BENCHUP 如何把科研数据变成研究成果
不是让 AI 猜答案，而是让 AI 组织真实科研计算。BENCHUP 不直接根据提示词生成科研结论：AI 首先理解数据和研究目标，再设计分析方法、生成代码并执行真实计算；后续判断继续建立在实际计算结果和统计证据之上。
第一步，不是选算法，而是先把数据看懂。
BENCHUP 会逐个分析用户提供的数据文件，并建立数据之间的关系，包括：
文件是什么
识别每个文件的数据形态与结构。
每个变量是什么
理解变量的含义与语义角色。
哪些是信号、哪些是样本
区分信号、样本与运行工况。
工况、条件或阶段
哪些变量代表工况、条件或阶段。
文件之间如何对应
建立多文件之间的对应关系。
数据是否完整
哪些信息可以形成研究证据。
把「我有什么数据」变成「这些数据能研究什么」。
BENCHUP 结合数据结构、数据含义与用户研究目标，判断可以回答哪些问题、当前数据支持哪些研究方向、哪些假设具备验证条件、哪些问题暂时缺乏证据、哪些变量和现象值得进一步分析。
先判断方法是否合理，再写代码。
AI 根据研究目标、数据条件与统计 / 理论要求形成候选方法，可能包括统计、信号处理、特征工程、机器学习、深度学习、时序建模、聚类、降维、回归、分类、可靠性分析等可计算研究方法。
AI 可以设计方法，但科研数值必须由代码真正算出来。
BENCHUP 不把大模型直接生成的数字当成科研结果。涉及模型性能、统计指标、图表和分析数值时，应来自真实代码运行和实际数据计算。
第一次结果不是结束，而是下一轮研究的开始。
第一轮计算后，系统会判断：
结果是否稳定
是否需要统计检验
是否需要更多比较
是否存在异常
是否需要改变方法
是否需要追加验证
是否足以支持研究结论
如果结果不足，系统会进入下一轮：
让 AI 解释结果，而不是替代结果。
AI 的分析依据应尽量来自已执行代码、已生成结果、已生成图表、统计数据和已有证据，而不是脱离项目自由发挥。
不是一次分析，而是围绕研究目标持续迭代。
论文不是从提示词里写出来，而是从研究过程里整理出来。
进入成果编写时，系统已经掌握了数据、算法、代码、计算结果、统计结果、图表、研究逻辑、创新点和证据关系。这些继续进入论文结构、方法章节、结果章节、讨论、图表说明与初稿。
AI 形成初稿，用户决定最终科研表达。
用户可以继续控制研究重点、专业解释、章节安排、结论强度、目标期刊、语言风格，以及删除或强化内容。
BENCHUP 负责
大量理解、分析、计算、统计与整理。
用户负责
研究目标、专业判断和最终成果。
为什么这种方式更可信。
真实计算
关键数值、指标、图表和模型结果来自实际代码运行，而不是让 AI 直接生成。
过程可复核
数据、代码、算法、统计结果、图表和研究依据之间可以建立对应关系。
成果可带走
支持导出的代码、算法、图表和项目成果可以保存、下载和继续使用。
方法可迁移
不把科研流程绑定于某一种设备、某一种算法或单一行业。