论文版「ChatGPT」来了!看论文问问题可同时进行,网友:看文献更省时了
科研人员福音!专门和论文对话的“ChatGPT”来了。
懒得看论文?没关系,直接让这个工具帮你看,有什么问题直接问它就好了。
而你全程要做的就只有上传论文和问问题。
但又感觉心里没谱,不相信它给的答案?
也没关系,给出的答案都已经清楚地标注了是从论文哪页哪个地方得到的答案,随时可考。
这一把直接让网友直呼太酷:
我正在写论文,这直接省去大量看文献的时间。
甚至有网友单方面宣布,这是他见过最好的AI工具了。
这个小工具名叫ResearchGPT,项目已经开源,在GitHub已经标星400次。
怎么使用?
要使用ResearchGPT,首先得拥有一个OpenAI API的密钥。
密钥可以直接从OpenAI官网上复制过来,具体步骤如下:
输入密钥之后,就可以直接上传你要看的论文PDF或者链接了,在左侧,它会显示论文原文,右侧可以直接问它问题。
那给出的答案到底怎么样?直接上演示:
不得不说,给出的答案也还是有理有据的。
话说回来,这个工具又是如何做到与论文对答如流的呢?
形象点来说,ResearchGPT首先会看看你问的问题是什么,并从中提取关键词。
然后直接在论文中搜索相关的部分,至于如何进行语义搜索,答案也很简单:
用OpenAI嵌入(Embedding)模型的API。
这里它直接使用提示词与论文中文本的词嵌入向量的余弦相似性进行搜索,提取出相关性强的文本。
这些文本ResearchGP也会在答案最后一一列出来。
现在答案都已经指出来在论文哪个地方了,就只剩最后一步:总结,这一步直接扔给GPT-3去做。
那照这样的话,基于这样的想法和框架技术,岂不是任何基于文本的内容都可以用于聊天?小哥本人也表示:
没错!基于这个技术框架,代码库,文档,财务报告,法庭案件等等你不想看,都能让工具解释给你。
不过还有网友比较好奇,这个工具,它能理解图表吗?(毕竟在一些论文中,图表还是很重要的)
然鹅,开发这个工具的小哥直接给出一个大大的no。
不死心的量子位也自己试了试,看看最简单的表格它能不能理解,结果是这样的:
emmmmmm,不能说答案全部错误吧,只能说与问题毫无关系。(和ChatGPT的胡说八道倒有几分神似)
但总的来说,如果不涉及到图表问题,ResearchGPT还是可以用的。
感兴趣的话可以戳文末链接自己试试~
作者介绍
制作这个工具的小哥名叫Mukul,他对自己的介绍也有有趣,称自己既是个数据科学家,也是个开发者,同时还有研究员、写手和设计师的身份。
小哥之前还搞过一个WebGPT,可以通过搜索网页来回答问题,同样也是使用GPT-3来总结内容。
传送门:https://www.php.cn/link/9c58da3f0418ebdb53c02615f9ab7282
参考链接:
[1] https://twitter.com/mukul0x/status/1625673579399446529?s=20
[2] https://github.com/mukulpatnaik/researchgpt
[3] https://www.reddit.com/r/GPT3/comments/112ncf0/introducing_researchgpt_an_opensource_research/
以上是论文版「ChatGPT」来了!看论文问问题可同时进行,网友:看文献更省时了的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

Video Face Swap
使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸!

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

DALL-E 3 于 2023 年 9 月正式推出,是比其前身大幅改进的型号。它被认为是迄今为止最好的人工智能图像生成器之一,能够创建具有复杂细节的图像。然而,在推出时,它不包括

想象一下,一个人工智能模型,不仅拥有超越传统计算的能力,还能以更低的成本实现更高效的性能。这不是科幻,DeepSeek-V2[1],全球最强开源MoE模型来了。DeepSeek-V2是一个强大的专家混合(MoE)语言模型,具有训练经济、推理高效的特点。它由236B个参数组成,其中21B个参数用于激活每个标记。与DeepSeek67B相比,DeepSeek-V2性能更强,同时节省了42.5%的训练成本,减少了93.3%的KV缓存,最大生成吞吐量提高到5.76倍。DeepSeek是一家探索通用人工智

本月初,来自MIT等机构的研究者提出了一种非常有潜力的MLP替代方法——KAN。KAN在准确性和可解释性方面表现优于MLP。而且它能以非常少的参数量胜过以更大参数量运行的MLP。比如,作者表示,他们用KAN以更小的网络和更高的自动化程度重现了DeepMind的结果。具体来说,DeepMind的MLP有大约300,000个参数,而KAN只有约200个参数。KAN与MLP一样具有强大的数学基础,MLP基于通用逼近定理,而KAN基于Kolmogorov-Arnold表示定理。如下图所示,KAN在边上具

特斯拉机器人Optimus最新视频出炉,已经可以在厂子里打工了。正常速度下,它分拣电池(特斯拉的4680电池)是这样的:官方还放出了20倍速下的样子——在小小的“工位”上,拣啊拣啊拣:这次放出的视频亮点之一在于Optimus在厂子里完成这项工作,是完全自主的,全程没有人为的干预。并且在Optimus的视角之下,它还可以把放歪了的电池重新捡起来放置,主打一个自动纠错:对于Optimus的手,英伟达科学家JimFan给出了高度的评价:Optimus的手是全球五指机器人里最灵巧的之一。它的手不仅有触觉

为了将大型语言模型(LLM)与人类的价值和意图对齐,学习人类反馈至关重要,这能确保它们是有用的、诚实的和无害的。在对齐LLM方面,一种有效的方法是根据人类反馈的强化学习(RLHF)。尽管RLHF方法的结果很出色,但其中涉及到了一些优化难题。其中涉及到训练一个奖励模型,然后优化一个策略模型来最大化该奖励。近段时间已有一些研究者探索了更简单的离线算法,其中之一便是直接偏好优化(DPO)。DPO是通过参数化RLHF中的奖励函数来直接根据偏好数据学习策略模型,这样就无需显示式的奖励模型了。该方法简单稳定

在软件技术的前沿,UIUC张令明组携手BigCode组织的研究者,近日公布了StarCoder2-15B-Instruct代码大模型。这一创新成果在代码生成任务取得了显着突破,成功超越CodeLlama-70B-Instruct,登上代码生成性能榜单之巅。 StarCoder2-15B-Instruct的独特之处在于其纯自对齐策略,整个训练流程公开透明,且完全自主可控。该模型通过StarCoder2-15B生成了数千个指令,响应对StarCoder-15B基座模型进行微调,无需依赖昂贵的人工标注数

写在前面&笔者的个人理解这篇论文致力于解决当前多模态大语言模型(MLLMs)在自动驾驶应用中存在的关键挑战,即将MLLMs从2D理解扩展到3D空间的问题。由于自动驾驶车辆(AVs)需要针对3D环境做出准确的决策,这一扩展显得尤为重要。3D空间理解对于AV来说至关重要,因为它直接影响车辆做出明智决策、预测未来状态以及与环境安全互动的能力。当前的多模态大语言模型(如LLaVA-1.5)通常仅能处理较低分辨率的图像输入(例如),这是由于视觉编码器的分辨率限制,LLM序列长度的限制。然而,自动驾驶应用需

一、前言在过去的几年里,YOLOs由于其在计算成本和检测性能之间的有效平衡,已成为实时目标检测领域的主导范式。研究人员探索了YOLO的架构设计、优化目标、数据扩充策略等,取得了显着进展。同时,依赖非极大值抑制(NMS)进行后处理阻碍了YOLO的端到端部署,并对推理延迟产生不利影响。在YOLOs中,各种组件的设计缺乏全面彻底的检查,导致显着的计算冗余,限制了模型的能力。它提供了次优的效率,以及相对大的性能改进潜力。在这项工作中,目标是从后处理和模型架构两个方面进一步提高YOLO的性能效率边界。为此
