scaling-literatures-cuabench-djaiiofjhaio

该数据集名为“全量种子与文献素材”，面向科学类种子题构题产线中的素材预处理，来源为 SciAILab/OSWorld-Science-data。它覆盖 8 个领域、153 道种子题，并排除 VM 环境相关内容。其用途是采集、整理和同步种子题及其配套文献素材，而不是直接生成或验收新题。README 明确指出，本库不代表已生成或验收 153 道新题；本批也仅进行素材采集和入库，不构题、不运行 debate loop，也不宣称已完成科学实验验证。数据内容与构成包括：标准化种子及原始附件，保存在 inputs/seeds/；按 DOI 保存的文献正文、补充材料 SI、关联 GitHub/HF 材料及来源回执，保存在 inputs/papers/；候选 DOI 与种子关联文件 candidates.json；待获取正文清单 paper_waitlist.json；实时逐题汇总 paper_seed_materials_summary.md。同步到 HF 的范围包括 inputs/、README、candidates.json、paper_waitlist.json 和 paper_seed_materials_summary.md；空目录跳过，仅上传变化文件，远端不自动删除；凭据、运行日志、缓存与安装环境不上传；同步记录保存在本地 maintenance/hf-sync/ 中，定时启动不等于上一轮已上传成功，应以远端文件校验为准。本地工作目录中的 dataset/、paper_seed_materials_summary.json、scale_state.json、runs/、imports/、upstream-metadata.json 及维护记录不属于 HF 同步范围。HF 上的汇总 Markdown 是最近上传快照，并非本地实时状态。截至 2026-10-31T13:09:11.028311+08:00 的进度快照显示：种子题及附件本地采集 153 道，HF 远端已核验 153 道，全部文件哈希一致；main 与 SI 齐全文献本地采集 368 篇，HF 远端已核验 190 篇；达到各题文献目标的种子题本地为 132 道，HF 远端为 66 道。README 同时提到当前核对版本的 HF 素材库共 5,900 个文件，约 14.31 GB，版本为 e72506b2336b244ed7636b6a017b9e067b6b066d。远端完整文献统计以本地清单为基准，逐个核对正文与 SI 的内容哈希；仅有正文、仅有 SI、缺失或哈希不同均不计入。题目达标数按各题候选 DOI 与各自目标计算，同一文献可服务多道题。当前仍有 178 篇本地完整文献尚未在远端核验齐全，因此不能把本地采集数当作已上传数。采集与同步流程通过 pipeline scale-papers 入口执行：固定上游版本并核验全部非 VM 输入；每题导入后，由独立文献采集 CLI 按标题、摘要与 capability 筛选，再下载正文、SI 及关联 GitHub/HF 材料；每轮 10 篇新候选，整轮结束后按各题目标检查完整文献数量，默认目标为 3 篇，显式配置可不同，超额全部保留，同一 DOI 的物理文件不重复下载。自动同步每 10 分钟触发，若上一轮仍运行则不重入；传输、网络或提交限额可能导致远端滞后。该数据集适用于种子题素材预处理、文献采集与同步管理、候选文献与种子关联维护、采集进度核对等场景；不适用于宣称已完成题目生成、验收或科学实验验证的场景。The dataset, named Full Seed and Literature Materials, is intended for material preprocessing in a scientific seed-question construction pipeline. It is sourced from SciAILab/OSWorld-Science-data. It covers 8 domains and 153 seed questions, excluding VM-environment-related content. Its purpose is to collect, organize, and synchronize seed questions and their accompanying literature materials, rather than directly generating or accepting new questions. The README explicitly states that this repository does not represent 153 new questions that have been generated or accepted; this batch only performs material collection and ingestion, does not construct questions, does not run debate loops, and does not claim completed scientific experiment validation. Data contents include standardized seeds and original attachments in inputs/seeds/; DOI-organized paper main texts, supplementary materials (SI), associated GitHub/HF materials, and source receipts in inputs/papers/; candidates.json for candidate DOI-to-seed associations; paper_waitlist.json for a to-be-acquired main-text list; and paper_seed_materials_summary.md for real-time per-question summaries. HF synchronization includes inputs/, README, candidates.json, paper_waitlist.json, and paper_seed_materials_summary.md; empty directories are skipped, only changed files are uploaded, remote files are not automatically deleted; credentials, run logs, caches, and installation environments are not uploaded; sync records are stored locally in maintenance/hf-sync/. A scheduled start does not mean the previous round uploaded successfully; remote file verification should be used. Local working directories dataset/, paper_seed_materials_summary.json, scale_state.json, runs/, imports/, upstream-metadata.json, and maintenance records are not within HF sync scope. The summary Markdown on HF is the latest upload snapshot, not the local real-time state. As of the snapshot at 2026-10-31T13:09:11.028311+08:00: seed questions and attachments: 153 collected locally, 153 verified remotely on HF, all file hashes consistent; papers with complete main text and SI: 368 collected locally, 190 verified remotely on HF; seed questions meeting their literature targets: 132 locally, 66 remotely on HF. The currently checked HF material repository has 5,900 files, about 14.31 GB, version e72506b2336b244ed7636b6a017b9e067b6b066d. Remote complete-literature statistics are based on the local manifest, verifying main-text and SI content hashes one by one; main-text-only, SI-only, missing, or hash-mismatched items are not counted. Per-question target achievement is calculated from each questions candidate DOIs and target, and the same paper can serve multiple questions. There are still 178 locally complete papers not fully verified remotely, so local collection counts cannot be treated as uploaded counts. Collection and sync process: executed via the pipeline scale-papers entry; fixed upstream version and verification of all non-VM inputs; after each question is imported, an independent literature collection CLI filters by title, abstract, and capability, then downloads main texts, SI, and associated GitHub/HF materials; 10 new candidates per round; after each round, complete literature counts are checked against each questions target, default target 3, explicitly configurable, excess retained, and physical files for the same DOI are not downloaded repeatedly. Automatic synchronization triggers every 10 minutes; if the previous round is still running, no re-entry occurs; transfer, network, or submission limits may cause remote lag. Suitable for seed-question material preprocessing, literature collection and synchronization management, candidate literature-to-seed association maintenance, and collection progress checking; not suitable for scenarios claiming completed question generation, acceptance, or scientific experiment validation.

原始信息汇总

全量种子与文献素材

基本信息

• 数据集地址：https://huggingface.co/datasets/StarLiu714/scaling-literatures-cuabench-djaiiofjhaio
• 来源：https://huggingface.co/datasets/SciAILab/OSWorld-Science-data
• 覆盖范围：8 个领域、153 道种子题，排除 VM。
• 用途：用于构题产线的素材预处理，不代表已生成或验收 153 道新题。

当前采集与上传进度

• 核对时间：2026-10-31T13:09:11.028311+08:00。
• 说明：这是一次进度快照；持续采集的最新状态见逐题汇总：https://huggingface.co/datasets/StarLiu714/scaling-literatures-cuabench-djaiiofjhaio/blob/main/paper_seed_materials_summary.md

指标	本地采集	HF 远端已核验
种子题及附件	153 道	153 道，全部文件哈希一致
main+SI 齐全文献	368 篇	190 篇
达到各题文献目标的种子题	132 道	66 道

HF 素材库核验状态

• 当前核对版本：e72506b2336b244ed7636b6a017b9e067b6b066d。
• 文件数量：共 5,900 个文件。
• 文件大小：约 14.31 GB。
• 远端完整文献统计以本次本地清单为基准，逐个核对正文与 SI 的内容哈希；仅有正文、仅有 SI、缺失或哈希不同均不计入。
• 题目达标数按各题候选 DOI 与各自目标计算，同一文献可服务多道题。
• 当前仍有 178 篇本地完整文献尚未在远端核验齐全，不能把本地采集数当作已上传数。
• 自动同步每 10 分钟触发，若上一轮仍运行则不重入；传输、网络或提交限额会使远端滞后。

采集与同步流程

• 入口为 pipeline scale-papers。
• 固定上游版本并核验全部非 VM 输入，每题导入后由独立文献采集 CLI 按标题、摘要与 capability 筛选，再下载正文、SI 和关联 GitHub/HF 材料。
• 每轮 10 篇新候选，整轮结束后按各题目标检查完整文献数量；默认目标为 3 篇，显式配置可不同，超额全部保留。
• 同一 DOI 的物理文件不重复下载。
• 同步范围：https://huggingface.co/datasets/StarLiu714/scaling-literatures-cuabench-djaiiofjhaio/tree/main/inputs 、数据集页面 README、https://huggingface.co/datasets/StarLiu714/scaling-literatures-cuabench-djaiiofjhaio/blob/main/candidates.json 、https://huggingface.co/datasets/StarLiu714/scaling-literatures-cuabench-djaiiofjhaio/blob/main/paper_waitlist.json 、https://huggingface.co/datasets/StarLiu714/scaling-literatures-cuabench-djaiiofjhaio/blob/main/paper_seed_materials_summary.md 。
• 空目录跳过，仅上传变化文件，远端不自动删除。
• 凭据、运行日志、缓存与安装环境不上传。
• 同步记录在本地维护目录中的 hf-sync 子目录；定时启动不等于上一轮已上传成功，应以远端文件校验为准。

素材目录与说明

• 实时逐题汇总：https://huggingface.co/datasets/StarLiu714/scaling-literatures-cuabench-djaiiofjhaio/blob/main/paper_seed_materials_summary.md ，包含采集进度、完整篇数与逐题目标。
• 候选 DOI 与种子关联：https://huggingface.co/datasets/StarLiu714/scaling-literatures-cuabench-djaiiofjhaio/blob/main/candidates.json 。
• 待获取正文清单：https://huggingface.co/datasets/StarLiu714/scaling-literatures-cuabench-djaiiofjhaio/blob/main/paper_waitlist.json 。
• 标准化种子及原始附件：https://huggingface.co/datasets/StarLiu714/scaling-literatures-cuabench-djaiiofjhaio/tree/main/inputs/seeds 。
• 按 DOI 保存正文、SI、关联库与来源回执：https://huggingface.co/datasets/StarLiu714/scaling-literatures-cuabench-djaiiofjhaio/tree/main/inputs/papers 。

本地保留且不同步内容

• 固定上游快照、结构化汇总、scale_state.json、runs、imports、upstream-metadata.json 及维护记录仅保留在本地工作目录，不属于 HF 同步范围。
• HF 上的汇总 Markdown 是最近上传的快照，并非本地实时状态。

范围声明

• 本批仅采集和入库素材，不构题、不运行 debate loop，也不宣称已完成科学实验验证。

搜集汇总

数据集介绍

构建方式

在科学问题自动生成与文献可追溯性需求交织的背景下，该数据集围绕构题产线的素材预处理而构建。其上游来源为SciAILab/OSWorld-Science-data，覆盖8个领域并纳入153道非VM种子题。构建入口为pipeline scale-papers：固定上游版本并核验全部非VM输入，逐题导入标准化种子后，由独立文献采集CLI依据标题、摘要与capability筛选候选文献，再下载正文、SI及关联GitHub/HF材料。每轮引入10篇新候选，整轮结束后按各题目标检查完整文献数量，默认目标为3篇，显式配置可调，超额文献全部保留，同一DOI的物理文件不重复下载。

特点

作为聚焦科学文献素材审计与构题预处理的资源集合，该数据集呈现出种子与文献分层同步、版本核验严格以及进度快照化的特征。其核心资产包括153道种子题及附件、候选DOI与种子关联、待获取正文清单和逐题汇总。据README核对快照，本地采集main与SI齐全文献368篇，HF远端已核验190篇；达到各题文献目标的种子题本地为132道，远端为66道。远端统计以正文与SI的内容哈希逐项核验，仅有正文、仅有SI、缺失或哈希不同均不计入，同一文献可服务多道题。当前仍有178篇本地完整文献未在远端核验齐全，自动同步每10分钟触发且存在滞后可能，本批不构题、不运行debate loop，也不宣称完成科学实验验证。

使用方法

面向科学文献驱动的问题构建、素材审计与后续实验设计准备，使用者可将该数据集作为可追溯的文献素材底座。操作入口为pipeline scale-papers，固定上游版本并导入非VM种子，由独立文献采集CLI执行标题、摘要与capability筛选及正文、SI、关联库下载。进度与目标可查阅paper_seed_materials_summary.md，候选DOI与种子关联见candidates.json，待获取正文见paper_waitlist.json；inputs/seeds/保存标准化种子及原始附件，inputs/papers/按DOI保存正文、SI、关联库与来源回执。同步以HF素材库为远端镜像，仅上传inputs/、README、candidates.json、paper_waitlist.json和逐题汇总等变化文件，远端不自动删除；使用者应以远端哈希核验版本为准，并注意汇总Markdown为快照而非实时状态。

背景与挑战

背景概述

在科学发现自动化与基准数据工程深度交汇的背景下，scaling-literatures-cuabench-djaiiofjhaio 数据集定位于为构题产线提供经核验的文献素材。其公开来源指向 SciAILab/OSWorld-Science-data，托管方为 StarLiu714，覆盖 8 个领域、153 道非 VM 种子题；公开快照的核对时间为 2026 年 10 月 31 日。核心研究问题在于将种子题与 main/SI 文献、关联 GitHub/HF 材料进行可追溯匹配，支撑科学基准题目的素材准备。截至快照，本地采集 368 篇齐全文献，远端核验 190 篇，本地与远端分别有 132 道和 66 道种子题达到文献目标，HF 库约 14.31 GB。该资源对科学基准构建与可复现研究具有基础性参考意义。

当前挑战

在开放科学素材规模化汇集与可核验发布的过程中，该数据集面临多重挑战。其领域问题在于跨 8 个领域、153 道种子题实现正文与 SI 的完整采集、按 capability 筛选并达成逐题文献目标，同时保持同一 DOI 跨题复用的准确性与哈希一致性。构建过程中，自动同步每 10 分钟触发且不可重入，网络、传输与提交限额会造成远端滞后；远端不自动删除，空目录跳过，凭据、日志、缓存与安装环境不纳入上传，增加状态核验复杂度。当前仍有 178 篇本地完整文献未在远端核验齐全，本地采集数不能等同于已上传数。该库仅作素材采集与入库，不构题、不运行 debate loop，也不宣称完成科学实验验证。

常用场景

经典使用场景

在科学智能体与自动化科研评测的语境中，该素材库定位于全量种子与文献材料的基础供给层，服务于SciAILab/OSWorld-Science-data衍生的构题产线。其经典用法是固定上游版本并核验全部非VM输入，对覆盖8个领域、153道种子题逐题导入，再经独立文献采集CLI按标题、摘要与capability筛选候选，每轮收纳10篇新候选并下载正文、SI及关联GitHub/HF材料，最终依各题目标检查完整文献数量，默认目标为3篇且超额保留。该流程同时生成候选DOI、待获取清单与逐题汇总，使素材采集、哈希核验和远端同步成为可追踪的标准化环节。

实际应用

在科研工程实践中，该数据集通过pipeline scale-papers入口支撑文献素材的持续采集与同步，每10分钟触发一次自动同步，且上一轮未结束时避免重入；同步范围限于inputs/、README、candidates.json、paper_waitlist.json与paper_seed_materials_summary.md，空目录跳过、仅上传变化文件，凭据、日志、缓存与安装环境不进入远端。研究者可据此追踪153道种子题在8领域的文献达标情况，例如识别190篇远端已核验齐全文献与66道远端达标题，并针对178篇本地完整但尚未远端核验的文献安排补传。该库服务于构题前素材预处理，不构题、不运行debate loop，也不宣称完成科学实验验证。

衍生相关工作

从学术谱系看，该库直接承接SciAILab/OSWorld-Science-data的种子题与素材组织方式，并围绕pipeline scale-papers形成候选DOI管理、待获取清单、逐题汇总与哈希核验等中间产物。就现有README而言，尚未列出已发表的衍生经典工作，因此不宜宣称具体下游成果；其潜在关联工作包括科学文献自动筛选、跨领域种子题配平、文献证据链构建、评测集版本管理与远端同步审计等。这些工作若基于该素材库展开，可复用其固定上游版本、非VM输入核验和变化文件上传机制，为后续构题产线提供可追溯、可审计的文献供给基础。