18 个工具,为智能体而生。
一次 MCP 连接,智能体即可调用 search、quote、compare_methods、find_baselines、survey、trends、narrative_threads、get_figure、bibtex 等共 18 个 —— 严格按 Anthropic 工具设计指南构建,带 defer_loading。
~0.5s p95 搜索 · 每次调用 ~$0
MCP 服务 · 精选数据库 · 即将开源的抽取工具链。为认真的 CV/ML 研究者而造。接入 Claude Code:5 分钟扫描一个领域,精读任意论文的任意段落,一次调用横向对比 100+ 篇论文的方法与实验数据。
覆盖会议:CVPR · ICCV · ECCV · ICLR · ICML · NeurIPS · AAAI · ACL · EMNLP · NAACL · IJCAI · WACV · BMVC · 3DV · SIGGRAPH · TPAMI · IJCV · 每周刷新。
为 2026 年研究者真实的工作方式而设计:LLM 智能体随手可得,替你阅读。我们把知识库交给那个智能体 —— 预先蒸馏、结构化、引用锁定。
一次 MCP 连接,智能体即可调用 search、quote、compare_methods、find_baselines、survey、trends、narrative_threads、get_figure、bibtex 等共 18 个 —— 严格按 Anthropic 工具设计指南构建,带 defer_loading。
CV/ML/NLP 顶会的 59K 篇论文,基于开放的 schema v1.3 用 GPT-5.5 + Opus-4.7 蒸馏 —— 7 类贡献分类 + 6 字段叙事弧 + 数据集/指标网格 + 主图元数据。混合检索:BGE-1024 稠密 + BM25 + RRF + Qwen3 cross-encoder 重排。
Schema 规范、蒸馏 prompt(Opus / GPT-vision)、Marker/PyMuPDF 图片抽取、LanceDB + SQLite FTS5 索引构建器、引用图解析器、FastMCP 服务 —— 全部以 Apache 2.0 发布。卡片数据以 CC-BY-SA 上 Hugging Face。把实验室的私有论文喂进来,在团队内开放。
acceptpaper 不是一次爬取，而是一条四阶段流水线 —— 每个阶段都对一套留出的评测台做回归测试，让上面的数字保持诚实。
爬取 64,292 篇顶会 PDF（CVPR · ICCV · ECCV · ICLR · ICML · NeurIPS · ACL · EMNLP …）→ 59,631 篇进入实时索引。语料 99.6% 来自 2024–2026 —— 是前沿，不是两年前模型背下来的过时快照。
GPT-5.5 vision 把每篇 PDF 读成 30+ 个结构化字段 —— 7 类贡献分类、6 字段叙事弧、带数值+SOTA 标志的评测网格、baseline、关键模块、主图元数据。全语料 QA：字段完整度 98–100%、约 84% claim 忠实、每 100 卡幻觉个位数。
1.15M 段落（乱码率 0.03%）、16,864 张主图、997K 条引用边、106K 作者、940K 分面 —— 存于 LanceDB + SQLite FTS5。独立只读验证：325 次工具调用 0 错误；SQLite ↔ FTS5 ↔ LanceDB 三方计数对齐；每个向量 1024 维、norm≈1、无 NaN。
BGE-1024 稠密 + BM25 + RRF 融合 + Qwen3-0.6B cross-encoder 重排 —— p95 约 0.5s，引用锁定到源段落。盲测相关性@3 = 100% —— 命中的是意图，不只是关键词。
爬取 → 蒸馏 → 索引 → 检索 · 每一阶段都被度量，而非假设
严格按 Anthropic 最佳实践优化智能体消费:每个工具都有明确的 "何时用" + "何时不用" 子句,延迟工具通过 discover_tools 自动发现。
从 Claude Code(或任意兼容 MCP 的智能体)接入。到控制台免费领 key,再把下面的 YOUR_KEY 替换掉。
其他 MCP 客户端(Codex、自定义 LangChain 智能体):走 streamable-http 传输的 HTTP + JSON-RPC,鉴权用 X-API-Key header 或 Authorization: Bearer。
# 在终端里 claude mcp add \ --transport http \ -s user \ litscan-rag \ https://mcp.acceptpaper.com/mcp \ -H "X-API-Key: YOUR_KEY"
# 一行装好两个 skill 到 ~/.claude/skills/ curl -fsSL https://acceptpaper.com/skills/install.sh | sh
# 在 Claude Code 对话里 > 扫描一下 2024–2026 年稀疏视角 3D > 人体重建的论文。列出主流方法家族、锚定 > 论文、关键 benchmark,以及新兴的方向。 # Claude 内部: # 1. 调用 survey(topic, k=50) → 领域地图 # 2. trends(topic) → 时序信号 # 3. quote(...) 验证有争议的说法 # 4. find_baselines(top-3) 做对比 # → 返回带引用的综合回答
现有工具是为坐在网页前的人眼设计的。acceptpaper 是为替你工作的 LLM 智能体设计的。
| 能力 | acceptpaper | PaperQA2 | Elicit | OpenScholar |
|---|---|---|---|---|
| MCP 原生(智能体接口) | ✓ | — | — | — |
| 预蒸馏的结构化数据 | v1.3(7 类 + 6 字段) | 纯文本 | 半结构化 | 纯文本 |
| 段落级检索 | 1.15M 段落 | ✓ | ✓ | ✓ |
| 图检索(主图 JPG) | 16K | 仅 v3 | — | — |
| 引用图(已解析) | 100K 条边 | 工具调用 | 部分 | 经 S2 |
| 按会议级别加权排序 | ✓ | — | — | — |
| 每次查询成本(检索) | $0 | $0.05–2 | $0.01–.50 | ~$0.10 |
| 领域聚焦 | CV/ML 顶会 | 偏生物 | 通用 | 通用 |
| 开源许可证 | Apache 2.0(筹备中) | ✓ Apache | 闭源 | ✓ Apache |
| 实验室语料可自托管 | 即将 | ✓ | — | 部分 |
我们让一个接上 acceptpaper MCP + research-mentor 技能的 agent，对比同一个只靠记忆的 agent，在 18 个前沿 CV/ML 科研任务上跑。这类任务我们不信 LLM 当评委——实测 κ=0.20，评委甚至把真实的 2025–2026 论文判成编造。所以我们数一个客观的东西：可核验引用。
每任务引用数：原生 0 → 朴素 RAG 2–3 → acceptpaper（图工具 + agentic 工作流）6–13。两个开箱即用的技能驱动它：research-mentor（点评想法）和 research-explorer（测绘领域空白）。
客观引用审计，不是感觉——让科研可信的是可查证的来源。我们先戳破了自己的尺子：LLM 评委太不可靠（κ=0.20）没法评这个，所以我们改数真实引用。
一篇论文不只是文本。我们的蒸馏为每篇论文生产 30+ 个结构化字段 —— 7 类贡献分类、6 字段叙事弧、带 SOTA 标志位的数值化评测数据集、baseline 对比串、关键模块、主图元数据。智能体读到的只是它需要的那一片切片,不必每次查询都重新解析 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——而是经 deep() 实时取出的结构化卡片。每张都带确切 SOTA 数字、论文自陈的 verbatim 局限、以及它的基线图谱。三个跨域真实例子:
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
经 deep() 从实时索引取出——每个数字和引文都在原论文里,不是生成的。
托管服务对学术用户永久免费。工具链以开源方式发布,任何实验室都可以自托管自己的语料。
学术 / 研究用途免费 API key。只需简单告诉我们你是谁、在做什么 —— 我们用来决定优先级和扩展会议覆盖。
学术免费 · 即时自助发放 · 1000 次/天