Drehbuch-Assistent▸ 
AI Apps 
AI Nachrichten 
SurveyGO (Juanji): KI-Artikel-Schreibtool des ModelBest-Teams der Tsinghua-Universität
SurveyGO (Juanji): KI-Artikel-Schreibtool des ModelBest-Teams der Tsinghua-UniversitätEinführung
Was ist 卷姬?
SurveyGO (卷姬), ein von der Tsinghua-Forschungsgruppe „面壁智能“ vorgestelltes KI-Schreibwerkzeug für wissenschaftliche Arbeiten. Es verwendet die LLMxMapReduce-V2-Technologie zur intelligenten Aggregation von Literatur und kann auf Basis eines vom Nutzer eingegebenen Themas schnell strukturell fundierte und zuverlässig zitierte akademische Übersichtsarbeiten erstellen.
Warum heißt es 卷姬?
Weil SurveyGO beim Verfassen von Literaturübersichten hervorragend abschneidet und in kurzer Zeit eine große Menge an Literatur verarbeiten kann – als würde es den akademischen Wettbewerb „aufrollen“ (卷). Der Name „卷姬“ klingt zudem niedlich, weshalb ihm dieser liebevolle Spitzname verliehen wurde.
Kerntechnologie von 卷姬
Es verwendet die selbst entwickelte LLMxMapReduce-V2-Technologie und nutzt einen Textfaltungsalgorithmus (Text-Convolution), um mehrere Referenzliteraturen zu aggregieren. Dadurch ersetzt es die in bestehenden Methoden häufig verwendete reine Suche und ermöglicht so eine umfassende Nutzung aller Referenzkapitel. Diese Technologie realisiert die Verarbeitung langer Texte in den folgenden drei Phasen:
Initialisierungsphase: Aufbau eines Wissensgerüsts durch Framework-Initialisierung mit einer „Rohstoffvorverarbeitungs“-Strategie zur Erzeugung strukturierter Zusammenfassungen.
Framework-Optimierungsphase: Einsatz eines 7-schichtigen faltenden neuronalen Netzes in Kombination mit einer Information-Entropy-Bewertung, simuliert eine iterative Optimierung im Stil eines „Kochwettbewerbs“, und筛选t in 3 Selbstoptimierungsrunden das beste Wissensframework aus.
Übersichts-Konstruktionsphase: Verwendung eines hierarchischen Mechanismus zur Inhaltsgenerierung, der die logische Konsistenz zwischen übergeordneten Kapiteln und untergeordneten Modulen sicherstellt.
Technische Funktionsweise von 卷姬
LLMxMapReduce-V2-Technologie: Aggregation mehrerer Referenzliteraturen mittels Textfaltungsalgorithmus, vergleichbar mit der Anwendung faltender neuronaler Netze (CNN) in der Bildverarbeitung, bei der lokale Informationen schrittweise zu hochrangigen globalen Repräsentationen abstrahiert werden. Das Modell konzentriert sich zunächst auf Teile der zitierten Artikel (lokale Informationen) und integriert diese durch mehrschichtige Faltungsoperationen zu umfassenderen strukturierten Informationen, etwa der Absatzstruktur und dem Thema des Artikels. Ein Modul zur Information-Entropy-Schätzung steuert den Faltungsprozess und stellt sicher, dass der Skalierungsprozess beim Testen den Informationsgehalt der Ergebnisse kontinuierlich erhöht.
Lösung der Kontextlängenbeschränkung: Herkömmliche Retrieval-Augmented-Generation-Methoden (RAG) generieren Inhalte, indem sie die zur Anfrage semantisch ähnlichsten Textabschnitte abrufen. Dabei werden leicht wichtige Inhalte übersehen, die zwar themenrelevant sind, aber keine direkte semantische Ähnlichkeit aufweisen. Durch die Aggregation mehrerer Literaturen statt einer einfachen Suche werden alle Informationen der Referenzen vollständig genutzt und Informationsverluste vermieden.
Hochwertige Inhaltsgenerierung: Mittels mehrschichtiger Faltungsoperationen werden Schlüsselinformationen aus der Literatur extrahiert und zu strukturierten Ausgaben integriert, wodurch die Logik und Kohärenz der erzeugten Artikel sichergestellt wird. Relevante Literatur und Quellen werden automatisch zitiert, um die Glaubwürdigkeit und fachliche Qualität der generierten Inhalte zu gewährleisten.
Evaluations-Benchmark: Zur wissenschaftlichen Bewertung der Qualität der generierten Artikel wurde mit SurveyEval ein hochwertiger Benchmark für das Verfassen von Übersichtsarbeiten geschaffen – der erste skalierbare Evaluations-Benchmark im Bereich der Informatik, der Übersichtsarbeiten mit vollständigen Referenzen kombiniert.
Schritte zur Nutzung von 卷姬
Nutzungsmethode
Normalmodus: Geeignet zur schnellen Erstellung einer framework-basierten Übersichtsarbeit. Der Nutzer muss lediglich den Titel der Arbeit und eine Stichwortbeschreibung eingeben (Chinesisch und Englisch werden unterstützt); das System sucht automatisch online nach relevanter Literatur und integriert sie. Gibt man beispielsweise „Behandlungsfortschritte bei älteren IPF-Patienten“ ein, zerlegt SurveyGO dies automatisch in Unterthemen wie „ältere Patienten“ und „IPF“ und erstellt einen logisch stringenten Bericht mit 25.000 Wörtern.
Professioneller Modus: Unterstützt benutzerdefinierte Quellen, ermöglicht das Hochladen lokaler Literatur (PDF/Word) oder die Angabe von Datenbanken (z. B. CNKI, arXiv) und eignet sich für Themen, die eine tiefergehende Kontrolle der Referenzliteratur erfordern. Gleichzeitig können aus hochgeladenen Dateien generierte Inhalte als „nicht öffentlich“ markiert werden, um die Preisgabe sensibler Daten zu vermeiden.
Bedienungsschritte
Modusauswahl: Wählen Sie je nach Bedarf den Normalmodus oder den Professionellen Modus und füllen Sie die entsprechenden Informationen aus.
Einreichen und Warten: Nach Absenden des Themas sind keine weiteren Aktionen des Nutzers erforderlich, die Seite kann geschlossen werden. Das System verarbeitet die Literatur parallel über ein verteiltes Rechenframework; die Generierungsdauer beträgt ca. 1 Stunde (in Stoßzeiten möglicherweise länger). Während dieser Zeit können Sie sich jederzeit anmelden, um den Fortschritt einzusehen, oder in der „Schreibanfragen-Liste“ die Themen anderer Nutzer anschauen und liken.
Ergebnisabruf: Nach Abschluss der Generierung genügt ein Klick auf den Titel, um direkt zum Feishu-Dokument zu springen. Der Inhalt umfasst ein vollständiges Inhaltsverzeichnis, den Haupttext sowie die Referenzen (Zitate im Text + Liste am Ende) und kann direkt in eine wissenschaftliche Arbeit kopiert werden.
Vorteile und Nachteile von 卷姬
Vorteile
Technologischer Durchbruch: Einsatz der selbst entwickelten LLMxMapReduce-V2-Technologie, die mittels Textfaltungsalgorithmus mehrere Literaturen aggregiert und so die Literaturausnutzung verbessert, wodurch das Problem der Informationsfragmentierung herkömmlicher RAG-Technologien vermieden wird.
Hohe Inhaltsqualität: Erzeugt Übersichtsarbeiten mit über 25.000 Wörtern, klarer Strukturhierarchie (Phänomen → Ursache → Gegenmaßnahme, Makro → Mikro), strenger Logik und einschließlich professioneller Diagramme.
Mehrsprachige Unterstützung: Unterstützt die Generierung auf Chinesisch und Englisch; chinesische Berichte enthalten automatisch eine Wissenslandkarte.
Hohe Benutzerfreundlichkeit: Keine komplexe Bedienung erforderlich, zwei Modi (Normal/Professionell) zur Auswahl, sofort nach Registrierung nutzbar.
Nachteile
Einschränkungen bei der Anpassung: Es fehlen feinkörnige Einstellungen (z. B. Einschränkung der Sprache der zitierten Literatur, Ausschluss bestimmter Quellen), wodurch die individuellen Anforderungen fortgeschrittener Forscher nicht erfüllt werden können.
Datenschutzrisiko: Standardmäßig werden online recherchierte und generierte Artikel öffentlich zugänglich gemacht, sensible Themen können leicht eingesehen werden.
Unausgewogene Sprachunterstützung: Der chinesische Modus enthält Logikdiagramme, der englische Modus nicht.
Zuverlässigkeit der Zitate: Die zitierten Quellen umfassen Plattformen wie Zhihu, 36Kr und Universitätsforen, mit hoher Aktualität und Relevanz und niedriger Halluzinationsrate; es gibt jedoch einige wenige nicht-autoritative Zitate (z. B. anonyme Inhalte von Zhihu).
Schwankende Verarbeitungseffizienz: In Stoßzeiten ist eine Warteschlange erforderlich; die Priorität hängt von den Likes der Nutzer ab.
Projektadressen von 卷姬
Offizielle Projektwebsite:https://surveygo.thunlp.org/
GitHub-Repository:https://github.com/thunlp/LLMxMapReduce
HuggingFace-Modellbibliothek:https://huggingface.co/datasets/R0k1e/SurveyEval
arXiv-Technisches Paper:https://arxiv.org/pdf/2504.05732
Verwandte Informationen:
