한 증거와 인용문을 사용해 완전한 LaTeX 논문 초안을 작성합니다.
9. 검토: 자동으로 챕터를 검토하고 수정합니다.

Python CLI(ТUI 모드 지원), Claude Code 통합, Feishu(Лark) 봇 등 다양한 인터페이스를 지원합니다. 또한 'Evo'라는 자기 진화형 파이프라인을 통해 여러 연구 사이클에 걸쳐 기술과 프로젝트 메모리를 축적할 수 있습니다.

대상 사용자

• 프로토타입을 빠르게 검증하거나 고품질 초안을 생성하고 싶은 연구자
• 가설 → 코드 → GPU 실행 사이클을 자동화하고 싶은 AI 엔지니어
• 벤치마크를 일괄 생성하거나 완전히 추적 가능한 연구 감사 트레일을 유지하고 싶은 학술 팀

주요 특징

• 현실 세계 실행: 글쓰기 도구와 달리, 실제 작업을 GPU 클러스터에 제출하고 실제 로그를 분석합니다.
• 자기 진화형 파이프라인: evo 모드는 피드백 기반 계획과 RAM LoRA 어댑터를 사용해 사용자 선호도에 시간이 지남에 따라 적응합니다.
• 유연한 모델 라우팅: 각 단계에 다른 LLM을 할당 가능 (예: 아이디어 도출에 DeepSeek, 코드 생성에 GPT-5.5).
• 다중 인터페이스 접근: CLI, Claude Code (Bash/WebSearch 사용), 챗봇을 통해 제어 가능.