ChatReviewer

GitHub
1.4k 124 简单 2 次阅读 3天前NOASSERTION语言模型其他
AI 解读 由 AI 自动生成,仅供参考

ChatReviewer 是一款基于 ChatGPT 的智能论文分析与建议助手。它能够快速总结学术论文的优缺点,提出针对性的改进建议,有效提升了科研人员对文献的阅读和理解效率。此外,其配套的 ChatResponse 功能还能根据审稿意见自动生成点对点回复草稿。

面对海量文献筛选和论文修改耗时费力的痛点,ChatReviewer 提供了高效的解决方案。它帮助研究者从审稿人视角快速评估论文质量,协助作者查漏补缺,进一步优化稿件质量。ChatReviewer 非常适合高校学生、科研人员及学术领域的开发者使用。

技术上,ChatReviewer 支持本地 PDF 批量分析,并提供无需翻墙的网页版及 Docker 私有化部署选项,降低了使用门槛。值得注意的是,出于学术伦理考量,生成内容中嵌入了防直接复制的声明,倡导用户将其作为辅助参考而非替代正式人工审稿。目前项目已更新支持 GPT4o-mini 模型,运行速度更快。欢迎感兴趣的朋友前往 GitHub 体验并贡献代码。

使用场景

一名计算机专业的博士生正在准备投稿顶级会议,需要在正式提交前对自己的论文初稿进行深度自查。

没有 ChatReviewer 时

  • 人工通读全文并梳理逻辑链条耗时极长,难以在有限的截稿期内捕捉核心创新点与潜在漏洞。
  • 作为作者容易陷入思维定势,无法像外部审稿人那样客观发现实验设计或论证过程中的细微不足。
  • 面对复杂的修改需求往往无从下手,缺乏系统性的改进建议来指导后续的实验补充与段落优化。

使用 ChatReviewer 后

  • ChatReviewer 能在几分钟内基于大模型输出优缺点总结,大幅缩短了自我评估的时间成本。
  • 模拟专业审稿人视角提供批判性反馈,有效帮助识别被作者忽略的逻辑断层与技术细节缺陷。
  • 生成的具体改进建议清单可直接用于指导论文修订,让后续的修改工作更加有的放矢且高效。

ChatReviewer 通过引入智能分析能力,显著提升了科研人员自查论文的效率与最终稿件的质量。

运行环境要求

操作系统
  • Windows
  • macOS
  • Linux
GPU

不需要本地 GPU (基于 OpenAI API)

内存

未说明

依赖
notes1. 需在 apikey.ini 配置 OpenAI API Key;2. 本地运行脚本需使用 VPN/全局代理;3. Docker 部署必须使用国外服务器;4. 提供无需翻墙的网页版;5. 伦理声明:禁止直接复制生成内容用于论文审稿
python3.8+
tiktoken
openai
ChatReviewer hero image

快速开始


ChatReviewer

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

ChatReviewer 收到了大多数人的肯定,同时也收到少数质疑和担忧。

因此,为了防止极少数人直接使用生成的内容进行论文审稿,在每次生成的内容最后加上了的伦理声明,

输出中间插入了警告:Generated by ChatGPT, no copying allowed! (为了伦理安全,只能牺牲内容的可读性~)

从生成的内容里扣字,不如直接使用 ChatGPT 更有效率,相信可以防止有人使用该工具对分配的论文进行审稿。

该工具帮助了不少人从审稿人角度对论文进行快速的总结和评估,提高了科研和学习的效率,目前看来是利大于弊。

如果谁有更好的方法来限制少数人的不规范使用,欢迎留言,为科研界做一份贡献。

++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

其他相关工具--学术 GPT https://huggingface.co/spaces/ShiwenNi/gpt-academic image 💥💥💥ChatReviewer 的第一版网页出来了!网页版不需要翻墙,直接点击:https://huggingface.co/spaces/ShiwenNi/ChatReviewer image 💥💥💥ChatResponse 的第一版网页也出来了!网页版不需要翻墙,直接点击:https://huggingface.co/spaces/ShiwenNi/ChatResponse image ChatPaper https://chatwithpaper.org/ image

ChatReviewer 是一款基于 ChatGPT-3.5(一种大型语言模型)的 API(应用程序编程接口)开发的智能论文分析与建议助手。其用途如下: ⭐️对论文的优缺点进行快速总结和分析,提高科研人员的文献阅读和理解的效率,紧跟研究前沿。 ⭐️对自己的论文进行分析,根据 ChatReviewer 生成的改进建议进行查漏补缺,进一步提高自己的论文质量。

ChatResponse 是一款根据审稿人的评论自动生成作者回复的 AI 助手。用途如下: ⭐️根据收到的审稿意见,ChatResponse 自动提取其中各个审稿人的问题和担忧,并生成点对点的回复。

基于之前 ChatPaper 的启发,本人在周末开发了这款 ChatReviewer,并且开源给大家。欢迎大家使用、提问和转发!

♥本项目是本人利用休息时间进行更新,如果对您有帮助,欢迎 Star 和 Fork,也欢迎您进行赞助!♥

⭐️⭐️⭐️ 声明:请对审稿的论文负责,不要直接复制粘贴 ChatReviewer 生成的任何审稿意见!!!

主要更新:

  • 💥网页版改为使用 GPT4o-mini 模型
  • 💥增加了 ChatResponse 的网页版! 2023/3/27
  • 💥💥💥为了方便没有太多计算机背景的人的使用,经过本人昨晚上的辛苦加班 TAT,ChatReviewer 的第一版网页出来了!!! 2023/3/22
  • 重写了 section split 的逻辑,fix 了可能抓不到固定标题的问题;修改 prompt 机制:先询问 chatgpt 它感兴趣的章节,随后再发送相应的章节。2023/3/21
  • 更新了 ChatResponse,这个是根据审稿人的评论自动生成作者回复的 AI 助手。(ChatResponse 和 ChatReviewer 有点左右互博的意思...) 2023/3/19
  • 增加了 Docker 部署的方式。将服务部署在自己的服务器上,速度更快,更安全。一行命令可以部署两个服务。2023/5/28

使用步骤:

Windows, Mac 和 Linux 系统都可,python 版本最好是 3.8 或 3.9,因为低于 3.8 就不支持 tiktoken 这个包。

  1. 在 apikey.ini 中填入你的 openai 的 api key(sk 开头的那串)
  2. 使用过程要使用 VPN 而且保证全局代理(因为 ChatGPT 把中国 ban 了)。
  3. 在 ReviewFormat.txt 中输入你想要的特殊审稿格式(不然就是默认格式)。 image
  4. 安装依赖:使用 VPN。
pip install -r requirements.txt

或者使用国内镜像:

pip install -r requirements.txt -i  http://pypi.douban.com/simple  --trusted-host pypi.douban.com
  1. 对本地的论文进行分析:运行 chat_reviewer.py,比如:
python chat_reviewer.py --paper_path "input_file/demo1.pdf"

对本地的论文进行批量分析:运行 chat_reviewer.py,比如:

python chat_reviewer.py --paper_path "input_file"

Docker 部署:

docker run -d -p 7000:7000 -p 8000:8000 hanhongyong/chatreviewer:latest

其中,7000 端口为 ChatReviewer 服务,8000 端口为 ChatResponse 服务。注意:本服务一定要部署在国外服务器上!

例子:

image

使用 ChatResponse

对本地的审稿评论 review_comments.txt 进行回复:运行 chat_response.py,比如:

python chat_response.py --comment_path "review_comments.txt"

例子: image

致谢:

  • 感谢 OpenAI 提供的强大 ChatGPT-API;
  • 感谢 kaixindelele 同学的 ChatPaper 和开源精神,ChatReviewer 的代码是基于 ChatPaper 修改而来。

常见问题

相似工具推荐

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架

PaddleOCR

PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。

74.9k|★★★☆☆|今天
语言模型图像开发框架

awesome-machine-learning

awesome-machine-learning 是一份精心整理的机器学习资源清单,汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点,这份清单按编程语言(如 Python、C++、Go 等)和应用场景(如计算机视觉、自然语言处理、深度学习等)进行了系统化分类,帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库,还是资深工程师对比不同语言的技术选型,都能从中获得极具价值的参考。此外,清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源,构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准:明确标记已停止维护或长期未更新的项目,确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”,awesome-machine-learning 以开源协作的方式持续更新,旨在降低技术探索门槛,让每一位从业者都能高效地站在巨人的肩膀上创新。

72.1k|★☆☆☆☆|2天前
开发框架其他