Asistente de guiones▸ 
Apps AI 
Noticias AI 
SurveyGO (Juanji): herramienta de redacción de artículos con IA del equipo ModelBest de Tsinghua
SurveyGO (Juanji): herramienta de redacción de artículos con IA del equipo ModelBest de TsinghuaIntroducción
¿Qué es SurveyGO (卷姬)?
SurveyGO (卷姬), una herramienta de redacción de artículos académicos con IA presentada por el equipo ModelBest (面壁智能) de la Universidad Tsinghua, adopta la tecnología LLMxMapReduce-V2 para lograr una agregación inteligente de literatura y puede generar rápidamente revisiones académicas con una estructura rigurosa y citas fiables basándose en el tema introducido por el usuario.
¿Por qué se llama 卷姬 (Juǎn Jī)?
Porque SurveyGO sobresale en la redacción de revisiones de literatura, procesando grandes volúmenes de documentos con rapidez, como si "enrollara" (卷) la competencia académica. Además, el apodo "卷姬" (Juǎn Jī) tiene una pronunciación encantadora, por lo que se le ha otorgado este sobrenombre cariñoso.
Tecnología principal de SurveyGO (卷姬)
Adopta la tecnología LLMxMapReduce-V2 desarrollada internamente, que utiliza algoritmos de convolución de texto para lograr la agregación de múltiples documentos de referencia, reemplazando el método común de recuperación empleado en los enfoques actuales, aprovechando así al máximo todos los capítulos de referencia. Esta tecnología implementa el procesamiento de textos largos mediante las siguientes tres etapas:
Etapa de inicialización: se construye un esqueleto de conocimiento mediante la inicialización del marco, aplicando la estrategia de "preprocesamiento de la materia prima" para generar resúmenes estructurados.
Etapa de optimización del marco: se utiliza una red neuronal convolucional de 7 capas combinada con una evaluación de entropía de la información, simulando una optimización iterativa estilo "concurso de artes culinarias". Tras 3 rondas de autooptimización, se selecciona el mejor marco de conocimiento.
Etapa de construcción de la revisión: se adopta un mecanismo jerárquico de generación de contenido para garantizar la coherencia lógica entre los capítulos principales y los submódulos.
Principio técnico de SurveyGO (卷姬)
Tecnología LLMxMapReduce-V2: utiliza algoritmos de convolución de texto para agregar múltiples documentos de referencia, de forma similar a como las redes neuronales convolucionales (CNN) procesan imágenes, abstrayendo gradualmente la información local en representaciones globales de alto nivel. El modelo primero se centra en algunos artículos citados (información local) y, mediante operaciones convolucionales multicapa, integra esa información local en datos estructurados más completos, como la estructura de párrafos y los temas del artículo. Se introduce un módulo de estimación de entropía de la información para guiar el proceso convolucional, asegurando que el proceso de escalado en la prueba aumente continuamente el contenido informativo del resultado.
Resolución de la limitación de longitud del contexto: el método tradicional de Generación Aumentada por Recuperación (RAG) se basa en la recuperación de los fragmentos de texto más relevantes para la consulta, lo que fácilmente omite contenido importante que, aun estando relacionado con el tema, no puede coincidir directamente con la similitud semántica. Al agregar múltiples documentos en lugar de simplemente recuperarlos, se aprovecha plenamente la información de todas las referencias, evitando la pérdida de información.
Generación de contenido de alta calidad: mediante operaciones convolucionales multicapa, se extrae la información clave de los documentos y se integra en una salida estructurada, garantizando la lógica y la coherencia del artículo generado. Se citan automáticamente documentos y materiales relevantes para asegurar la credibilidad y el profesionalismo del contenido generado.
Referente de evaluación: para evaluar científicamente la calidad de los artículos generados, se creó SurveyEval, un referente escalable y el primero en el campo de la informática que combina encuestas con referencias bibliográficas completas.
Pasos para usar SurveyGO (卷姬)
Método de uso
Modo normal: indicado para generar rápidamente revisiones esquemáticas. El usuario solo tiene que introducir el título del artículo y la descripción de palabras clave (admite chino e inglés); el sistema buscará y conectará automáticamente documentos relevantes en línea y los integrará. Por ejemplo, al introducir «老年IPF患者的治疗进展» (Progresos en el tratamiento de pacientes ancianos con FPI), SurveyGO lo dividirá automáticamente en subtemas como «老年» (anciano) e «IPF» (FPI), generando un informe de 25.000 palabras con una lógica rigurosa.
Modo profesional: admite fuentes de material personalizadas, permite subir documentos locales (PDF/Word) o especificar bases de datos (como CNKI, arXiv), ideal para proyectos que requieren un control profundo de las referencias. Además, el contenido generado a partir de los archivos subidos puede configurarse como «no público» para evitar la filtración de datos sensibles.
Pasos de operación
Selección del modo: elija entre el modo normal o el modo profesional según sus necesidades y complete la información correspondiente.
Envío y espera: tras enviar la propuesta de tema, el usuario puede cerrar la página sin necesidad de realizar ninguna operación. El sistema procesará los documentos en paralelo mediante un marco de computación distribuida; el tiempo de generación es de aproximadamente 1 hora (puede prolongarse en horas punta). Durante este tiempo, puede iniciar sesión en cualquier momento para consultar el progreso, o ver e interactuar con las propuestas de otros usuarios en el «Formulario de requisitos de redacción».
Obtención de resultados: una vez generado, haga clic en el título para acceder directamente al documento de Feishu (飞书), cuyo contenido incluye un índice completo, el texto principal y las referencias bibliográficas (citas en el texto + lista al final), en un formato que se puede copiar directamente al artículo.
Ventajas y desventajas de SurveyGO (卷姬)
Ventajas
Avance tecnológico: adopta la tecnología LLMxMapReduce-V2 desarrollada internamente, agregando múltiples documentos mediante algoritmos de convolución de texto, lo que mejora la utilización de la literatura y evita el problema de fragmentación de la información típico de la tecnología RAG tradicional.
Alta calidad del contenido: genera revisiones extensas de más de 25.000 palabras, con una estructura jerárquica clara (fenómeno → causa → solución, macro → micro), lógica rigurosa e incluyendo gráficos profesionales.
Soporte multilingüe: admite la generación en chino e inglés; los informes en chino generan automáticamente mapas conceptuales del conocimiento.
Alta facilidad de uso: no requiere operaciones complejas, ofrece modos dual normal/profesional y está disponible de inmediato tras registrarse.
Desventajas
Limitaciones de personalización: carece de ajustes granulares (como limitar el idioma de los documentos citados o excluir fuentes específicas), lo que no satisface las necesidades personalizadas de investigadores avanzados.
Riesgos de privacidad: los artículos generados por búsquedas en línea son públicos por defecto, por lo que los temas sensibles pueden ser vistos fácilmente.
Soporte lingüístico desequilibrado: el modo chino incluye diagramas lógicos, mientras que el modo inglés carece de esta función.
Fiabilidad de las citas: las fuentes citadas cubren plataformas como Zhihu, 36Kr y foros universitarios, con alta actualidad y relevancia y baja tasa de alucinaciones, aunque existen algunas citas no权威 (como contenido anónimo de Zhihu).
Fluctuación de la eficiencia de procesamiento: en horas punta hay que hacer cola, dependiendo de los "me gusta" de los usuarios para subir la prioridad.
Dirección del proyecto SurveyGO (卷姬)
Sitio web oficial del proyecto:https://surveygo.thunlp.org/
Repositorio de GitHub:https://github.com/thunlp/LLMxMapReduce
Repositorio de modelos en HuggingFace:https://huggingface.co/datasets/R0k1e/SurveyEval
Artículo técnico en arXiv:https://arxiv.org/pdf/2504.05732
Noticias relacionadas:
