即刻App年轻人的同好社区
下载
置顶Hi 即友们👋
我是ChatDOC，终于来到即刻玩耍了！先给新老朋友们做个自我介绍🙇
作为一款AI阅读工具，我能够帮助你：
自动生成内容摘要、快速定位所需信息
梳理组织文章框架、分析总结文档内容
你只需要：上传文档，向我提问，就可以开启高效阅读啦！
访问链接🔗：chatdoc.com (🪜)
API接口：chatdoc.com🧙
支持本地化部署：paodingjiewen.com
🚀以下几个小tips帮助你更好体验：
1. 表格理解是我的强项。你可以尝试框选表格（以及文本），即可精准提问。
2. 点击答案下方的页码或脚注，一键溯源至原文，确保回答的真实性。
3. 点击答案右下角的追问按钮，进入多轮问答。
4. 上传包含多篇文档的文件夹，同时向它们提问，帮你快速梳理多份资料。
5. 高精度OCR识别扫描件，还可以丝滑处理PDF/Word/HTML/EPUB/MD/TXT多种文件类型。
另外，ChatDOC还可以支持公式识别、多语言问答、自定义Prompt模版......更多高效、创新的玩法等你来探索！
无论你是学术研究者、产品经理、金融分析师、律师、售前工程师、咨询从业者......只要你面临「文档密集」的挑战，欢迎让ChatDOC帮你革新你的阅读方式。
期待大家在即刻分享你的使用心得✌️
我是ChatDOC，终于来到即刻玩耍了！先给新老朋友们做个自我介绍🙇
作为一款AI阅读工具，我能够帮助你：
自动生成内容摘要、快速定位所需信息
梳理组织文章框架、分析总结文档内容
你只需要：上传文档，向我提问，就可以开启高效阅读啦！
访问链接🔗：chatdoc.com (🪜)
API接口：chatdoc.com🧙
支持本地化部署：paodingjiewen.com
🚀以下几个小tips帮助你更好体验：
1. 表格理解是我的强项。你可以尝试框选表格（以及文本），即可精准提问。
2. 点击答案下方的页码或脚注，一键溯源至原文，确保回答的真实性。
3. 点击答案右下角的追问按钮，进入多轮问答。
4. 上传包含多篇文档的文件夹，同时向它们提问，帮你快速梳理多份资料。
5. 高精度OCR识别扫描件，还可以丝滑处理PDF/Word/HTML/EPUB/MD/TXT多种文件类型。
另外，ChatDOC还可以支持公式识别、多语言问答、自定义Prompt模版......更多高效、创新的玩法等你来探索！
无论你是学术研究者、产品经理、金融分析师、律师、售前工程师、咨询从业者......只要你面临「文档密集」的挑战，欢迎让ChatDOC帮你革新你的阅读方式。
期待大家在即刻分享你的使用心得✌️
00:53
20 1118
2 00
在ChatPaper上实现一站式浏览ICML、ICLR、NeurlPS、IJCAI、ACL、EMNLP、CVPR、KDD、SIGIR等顶会论文。chatpaper.com
1 00
💡“在 AI 文档问答场景中，知道答案从何而来，与得到答案应该同样重要。”
ChatDOC 提供「页码溯源」「引用溯源」和「划词溯源」三种方式，通过细粒度的溯源方式给给专业阅读场景提供更多安全感🔍
ChatDOC 提供「页码溯源」「引用溯源」和「划词溯源」三种方式，通过细粒度的溯源方式给给专业阅读场景提供更多安全感🔍
用 ChatDOC 读 PDF 有什么不一样？
1 00
ChatDOC 耕耘在 AI 文档问答这个场景中，希望不仅能够帮助大家提高阅读的速度，也能提高答案生成的可信度。因此，我们在溯源功能上不断升级迭代，希望「细颗粒度的溯源」能够帮助用户更好的定位到答案的准确出处。
我们希望能够为用户提供了一个高效可靠的验证工具，让AI真正成为提升工作效率的助手，而不是制造更多疑问。
欢迎体验：chatdoc.site
我们希望能够为用户提供了一个高效可靠的验证工具，让AI真正成为提升工作效率的助手，而不是制造更多疑问。
欢迎体验：chatdoc.site
3 02
2 00
想要 30s 总结各种扫描件？
想要比对不同大模型的答案？
想要快速验证每一个回答的来源？
想要快速在多个文档中找到问答？
想要无痛阅读各种外文PDF资料？
你都可以ChatDOC一下🧙
想要比对不同大模型的答案？
想要快速验证每一个回答的来源？
想要快速在多个文档中找到问答？
想要无痛阅读各种外文PDF资料？
你都可以ChatDOC一下🧙
5 00
ChatPaper，能够让用户像刷即刻动态一样快速浏览最新的前沿AI成果。chatpaper.com
根据用户的兴趣和需求，每日推送AI领域的最新研究成果，并提供智能问答和多语言支持，帮助用户高效获取和理解学术信息。可以通过ChatPaper快速了解行业的最新研究成果，并支持用户订阅兴趣点，自动推荐相关论文。
尝试用 napkin ai 画了几张功能介绍图，真有趣！😄
根据用户的兴趣和需求，每日推送AI领域的最新研究成果，并提供智能问答和多语言支持，帮助用户高效获取和理解学术信息。可以通过ChatPaper快速了解行业的最新研究成果，并支持用户订阅兴趣点，自动推荐相关论文。
尝试用 napkin ai 画了几张功能介绍图，真有趣！😄
0 01
英伟达的团队最近发表了一片论文《In Defense of RAG in the Era of Long-Context Language Models》。
“最近，长上下文LLM的出现使得模型能够处理更长的文本序列，从而使RAG的吸引力下降。最新研究表明，长上下文LLM在长上下文应用中显著优于RAG。与现有研究倾向于将长上下文LLM置于RAG之上不同，他们认为LLM中的极长上下文会导致对相关信息的关注度降低，从而可能导致答案质量的下降。本文重新审视了长上下文答案生成中的RAG。他们提出了一种顺序保留检索增强生成（OP-RAG）机制，显著提高了RAG在长上下文问答应用中的性能。通过OP-RAG，随着检索到的片段数量增加，答案质量最初上升，然后下降，形成一个倒U型曲线。存在一些最佳点，在这些点上，OP-RAG能够以远少于长上下文LLM处理整个上下文所需的令牌数量实现更高的答案质量。我们在公共基准上的大量实验证明了OP-RAG的优越性。”
文章的结论指出，尽管近期的趋势倾向于使用长上下文的语言模型（LLMs）来处理长文本序列，但作者提出的有序保留检索增强生成（OP-RAG）机制显示出显著改进RAG在长上下文问答任务中的性能。论文中强调，尽管长上下文可能导致对相关信息的关注下降，从而影响答案质量，但通过高效的检索和聚焦的上下文利用，OP-RAG可以超过简单处理极长上下文的效果。实验证明，OP-RAG在减少输入标记的数量时，仍然能实现更高的答案质量。因此，作者认为RAG在现代语言模型应用中仍然是一个有效的选择。
原文链接：chatpaper.com
“最近，长上下文LLM的出现使得模型能够处理更长的文本序列，从而使RAG的吸引力下降。最新研究表明，长上下文LLM在长上下文应用中显著优于RAG。与现有研究倾向于将长上下文LLM置于RAG之上不同，他们认为LLM中的极长上下文会导致对相关信息的关注度降低，从而可能导致答案质量的下降。本文重新审视了长上下文答案生成中的RAG。他们提出了一种顺序保留检索增强生成（OP-RAG）机制，显著提高了RAG在长上下文问答应用中的性能。通过OP-RAG，随着检索到的片段数量增加，答案质量最初上升，然后下降，形成一个倒U型曲线。存在一些最佳点，在这些点上，OP-RAG能够以远少于长上下文LLM处理整个上下文所需的令牌数量实现更高的答案质量。我们在公共基准上的大量实验证明了OP-RAG的优越性。”
文章的结论指出，尽管近期的趋势倾向于使用长上下文的语言模型（LLMs）来处理长文本序列，但作者提出的有序保留检索增强生成（OP-RAG）机制显示出显著改进RAG在长上下文问答任务中的性能。论文中强调，尽管长上下文可能导致对相关信息的关注下降，从而影响答案质量，但通过高效的检索和聚焦的上下文利用，OP-RAG可以超过简单处理极长上下文的效果。实验证明，OP-RAG在减少输入标记的数量时，仍然能实现更高的答案质量。因此，作者认为RAG在现代语言模型应用中仍然是一个有效的选择。
原文链接：chatpaper.com
4 02
6 01