学术级论文精读工具，基于论文类型动态选择分析模板，自动生成含方法批判、实验评估的3000+字深度总结，支持10类顶会标准审阅流程。
说明：
## 核心用法
Paper Summarize 是一款面向学术研究者的智能论文精读技能，通过动态 SOP（标准操作程序）选择机制，针对不同论文类型（方法、数据集、多模态等）匹配专业分析模板。用户输入论文标题、作者、摘要及主题分类后，系统自动生成符合 NeurIPS/ICML/ICLR/ACL 等顶会评审标准的深度总结。
输出文件采用结构化 Markdown 格式，包含：论文信息、核心贡献、方法论批判（2000+ 字）、实验评估（1000+ 字，重点关注训练/测试数据集）、优劣势分析、关键质疑及影响评估。同时自动维护提示词记录与本地目录结构，确保研究可追溯性。
## 显著优点
– **专业性对标顶会**：直接借鉴顶级会议评审标准，而非通用摘要生成，输出具备同行评议深度
– **类型自适应**：覆盖方法、数据集、多模态、技术报告、RL对齐等10种论文类型，差异化处理不同研究范式
– **数据集意识**：强制要求披露训练/评估数据集细节，直击当前AI研究可复现性痛点
– **工程化集成**：与 arXiv 检索、质量筛选、批量处理、报告生成形成完整研究工作流
– **本地优先**：文件系统级存储，支持长期知识管理与版本控制
## 潜在局限
– **输入依赖质量**：需用户准确提供主题分类，错误归类可能导致分析框架错配
– **长文本处理压力**：未明确说明对超长论文（如100页技术报告）的处理能力边界
– **领域覆盖偏向**：当前分类明显偏向机器学习/AI，对传统学科（数学、物理实验）支持有限
– **无实时检索**：依赖用户输入的摘要信息，不具备自动获取全文并解析图表的能力
## 适合人群
AI/ML 研究者、博士生、文献综述撰写者、技术调研团队，尤其适用于需快速建立对陌生领域系统认知的场景，以及系统性文献回顾前的批量预筛选。
## 常规风险
– **过度依赖风险**：自动化深度分析可能降低研究者独立批判性阅读能力
– **幻觉传导**：若输入摘要存在作者夸大，系统缺乏事实核查机制可能放大误导
– **存储安全**：本地文件存储需用户自行管理访问权限与备份策略
会员专属
