讀論文 AI：陪你一句一句讀懂原文
讀論文 AI 是嵌在 PDF 閱讀器裡的解釋工具：劃選看不懂的句子，它會根據這篇論文的上下文用中文就地解釋，並把回答固定在原文那一行旁邊。免費帳號可以先讀一篇，不需要信用卡。
看不懂的句子，AI 怎麼就地解釋？
這就是產品本身：左邊是論文，右邊是解釋。選取任何看不懂的地方，回答會把整頁的上下文一起考慮進去，並固定在引發疑問的那一行旁邊。
1. Introduction
Deep convolutional neural networks [22, 21] have led to a series of breakthroughs for image classification [21, 50, 40]. Deep networks naturally integrate low/mid/high-level features [50] and classifiers in an end-to-end multi-layer fashion, and the “levels” of features can be enriched by the number of stacked layers (depth). Recent evidence [41, 44] reveals that network depth is of crucial importance, and the leading results [41, 44, 13, 16] on the challenging ImageNet dataset [36] all exploit “very deep” [41] models, with a depth of sixteen [41] to thirty [16]. Many other non-trivial visual recognition tasks [8, 12, 7, 32, 27] have also greatly benefited from very deep models. Driven by the significance of depth, a question arises: Is learning better networks as easy as stacking more layers? An obstacle to answering this question was the notorious problem of vanishing/exploding gradients [1, 9], which hamper convergence from the beginning.
1
這句話是在鋪陳本文要解決的核心矛盾：深度對性能很重要，但單純疊加更多層並不能保證效果更好。
作者這樣寫，是為了引出後面描述的「degradation problem」——如 Figure 1 所示，56 層的 plain network 在訓練誤差上反而比 20 層更高，這說明問題不是 overfitting，而是更深的網路本身更難被優化。換句話說，「堆更多層」這個直覺做法會失敗，因此才需要 residual learning 這個新設計來解決它。
這是中文介面下針對〈Deep Residual Learning for Image Recognition〉（He et al., CVPR 2016）的真實輸出，未經任何修改。注意它引用了同一頁的 Figure 1：解釋讀的是前後文，不只是你選取的那一句。
一頁解讀卡，讀著讀著就生成了
你完全不用開口要。閱讀的同時，系統會在背景整理出一張一頁解讀卡——TL;DR、方法、帶有原始數字的主要發現，以及研究限制。這張來自〈Attention Is All You Need〉（Vaswani et al., NeurIPS 2017），未經手動修改。
匯出 16:9 就能直接放進書報討論的投影片。它是讀完論文的附加成果，不是用來取代閱讀。
先讀懂，再做圖
多數 AI 讀論文工具丟給你一段摘要，接著就讓你獨自面對方法章節。這個工具則留在 PDF 裡陪你，一句一句往下讀。等你真正讀懂一篇論文——或開始寫自己的論文時——我們的圖像摘要製作工具能把它變成可以投稿的期刊圖。讀論文和發表論文，在同一個地方完成。
讀論文 AI 怎麼用？三步驟讀完一篇 paper
不用寫提示詞，也不用任何設定。論文幾秒內就會打開，你照平常的方式讀：先看摘要、結論和圖表，判斷值不值得精讀；決定精讀後，遇到卡住的地方再劃選。
上傳論文 PDF
期刊論文、研討會論文或預印本都可以，檔案上限 100MB，自己的或別人的都行，任何語言皆可。檔案馬上就能顯示，不用等 AI 先跑完一輪才開始讀。
劃選卡住你的地方
選取看不懂的句子、公式或術語，解釋就會出現在旁邊，根據這篇論文的上下文寫成——用你挑選的講解深度，以介面語言呈現。
就整篇論文提問
為什麼選那個對照組？討論章節和 Table 3 對得上嗎？問題會根據這篇論文的全文回答，並標出出處章節，方便你自己回去核對。
照研究者真正讀 paper 的方式設計
讀一篇論文不是一個動作，而是兩百個卡住的小瞬間。
結合上下文的解釋
解釋來自你劃選的段落和它前後的文字，而不是模型對這個主題原本知道的東西。符號也會照這篇論文自己的定義來說明。
三種深度，一鍵切換
同一句話，可以用「入門」講給領域外的人、用「研究生」講給剛進這個子領域的研究生，或用「同行」只講技術重點。越讀到後面越難時，隨時切換。
讀英文原文，用中文理解
解釋會用介面語言回覆，基因名稱、資料集名稱和數學符號則保留原文。你讀的仍是原文，只是不再被專有名詞拖慢。
每個劃線都固定在原處
回答不會消失在聊天紀錄裡。每一則都記著引發它的那句話和頁碼，點一下就跳回 PDF 中的那一行。
讀過的，都幫你存著
關掉分頁、明天再回來：每個劃線、解釋和提問都在你離開時的位置。一個學期下來，你有的是一座畫滿重點的論文庫，而不只是一個塞滿 PDF 的資料夾。
附帶一張解讀卡
閱讀時會自動生成一頁解讀卡，包含 TL;DR、方法、發現與研究限制——匯出 PNG 就能拿去 meeting 報 paper，不必另外做投影片。
讀論文 AI 和摘要工具、PDF 聊天工具差在哪？
摘要工具回答的是它自己決定要回答的問題；讀論文，是為了回答論文在你心裡引起的問題。
AI 摘要工具與 PDF 聊天工具
- 你離開了論文，改讀一段轉述
- 你卡住的那一句，正好是被摘要壓縮掉的那一句
- 回答堆在聊天紀錄裡，找不回原文位置
- 每問一次，都得重新描述你正在看的內容
- 關掉分頁後什麼也沒留下
用讀論文 AI
- 從頭到尾都留在原本的 PDF 裡
- 直接劃選卡住你的那一句
- 每個回答都固定在對應的行與頁碼
- 追問時會帶著同一段內容，不必重新解釋
- 劃線、提問和解讀卡都存進你的論文庫
常見問題
讀論文 AI 的免費額度、準確度，以及能保存什麼——一次說明。