开源！文献自由宣言：AI接管查文献、写综述、画图表，科研人的黄金时代来了！

MemTensor

传统文献调研有多反人类？

科研汪们，是时候放下手里的咖啡和掉发梳了！文献综述——这个让博士生狂喜（崩溃）、让导师沉默（抓狂）的学术苦力活，终于被AI「革命」了！

近日，由记忆张量牵头，上海算法创新研究院、上海交通大学等机构联合推出了基于大语言模型（LLMs）的学术调研自动化系统SurveyX ，标志着自动化综述技术迈上了全新的高度

项目开源相关信息

代码仓库：

https://github.com/IAAR-Shanghai/SurveyX

相关Paper：

https://arxiv.org/abs/2502.14776

开源内容：

核心算法框架，包括文献组织、检索，生成过程等

体验地址：

https://surveyx.cn

话不多说，我们先来看看SurveyX生成的效果：

经常写文献综述的都知道，评估一篇文献综述的内容质量高低 要从以下5个角度：

• 覆盖率(Coverage): 评价综述是否涵盖了主题的所有相关方面，包括核心和外围内容。

• 结构(Structure): 评价综述的逻辑组织结构和各部分的连贯性。

• 相关性(Relevance): 评价综述内容与主题的契合程度，以及是否保持了清晰的焦点。

• 综合分析(Synthesis): 评价综述是否能够将不同研究联系起来，识别出更广泛的模式和矛盾，并构建一个超越单个总结的连贯的智力框架。

• 批判性分析(Critical Analysis): 评价综述对现有研究的批判性分析的深度，包括识别方法论局限性、理论不一致性和研究空白。

作者委托了10多位博士生对SurveyX生成的综述质量进行了评估，评估结果如下：

可以看到，SuryveX在各个方面都已经 超过了现有模型 ，并以较小的差距逼近人类水平的综述标准。

除了人工评估，SurveyX也进行了机器评估，评估结果如下：

SurveyX以较高的差距拉开了现有方法的结果，并且在引用准确性 上略微超过了人类专家水平。可以看出，SurveyX较好的解决了LLM的幻觉问题，充分保证了引文内容的正确性。

功能亮点

如果把SurveyX比作宇宙飞船 ，带你穿越文献虫洞直达核心综述，那么这艘飞船有如下黑科技：

01

生成关键词和大纲——自动驾驶+用户精调

用户只需要在SurveyX输入标题，就可以自动生成逻辑大纲与关键词，但还不止于此！真正的突破在于：用户可以像舰长一样调整生成逻辑，让AI听懂用户偏好。

• 权重化关键词：筛选和添加自定义关键词，为重要的关键词设置10分权重，SurveyX将自动强化相关章节的文献密度与论证深度，驱动AI聚焦核心研究方向。

• 自由拖拽大纲：自动生成二级大纲架构，支持拖拽重组/跨级迁移，修改任意节点后AI动态重构上下文逻辑。支持标题排序和增删，文章结构和篇幅由用户自定义。

关键词生成/添加

大纲生成/拖拽

02

打通「本地文献库」与「云端数据库」

——双引擎驱动

用户上传本地文献后，同步开启智能联网搜索，SurveyX即可根据关键词和大纲同步抓取全球最新研究成果，自动补全文献缺口。

• 海量本地文献直传：支持200篇文献上传，总容量300MB，自动解析核心内容并存入个人文献库。
• 智能联网检索填补空白：自动激活全球学术数据库检索，依据主题、关键词与文献结构，实时补充高质量研究成果，确保主题覆盖无遗漏。针对不同版权情况，系统将智能判断获取方式——可直接获取的文献将自动归档，受限内容则清晰标注，提示用户按需获取。

联网搜索

03

从文字到图表，多模态输出「期刊级」排版——首家科研级图表工坊

传统文献综述工具止步于文字生成，SurveyX则让数据自己说话，丰富综述的表达形式，图文并茂，提高可读性和信息传递效率。

• 业内首创深度语义可视化：SurveyX将“图表自动生成”从简单统计图跃升到知识结构级表达——系统在解析海量文献后，自动抽取核心概念、方法流与数据关系，输出思维导图、知识图谱等复杂可视化图表，而非柱状/折线等基础图形。
• 图文联动：点击图表自动跳转到对应文章内容。

04

自动引用参考文献——格式化武器

通过智能化的引用管理系统，实现从文献收集到格式输出的全流程自动化，让学术写作告别繁琐的手工操作。

• 实时引文校验矩阵：校验本地上传文献数量，缺失时触发警告并推荐补传策略。
• 溯源可视化系统：导出文档嵌入智能书签，点击任一引用直接跳转至参考文献。
• 自定义参考文献格式：一键生成正确格式，再也不用调格式调到头秃。

绿框跳转到原文

SurveyX三大算法创新点

接下来，就让我们看看如此优秀的SurveyX是如何诞生的吧。

SurveyX主要分为两个部分：准备阶段和生成阶段。

准备阶段，SurveyX通过高效的检索与信息抽取流程，模拟人类专家的文献准备过程。首先，采用KeywordExpansion算法覆盖所有相关文献，并结合粗细粒度语义过滤去除无关内容，确保参考文献全面且高质量。然后，借助属性树模板对文献进行结构化信息抽取，显著提升信息密度和下文利用效率，为后续综述撰写奠定基础。

生成阶段，SurveyX以大纲设计、正文生成和后处理优化三步确保综述质量与结构性。先基于属性树信息自动归纳综述框架，生成一、二级大纲，并通过去冗余与重排优化结构。再依据撰写思路与属性树顺序生成各章节正文。最后，通过RAG校验引用内容、章节重写提升连贯性，并结合多模态模型自动生成图表，增强文章可读性与专业性。

01

检索词迭代扩充——不放过每篇文献

通过对检索词的迭代扩充，每轮除了用户输入的检索词外，采用对召回文献聚类提取关键词方式进行扩充。

该算法能够根据给定主题自动扩展关键词，从而显著扩大检索范围，获取更多相关文献：

第一步利用嵌入模型进行粗粒度筛选，第二步利用LLM进行细粒度筛选，确保最终获取的文献与主题高度相关，从而提高综述的全面性和质量。

这样做的好处：

• 动态平衡广度与精度：通过语义聚类和关键词迭代扩展，既避免遗漏边缘文献（如新兴研究方向），又通过两步过滤（嵌入模型粗筛+LLM精筛）剔除噪声。
• 权重设计：在语义距离计算中，赋予主题T双倍权重，确保扩展方向始终围绕核心主题。
• 实验验证：对比传统固定关键词检索，SurveyX在IoU（文献覆盖重叠率）指标上达到55%，接近人工专家水平。

02

参考文献属性树——拆解读懂更多的参考文献

• 属性树（AttributeTree）预处理：针对不同类型的文献（Survey Paper,Method Paper,Benchmark Paper, Theory Paper）设计不同的属性树模板，高效提取关键信息。
• RAG-Based重写模块：将所有文献的属性树组合成属性森林，提高信息密度，有效利用大型语言模型的上下文窗口。基于检索增强生成（RAG），用段落内容查询属性森林，动态补充高相关引用并删除无关引用，为生成高质量的综述奠定基础。
• 分而治之，再组织：首先利用属性树生成提纲线索，再根据线索生成二级提纲，最后去除冗余，生成逻辑严谨、结构清晰的综述提纲。
• 提示引导：通过线索引导大型语言模型更好地理解文献内容，并进行信息整合和组织，提高二级提纲的生成质量。

03

首次实现多图表的理解与生成 ——突破纯文本局限

与其他文献综述AI相比，除了文本内容，SurveyX还能够生成图表和表格。丰富综述的表达形式，提高可读性和信息传递效率。

模板驱动信息提取：

• 预定义模板：针对不同图表类型（如技术演进时间轴、方法对比表）设计信息提取模板，来生成图片和表格的latex代码。
• LLM信息抽取：基于模板，从属性树（结构化文献数据库）中提取关键字段，缺失数据由LLM推理补全，填到模板代码里面，跟随latex一起编译生成。

多模态增强（MLLM）：

• 对每个子章节，使用多模态大模型扫描参考文献中的现有图表。
• 通过图文相似度计算，选择最能帮助综述表意的插图，插入到survey中。

这样做的好处：

• 动态适配性：模板化设计支持灵活扩展图表类型，适应不同学科需求。

• 混合生成策略：结合LLM生成图表与文献既有图表，兼顾学术严谨性与可视化多样性。

结语

SurveyX不仅将文献综述从两周压缩到3小时内，更以多模态图表和精准引用 ，让学术成果的呈现直抵专业标准——这不是替代，而是解放。

“AI不会替代科研工作者，但它能让创造的过程更自由。” ——技术的终极目标，或许是让人类专注于发现与创新，而将繁琐交给机器。

最后说句大实话：AI当然替代不了研究者的创造力，但至少——那些熬夜查文献的日子，该翻篇了。

下一步技术迭代：

基于MemOS引入专家级记忆管理系统

下一版SurveyX将深度接入MemOS ，为系统新增“专家级记忆管理”能力：把每次检索到的高质量文献、结构化属性和图表结果沉淀为可回溯的记忆块，支持版本回溯、跨主题迁移与智能复用。届时，用户不再从零开始重复抓取文献，而是站在累积知识之上快速更新综述，显著降低检索成本、提升引用准确度，并让跨学科综述像“加载记忆包”一样轻松高效。

同时，我们将陆续发布领域专用记忆库 （Expert Memory Packs）：

• 由真实领域专家参与标注与校验，覆盖热门研究方向（如NLP、CV、医学AI、绿色能源等）。
• 按需下载，一键加载到SurveyX工作区，即刻继承专家级知识与推理能力。
• 支持版本回溯与增量更新，让综述写作从“从头开始”变为“基于记忆快速迭代”。

借助MemOS的长期记忆+版本管理，SurveyX将把研究综述的效率和准确性再推上一个新台阶。

注：MemOS（记忆操作系统）是由记忆张量主导，上海交通大学、上海算法创新研究院、中国人民大学等单位协同参与的开源项目。该系统首次以“操作系统”的视角将记忆设定为LLM的核心资源，覆盖从表示结构、生命周期治理到多类型融合的全链路记忆管理，填补了当前语言模型在“结构化、持久性、自适应记忆能力”上的关键空白。

附：MemOS开源框架社区群，扫码入群，获取第一手开源信息。

招贤纳才

记忆张量（上海）科技有限公司是上海算法创新研究院孵化的新型大模型公司，由中科院院士担任首席科学顾问。公司聚焦基本原理驱动的系统性创新，以“低成本、低幻觉、高泛化”为核心特色，致力于探索符合中国国情的大模型发展新路径，推动AI应用更广泛落地。公司持续围绕大模型记忆增强与管理框架进行技术迭代，自主研发的基于记忆分层架构的“忆³”大模型已实现商业化落地，业务稳步增长，获得招商证券、中国银行、中国电信等头部国央企业认可。

公司近期刚完成数千万元天使轮融资，发展势头迅猛，团队热烈欢迎对于大模型训练、强化、应用算法/工程感兴趣的同学参与到这轮AI的热潮中来。团队当前持续招聘中，全面覆盖实习生、校招、社招队伍，团队HC充足，成长空间巨大，欢迎投递。

我们想要的你

• 热衷探索： 对大模型、强化学习、检索或系统工程有强烈好奇心。
• 动手能力： 能将paper idea快速原型化并迭代成产品，具备优秀的极客精神。
• 自驱成长： 乐于在不确定环境中寻找突破口，与团队共创零到一。
• 协作精神： 跨学科背景加分，愿与算法、工程、产品多角色高效沟通。

我们能给你的

• 顶尖专家指导： 院士顾问+一线大厂/顶会背景导师，Code Review、Reading Club常态化。
• 快速成长路径： 技术Ladder&管理双通道，不设天花板的晋升与期权激励。
• 落地是第一生产力： 研发节奏“需求-原型-迭代”三步走，我们鼓励MVP版本快速试错。
• 开放研究氛围： 鼓励顶会投稿与开源贡献，成果署名按实际贡献排名。
• 高效工作效率： 团队Base上海，扁平化管理，任何事情畅所欲言，虽小但美。

投递邮箱

实习/校招/社招：HR@memtensor.cn

邮件主题请注明“应聘岗位+姓名+来源”。如有代表性项目 / 论文 / GitHub，请一并附上。

扫码加入 SurveyX 用户反馈交流群