免费版
$0
10 次请求 / 天
- 包含全部功能
- 接入任意 AI 客户端
- 注册即送 300 点数
- 无需绑卡
这些院校的学生与研究者正在使用
告别引用幻觉
01只收 CORE A* 与 CCF A 类会议,以及它们的 Findings。没有开放网络的灌水,每句话都能引回一篇 Paper。
用自然语言检索整篇 Paper,附录也在内。
看一篇 Paper 引用了哪些工作,又被哪些后续工作引用。
同行评审、创新性、消融实验、评估方法、会议选择。审稿人真正看重的东西,只在需要时出现。
取自塑造这些领域的学者:他们的演讲、访谈与笔记。
文献溯源
02从第一次检索文献到最后定稿,每一步都落在一篇 Paper 或一条实战经验上,不靠猜。
领域
阶段
我刚接触检索增强生成(RAG),有哪些奠基性的 Paper?它们各自到底提出了什么?
Lunesearch_papers ·get_paper_fulltext [1]
… the non-parametric memory is a dense vector index of Wikipedia, accessed with a pre-trained neural retriever.
我有个想法:当检索到的上下文看起来不够好时,让 RAG 模型选择弃答或重新检索。这算新颖吗?真正的空白点在哪?
Lunesearch_papers ·get_paper_fulltext [1]
不新:Sufficient Context [1] 用充分性自动评估器加模型置信度决定弃答;GrowOVER [2] 在答案不可靠时重新检索。空白:更好的触发信号,上下文不充分时模型仍有 35-62% 答对。
… intervention strategies to increase accuracy should not solely rely on sufficiency.
我的 RAG 方法在生成前对段落重排。审稿人会期待哪些基线和消融实验?
Lunesearch_research_guidance ·search_papers ·get_paper_fulltext [1]
照 BAR-RAG [1]:不检索和 CoT 基线、普通 RAG、加神经重排器的 RAG,共用同一检索器;在 NQ、TriviaQA、HotpotQA 上报 EM,再扫 top-k。要胜过它们,分数还行不够。
… the largest gains appearing in low-k regimes where evidence is sparse …
证据
帮我为我的方法起草一句相关工作:它在生成前先重排,把生成模型的上下文控制得很小。
Lunesearch_papers ·get_paper_fulltext [1], [2]
已起草,每处引用都对照原文核对过:
自动把密码代码改写成常数时间实现,有哪些关键 Paper?它们具体声称了什么?
Lunesearch_papers ·get_paper_fulltext [1]
Constantine [1] 把依赖秘密的控制流和数据流线性化,在 23 个密码模块上几何平均开销为 11%。SynthCT [2] 补充指出,哪些指令安全取决于微架构。Constantine 的主张:
… outperforms prior comprehensive solutions in terms of both performance and compatibility, while also providing stronger security guarantees.
想法:用 AVX-512 向量化常数时间改写中的内存访问。这个想法新吗?真正的空白在哪里?
Lunesearch_papers ·get_paper_fulltext [2]
不新。Constantine [1] 最早在常数时间改写中用 AVX-512,但 VeCT [2] 发现其带掩码存储泄露时序。空白在 Arm SVE 和 RISC-V:VeCT 的时序测试只覆盖 Intel CPU。
… boost the performance of constant-time code, by utilizing Vector Extensions (VE).
我要把常数时间改写移植到 Arm SVE,审稿人会期待哪些基线、基准和检验?
Lunesearch_papers ·get_paper_fulltext [1]
照 VeCT [1]:在 Constantine 的基准上报告相对补丁版 Constantine [2] 的开销降幅。其 AVX-512 规则来自 Intel CPU 上的 Welch t 检验,需在 SVE 重做。
… reuse our t-test framework to assess the CT guarantees of VE instructions on additional hardware platforms.
帮我写一句相关工作,把我面向 Arm SVE 的常数时间改写器和 Constantine、VeCT 区分开。
Lunesearch_papers ·get_paper_fulltext [1], [2]
已起草,两篇 Paper 的做法都对照全文核实过:
用 LLM 智能体做自动程序修复,有哪些关键 Paper?它们具体声称了什么?
Lunesearch_papers ·get_paper_fulltext [1]
AutoCodeRover [1] 靠代码搜索解决 SWE-bench Lite 的 19%;Agentless [2] 不用智能体也领先开源工具;RepairAgent [3] 让 LLM 选工具。[1] 的论点:
… the effective use of code search to make software engineering processes like program repair autonomous.
想法:让 LLM 修复智能体在调试器里单步执行失败的测试。这个想法新吗?真正的空白在哪里?
Lunesearch_papers ·get_paper_fulltext [1]
不新。Xiang et al. [1] 把 pdb 单步调试当作基线跑过:成本更高,53% 的调试尝试中途放弃。他们更省的方案借助 Python 的 tracer 追踪整次函数调用,所以空白在其他语言。
… incurs the substantial cost of a complete LLM inference cycle.
我的智能体在调试器里单步执行失败的 Java 测试。审稿人会期待哪些基准和基线?
Lunesearch_papers ·get_paper_fulltext [1]
照 RepairAgent [1]:Defects4J 加 GitBug-Java 的 2023 年 bug 查泄漏,区分正确与似真补丁,基线用 ChatRepair 和 ITER。别用完美故障定位,该让调试器定位。
… we assume perfect fault localization as the default.
写一句相关工作:我的智能体在调试器里单步执行失败测试,不同于 AutoCodeRover 和 Agentless。
Lunesearch_papers ·get_paper_fulltext [1], [2]
已起草,每篇 Paper 的做法都对照过原文:
我刚开始做稀疏矩阵乘法(SpGEMM)加速器。有哪些关键 Paper?每篇的核心结论是什么?
Lunesearch_papers ·get_paper_fulltext [1]
SpArch [1] 用外积并在片上合并部分积矩阵。MatRaptor [2] 和 Gamma [3] 用逐行数据流:前者报告比 OuterSPACE 快 1.8×,后者比已有加速器几何平均快 2.1×。
… the memory access reduces by 2.8×, the performance increases by 4×, and the energy efficiency increases by 6× …
想法:让 SpGEMM 加速器在运行时切换数据流。这个方向新吗?真正的空白在哪里?
Lunesearch_papers ·get_paper_fulltext [2]
照这个说法不算新。Spada [1] 在运行时调整数据流,SegFold [2] 则在每个 tile 内调度计算。SegFold 自己点明的空白:针对反复使用的矩阵,把运行时调度和离线行重排结合起来。
… combining offline reordering with SegFold's runtime scheduling is a promising direction for future work.
写相关工作:把我的加速器(离线行重排加运行时调度)和 Gamma、SegFold 对比。
Luneget_paper_fulltext [1], [2]
Gamma 自己的开销提醒 [1] 正好用来对比:
Swift(Google 基于时延的数据中心拥塞控制)之后,有哪些工作建立在它之上?各自怎么用它?
Lunesearch_papers ·get_paper_citations ·get_paper_fulltext
Swift [1] 以端到端时延为控制目标。Poseidon [2] 基于它,改为根据带内网络遥测的最大逐跳时延做反应。MegaScale [3] 结合 Swift 的 RTT 测量与 DCQCN 的 ECN 响应。
… comparing the max per-hop delay against a dynamic target …
想法:做 Swift 那样的拥塞控制,不用 INT 也能在多跳拥塞时保持公平。这个想法新吗?空白在哪里?
Lunesearch_papers ·get_paper_fulltext [2], [3]
Poseidon [1] 已解决 Swift 多跳拥塞下的不公平,但依赖 INT。不用 INT 的话仍是空白:2026 年的两个纯时延方案 OSCAR [2] 和 CCC [3] 都没解决。OSCAR 谈时延信号:
… cannot distinguish whether increases in signals arise from single or multiple congestion points.
我的拥塞控制只用时延,在多跳拥塞时也保持公平。NSDI 会期待哪些基线和工作负载?
Lunesearch_papers ·get_paper_fulltext [1]
OSCAR [1] 先比 HPCC、PowerTCP,再比 Poseidon、Swift,负载有 CacheFollower、incast 和训练流量。要支撑你的公平性结论,复现它的 parking-lot 实验:
… parking-lot topology with three long-lived flows, where Flow 3 shares one bottleneck with Flow 1 and another with Flow 2 …
写相关工作:把我的拥塞控制(只用时延,多跳拥塞下仍公平)和 Poseidon、OSCAR 对比。
Luneget_paper_fulltext [1], [2]
Poseidon [1] 依赖 INT,这是你的切入点:
学习型索引和 B-tree、ART 相比,查找速度如何?一旦有插入,这个优势还能保持吗?
Lunesearch_papers ·extract_from_papers ·get_paper_fulltext
只读时,学习型索引就其大小而言比 B-tree 和 ART 更快 [1]。可更新的学习型索引在 2022 年赢下 80% 以上的单线程测试 [2],但 2026 年的基准测试发现,没有哪个能稳定胜过它们 [3]。
… none of the SOTA updatable learned indexes can robustly outperform traditional indexes …
想法:往学习型索引的 bulk load 里掺入合成键,抑制模型过拟合。这个想法新吗?空白在哪里?
Lunesearch_papers ·get_paper_fulltext [1]
不算新。Luo et al. [1] 试过加入占 bulk load 1% 的合成键。他们建议在 LIPP 上使用;ALEX 只有在键空间已知时才受益,还可能损失多达 50%。能让每个索引都受益的数据增强仍是空白。
… more sophisticated data augmentation techniques to consistently improve the performance of various indexes.
我的学习型索引用合成键训练,以预判插入。审稿人会期待哪些基线和工作负载?
Lunesearch_papers ·get_paper_fulltext [1], [2]
… the ability of learned indexes to consistently outperform certain traditional indexes in specific metrics.
帮我写相关工作,把 ALEX、LIPP 和我的索引(用合成键训练、以预判插入)区分开。
Lunesearch_papers ·get_paper_fulltext [1], [2]
草稿如下,两个索引的机制都对照了各自原文:
我刚开始做快速矩阵乘法。近年降低 ω 上界的关键 Paper 有哪些?每篇具体声称了什么?
Lunesearch_papers ·get_paper_fulltext [1]
… we identify a more implicit "combination loss", which is our main contribution.
想法:让 subtensor 在全部三个维度上共享 level-ℓ block。这个想法新吗?真正的空白在哪里?
Lunesearch_papers ·get_paper_fulltext [1]
Alman et al. [1] 称之为这条研究线的终极目标,但只做到了 Y 和 Z,因为他们的方法要求 X-block 唯一。他们认为 Duan、Wu 和 Zhou [2] 的技术已到尽头,X 维度需要全新的想法。
… there does not seem to be a way to continue our approach to also allow the X blocks to share level-ℓ-blocks.
ω < 2.371552 还是矩阵乘法指数目前最好的上界吗?我的草稿里引用的是这个。
Luneverify_claims ·get_paper_fulltext [1]
不是,需要更新。Alman et al. [1] 改进了 2.371552 这一上界;该 Paper 最新版本还提到,2026 年的后续工作用同一方法达到 ω < 2.371177。原文是这样写的:
… ω < 2.371339, improved from the previous bound by [VXXZ24] of ω < 2.371552 …
3DGS、Instant-NGP 和 Mip-NeRF 360 在训练时间、渲染速度、画质和内存占用上怎么比?
Lunesearch_papers ·extract_from_papers [1], [2]
3DGS [1] 训 35 到 45 分钟就达到 Mip-NeRF 360 的画质(后者 48 小时),还能实时渲染。Instant-NGP [2] 几秒到几分钟训完。3DGS 内存远高于 NeRF 类方法 [1]。
… additional training time allows us to achieve SOTA quality which is not the case for the other fast methods.
想法:不重训,直接对 3DGS 模型剪枝和量化来压缩体积。这个想法新吗?真正的空白在哪里?
Lunesearch_papers ·get_paper_fulltext [1]
不新。FlexGaussian [1] 不重训就能剪枝和量化,体积最多缩小 96.4%,PSNR 损失不到 1 dB。空白在更低的位宽:作者把三值或二值属性列为未来工作。
… further pushing the compression ratio by investigating ternary or even binary attributes …
我的免训练 3DGS 压缩方法用三值属性。审稿人会期待哪些数据集、指标和基线?
Lunesearch_papers ·get_paper_fulltext [1], [2]
用 Mip-NeRF 360、Tanks&Temples、Deep Blending 测 PSNR、SSIM、LPIPS 和模型大小 [1]。FlexGaussian [2] 还测压缩耗时,对比免训练的 FCGS。
… either the post-processing time for refinement-based methods or the total training time for retraining-based methods.
帮我写一句相关工作,把我免训练的三值 3DGS 压缩方法和 CompGS、FlexGaussian 区分开。
Lunesearch_papers ·get_paper_fulltext [1], [2]
已起草,两篇 Paper 的方法都按原文描述:
想法:场景变得密集或有遮挡时,自动切换 VR 选择技术。这个想法新吗?真正的空白在哪里?
Lunesearch_papers ·get_paper_fulltext [1]
不新。Adaptique [1] 能在三种手柄射线技术之间切换,18 名被试里有 10 名更喜欢它。真正的空白在其他模态:手臂累了就切到注视,这一点它留给了未来工作。
… modifications to the current objective score calculations would be necessary to ensure these scores remain comparable across different modalities.
我做了个新的 VR 物体选择技术,CHI 和 UIST 审稿人会期待什么样的实验设计和基线?
Lunesearch_papers ·get_paper_fulltext [1]
20 年研究综述 [1] 建议至少 20 名被试,目标分布在三维空间里。基线一般用 ray-casting [2]。可以对照 XR 选择任务的均值:1.25 秒、11.95% 错误率、3.25 bits/s [3]。
Nearly all studies (92.7%) used a within-subject design, which we also recommend …
我的技术在手臂累时从射线切到注视。写一句相关工作,和 Adaptique、Outline Pursuits 区分开。
Lunesearch_papers ·get_paper_fulltext [1]
已起草,每处描述都对照过 Paper:
工作原理
03Lune 让你的智能体立足顶会 Paper 中的可信知识NeurIPSIEEE S&PACL,远离幻觉与开放网络的噪音。
你的 AI 应用
Lune 连接器
顶会 Paper
Lune Profiles
04人才档案库收录每位学者完整的 Paper 发表履历和联系方式,支持按姓名、学校、研究方向等语义搜索。
20172025
r***@stanford.edu
显示邮箱Danqi Chen
普林斯顿大学
LLM 训练 · 检索
d***@cs.princeton.edu
Mingsheng Long
清华大学
世界模型 · AI for Science
m***@tsinghua.edu.cn
Mohamed Elhoseiny
阿卜杜拉国王科技大学
多模态 LLM · 视听推理
m***@kaust.edu.sa
Andrea Vedaldi
牛津大学
4D 重建 · 3D 生成
v***@robots.ox.ac.uk
Preethi Jyothi
印度理工学院孟买分校
语音识别 · 多语言 NLP
p***@cse.iitb.ac.in
Alvaro Soto
智利天主教大学
持续学习 · 视觉推理
a***@ing.puc.cl
Danqi Chen
普林斯顿大学
LLM 训练 · 检索
d***@cs.princeton.edu
Mingsheng Long
清华大学
世界模型 · AI for Science
m***@tsinghua.edu.cn
Mohamed Elhoseiny
阿卜杜拉国王科技大学
多模态 LLM · 视听推理
m***@kaust.edu.sa
Andrea Vedaldi
牛津大学
4D 重建 · 3D 生成
v***@robots.ox.ac.uk
Preethi Jyothi
印度理工学院孟买分校
语音识别 · 多语言 NLP
p***@cse.iitb.ac.in
Alvaro Soto
智利天主教大学
持续学习 · 视觉推理
a***@ing.puc.cl
Angela Yao
新加坡国立大学
视频理解 · 第一人称视觉
a***@comp.nus.edu.sg
Niao He
苏黎世联邦理工学院
优化 · LLM 微调
n***@inf.ethz.ch
Taiji Suzuki
东京大学
深度学习理论 · 上下文学习
t***@mist.i.u-tokyo.ac.jp
Graham Neubig
卡内基梅隆大学
LLM 智能体 · 推理
g***@cs.cmu.edu
Tongliang Liu
悉尼大学
可信机器学习 · 因果推断
t***@sydney.edu.au
Richard Klein
金山大学
学习动力学 · 模块化网络
r***@wits.ac.za
Angela Yao
新加坡国立大学
视频理解 · 第一人称视觉
a***@comp.nus.edu.sg
Niao He
苏黎世联邦理工学院
优化 · LLM 微调
n***@inf.ethz.ch
Taiji Suzuki
东京大学
深度学习理论 · 上下文学习
t***@mist.i.u-tokyo.ac.jp
Graham Neubig
卡内基梅隆大学
LLM 智能体 · 推理
g***@cs.cmu.edu
Tongliang Liu
悉尼大学
可信机器学习 · 因果推断
t***@sydney.edu.au
Richard Klein
金山大学
学习动力学 · 模块化网络
r***@wits.ac.za
三种接入方式
05挑个顺手的方式安装,支持所有智能体/LLM。
定价
06选一个带每日标准额度的套餐,超出之后再充点数即可。
免费开始,无需绑卡
