Imported from SyntaxSmith/nature-writing-skill (SKILL.md). Install upstream with npx skills add SyntaxSmith/nature-writing-skill. Copyright stays with the author.

Nature 系 AI / ML 论文写作技巧 v4（拆分版）

Craft, Taste, and Story-Craft for NMI / NC / NCS / Nature

资料来源：7 类领域共 44 篇开放获取论文的逐句抽取在 extracts/01-singlecell.md … 07-ai-methods.md；抽取框架见 _framework.md（v5：补 8 篇 2024–2026 NMI/NC/Nature 纯 AI 方法论文）。
读者：中文母语或中文工作语境中的 AI / ML 研究者。主投 Nature Machine Intelligence；次投 Nature Communications 与 Nature Computational Science；少数旗舰工作冲 Nature。
目标：不只是“能过审”，而是让审稿人读完后说：well-written, clearly motivated, compelling, careful, and hard to put down.
约定：

• 英文引号里的句子是 corpus verbatim，除非标注为“模板 / 构造 / 改写”。
• <X> 是占位符。
• […] 是删节；… 是原文或节选中的省略。
• 本文档把规律分为三档：
  • 常见模式：44 篇里多数遵循，可作为默认。
  • 子门类倾向：只在 foundation model / benchmark / AI-for-X / clinical AI 等特定类型里成立。
  • 强约定：罕有例外，违反通常会显得生硬或不可信。
• 不使用“铁律 / 必须 / 绝不”。好论文知道规矩，也知道何时破规矩。 本文档为瘦索引：保留全篇都需要看到的部分（骨架公式、写作顺序、提交前 checklist、Quick card、附录），其余按主题拆到 references/01-story.md … references/15-taste-development.md。详细加载规则见 §1。

0. 先记住这句话：论文不是实验清单，是阅读体验

Patron sentence — FunSearch:

"Many problems in mathematical sciences are 'easy to evaluate,' despite being typically 'hard to solve.'"

这句话好，因为它不是“我们提出一个方法”。它把整篇论文的戏剧张力先说出来：有一类问题，答案很难找，但好坏很容易判。于是 FunSearch 的 LLM + evaluator 设计变成必然，而不是作者硬塞给读者的系统图。

v3 教你 craft：title 怎么写，abstract 怎么排，Results 怎么开句，Methods 报什么。
v4 还要教 taste：哪个结果该当 Fig. 1，哪个该进 Supplementary，哪句话该收住，哪句话该响一点，哪种故事配得上 “paves the way”。

0.1 一篇 Nature 系 AI 论文的默认骨架

多数论文仍遵循这一条骨架：

TITLE
  ← 4–6 种定式之一：工具名 / 工具名+冒号 / X enables Y / Towards a… / Discovery of…

ABSTRACT
  s1  BIG-PICTURE / 重要性
  s2  GAP
  [s3 GAP-2 / contrast / opportunity]
  s4  HERE-WE pivot：Here we / We introduce / We propose / We report / This paper introduces
  s5  METHOD-SPEC：数字最密的一句（默认；纯 AI 方法 / safety / evaluation 论文可把数字峰值后移到 KEY-RESULT 或 VALIDATION——见 `references/03-abstract.md` §3.2.2 carve-out）
  s6  KEY-RESULT：一个强数字 + 命名 baseline / benchmark / human anchor
  [s7 VALIDATION / GENERALIZATION / 第二轴结果]
  s8  IMPLICATION：paves the way / opens the door / democratizes / represents a step

INTRODUCTION
  宽 hook → recent advances → gap → pivot → results preview

RESULTS
  4–10 个子节：每节一个 claim / task / capability；Fig. 1 建立阅读地图

METHODS
  复现细节、数据切分、baseline、公平性、compute、statistics、code/model/data availability

DISCUSSION
  重述贡献 → 与 prior work 比较 → limitation → outlook / community / deployment

0.2 v4 的核心判断

Craft 问：

“Nature 系论文通常怎么写？”

Taste 问：

“这篇论文的最强阅读路线是什么？”

Craft 给你模板。Taste 决定你何时不用模板。
AlphaGeometry 的标题 "Solving olympiad geometry without human demonstrations" 没有工具名、没有冒号、没有 X enables Y，但它把贡献的张力放在标题里：不是“solving geometry”，而是 without human demonstrations。
FunSearch 的 abstract 有 10 句，明显超过 5–8 句默认骨架，但每一句都推进：capability → hallucination flaw → here-we → result 1 → result 2 → mechanism contrast → interpretability value。
SemanticLens 用 aeroplane analogy 开篇：

"Unlike human-engineered systems such as aeroplanes, where each component's role and dependencies are well understood, the inner workings of AI models remain largely opaque…"

这些都不是破坏规矩。它们是在更高层面服从故事。

0.3 写作顺序不要反过来

不要先把所有实验按时间顺序贴进 Results，再想标题。正确顺序是：

1. 选 story shape：这篇论文到底是什么故事？
2. 选 climax：哪个结果是读者必须记住的？
3. 选 Fig. 1：读者第一眼看到的是 bottleneck、machine、funnel、scaling law，还是 human benchmark？
4. 删弱枝：不能服务主故事的实验，进 Supplementary 或删掉。
5. 再写 abstract / intro / results。
6. 最后逐句打磨 rhythm、verb、restraint、overclaim boundary。

1. Routing — 按任务加载

写作不是线性的；读 SKILL 也不该线性。每个写作阶段或具体困境，按下面表格只 Read 1–2 个 reference 文件。

1.1 按写作阶段加载

1.2 References 目录（主题索引）

1.3 与 FIGURE-SKILL.md 的衔接

视觉设计是另一回事，由独立的 FIGURE-SKILL.md（v0.2）覆盖：Fig. 1 schematic 6 种构图、配色（Wong/Okabe-Ito 8 色板）、字体字号（panel letter 8pt bold lowercase + 其他 5–7pt，已按 Nature Research Figure Guide 核实）、panel 布局、数据图选型、统计在图内的呈现、matplotlib/ggplot template、Illustrator 拼版流程、arXiv→Nature 反模式 19 条、文件格式与大小（≤50MB / RGB / Type 42 / lowercase a/b/c）。写 Results 与做图常需同时打开两本 skill。

1.4 与 extracts/ 的关系

所有 verbatim 引文（如 AlphaFold "Here we provide the first computational method…"，FunSearch "easy to evaluate, hard to solve"）都可在 extracts/01-singlecell.md … extracts/07-ai-methods.md 7 个文件 / 共 44 篇里通过 grep 查到上下文。当 SKILL 或某 reference 引用一句话且你想看出处全文时，到对应 extract 文件搜即可。

2. 提交前 checklist

提交前一次性扫一遍。条目按章节分组——任何一项落空，先回到对应 reference 修。

2.1 Story

[ ] 我能用一句话说出 story shape。
[ ] antagonist 明确：bottleneck / data scarcity / black box / scale / compute / human bottleneck / synthetic constraint。
[ ] Fig. 1 服务主 story，而不是零件堆。
[ ] 每个主文实验支撑 abstract claim、处理强质疑、或推进 climax。
[ ] 至少有一个实验被降到 Supplementary 或删掉。
[ ] Results 顺序不是实验时间顺序，而是阅读顺序。

2.2 Title

[ ] 标题属于 A–F 定式之一。
[ ] 没有空心化 "A novel method for…"。
[ ] 如果用 "foundation model"，下游任务 / transfer / scale 足够支撑。
[ ] 如果用 "without / first / universal / clinical-grade"，证据足够支撑。
[ ] 标题能让 editor 在 5 秒内知道冲突和贡献。

2.3 Abstract

[ ] 5–8 句为默认；若更长，每句有独立功能。
[ ] 有一个明确 pivot。
[ ] METHOD-SPEC 句数字密度最高（默认）；或已有意采用 pure-AI-methodology carve-out（数字在 KEY-RESULT / VALIDATION）。
[ ] KEY-RESULT 有 named baseline / benchmark / human anchor。
[ ] Outlook 动词与证据强度匹配。
[ ] 中段用强动词；末段适度 hedge。
[ ] 没有把 architecture details 写成 mini Methods。

2.4 Introduction

[ ] Hook 不是 "Recently, deep learning…"。
[ ] 第一段有 stakes / old problem / analogy / paradox。
[ ] GAP 说明 limited by what。
[ ] Pivot 段落明显。
[ ] Intro 末段给 roadmap 或 tight pivot。
[ ] 每个 major claim 有适量 citation，不是 citation pile。

2.5 Results and figures

[ ] Results header 风格统一。
[ ] 每个子节开句让读者知道：为什么做 / 做了什么 / 得到什么。
[ ] Fig. call-out 把发现放主语位置。
[ ] Main benchmark 有 named baseline。
[ ] 主要比较有 uncertainty：CI / IQR / std / P / bootstrap / repeated splits。
[ ] 至少有 robustness / ablation / control 处理 alternative explanation。
[ ] Discovery paper 有 funnel。
[ ] Foundation model paper 有 scaling / data-size / transfer 证据。
[ ] Clinical paper 有 external validation 或明确说明没有。
[ ] Caption 可独立复述 figure。

2.6 Methods and reproducibility

[ ] 数据来源、版本、split 原则清楚。
[ ] leakage 检查说明。
[ ] training compute 报告。
[ ] random seeds 或替代 uncertainty 报告。
[ ] baseline 训练公平性说明。
[ ] hyperparameter search budget 说明。
[ ] LLM/API 论文：prompt、version、date、decoding、tool schema 完整放在 SI；主文显式指向 SI（"详见 SI"）。
[ ] Code / data / model availability 独立段。
[ ] License / DOI / access restriction 说明。

2.7 Discussion

[ ] 开句不是 limitation-first，除非有意采用 frank concession。
[ ] 第一段重新框定贡献。
[ ] 与 prior work 比较具体，不泛泛。
[ ] Limitation 具体命名。
[ ] Limitation 后有 boundary / remedy / future direction。
[ ] Outlook phrase 与证据强度匹配。
[ ] Closing 不喊口号。

2.8 Sentence-level taste

[ ] 每段 read aloud 不拗口。
[ ] 没有 noun phrase 过长。
[ ] 删除多余 adjective。
[ ] 强 verb 替换 nominalization。
[ ] 数字顺序符合读者理解。
[ ] 最强结果没有被 "remarkably/dramatically" 淹没。
[ ] 每段有一个落点。

2.9 Reviewer modeling

[ ] 写了 top 5 reviewer objections。
[ ] 每个 objection 已在 Results / Methods / Discussion 某处处理。
[ ] 没有 reviewer 会认为 baseline unfair。
[ ] 没有 reviewer 会认为 claim overreaches evidence。
[ ] 没有 reviewer 需要猜测 key implementation detail。
[ ] 如果你的方法依赖 evaluator / 监督目标 / human label / benchmark：评估这把 ruler 本身是否可信。reviewer 可能问 "Is the evaluator / supervision target itself valid?"

3. Quick field manual（屏幕边贴条）

3.1 Story

This paper is a <story shape> story:
  bottleneck-broken / two-gap synthesis / scale-emergent / discovery funnel /
  human-anchored benchmark / trust bridge / limit-redrawn.

The antagonist is <X>.
The climax is Fig. <Y>.
The sentence readers must remember is:
  "<one sentence>"

3.2 Abstract

<Topic> is <critical> for <field>.
However, <existing methods> are <limited by X>.
[Yet, <second paradigm> <fails by Y>.]
Here we <introduce/present/propose> <NAME>, a <category> that <mechanism>.
<NAME> <does numerically dense thing>.
We show that <NAME> <outperforms/solves/discovers> <baseline> on <benchmark>.
[Furthermore, <generalization/validation>.]
<NAME> <bounded outlook phrase> <broader vision>.

3.3 Intro

¶1 Hook: concrete stakes / old problem / analogy / paradox.
¶2 Recent advances: grouped, not piled.
¶3 Gap: limited by what?
¶4 Pivot: Here we <verb> <NAME>.
¶5 Roadmap: Specifically, we show that …

3.4 Results

§1 Reader map: architecture / pipeline / benchmark design.
§2 Main result with named baseline.
§3 Mechanism / ablation.
§4 Robustness / external validation.
§5 Hard case / discovery / human anchor.
§6 Boundary / failure / generalization.

3.5 Methods

data + split + leakage
architecture + training + compute
baselines + fairness
statistics + seeds
LLM prompts/API/tool schema if relevant
code/data/model availability

3.6 Discussion

Opening: restate contribution or reframe field.
Compare: unlike <prior>, <NAME> <specific difference>.
Limit: one named boundary.
Remedy: concrete next step or scope condition.
Close: resource / vision / calibrated outlook.

3.7 Sentence

Can I replace adjective with number?
Can I replace "this" with named noun?
Can I replace nominalization with verb?
Can I cut the first clause?
Does the sentence land on the strongest word?

Appendix A — 44-paper corpus

Appendix B — Before / After 对照练习索引

每个 pair 给"无 taste 版"和"有 taste 版"对比，附 1 句解释。打磨自己的稿子时，先选一对照之相近的 pair 读。

Appendix C — One-page reviewer red-team sheet

打印一张贴桌上。提交前 30 分钟过一遍。

Title:
  What story does it promise?
  Is any word overclaiming?

Abstract:
  s1 stakes:
  s2 gap:
  s3 gap-2:
  s4 pivot:
  s5 method-spec:
  s6 key-result:
  s7 validation:
  s8 outlook:
  Missing anchor?

Intro:
  Hook type:
  True antagonist:
  Straw-man risk:
  Prior work reviewer will cite:

Results:
  Fig. 1 function:
  Climax figure:
  Weakest main-text experiment:
  Experiment to move to supplement:
  Strongest alternative explanation:
  Control addressing it:

Methods:
  Leakage risk:
  Baseline fairness risk:
  Seed / uncertainty:
  Compute:
  Reproducibility artifact:

Discussion:
  Main contribution restated:
  Limitation named:
  Outlook phrase:
  Is it earned?

Sentence-level:
  Loud adjectives to cut:
  Nominalizations to replace:
  Vague nouns to name:
  Long sentence to split: