卷姬是什么？

SurveyGO(卷姬)，清華面壁智能團隊推出的ai論文寫作工具，采用LLMxMapReduce-V2技術實現文獻智能聚合，能根據用戶輸入主題快速生成結構嚴謹、引用可靠的學術綜述。

為什么叫卷姬？

因SurveyGO在文獻綜述寫作方面表現出色，能快速處理大量文獻，如同“卷”起學術內卷，且名字中“卷姬”發音可愛，所以被大家賦予了這個親切的外號。

卷姬核心技術

它采用了自研的LLMxMapReduce - V2技術，借助文本卷積算法實現多篇參考文獻的聚合，代替現有方法中常用的檢索，從而實現對全部參考章節的充分利用。該技術通過以下三個階段實現長文本處理：

• 初始化階段：通過框架初始化構建知識骨架，采用“原料初處理”策略生成結構化摘要。

• 框架優化階段：運用7層卷積神經網絡結合信息熵評估，模擬“廚藝爭霸賽”式迭代優化，經3輪自優化篩選出最佳知識框架。

• 綜述構建階段：采用層級化內容生成機制，確保父章節與子模塊的邏輯自洽。

卷姬技術原理

• LLMxMapReduce-V2 技術：用文本卷積算法聚合多篇參考文獻，類似于卷積神經網絡（CNN）在圖像處理中的應用，逐步將局部信息抽象為高級全局表示。模型首先關注部分引用文章（局部信息），基于多層卷積操作，將局部信息整合成更全面的結構化信息，例如文章的段落結構和主題。引入信息熵估計模塊，指導卷積過程，確保在測試時縮放過程不斷提升結果的信息含量。

• 解決上下文長度限制：傳統的檢索增強生成（RAG）方法基于檢索與查詢最相關的文本片段來生成內容，容易忽略一些雖然與主題相關但無法直接匹配語義相似度的重要內容。基于聚合多篇文獻，而不是簡單檢索，充分用所有參考文獻的信息，避免信息丟失。

• 高質量內容生成：基于多層卷積操作，提取文獻中的關鍵信息，整合成結構化的輸出，確保生成文章的邏輯性和連貫性。自動引用相關的文獻和資料，確保生成內容的可信度和專業性。

• 評估基準：為科學評估生成文章的質量，創建高質量的調查寫作基準SurveyEval，是計算機科學領域首個將調查與完整參考文獻相結合的可擴展評估基準。

卷姬使用方法步驟

使用方法

• 普通模式：適用于快速生成框架性綜述。用戶只需輸入論文標題和關鍵詞描述（支持中英文），系統自動聯網檢索相關文獻并整合。例如輸入《老年IPF患者的治療進展》，SurveyGO會自動拆解為「老年」「IPF」等子議題，生成邏輯嚴密的2.5萬字報告。

• 專業模式：支持自定義素材來源，可上傳本地文獻（PDF/Word）或指定數據庫（如知網、arXiv），適合需要深度控制參考文獻的課題。同時，上傳文件生成的內容可設為「不公開」，避免敏感數據泄露。

操作步驟

• 模式選擇：根據需求選擇普通模式或專業模式，并完成相應信息填寫。

• 提交與等待：完成選題提交后，用戶無需任何操作即可關閉頁面。系統通過分布式計算框架并行處理文獻，生成時間約1小時（高峰期可能延長）。期間可隨時登錄查看進度，或在「寫作需求表」中圍觀其他用戶的選題并點贊互動。

• 結果獲取：生成完成后，點擊標題直接跳轉飛書文檔，內容包含完整目錄、正文、參考文獻（文內引用 + 文末列表），格式可直接復制到論文中。

卷姬優勢和不足

優勢

• 技術突破：采用自研LLMxMapReduce - V2技術，通過文本卷積算法聚合多篇文獻，文獻利用率提升，避免傳統RAG技術的信息碎片化問題。

• 內容質量高：生成2.5萬字以上的長綜述，結構層次分明（現象→原因→對策，宏觀→微觀），邏輯嚴謹且包含專業圖表。

• 多語言支持：支持中英文生成，中文報告自動梳理知識脈絡圖。

• 易用性高：無需復雜操作，普通/專業雙模式可選，注冊即用。

不足

• 自定義限制：缺乏細粒度設置（如限定引用文獻語種、排除特定來源），無法滿足高階研究者的個性化需求。

• 隱私風險：默認公開在線檢索生成的文章，敏感課題易被圍觀。

• 語言支持不均衡：中文模式含邏輯圖，英文模式無此功能。

• 引用可靠性：引用來源覆蓋知乎、36氪、高校論壇等平臺，時效性與相關性較高，幻覺率低，但存在少量非權威引用（如知乎匿名內容）。

• 處理效率波動：高峰期需排隊，依賴用戶點贊提升優先級。

卷姬項目地址

項目官網：https://surveygo.thunlp.org/

GitHub倉庫：https://github.com/thunlp/LLMxMapReduce

HuggingFace模型庫：https://huggingface.co/datasets/R0k1e/SurveyEval

arXiv技術論文：https://arxiv.org/pdf/2504.05732

相關資訊：

論文寫作網站

科研人必備好用的60個論文寫作學術科研工具