中国科学院大学与上海AI实验室联合推出AI排版助手“排版医生”

这项由中国科学院大学、上海人工智能实验室及上海交通大学联合开展的研究，以预印本形式发布于2026年5月，论文编号为arXiv:2605.10341。

研究概述：攻克学术论文排版的“最后一公里”难题

对于每一位学术研究者而言，论文提交前的最后阶段往往伴随着一种独特的焦虑：代码调试完毕，实验数据齐备，正文撰写完成，却在截止日期前的关键时刻，发现生成的PDF存在各种视觉排版问题——图片位置飘忽不定、公式溢出文本框、参考文献页面留下大片空白，或者总页数超出了会议严格限制。随之而来的，便是在LaTeX源代码、编译命令和PDF预览器之间反复切换、通宵达旦的手动调整循环。

LaTeX作为学术界主流的文档排版系统，以其专业的公式渲染和规范的格式输出而备受推崇。然而，一个常被忽视的事实是：源代码编译成功，绝不意味着最终生成的PDF在视觉上美观或符合出版要求。图片可能“漂浮”到错误页面，表格宽度可能超出边界，段落可能在尴尬处断开，这些“能编译”但“不好看”的问题，目前缺乏有效的自动化解决方案。现有工具要么仅能解析代码和日志，要么是纯文本的AI助手，它们都无法“看见”并理解二维页面上的实际排版效果。这正是研究者们深陷手动调整困境的根本原因。

为此，来自中国科学院大学、上海人工智能实验室和上海交通大学的团队提出了一个开创性的解决方案：PaperFit系统。该系统让AI能够真正“视觉化”地处理排版问题——如同一位经验丰富的排版编辑，一边审视PDF的渲染效果，一边智能地修改LaTeX源代码，并通过迭代编译验证，直至文档完全符合学术出版规范。

一、学术出版的隐形壁垒：从“可编译”到“可发表”的鸿沟

可以这样比喻：成功编译LaTeX代码，如同将物品装入未破损的快递箱。然而，要使包裹顺利寄出，还需确保物品放置稳固、箱体未超重、包装无破损、地址清晰无误。仅仅“装入箱子”是远远不够的。

研究团队将这一长期被工具忽略的环节正式定义为“视觉排版优化”任务。其目标是：给定一篇可成功编译的LaTeX学术论文，通过循环执行“查看渲染页面图像→修改源代码→重新编译验证”的流程，最终使论文PDF在视觉上整洁、规范，并严格满足目标会议或期刊的页数限制。

为何这一环节至关重要？在文档自动化流水线上，已有诸多工具致力于生成“可编译的LaTeX源文件”，例如格式转换器、文档理解模型和大语言模型。这些属于“结构化排版”阶段。然而，从“可编译的代码”到“可直接投稿的优质PDF”，其间存在一段巨大的空白，目前完全依赖研究人员手动处理——而PaperFit旨在填补的，正是这片空白。

二、现有工具的局限性：三大根本性缺陷

为何现有工具无法有效解决视觉排版问题？根源在于三个相互关联的根本缺陷。

首先是“视觉盲区”。基于规则的排版工具和编译日志提供的信息本质是一维的文本信号。例如，日志可以提示“overfull hbox”，但无法量化该溢出对读者阅读体验的实际影响，也无法判断图片位置是否破坏了阅读流。排版质量本质是二维的空间美学问题，一维信息不足以支撑精准判断。

其次是“修复方案的无限性与伪修复”。当系统检测到排版问题时，其可选的修复指令组合几乎是无限的，其中大量属于“伪修复”。例如，滥用`\vspace`强行插入空白、用`\resizebox`暴力缩放表格、用`\newpage`强制分页。这些命令虽能让代码继续编译，实则掩盖或转移了问题，并可能破坏排版规范。区分“根治问题的方案”与“掩盖问题的方案”，需要深厚的专业知识约束。

最后是“无法验证的级联效应”。LaTeX排版具有全局关联性，局部微小改动常引发意想不到的连锁反应。调整一张图片的宽度，可能导致三页后的分页位置变化，进而产生“孤行”段落。纯文本AI助手在修改代码时无法“预见”修改后的PDF视觉效果，因而完全无法评估这些级联效应是否引入了新的缺陷。

三、PaperFit的核心机制：构建“观察-修改-验证”的智能闭环

PaperFit的核心设计理念，是模拟资深出版编辑的工作流。编辑不会仅凭源代码猜测效果，而是会先查看PDF，定位问题，再针对性修改源码，并重新编译确认效果。这个“看—改—验”的闭环，是PaperFit系统运作的基础。

系统在每一轮迭代中综合处理四个层面的信息：源代码、编译日志、PDF文档结构以及渲染出的页面图像。页面图像能揭示那些代码和日志无法反映的二维视觉缺陷，如稀疏尾页、双栏布局中的栏间空白、图表堆叠、表格过宽、跨页视觉不平衡等。

PaperFit将排版缺陷系统性地归纳为五大类：空间利用率问题、浮动元素（如图表）定位问题、表格宽度问题、内容溢出问题以及模板迁移适配问题。

四、修复策略的艺术：何为真正有效的修改

发现问题仅是第一步，如何修复才是真正的挑战。研究团队为PaperFit设计了一套严格的“修复偏好档案”，明确了修复操作的优先级与禁区。

修复动作分为三个等级：
1. 排版原生修复（首选）：调整浮动元素位置参数、拆分过长公式、使用自适应宽度的表格环境、将图片宽度归一化至模板规范值。这些操作直击问题根源，副作用最小。
2. 间距调整（有条件允许）：微调局部`\vspace`、修改`\setlength`参数、添加栏间分隔提示。仅在理由充分时使用，且需通过二次验证。
3. 伪修复（严格禁止）：禁止使用`\resizebox`暴力缩放表格、`\newpage`或`\pagebreak`强行控制分页、`\scalebox`缩放图形以及删除内容。这些命令会破坏排版规范或隐藏问题。

仅当所有排版修复手段用尽后，若页数仍略微超标或存在少量空白行，系统才允许启用“最终手段”：有限度的语义润色——轻微调整措辞，但绝对不改变内容、数据、引用或学术结论。

每次修复前，系统会对受保护对象（图片、表格、标题、标签、引用、参考文献）进行“快照”。修复后立即核查这些对象是否完好无损、未发生非预期的跨章节移动或标题改动。如有违规，系统将自动回滚至修复前状态。

五、严格的质量门控：确保每次修改的安全性与有效性

PaperFit的关键设计之一是每次修改后都必须通过严格的“验收关卡”，而非修改后即结束。

该验收机制在每轮修复后完整执行以下步骤：重新编译并收集日志、解析确定性信号、渲染全部页面、基于四层证据重新生成结构化缺陷记录、按类别和修复偏好执行修复、再次编译渲染，最后由“门控器”裁决。

门控器给出三种裁决之一：“完成”（所有约束通过，无阻塞性缺陷）、“继续”（当前状态安全，但仍有问题待处理）或“阻塞”（当前修复不安全或不可行，需回滚并尝试其他方案）。

此闭环机制至关重要，因为LaTeX排版的非局部性意味着微小的局部修改可能在文档远端引发难以预料的连锁反应。若无每次修改后的全局验证，很可能在修复一个问题的同时，在别处制造出两个新问题。

六、PaperFit-Bench：专为视觉排版优化构建的基准测试集

为严谨评估PaperFit及潜在解决方案，研究团队构建了标准化测试集PaperFit-Bench。

该测试集包含200篇来自arXiv的真实学术论文，覆盖自然语言处理、计算机视觉、强化学习等AI子领域，涉及10种不同的会议模板（包含单栏与双栏格式），页数限制从7页到14页不等。每篇论文平均包含6.3张图片和5.3个表格，确保了测试场景的复杂性。

测试案例通过有计划的“扰动”生成，并保留原始版本作为参考。扰动操作共13种，分属前述五类缺陷。案例按难度分为简单、中等、困难三档，设计原则强调“真实性优先于简易性”。即使“简单”案例也可能包含棘手的局部问题，而“困难”案例通常是多种扰动交织的复杂情况。

七、六种基线方法：揭示系统核心组件的价值

研究团队设置了六种对比基线，逐步增加能力，以清晰展示PaperFit各核心组件的贡献。

1. Perturbed：直接提交扰动后的输入，作为性能底线。
2. RuleLog：基于规则的确定性修复，仅使用源代码和编译日志，代表当前工业界自动化工具的能力上限。
3. TextST：单轮纯文本大模型修复。将LaTeX源代码提交给大语言模型进行一次性修改，无视觉反馈，代表文字AI助手的能力。
4. TextMR：多轮文本+日志修复。相比TextST，支持多轮对话并可查看编译日志，但仍无视觉反馈。
5. VisualST：单轮视觉修复。为模型提供LaTeX源代码和渲染页面图像，但仅允许单轮修复，测试“有视觉输入但无迭代”的收益。
6. VisualMR：多轮视觉智能体基线。这是最接近PaperFit的对比方法，可在固定轮数内查看源代码、日志和页面图像，并能直接修复编译错误、渲染问题和排版问题。其关键区别在于：缺乏PaperFit的缺陷分类体系、结构化诊断记录、修复偏好档案、回滚机制以及质量门控。它代表了“具备多轮视觉反馈的通用AI智能体”的能力。

八、实验结果：结构化设计带来的显著提升

评估采用两套互补的指标。程序化指标（Program Score，0-5分）考察技术正确性：编译/渲染成功率、页数精确度、学术内容完整性。视觉质量指标（VLM Score，0-5分）通过视觉语言模型对渲染页面进行评估得出。此外还有“胜率”（Win Rate），即输出视觉质量优于扰动输入的比例。

结果清晰地展示了差距：
- Perturbed基线VLM分数仅1.83，胜率为0。
- 基于规则的RuleLog将VLM分数提升至2.18，但编译成功率反而从58%降至52%，表明规则工具可能引入新错误。
- 单轮文本模型TextST的VLM分数为1.85，胜率28%，改善有限。
- 多轮文本+日志的TextMR在纯文本方法中表现最佳，VLM分数2.16。
- 加入单轮视觉的VisualST，其VLM分数并未显著高于纯文本方法，说明“有视觉输入”本身不等于“能修复排版”。
- 最接近的竞争者VisualMR是一个分水岭：编译/渲染成功率均达97.5%，VLM分数2.80，胜率65%。然而，其页数精确命中率仅为54.9%，且仍有35%的案例视觉质量未得到改善。
- PaperFit取得了全面领先：编译与渲染成功率均达100%，VLM分数3.39，胜率89.5%，页数精确命中率80.5%。其VLM分数比VisualMR高出0.59分，胜率高出24.5个百分点，页数命中率高出26个百分点。两者使用相同的大语言模型底座，差距完全源于PaperFit的结构化诊断、约束修复和门控验证机制。
- 所有方法的内容语义相似度均保持在0.97以上，证明改善源于排版修复，而非通过大量改写内容来“作弊”缩短页数。

九、模型底座对比：系统结构的重要性远超模型选择

研究团队还测试了PaperFit工作流在不同大语言模型（GPT-5.4, Claude Opus 4.6, DeepSeek-V4 Pro, MiMo-v2.5-pro）上的表现。

结果显示一个重要规律：四个模型的VLM分数分布在3.52到3.66之间，差距仅0.14分。相比之下，PaperFit与VisualMR之间0.59分的差距远大于此。这表明，PaperFit的系统结构设计所带来的性能提升，远比选择哪个特定的大语言模型更为重要。

不同模型间存在修复风格差异：MiMo-v2.5在“修复导向”上领先；GPT-5.4在“不引入新缺陷”上得分最高，风格更谨慎；DeepSeek-V4在空间利用率和浮动元素定位上表现突出。这些差异属于可接受的风格范畴，而非能力优劣。

十、人类评估验证：自动评分与人工判断高度一致

为确保评估可靠性，研究团队邀请了真实人类评估者对所有方法的输出进行评分，并与VLM自动评分进行相关性分析。结果显示斯皮尔曼相关系数高达0.8571，表明VLM自动评分与人类主观感受高度吻合，用其替代人工评分是可靠的。散点图显示，PaperFit在人类评分和VLM评分上均位列第一，且各方法的相对排序在两种评分下完全一致。

十一、典型案例展示：从“混乱”到“规范”的蜕变

研究团队通过几个典型案例直观展示了PaperFit的修复效果。

在一个CVPR/ICCV格式案例中，扰动导致多张图表远离其正文引用位置。扰动版和VisualMR的输出中，有一页文字提及“表格3”、“表格4”和“图3”，但这些元素却不在附近，导致读者查找困难。PaperFit成功将这些浮动元素调整至其首次引用附近，且总页数精确符合目标，而VisualMR则产生了多余页数。

在一个IJCAI格式案例中，模板迁移导致大片空白和页数超标。VisualMR虽能编译成功，但参考文献部分留有大量空白，且页数超标。PaperFit采用了更紧凑的排版策略，最终版本符合目标页数且参考文献完整。

在一个IEEE格式案例中，扰动导致文档尾部参考文献的页脚错位。VisualMR在修复过程中引入了严重的排版错误，并将文档膨胀至20页。PaperFit修复了页脚错位，恢复了紧凑的参考文献布局，使文档回归目标页数。

在两个模板迁移案例中，直接切换模板导致图片宽度严重失配、浮动元素位置混乱。PaperFit自动将图片宽度适配至新模板列宽，并重新优化了浮动元素位置，通过了所有验收检查。

十二、当前局限与失败案例：明确系统的能力边界

研究团队也坦诚展示了PaperFit尚未完全解决的失败案例，明确了系统当前的能力边界。

一类失败涉及全局页数控制不够精准。例如，一篇目标10页的论文，PaperFit的局部修复有效，却产生了多个稀疏尾页，最终输出16页。另一篇目标19页的论文，输出20页，且最后一页仅有一张大图和大量空白。即使仅超出一页，也构成硬性失败。

另一类失败是视觉缺陷残留。例如，一篇论文编译成功且页数正确，但一张原本超宽被裁剪的图片并未被修复——系统满足了“可通过”的约束，但实际视觉问题依然存在。还有一个更棘手的案例：一篇论文编译成功、页数正确，但渲染出的页面呈灰色、视觉无效。这表明仅凭编译成功作为质量指标是不够的，而PaperFit的视觉验证机制在此类异常情况下也未能成功捕获问题。

这些失败模式指出了未来需要突破的方向：更精准的全局页数规划能力、处理超宽单图的更鲁棒策略，以及对特定视觉渲染异常的更强检测能力。

总而言之，PaperFit解决的并非科幻问题，而是每天困扰数万研究者的现实痛点：LaTeX代码能编译，不代表PDF美观；能提交，不代表格式合规。这中间的差距，现在可以由一个真正“看着”PDF进行修复的AI助手来填补。当然，它尚不完美——特别复杂的多重问题组合仍具挑战，页数控制有时也不够精准——但从“全靠手动反复调试”到“有AI排版编辑辅助审查”，这已然是跨越性的一步。

或许，下次论文提交截止前三小时，你不再需要独自面对那个无尽的“改代码—编译—看PDF”的循环了。

常见问题解答

Q1：PaperFit主要能解决哪些LaTeX排版问题？

A：PaperFit专注于解决五大类LaTeX视觉排版问题：1）图表位置飘离正文引用处过远；2）图片宽度与页面或栏宽不匹配；3）表格过宽或被不当缩放；4）公式或长单词导致内容溢出文本框；5）切换学术会议或期刊模板后，产生的图片宽度失调与页数超标问题。其核心在于能同时分析源代码、编译日志、PDF文档和渲染图像，从而全面诊断问题，而非仅依赖代码或日志。

Q2：PaperFit与普通的LaTeX编辑AI工具有何本质区别？

A：本质区别在于工作闭环与约束体系。普通LaTeX AI在修改代码时无法“看到”最终渲染效果，修改后即结束，无法评估改动引发的全局排版连锁反应。PaperFit则构建了严格的“观察（PDF效果）→ 修改（源代码）→ 验证（重新编译渲染）”闭环。更重要的是，它内置了一套“修复偏好档案”，明确规定了哪些修复操作是推荐、允许或禁止的，从而避免引入“伪修复”，确保修改既解决问题又符合排版规范。

Q3：为何要专门构建PaperFit-Bench测试集？它是如何构建的？

A：构建专门测试集是因为现有相关基准无法全面评估“视觉排版优化”这一新任务。现有测试集大多只测试编译是否成功或局部元素，缺乏对多类型缺陷注入、基于页面渲染的视觉评估、多轮迭代修复以及文档级全局验证的综合支持。PaperFit-Bench从arXiv选取200篇已发表论文，覆盖10个主流会议模板，通过施加13种有计划的“扰动”操作来模拟真实排版缺陷，同时保留原始版本作为金标准。其设计强调“真实性优先”，确保测试能反映研究者实际面临的复杂排版挑战。