Mechanism
四源反查 × 消歧 × 规则映射
难点不在调 API，而在实体对齐：同一个 venue 在不同数据库里有十几种写法。插件用 84 条别名规则 + 逐级回退策略做消歧，preprint 短路为「0 分 · 未发表」防止误算。
SOURCE 01
DBLP
CS 文献的 venue 权威源：精确解析会议/期刊归属，处理缩写与系列名。
SOURCE 02
OpenReview
抓取公开评审全文 + meta-review，LLM 生成中英对照评审摘要笔记。
SOURCE 03
Semantic Scholar
批量引用数 API（最新被引），OpenAlex 作为 fallback 兜底。
SOURCE 04
学院评分库
从学院官方 4 份 PDF 解析出 462 本期刊 × 4 套体系（经管/中文/CS/统计）的本地规则库。
| 标题 | 年份 | Venue | 评级 | 引用 | ★ 学院积分 (Tree) |
|---|---|---|---|---|---|
| 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」列由插件自动写入 — 收藏即计算，无需任何手动查询。评级数据演示口径，以学院最新文件为准。
真实运行实拍
来自作者 Zotero 文献库的真实运行截图：每一行的评级、引用数、学院积分都由插件自动写入。
一篇论文的完整「AI 档案」
以 An Image is Worth 16×16 Words（ViT, ICLR 2021）为真实案例：收藏瞬间，插件自动生成的全部信息。评分与引用数为真实公开数据。
AI 速读 ✓ 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 16×16 的 patch 序列直接喂给标准 Transformer，在超大规模预训练下首次证明纯 Transformer 可以超越 CNN。
- 方法
- 图像 → patch embedding + 位置编码 → 标准 Transformer Encoder → 分类头；几乎不修改 NLP 架构。
- 贡献
- ① 打通视觉与 NLP 的架构统一；② 揭示「大数据 > 归纳偏置」的 scaling 规律；③ 成为后续视觉大模型的基座架构。
- 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+）
引用者怎么说 🧪 规划中 · SS citation contexts API
作为方法基座62%
背景引用27%
对比/质疑11%
▸ 比例为设计示意——基于 Semantic Scholar 引用意图（methodology / background / comparison）字段聚合，自动回答「后人引用它，是在用它还是在质疑它」。
OpenReview 评审档案 ✓ 真实数据
Accept (Oral)
ICLR 2021 · forum gZ9hCDWe6ke
审稿人核心质疑（LLM 中文摘要）
- 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/决定为 OpenReview 真实公开数据；质疑列表为公开评审原文的 LLM 概括。投稿前读十篇目标会议的真实评审，比读十篇论文更能校准预期。