Mechanism
四类来源，解决一个实体对齐问题
难点不只是调用 API，而是把同一篇论文在不同数据库中的写法对齐。系统用别名规则和逐级回退策略消歧，避免把 preprint 误判为正式发表。
SOURCE 01
DBLP
提供 CS 会议与期刊归属，处理缩写、系列名和历史改名。
SOURCE 02
OpenReview
抓取公开评审和 meta-review，再生成中文摘要与关键质疑。
SOURCE 03
Semantic Scholar
批量拉取引用数和基础元数据，OpenAlex 作为兜底来源。
SOURCE 04
学院评分库
从学院官方 PDF 解析期刊与会议规则，构成本地映射表。
| 标题 | 年份 | Venue | 评级 | 引用 | 学院积分 |
|---|---|---|---|---|---|
| Attention Is All You Need | 2017 | NeurIPS | CCF-A | 140,000+ | 5 分 · CS A |
| Using consumption emotional features to predict web-show viewership | 2025 | J. Acad. Mark. Sci. | FT50 / AJG 4* | — | 15 分 · 经管 A- |
| Information Systems Research（示例条目） | 2025 | ISR | UTD24 / FT50 | — | 25 分 · 经管 A |
| GPT-4 Technical Report | 2023 | arXiv preprint | — | 30,000+ | 0 分 · 未发表 |
▸ “学院积分”列由插件写入。评级为演示口径，正式结果以学院最新文件为准。
真实运行截图：判断结果写回文献库
下方截图来自作者日常 Zotero 文献库。评级、引用数和学院积分由插件写入，文献调研结果不再散落在网页标签页中。
一篇论文需要的不只是摘要
以 An Image is Worth 16×16 Words（ViT, ICLR 2021）为例：同一个条目同时包含内容摘要、引用动态、公开评审和学院坐标。
语义摘要 ✓ LLM 生成
An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale
译：一张图片相当于 16×16 个词——大规模图像识别的 Transformer 方法
- TL;DR
- 把图片切成 patch 序列输入标准 Transformer，并在大规模预训练下证明纯 Transformer 可以超越 CNN。
- 方法
- 图像 → patch embedding + 位置编码 → Transformer Encoder → 分类头，尽量复用 NLP 架构。
- 贡献
- ① 统一视觉与 NLP 架构；② 展示“大数据 > 归纳偏置”的 scaling 规律；③ 成为视觉大模型的重要基座。
- 局限
- 依赖 JFT-300M 级私有数据预训练；中小数据集上弱于同级 CNN；计算成本高。
引用动态 ✓ 自动拉取
21,569
OpenAlex 口径 · 快照 2026-06
（Google Scholar 口径 60,000+）
（Google Scholar 口径 60,000+）
引用意图 规划中 · citation contexts
作为方法基座62%
背景引用27%
对比/质疑11%
▸ 比例为设计示意。目标是回答：后续论文引用它，是作为方法基础、背景材料，还是对比对象。
OpenReview 评审档案 ✓ 真实数据
Accept (Oral)
ICLR 2021 · forum gZ9hCDWe6ke
审稿人核心质疑（语义摘要）
- 预训练依赖 JFT-300M 私有数据集，结果难以复现，公平对比存疑
- 中小规模数据下性能明显弱于 CNN——归纳偏置的缺失代价需要更充分讨论
- 计算成本极高，能耗与可及性问题被低估
- 希望补充对 patch 大小、位置编码方案的消融实验
▸ 评分与决定来自 OpenReview 公开数据；质疑列表由模型概括公开评审原文，用于校准投稿预期。