SurveyGO(卷姬): 칭화대 ModelBest 팀이推出的 AI 논문 작성 도구 104

칭화대 ModelBest 팀이推出的한 AI 논문 작성 도구입니다. 자체 개발한 LLMxMapReduce-V2 기술을 통해 문헌 검토 작성을 "200시간 분량의 문헌을 몇 분 만에 처리"하는 수준까지 끌어올렸습니다.

#Ai工具箱 #Ai写作对话

방문 SurveyGO(卷姬): 칭화대 ModelBest 팀이推出的 AI 논문 작성 도구

SurveyGO(卷姬): 칭화대 ModelBest 팀이推出的 AI 논문 작성 도구소개

卷姬란 무엇인가요?

SurveyGO(卷姬)는 칭화대(清华) 면벽지능(面壁智能) 팀에서推出的한 ai 논문 작성 도구로, LLMxMapReduce-V2 기술을 채택하여 문헌의 지능형 집계를 구현하며, 사용자가 입력한 주제에 따라 구조가 엄격하고 인용이 신뢰할 수 있는 학술 종설을 빠르게 생성할 수 있습니다.

卷姬：清华面壁智能团队推出的AI论文写作工具.webp

왜 卷姬라고 부르나요?

SurveyGO가 문헌 종설 작성에서 뛰어난 성능을 보여 대량의 문헌을 빠르게 처리할 수 있어 마치 학술권의 내卷(경쟁)를 "卷"어올리는 듯하고, 이름 속 "卷姬"의 발음이 귀엽기 때문에 모두들이 이 친근한 별명을 붙여주었습니다.

卷姬 핵심 기술

자체 개발한 LLMxMapReduce - V2 기술을 채택하여, 텍스트 컨볼루션 알고리즘을 통해 다수의 참고 문헌을 집계하여 기존 방법에서 흔히 사용되는 검색을 대체함으로써 모든 참고 장절의 충분히 활용합니다. 해당 기술은 다음과 같은 세 단계로 장문 텍스트 처리를 구현합니다:

초기화 단계: 프레임워크 초기화를 통해 지식 골격을 구축하고, "원료 전처리" 전략을 채택하여 구조화된 요약을 생성합니다.
프레임워크 최적화 단계: 7층 컨볼루션 신경망에 정보 엔트로피 평가를 결합하여运用하며, "요리争霸賽" 방식의 반복적 최적화를 모의하여, 3라운드의 자체 최적화를 거쳐 최적의 지식 프레임워크를 선정합니다.
종설 구축 단계: 계층적 콘텐츠 생성 메커니즘을 채택하여 부모 장절과 하위 모듈 간의 논리적 자가 일관성을 보장합니다.

卷姬 기술 원리

LLMxMapReduce-V2 기술: 텍스트 컨볼루션 알고리즘을 통해 다수의 참고 문헌을 집계하며, 이는 이미지 처리에서 컨볼루션 신경망(CNN)이 응용되는 것과 유사하여局部 정보를 점차 고급全局 표현으로 추상화합니다. 모델은 먼저 일부 인용 문헌(局部 정보)에 주목하고, 다층 컨볼루션 연산을 기반으로局部 정보를 보다 전면적인 구조화된 정보(예: 문단의 구조와 주제)로 통합합니다. 정보 엔트로피 추정 모듈을 도입하여 컨볼루션 과정을 지도하며, 테스트 시 축소 과정이 결과의 정보 함량을 지속적으로 향상시키도록 보장합니다.
문맥 길이 제한 해결: 전통적인 검색 증강 생성(RAG) 방법은 쿼리와 가장 관련 있는 텍스트 단편을 검색하여 콘텐츠를 생성하므로, 주제와 관련이 있지만 의미적 유사도를 직접 매칭할 수 없어 간과되기 쉬운 중요한 콘텐츠를 놓치기 쉽습니다. 단순 검색이 아닌 다수 문헌의 집계에 기반하여 모든 참고 문헌의 정보를 충분히 활용함으로써 정보 손실을 피합니다.
고품질 콘텐츠 생성: 다층 컨볼루션 연산을 기반으로 문헌 속 핵심 정보를 추출하여 구조화된 출력으로 통합하며, 생성된 문서의 논리성과 일관성을 보장합니다. 관련 문헌과 자료를 자동으로 인용하여 생성 콘텐츠의 신뢰성과 전문성을 보장합니다.
평가 벤치마크: 생성된 문서의 품질을 과학적으로 평가하기 위해 고품질의 종설 작성 벤치마크인 SurveyEval을 창설하였으며, 이는 컴퓨터 과학 분야에서 종설과 완전한 참고 문헌을 결합한 최초의 확장 가능한 평가 벤치마크입니다.

卷姬 사용 방법 단계

사용 방법

일반 모드: 프레임워크형 종설을 빠르게 생성하는 데 적합합니다. 사용자는 논문 제목과 키워드 설명(중국어 및 영어 지원)만 입력하면 시스템이 자동으로联网检索 관련 문헌을检索하여整合합니다. 예를 들어 《노년 IPF 환자의 치료 진전》을 입력하면, SurveyGO는 자동으로 「노년」「IPF」 등의 하위 의제로 분해하여 논리적으로 엄밀한 2.5만 자 보고서를 생성합니다.
전문가 모드: 사용자 정의 자료 출처를 지원하며, 로컬 문헌(PDF/Word)을 업로드하거나 데이터베이스(예: 知网, arXiv)를 지정할 수 있어 참고 문헌에 대한 깊은 제어가 필요한课题에 적합합니다. 동시에, 업로드한 파일로 생성된 콘텐츠는 「비공개」로 설정하여 민감한 데이터 유출을 방지할 수 있습니다.

작업 단계

모드 선택: 필요에 따라 일반 모드 또는 전문가 모드를 선택하고相应한 정보 작성을 완료합니다.
제출 및 대기: 주제 제출을 완료한 후, 사용자는 별도의操作 없이 페이지를 닫을 수 있습니다. 시스템은 분산 컴퓨팅 프레임워크를 통해 문헌을 병렬로 처리하며, 생성 시간은 약 1시간입니다(피크 시간대에는 연장될 수 있음). 이 기간 중随时 로그인하여 진행 상황을 확인하거나 「작문 요구표」에서 다른 사용자의 주제를 구경하고 좋아요로 상호작용할 수 있습니다.
결과 획득: 생성이 완료되면 제목을 클릭하여 직접 Feishu 문서로跳转하며, 콘텐츠에는 완전한 목차, 본문, 참고 문헌(본문 내 인용 + 문말 목록)이 포함되어 있으며 형식은 논문에 바로 복사하여 사용할 수 있습니다.

卷姬 장점과 단점

장점

기술적 돌파: 자체 개발한 LLMxMapReduce - V2 기술을 채택하여, 텍스트 컨볼루션 알고리즘을 통해 다수 문헌을 집계하며 문헌 활용률을 향상시키고 전통적인 RAG 기술의 정보 단편화 문제를 피합니다.
콘텐츠 품질이 높음: 2.5만 자 이상의 장문 종설을 생성하며, 구조의层次가分明하고(현상→원인→대처, 거시→미시), 논리가 엄밀하며 전문적인 차표를 포함합니다.
다국어 지원: 중국어 및 영어 생성을 지원하며, 중국어 보고서는 자동으로 지식 맥락도를 정리합니다.
높은 사용 편의성: 복잡한 조작이 필요 없으며, 일반/전문가 이중 모드 선택이 가능하고 가입 즉시 사용 가능합니다.

단점

사용자 정의 제한: 세분화된 설정(예: 인용 문헌 언어 제한, 특정 출처 제외)이 부족하여 고급 연구자의 개인화된 요구를 충족할 수 없습니다.
프라이버시 위험: 기본적으로 온라인检索로 생성된 문서를 공개하므로, 민감한 주제는 쉽게围观됩니다.
언어 지원 불균형: 중국어 모드에는 논리도가 포함되어 있으나, 영어 모드에는 해당 기능이 없습니다.
인용 신뢰성: 인용 출처가 知乎, 36氪, 대학 포럼 등 플랫폼을 포괄하며, 시효성과 관련성이 높고 환각률이 낮지만, 소량의 비권위적 인용(예: 知乎 익명 콘텐츠)이 존재합니다.
처리 효율 변동: 피크 시간대에는 대기열이 필요하며, 사용자 좋아요로 우선순위를 높이는 데 의존합니다.