随着学术文献数量持续增长，高质量学术综述已经成为研究者快速进入陌生领域、梳理研究脉络和追踪最新进展的重要入口。但真正写好一篇综述并不容易：它通常需要阅读大量文献、持续跟进领域动态，并投入大量专家时间。 大模型的出现，让这件事开始有了新的可能。近年来，Deep Research 和自动 Survey Generation 系统已经能够完成论文检索、资料整理、分析与长文本生成，甚至快速产出数万字的 Research Report。 但如果真正对照一篇高质量的 Academic Survey，问题就复杂得多。 论文该怎么组织？Taxonomy 怎么划分？不同论文应该放到哪些 Section？一个 Claim 到底应该由哪些 Citation 支撑？写完之后，References、Cross-reference、Figure、Table 和最终 PDF 又是否真的可靠？ 这些问题，并不是简单拉长上下文、生成更多文字、引用更多论文就能解决的。现有 Deep Research 和自动 Survey Generation 系统，很多时候仍主要围绕 “检索 — 分析 — 写作” 展开，最终结果也更接近一份 Research Report，而不是一篇结构完整、组织严谨的 Academic Survey。 针对这些问题，浙江大学、上海交通大学团队及其合作者提出 Deep Academic Survey（DAS），尝试让 AI 在 1 小时内自动完成一篇面向发表的 Academic Survey。 不同于传统的「检索 — 写作」流水线，DAS 采用 Stateful Agentic Framework，将整个过程重新定义为 Stateful Agentic Closed-Loop Manuscript Construction。 图 1｜现有 Deep Research 和自动综述生成系统与 DAS 对比图 在 DAS-Bench 的 30 个 Survey Topic 上，DAS 从Citation、Taxonomy、Discourse 和 Manuscript Reliability四个核心维度进行评测，最终平均得分达到4.34，完整参与 30 个 Topic 的最强基线为4.03。在专家匿名评测中，DAS 相比 Naive RAG 在27/30个 Topic 上更受偏好，相比 AutoSurvey 则在19/21个共享 CS Topic 上更受偏好。 目前，项目网站已经直接开放了220 篇 DAS 自动生成的热门方向 Survey，完整结果和不同方法的对比都可以在线查看。 论文链接：https://arxiv.org/abs/2608.18034 项目地址：https://zhikaixu24.github.io/projects/DAS/ 代码链接：https://github.com/ZhikaiXu24/DAS 数据地址：https://huggingface.co/datasets/ZhikaiXu24/DAS-2M 面对近 200 万篇论文， DAS 先解决的不是「写」，而是「读懂」 DAS 的后续检索、组织和写作，都建立在一个底层文献基础设施之上 ——DAS-2M Literature Metadata Lake。 团队对2020 年 1 月以来近 200 万篇 arXiv 论文进行全文解析，并利用 LLM 提取面向 Survey Writing 的结构化 Metadata，包括方法、数据集、实验结果、创新点和局限性等信息，目前DAS-2M 已完整开源至 Hugging Face。相比只依赖 Title 和 Abstract，这相当于提前对大规模论文进行更细粒度的「预理解」：一篇论文只需解析一次，便可以被不同 Survey Topic 重复利用；同时，DAS-2M 也是一个持续动态更新的 Literature Metadata Lake，随着新的 arXiv 论文发布，系统会通过同一套解析与 Metadata 提取流程不断补充最新文献，使 DAS 在生成新的 Survey 时能够持续跟进领域进展。 在此基础上，DAS 建立 lexical 和 semantic 索引。用户输入 Topic 后，系统先从 DAS-2M 中检索出全局候选文献，再基于这些候选论文构建Candidate-Grounded Taxonomy，并通过Reverse Paper-to-Section Routing判断每篇论文应该支持哪些 Section。 这样，DAS 后续的 Taxonomy、Paper Assignment、Paragraph Planning 和 Citation Planning，都不再建立在零散检索结果上，而是共享同一套可复用的文献表