XtraQA

XtraQA数据集由新加坡国立大学和香港中文大学（深圳）的研究人员创建，包含7040篇顶级会议的学术论文，以及超过14万对反映真实、基于段落的科学修订指令-响应对。该数据集旨在支持基于指令的段落改进，通过模拟真实世界的论文修订场景，为LLMs提供高质量的训练数据。

The XtraQA dataset was developed by researchers from the National University of Singapore and The Chinese University of Hong Kong, Shenzhen. It contains 7,040 academic papers from top-tier conferences, along with over 140,000 pairs of authentic, paragraph-based scientific revision instruction-response pairs. This dataset is designed to support instruction-based paragraph improvement, providing high-quality training data for large language models (LLMs) by simulating real-world academic paper revision scenarios.

搜集汇总

数据集介绍

构建方式

XtraQA数据集的构建过程体现了严谨的学术规范与创新性设计理念。研究团队从ICLR 2024会议论文库中筛选6,994篇高质量学术文献，采用NOUGAT深度学习解析器将PDF转换为结构化标记文本，并剔除参考文献等非核心内容以确保文本纯净度。通过定义20个基于权威写作指南的章节级修订标准，结合GPT-4o-mini模型生成140,800条指令-修订对，每个修订案例均由特定学术标准驱动并保留完整论文上下文。为确保数据质量，团队引入三位计算机科学博士进行四维度人工验证，包括指令遵循度、标准对齐性、上下文关联性和修订接受度，最终构建出首个支持细粒度、可控制学术修订的基准数据集。

特点

该数据集的核心价值体现在三个维度：其一，覆盖范围全面，包含标题、摘要、引言等六大核心章节的修订案例，每个案例均关联具体学术写作标准；其二，修订质量卓越，基于ICLR顶级会议论文构建的指令-响应对经过严格人工验证，平均接受度达3.25分（5分制）；其三，应用场景精准，所有修订案例模拟真实学术写作场景，特别强调概念连贯性、论证严谨性等深层修订需求。区别于通用文本生成数据集，XtraQA首次实现了学术修订任务的结构化标注，为可控生成研究提供重要基准。

使用方法

使用XtraQA需遵循学术修订的内在逻辑链条：首先加载论文全文及目标段落，根据20类标准选择对应修订指令；随后将原始文本、指令及完整论文上下文输入XtraGPT等适配模型，获取标准驱动的修订建议。典型工作流包含多轮迭代，用户可针对同一段落发起不同标准的修订请求（如先提升动机清晰度再优化术语一致性）。评估时建议采用长度控制胜率（LC-Win Rate）指标，避免生成文本长度偏差。数据集已按95:5比例划分训练/测试集，包含7,000对保留样本供模型对比研究。

背景与挑战

背景概述

XtraQA数据集由新加坡国立大学和香港中文大学（深圳）的研究团队于2025年创建，旨在解决大型语言模型（LLMs）在学术论文修订中的局限性。该数据集包含来自顶级学术会议的7,040篇研究论文，标注了超过140,000条指令-修订对，覆盖了标题、摘要、引言等六个核心部分的20项修订标准。XtraQA的构建基于权威的学术写作指南和专家修订意见，为训练模型提供了高质量、任务特定的数据。该数据集不仅推动了学术写作辅助工具的发展，还为可控生成和迭代修订研究提供了重要资源。

当前挑战

XtraQA数据集面临的主要挑战包括：1) 领域问题的挑战：现有LLMs在学术论文修订中往往仅能进行表面语言润色，难以处理概念连贯性、论证严谨性等深层次问题，且缺乏对学术写作迭代特性的支持；2) 构建过程的挑战：数据收集需平衡领域覆盖与专业性，确保来自顶级会议的论文具有代表性；标注过程需协调多位领域专家，保持修订标准的一致性；质量控制需处理LLM生成数据的幻觉问题，同时确保修订建议符合学术规范。此外，评估修订对论文质量的真实影响也缺乏可靠指标。

常用场景

经典使用场景

XtraQA数据集在学术论文修订领域具有广泛的应用价值，尤其在提升论文质量方面表现突出。该数据集通过标注超过140,000条指令-修订对，为研究者提供了丰富的修订范例，涵盖了从标题到结论的各个论文部分。这些修订范例不仅帮助研究者理解如何改进论文的各个部分，还为自动化修订工具提供了训练数据。

实际应用

在实际应用中，XtraQA数据集被广泛用于开发智能写作辅助工具，如XtraGPT。这些工具能够根据用户指令对论文进行有针对性的修订，提升论文的清晰度、连贯性和学术严谨性。此外，该数据集还被用于培训研究人员，帮助他们掌握高质量的学术写作技巧。

衍生相关工作

基于XtraQA数据集，研究者开发了XtraGPT等一系列开源大语言模型，这些模型在学术论文修订任务中表现出色。此外，该数据集还启发了多项相关研究，如自动化论文评分系统、智能写作辅助工具等，进一步推动了学术写作的智能化进程。