AI 学术阅读助手：论文总结、问答与翻译

适用场景

这个工具适合需要在较短时间内读懂论文，或者需要反复查阅同一篇论文的人。一篇论文载入后，总结、提问和翻译都基于同一份文字，不用来回切换。

• 研究生刚进组，手里有一批英文论文，想先了解每篇在解决什么问题，再决定精读哪几篇。
• 写文献综述或开题报告前，需要整理多篇论文的方法、数据集和结论，方便横向对比。
• 读到术语密集的段落卡住了，想看一份结合论文上下文的中文译文和术语说明。
• 准备组会汇报，想先列出论文的创新点和局限，再带着问题回到原文核对。
• 跨领域阅读，对这个方向的背景不熟，想针对论文中的某个具体概念提问。
• 写论文时需要把自己的中文段落译成学术英文。载入一篇相关论文后，在「翻译段落」里粘贴中文即可。

示例输出

下面的示例来自一篇虚构论文《基于图结构的城市共享单车需求预测》，作者、数据和结果均为虚构。点击「生成总结」后，AI 按以下六个部分输出。实际内容通常更详细，这里只保留结构和部分内容。

「值得追问的 3 个问题」可以作为提问的起点，复制到「提问」框里继续问。总结只依据论文文字，图片里的内容提取不到，所以只出现在图中的结果可能不会被提到。

总结完成后，下方会出现「提问」和「翻译段落」两个标签页。提问和翻译的结果会接在总结后面，形成一条完整的阅读记录，每段回答都可以复制。

一句话总结
本文用图神经网络建模站点之间的关联，预测未来一小时的共享单车借车需求。

研究问题与动机
传统时间序列方法把每个站点单独建模，忽略了相邻站点之间的需求转移（第 1 节）。

方法
1. 按骑行记录构建站点图，边权为站点间的骑行次数。
2. 用图卷积（Graph Convolution）提取空间特征，再接 GRU 建模时间变化（第 3.2 节）。

实验与结果
数据集：某城市一年的骑行记录。指标：MAE、RMSE。
结论：MAE 比 LSTM 基线低约 9%（表 2）。

创新点
用站点间的真实骑行流量作为边权，而不是只用地理距离。

局限性
只在一个城市验证；没有考虑天气等外部因素。

值得追问的 3 个问题
1. 节假日的预测误差是否明显更高？
2. 边权换成地理距离后，结果会差多少？
3. 模型能否迁移到站点更少的城市？

注意事项

论文阅读对输入质量比较敏感。使用前了解下面几点，能少走一些弯路。

• 最适合有文字层的 PDF 论文。双栏排版、脚注和表格提取后顺序可能混乱，会影响总结质量。生成总结前，可以先删掉参考文献、致谢等无关部分。公式提取成文字后，上下标和符号可能丢失。需要讨论某个公式时，最好在提问里手动写出这个公式。
• 提问时尽量具体，指明章节、表格或概念，例如「表 3 的消融实验说明了什么」。论文里找不到答案时，AI 会直接说明，这时请查阅原文或其他资料。
• 总结里标注的「第几节」「表几」是 AI 给出的大致位置，用来帮你回到原文查找，不一定精确。
• 翻译每次最多 8000 字，建议一次只贴一两段。公式、引用编号和专有名词会保留英文原文，首次出现时用括号标注。
• 未公开的稿件、受保密协议约束的材料，请先确认是否允许发送给第三方服务。
• 免费体验的会话最多可调用 10 次，生成总结、每次提问和每次翻译各算一次。想换一篇论文，点击「换一篇」。新论文会重新开始一段对话，之前的总结和问答不会保留在页面上。