18 個工具,為智能體而生。
一次 MCP 連線,智能體即可呼叫 search、quote、compare_methods、find_baselines、survey、trends、narrative_threads、get_figure、bibtex 等共 18 個 —— 嚴格依 Anthropic 工具設計指引建構,帶 defer_loading。
~0.5s p95 搜尋 · 每次呼叫 ~$0
MCP 服務 · 精選資料庫 · 即將開源的擷取工具鏈。為認真的 CV/ML 研究者而造。接入 Claude Code:5 分鐘掃描一個領域,精讀任意論文的任意段落,一次呼叫橫向比較 100+ 篇論文的方法與實驗資料。
涵蓋會議:CVPR · ICCV · ECCV · ICLR · ICML · NeurIPS · AAAI · ACL · EMNLP · NAACL · IJCAI · WACV · BMVC · 3DV · SIGGRAPH · TPAMI · IJCV · 每週刷新。
為 2026 年研究者真實的工作方式而設計:LLM 智能體隨手可得,替你閱讀。我們把知識庫交給那個智能體 —— 預先蒸餾、結構化、引用鎖定。
一次 MCP 連線,智能體即可呼叫 search、quote、compare_methods、find_baselines、survey、trends、narrative_threads、get_figure、bibtex 等共 18 個 —— 嚴格依 Anthropic 工具設計指引建構,帶 defer_loading。
CV/ML/NLP 頂會的 59K 篇論文,基於開放的 schema v1.3 用 GPT-5.5 + Opus-4.7 蒸餾 —— 7 類貢獻分類 + 6 欄位敘事弧 + 資料集/指標網格 + 主圖元資料。混合檢索:BGE-1024 稠密 + BM25 + RRF + Qwen3 cross-encoder 重排序。
Schema 規範、蒸餾 prompt(Opus / GPT-vision)、Marker/PyMuPDF 圖片擷取、LanceDB + SQLite FTS5 索引建構器、引用圖解析器、FastMCP 服務 —— 全部以 Apache 2.0 釋出。卡片資料以 CC-BY-SA 上 Hugging Face。把實驗室的私有論文餵進來,在團隊內開放。
acceptpaper 不是一次爬取，而是一條四階段流水線 —— 每個階段都對一套留出的評測台做迴歸測試，讓上面的數字保持誠實。
爬取 64,292 篇頂會 PDF（CVPR · ICCV · ECCV · ICLR · ICML · NeurIPS · ACL · EMNLP …）→ 59,631 篇進入即時索引。語料 99.6% 來自 2024–2026 —— 是前沿，不是兩年前模型背下來的過時快照。
GPT-5.5 vision 把每篇 PDF 讀成 30+ 個結構化欄位 —— 7 類貢獻分類、6 欄位敘事弧、帶數值+SOTA 標誌的評測網格、baseline、關鍵模組、主圖元資料。全語料 QA：欄位完整度 98–100%、約 84% claim 忠實、每 100 卡幻覺個位數。
1.15M 段落（亂碼率 0.03%）、16,864 張主圖、997K 條引用邊、106K 作者、940K 切面 —— 存於 LanceDB + SQLite FTS5。獨立唯讀驗證：325 次工具呼叫 0 錯誤；SQLite ↔ FTS5 ↔ LanceDB 三方計數對齊；每個向量 1024 維、norm≈1、無 NaN。
BGE-1024 稠密 + BM25 + RRF 融合 + Qwen3-0.6B cross-encoder 重排 —— p95 約 0.5s，引用鎖定到源段落。盲測相關性@3 = 100% —— 命中的是意圖，不只是關鍵詞。
爬取 → 蒸馏 → 索引 → 檢索 · 每一階段都被度量，而非假設
嚴格依 Anthropic 最佳實踐最佳化智能體取用:每個工具都有明確的「何時用」+「何時不用」子句,延遲工具透過 discover_tools 自動探索。
從 Claude Code(或任意相容 MCP 的智能體)接入。到控制台免費領 key,再把下面的 YOUR_KEY 替換掉。
其他 MCP 客戶端(Codex、自訂 LangChain 智能體):走 streamable-http 傳輸的 HTTP + JSON-RPC,驗證用 X-API-Key 標頭或 Authorization: Bearer。
# 在終端機裡 claude mcp add \ --transport http \ -s user \ litscan-rag \ https://mcp.acceptpaper.com/mcp \ -H "X-API-Key: YOUR_KEY"
# 一行裝好兩個 skill 到 ~/.claude/skills/ curl -fsSL https://acceptpaper.com/skills/install.sh | sh
# 在 Claude Code 對話裡 > 掃描一下 2024–2026 年稀疏視角 3D > 人體重建的論文。列出主流方法家族、錨定 > 論文、關鍵 benchmark,以及新興的方向。 # Claude 內部: # 1. 呼叫 survey(topic, k=50) → 領域地圖 # 2. trends(topic) → 時序訊號 # 3. quote(...) 驗證有爭議的說法 # 4. find_baselines(top-3) 做比較 # → 回傳帶引用的綜合回答
現有工具是為坐在網頁前的人眼設計的。acceptpaper 是為替你工作的 LLM 智能體設計的。
| 能力 | acceptpaper | PaperQA2 | Elicit | OpenScholar |
|---|---|---|---|---|
| MCP 原生(智能體介面) | ✓ | — | — | — |
| 預蒸餾的結構化資料 | v1.3(7 類 + 6 欄位) | 純文字 | 半結構化 | 純文字 |
| 段落級檢索 | 1.15M 段落 | ✓ | ✓ | ✓ |
| 圖檢索(主圖 JPG) | 16K | 僅 v3 | — | — |
| 引用圖(已解析) | 100K 條邊 | 工具呼叫 | 部分 | 經 S2 |
| 依會議等級加權排序 | ✓ | — | — | — |
| 每次查詢成本(檢索) | $0 | $0.05–2 | $0.01–.50 | ~$0.10 |
| 領域聚焦 | CV/ML 頂會 | 偏生物 | 通用 | 通用 |
| 開源授權 | Apache 2.0(籌備中) | ✓ Apache | 閉源 | ✓ Apache |
| 實驗室語料可自代管 | 即將 | ✓ | — | 部分 |
我們讓一個接上 acceptpaper MCP + research-mentor 技能的 agent，對比同一個只靠記憶的 agent，在 18 個前沿 CV/ML 科研任務上跑。這類任務我們不信 LLM 當評審——實測 κ=0.20，評審甚至把真實的 2025–2026 論文判成編造。所以我們數一個客觀的東西：可核驗引用。
每任務引用數：原生 0 → 樸素 RAG 2–3 → acceptpaper（圖工具 + agentic 工作流）6–13。兩個開箱即用的技能驅動它：research-mentor（點評想法）和 research-explorer（測繪領域空白）。
客觀引用審計，不是感覺——讓科研可信的是可查證的來源。我們先戳破了自己的尺子：LLM 評審太不可靠（κ=0.20）沒法評這個，所以我們改數真實引用。
一篇論文不只是文字。我們的蒸餾為每篇論文生產 30+ 個結構化欄位 —— 7 類貢獻分類、6 欄位敘事弧、帶 SOTA 旗標的數值化評測資料集、baseline 比較字串、關鍵模組、主圖元資料。智能體讀到的只是它需要的那一片切片,不必每次查詢都重新解析 PDF。
// excerpt of one L2 card { "source_id": "cvf:CVPR.2026:1024", "title": "DiHuR: Diffusion-Guided Generalizable Human Reconstruction", "contribution_type": { "primary": "combination", "secondary": ["empirical_study", "ablation_heavy"] }, "narrative": { "problem": "Reconstructing detailed 3D humans from ~3 sparse cameras…", "insight": "SMPL vertices map to consistent semantic regions…", "evidence": "CD 1.117 vs GP-NeRF 3.876 on THuman; gains hold on ZJU-MoCap" }, "eval_data": [ {"name":"THuman","metric":"Chamfer Distance","value":1.117,"is_sota":true}, // + 9 more entries ], "compares_with": ["NeuS", "SparseNeuS", "PIFuHD", "GP-NeRF", "SIFU"], "hero_figure": {"page":1, "caption":"Given 3 views with minimal overlap…"} }
不是散文——而是經 deep() 即時取出的結構化卡片。每張都帶確切 SOTA 數字、論文自陳的 verbatim 局限、以及它的基線圖譜。三個跨域真實例子:
Segment Anything in Images and Videos
DAVIS-2017 90.7 J&F (SOTA); SA-V 77.9 vs Cutie 61.3; image seg at 130 FPS — 6× faster than SAM.
None stated — the paper lists no limitations, so the card leaves it empty. We record absence; we never invent one.
SAM · XMem++ · Cutie · DEVA · JointFormer · STCN
Open-world monocular depth foundation model
DA-2K 97.4% (SOTA) vs V1 88.5%; Ours-Small 60 ms / 25M params vs Marigold 5.2 s / 948M — >10× faster.
“The largest DINOv2-G teacher is resource-intensive, with 1.3B parameters, and is not suitable for many practical applications.”
MiDaS · Marigold · Geowizard · ZoeDepth · Metric3D · DPT
Real-time open-vocabulary object detection
LVIS zero-shot 35.4 AP @ 52 FPS (SOTA) — vs DetCLIP-T 34.4 AP @ 2.3 FPS (≈20× faster).
“fine-tuning the CLIP text encoder on Objects365 can degrade generalization because Objects365 contains only 365 categories and lacks abundant textual information.”
GLIP · Grounding DINO · DetCLIP · ViLD · RegionCLIP · Detic
經 deep() 從即時索引取出——每個數字和引文都在原論文裡,不是生成的。
代管服務對學術使用者永久免費。工具鏈以開源方式發布,任何實驗室都可以自代管自己的語料。
學術 / 研究用途免費 API key。只需簡單告訴我們你是誰、在做什麼 —— 我們用來決定優先級和擴充會議涵蓋。
學術免費 · 即時自助發放 · 1000 次/天