2026 年再做一个 AI 论文产品，听起来已经不算什么新鲜事。
ChatGPT 能写摘要，Claude 能读长文档，各种面向科研的 AI 工具也已经覆盖了文献检索、论文润色、引用管理和写作。只要把实验结果和要求丢进聊天框，几分钟后，一段语法正确、结构完整，甚至颇有“论文腔”的文字就能生成出来。
如果衡量标准只是“AI 能不能写论文”，这个问题似乎早就解决了。
但真正写过论文的人，可能会遇到一个有些荒诞的场景：左边开着 Overleaf，右边开着 AI，中间是实验结果、Excel、PDF 和几十篇参考文献。你从论文里复制一段给 AI，告诉它“只改这一段”；AI 改完以后，再复制回 LaTeX。接着发现一个实验数字被它顺手改了，于是再次告诉它“83.7% 是实验结果，不要修改”；下一轮，数字保住了，原来的引用却没了。最后，你开始在 Prompt 里反复强调：“不要改其他地方”“保留原引用”“输出 LaTeX”“只修改第三段”。
AI 确实已经参与了科研写作，只不过人变成了几个工具之间最忙的那个接口。
图注：示意。左边是正在写的论文，右边是聊天框，中间是研究者本人。Excel、PDF、参考文献和会议模板并不在模型的上下文里，只能靠人来回搬运。建议题图可用本图（约 16:9）。
Textira 就是在这样的背景下出现的。它没有把自己定义成另一个“帮你生成论文”的聊天机器人，而是试图回答一个更麻烦的问题：既然 AI 已经会写论文了，为什么研究者还在自己搬运上下文？
AI 写论文最难的，已经不是“写”
把一组实验结果变成一段 Results，对今天的大模型来说并不困难。真正困难的是，当这组实验结果进入一篇已经写了 12 页、有 40 篇参考文献、17 个实验数字和若干图表的论文之后，AI 还能不能准确知道哪些东西可以改，哪些不能改。
这也是“生成一篇论文”和“完成一篇论文”之间最容易被忽略的差别。
一篇真实论文并不是一次生成出来的。实验可能今天做完一组，下周再补一组；Introduction 已经修改了五遍，Results 里的一个指标却刚刚更新；审稿人要求增加消融实验，新的结果出来以后，正文、表格、摘要甚至结论中的数字都可能需要同步。投稿目标从一个会议换到另一个会议，页数、模板、参考文献格式和文章叙事也可能随之改变。
在这个过程中，写作只是最后呈现出来的结果。真正不断变化的是论文背后的“状态”。
图注：聊天框擅长一次生成。真实论文是持续变化的状态：实验、章节、数字、审稿意见和投稿目标都会改，而且往往不同步。模型知道你刚刚告诉它的话，却不知道哪一份结果才是最新版。
这恰恰是聊天框不擅长处理的东西。聊天模型知道你刚刚告诉了它什么，却天然不知道电脑里哪份实验结果才是最新版本，也不知道论文中的 83.7% 是一个经过实验得到、不能随意润色的事实，还是作者随手写下、可以重新表达的文字。对于普通写作来说，把一句话改得更顺可能意味着质量提升；对于科研写作来说，多改一个数字，就可能意味着整篇论文不再可信。
所以 Textira 做的第一件事情，不是让 AI 一次写得更多，而是让 AI 进入论文真正所在的环境。
研究者可以从已有的实验、论文和参考材料继续工作，而不是每一次都从一个空白聊天框重新解释背景。论文写到一半，可以让 AI 接着完成；实验发生变化，可以围绕新的结果修改已有章节；LaTeX 出现问题，可以直接定位并修复，而不是把一大段源码复制给另一个模型，再祈祷它不要碰其他地方。
这个区别听起来很小，却改变了 AI 在科研写作里的角色：它不再只是回答问题，而是开始对一篇持续变化的论文进行操作。
图注：Textira 论文工作台。左侧大纲，中间正文，右侧是按目标期刊排版后的 PDF。AI 改的是这篇正在写的论文，而不是聊天记录里的一段文字。
我们故意给 AI 一篇“写到一半”的论文
为了验证这种区别，一个有意思的测试并不是让几个 AI 比赛“从零写一篇论文”，而是反过来：不给它们一张白纸。
我们准备一篇已经进行到中途的论文，里面保留真实的实验结果、引用、LaTeX 结构和已经完成的章节，再加入新的实验材料，然后要求 AI 在现有论文上继续工作。
这时候，任务一下变得麻烦起来。
假设原文写着某个模型为 12 层，这是实验配置，不应该因为语言润色而变成 10 层或 16 层；某个实验结果是 83.7%，修改周围文字时这个数字必须继续是 83.7%；正文引用了一篇真实存在的论文，AI 不能为了让 Related Work 看起来更丰满而临时“补”一篇不存在的文献。更重要的是，如果任务只是修改第 4.2 节，Introduction、Method 和其他实验结果理论上都不应该发生变化。
于是评价标准也发生了变化。我们不再只看“AI 写得好不好”，而开始检查另一些问题：它改了多少不应该修改的内容？已有实验数字是否保持一致？引用有没有发生变化？修改完成以后 LaTeX 是否仍然能够编译？如果一个任务失败，能不能回到修改之前的版本？
图注：一篇越接近完成的论文，允许自由发挥的空间应该越小。即使任务是改 Results，实验配置、已确认的数字、真实引用和其他章节也不该被顺手改掉。
在普通的 AI 写作产品里，这些指标甚至很少被讨论。因为对于生成任务来说，“重新写一遍”往往是解决问题最简单的方法。但科研论文恰好相反：一篇论文越接近完成，允许 AI 自由发挥的空间反而应该越小。
AI 最重要的能力，开始从“能生成什么”变成“知道什么不能动”。
这也是 Textira 产品逻辑里一个很重要的变化。面对局部修改，它更希望把 AI 的行为限制在真正需要发生变化的区域，而不是为了修复一句话重新生成一整个章节。修改完成以后，还需要检查论文是否依然能够正常编译，以及关键事实和引用有没有在修改过程中被破坏。
这听起来不像一个特别炫目的 AI Demo，却可能比“30 秒生成一篇论文”更接近研究者每天真正面对的问题。
为什么 Textira 要从“投哪里”开始
Textira 还做了另一个有些反直觉的选择：在论文还没有写完的时候，就让研究者考虑准备投哪里。
传统流程往往相反。先做实验、写论文，文章差不多完成以后再讨论目标期刊或会议，最后按照投稿要求换模板、删页数、调整引用和格式。但真正经历过投稿的人会发现，“投哪里”并不是最后选择一个模板那么简单。
不同 venue 对论文长度、结构、研究问题和表达方式的要求并不一样。同一组实验结果，如果面向机器学习会议、软件工程会议或者医学期刊，作者需要解释的问题、强调的贡献乃至组织证据的方式都可能不同。如果到了文章写完以后才考虑这些约束，就意味着大量返工。
所以 Textira 首页没有把“Ask AI anything”放在最重要的位置，而是给出了另一句话：
Pick the venue. Tonight, open a draft—not a chat.
先选择你准备去的地方，然后开始一篇论文，而不是开始一次聊天。
图注：Textira 中文首页对应的表述是「选好刊，今晚就有能改的初稿」。打开的是一篇能继续改的稿，不是一个空白聊天框。
这句话实际上也暴露了 Textira 对科研 AI 的判断：未来科研产品真正需要争夺的，可能并不是那个聊天框。
聊天框可能只是 AI 的过渡形态
过去几年，我们已经习惯了一种非常固定的 AI 产品形态：打开一个输入框，告诉模型自己想做什么，然后等待它回答。
这种方式非常适合第一次向 AI 展示能力。写代码、做 PPT、分析数据、写论文，都可以被包装成一句 Prompt 和一次令人惊讶的输出。但当 AI 真正进入专业工作以后，聊天框的局限也开始变得明显，因为用户必须不断告诉 AI：我是谁、我正在做什么、文件在哪里、上一轮发生了什么，以及这一次到底不要碰什么。
程序员已经开始经历类似的变化。早期大家把代码复制进 ChatGPT，现在越来越多 AI Coding 产品直接进入代码库，理解文件、依赖、Git diff 和运行结果。开发者不再需要每次向模型解释“这是我的项目”。
科研可能也会经历同样的过程。
图注：左边是把工作复制给模型；右边是模型进入工作对象。代码已经走过这一步。论文、实验、引用、LaTeX 和目标期刊，也应当不必每次重新解释。
今天研究者仍然习惯把论文复制给 AI，再把 AI 的回答复制回来。但如果 AI 能够直接理解实验、论文、引用、图表、LaTeX 和目标期刊，那么“复制给 AI”这一步本身就会显得越来越奇怪。
Textira 想赌的就是这个变化。
它不是赌下一代模型能不能把论文写得更像人——这件事情几乎一定会发生，而且很可能由更大的基础模型公司完成。它真正赌的是，当模型能力变得足够便宜以后，科研 AI 的竞争会从“谁更会生成文字”，转向“谁更理解一篇论文是怎么完成的”。
到那时候，研究者早上打开电脑，可能不会再先打开一个聊天框，然后输入：
“我们继续昨天的论文。”
AI 应该已经知道昨天停在哪里。
实验结果在那里，参考文献在那里，目标期刊在那里，昨晚没有写完的 Results 也在那里。研究者需要做的，只是继续研究。
AI 已经会写论文了。
Textira 想解决的是，怎么把论文真正写完。
