ResearchStudio-Reel: 단일 논문 PDF로 포스터·발표 동영상·이중언어 블로그를 자동 생성하는 파이프라인

연구 결과의 발표용 자산(학회 포스터, 강연용 영상, 대중용 블로그)은 카메라-레디 이후 저자가 가장 바쁜 시점에 수작업으로 생산되는 경우가 많아 배포 비용이 크다. ResearchStudio-Reel은 이러한 '마지막 마일'을 자동화해 동일한 추출 결과를 재사용하고 편집 가능한 원본(파워포인트·워드)을 보존함으로써 수작업 반복을 줄이고 산출물의 사실 일관성을 확보한다. 또한 연속적 선호 점수 대신 범주적 품질 게이트를 도입해 시각적 비어있음이나 핵심 섹션 누락을 허용하지 않는 점이 연구 배포의 신뢰성을 높였다.

연구 배포 산출물은 공통의 원천 정보(본문·그림·캡션)를 반복 추출하는 대신 한 번의 결정적 추출로 공유하면 교차 산출물 간 사실 불일치와 중복 비용을 제거할 수 있다. Paper2Assets는 PDF에서 본문과 그림을 추출해 섹션별 식별자와 그림 핸들을 부여하고 내러이션 순서표를 고정해 하위 생성기가 동일한 근거를 소비하도록 만든다. 이렇게 하면 포스터·비디오·블로그가 서로 다른 시점에 서로 다른 파싱 결과를 얻어 발생하는 불일치가 구조적으로 사라진다.

전체 파이프라인은 다섯 개의 스킬로 구성된다: Paper2Assets(공유 추출), 세 개의 생성기(Paper2Poster, Paper2Video, Paper2Blog), 그리고 Paper2Reel(수렴·뷰어). 각 스킬은 결정적 전처리와 에이전트 호출을 결합해 산출물을 만든 뒤 필수 패키지 게이트를 통해 릴리스한다. 스킬들은 파일 시스템 기반의 번들 인터페이스로 통신하며 하위 산출물은 재사용 가능하도록 고정된 식별자와 메타데이터를 포함한다.

포스터 성능 평가는 Paper2Poster 벤치마크의 100개 논문에서 두 명의 VLM 판정(claude-opus-4.8, gpt-5.5)을 사용해 평가되었다. ResearchStudio-Reel(Claude Code 설정)은 자동화 시스템 중 모든 미학·정보 하위 기준에서 최고 점수를 얻었고 미학 평균 3.52를 기록해 저자 원본(2.94)을 상회했으며 전체 점수에서 84%~93%의 논문에서 승리했다. 파이프라인 비용·시간 측정에서는 전체 번들 생성에 평균 89.2분이 소요되고 대략 2.6M 입력 토큰, 276K 출력 토큰이 소비된 것으로 보고되었다.

Paper2Assets는 PDF에서 텍스트와 캡션을 추출하고 컬럼 인지 마진을 적용해 그림을 크롭한 뒤 그림 클린업 체인(결정적 프리픽스 → 시각적 AI 바운딩 박스 → 컨텍스트 재검증)을 실행해 정제된 그림 파일과 섹션별 요약을 생성한다. 포스터 생성에서는 각 섹션의 painted content 높이를 getBoundingClientRect로 측정해 fullRatio = h_content / h_card를 계산하고 0.70·0.90·1.00·1.10 임계로 범주 판정을 내려 고정된 수정을 적용하는 단계적 채움 루프를 운용한다. 채움 루프는 각 반복에서 수정된 원문 조각만 모델 창으로 보내 전체 문서가 컨텍스트를 넘지 않도록 설계했으며 최종 렌더 시에는 under-filled 카드를 98%로 확장하는 보정 패스가 적용된다.

논문이 명시한 주요 한계는 평가 프록시의 제약이다: 미학 점수와 PaperQuiz(읽기 이해) 점수는 실제 독자 흡수와 상이한 방향으로 갈 수 있어 현재 자동화는 기하학적 밀도를 목적함으로써 이해 신호에 완전한 보장을 제공하지 못한다. 또한 현재 파이프라인은 기존 논문에 포함된 그림만 재사용하기 때문에 저자가 의도한 맞춤형 개요도/방법도와 같은 생성적 시각물을 자동으로 그려낼 수 없고, 그런 기능을 추가하면 사실성 리스크(환각)가 새로 생긴다. 논문은 이 환각 리스크를 해소할 수 있는 범주적 게이트 규율을 요구한다고 명시했다.