readpaper总结功能

读过后才知道的 ai 科研神器有哪些？第一个，一分钟读完一篇文献的 ai 文献阅读神器，对着 paper 打开需要阅读的文献， ai 就会自动总结出这篇文章的主要内容，包括理论方法和创新点等。这样我们可以快速把握文章的主要框架，再回去阅读原文的时候会容易理解很多，让你一天阅读一百篇文献， 直接轻松入门新领域。第二个，集成了 chat g b t 的论文写作神器 made up here chat g b t 的加持，实现了自动生成目录和根据目录自动生成内容， 不仅省时省力，而且支持最新的 g t p 四版本。除此之外，还支持多人在线协同编辑，修改后可以同时保存三个版本，随时对比修改前后的差异。懂券的人已经开始去试了。第三个， 期刊智能查找匹配神器赛特新斯，只需要输入热门的关键词，系统就可以精准匹配到与你内容最相符的期刊，还可以在上方设定 影响因子和分区。点击期刊，还可以查看期刊的详细信息，包括影响因子范围、量的走势等等。有这个工具还怕不会选刊吗？如果觉得对你有帮助的话，欢迎点赞关注哦！

贝的配克这一款文献工具真的是功能太强大了！第一，参考文献不用再去找，直接点击文献里的引用，就能直接点开查看和收藏，这一点真的是太宝藏了！第二点，多端同步，无需手动上传至 ipad 电脑上收藏， ipad 上也能直接看，用笔还可以直接手写笔记和标记重点，实在是太方便了！ 三点，深层文献阅读引导很多同学困扰，不知道该怎么读文献。 red paper 给每一篇文献都设置了读后感模板，让你以省稿人的身份参与阅读，而且它还可以截图笔记，提取图片来方便学习。 第四点，学习社区，你可以创建小组，直接在线上和同学老师交流文献，不用再费时费力了。而且你还可以参考别人的读后感，也可以提出自己的问题让他人解答，快去试试吧！这里是正在读博的大雨，学长关注我，带你开心读研！

哈喽哈喽，大家好，我是贝塔，是一个正在学习 ai 知识的产品经理。今天我们将继续试用 read paper 的 ai 润色论文功能，他的目标用户是英文能力有待提高，希望能把自己的英文论文修改。地道的人群进入 ai 润色论文界面后， 我们可以看到新建项目的选项，可以上传 word 文件来建立项目，也可以将文本直接粘贴到项目中。 我们先用英文文本来实验一下。将论文导入后，我们可以看见平台加载了文本，并基于文本中的关键字将文章内容提取出几类关键部分，包括了标题、摘要、简介、方法、 结论。界面下方可以看见四个重要功能。第一个是专业润色功能，能针对三百字以内的段落做优化，支持四个优化片好标准扩写，简写易读，用户可以按需选择 下面摘药神器和标题神器，这两个功能很好理解，他们可以基于文章内容生成摘药和标题，要生成较好的结果，需要输入尽可能详识。这里我们要标好对应的标题、 摘药、简介方法、结论的文章段落，这样得到的结果会更准确。最后， ai 审稿人这个功能，他能给文章打分，并给出对文章的基础评价，优劣势分析，也能给出修改意见。但是目前感觉生成结果不是很稳定， 经常输出到一半就出现文本缺失的情况，可能是因为返回结果次数超上限了，上述几个功能都需要跑一段时间才能得到结果，根据你输入的内容情况， 可能耗时在十秒至几十秒不等。如果你想直接输入中文文本则不太合适，因为目前摘药神器、标题神器、 ai 审稿人 这几个工具只支持对英文段落做分析，需要先把对应段落翻译为英文才能继续执行。平台内部提供的专业润色功能可以支持中文转英文，但单次限制三百字以内，如果中文文本较长，翻译效率就会较低。因此建议在其他产品中进行全篇英文翻译， 然后再将不满意的段落放到此平台内进行专业润色。目前看来，这个 ai 润色论文功能的优势在于 提供了论文优化的交互式界面，易于理解。但是 ai 能力其实较为初级，懂得使用 chat、 gpt、 闻心一眼等产品的同学，可以自己编写 prompt 调整参数来实现上述功能。好了， 今天我们就聊到这里，也欢迎大家推荐其他 ai 应用给我，我们可以一起进行产品分析，了解最前沿的 ai 应用。

大家好，今天给大家推荐一个文献阅读神器 read paper 工具，打开就能用，支持 ipad 网页端、 pc 端多平台同步，真的很方便。打开工具后，可直接进行文献检索，来源、期刊、文章分区都标识的很清楚，带有 pdf 标识的可直接打开阅读。 打开文章后，工具的 ai 辅读功能会自动概括全文内容，帮助快速理解文章核心思想。工具还支持 ai 提问，例如提问本文的核心结论是什么，使用的研究方法是什么等。 工具会自动提取文章的图表，可以和文章对照着阅读，再也不用翻来覆去的了，很实用。工具的学习任务功能也很实用，按提示问题进行回答练习，可帮助自己快速掌握文章的框架，搭建自己的知识库，快去试试吧！

朋友们，我一个专门给别人做科研宝藏工具推荐的博主，我从来没有想到某一个功能能让我用完以后震惊到直起鸡皮疙瘩。我安利 red paper 这个软件的那期视频有七十二万的播放量，但是那个时候他的 ai 润色的这个功能是没有上限的， 我今天看到他多了一个 ai 润色的功能，我就点进去试了一下，试完以后我直接从实验室回了宿舍来给你们录这期视频，我真的是一秒都等不了。 我给你们讲一下他这个 ai 润色到底好用在哪里？然后重点的事先说在前边，他这边是内测中，你只要申请就可以使用。然后你点进来以后，他是这样的一个界面，你直接新建项目，把你的论文直接按模块给粘贴进来就行。 我是拿我自己前段时间写的那篇论文做的实验，但是我的论文不方便给大家展示在这边，所以我就随便从别的地方占了一篇论文过来，但是不要慌，我一定会给你讲清楚它到底好用在哪。首先是 是一个常规的润色功能，他的选段润色支持四个标准，你可以把它写成标准版、简写版、阔写版或者易读版，每个版本他都给你提供了四个可选择的变化度，你可以让他改写的程度小一点或者改写的程度大一点，改写完的文章呢会给你列在右边。 然后这个就是我或者大家心目中一个 ai 润色软件该有的一个功能，他如果只是这个的话，我绝对不会激动成这样来给大家录这一期视频。他真正让我觉得好用的是他的这个 ai 审稿人的功能， 在用这个 ai 审稿人之前呢，你需要先用一下这个模块管理，也就是你把他的标题是哪一段，摘药是哪一段，引言是哪一段，你给他选中，然后在这边确定一下，确定完以后你就可以点这个确认并继续他就开始给你审你的这篇稿子了。 如果前面的那个 ai 润色是在你的出稿还不成型，或者在你写的过程中可以帮你提供一些语法或者写作 帮助的话，他这个 ai 审稿人就是可以站在你整篇文章的这个结构上边去分析你的一个优点是什么，缺点是什么。 我一开始没对这个功能抱有太大的期待，原因是我认为每篇文章的区别都非常的大，准确的分析每篇文章的优势和缺点，可能一些老师都做不到，你别说让 ai 去完成这个事。但是我用完以后，我真的是觉得非常的震惊，我自己的那篇文章其实经过了非常多个版本的迭代的， 所以我最清楚每一个版本他少一些什么东西。然后我就做了一个对照实验，我把不同版本的论文都往进粘贴了一下， 他不仅准确的识别到了我每个版本的劣势在哪里，甚至还另外给我提了几点让我觉得非常有道理的意见，他完全可以成为我写下一篇文章的一个切入点哦。他给的审稿意见也不是那种信口开河的那种意见，我认为是只有那种小同行才能给出来那种，就是比较有见解 的那个意见。所以在我试完以后，你们应该能听出来，我现在声音都有点颤抖，我是真的没有想到 ai 现在发展到了这种程度。我之前推荐这个阅读器的时候，还有人问我说，你为什么用这个？不用 and not。 今天的这个功能我相信也回答了你们之前在我评论区的一个问题，相信我，你们一定要去试试。如果你试完以后和我现在一样被震惊到的话，我回来帮我点点赞，点点评论或者点点收藏， 因为不论是我的这期视频还这么一个好用的功能，他一定是值得被更多人给看到的。好了，以上就是本期视频的全部内容，我们下期视频再见。回去做实验了，拜拜。

是哪个研究生还在用翻译软件看文献？可是 readpaper 的翻译功能真的很香啊！碰到不懂的句子直划直翻，四大翻译软件直接对比翻译结果， 强烈推荐你们试试全文翻译啊！中英文左右对照，阅读段落高亮，对比看论文的效率蹭蹭上来了！他还能批量管理文献， 给文献分组打标签，参考文献和背影，用情况一目了然。重点是这些功能通通都免费！

论文看不懂，论文读的慢？ ai 带你高效读论文，一天可以看到一百篇！ readpipper 新出的这个 ii 辅读是我非常推荐科研新手去使用的，当我们打开一篇文章的时候， ii 就会自动总结出来这篇文献的主要内容，包括理论方法论、创新性成果等。 我们了解了这个领域的方向，可以更好地调动我们脑中的知识，让我们心中有数。之后再去读别文是要比直接读更加容易理解很多的。 我们读完原文的时候，特别是对于英文文献，就很容易出现读了后面就忘记前面的情况。这个时候我们可以再问一下 ai， 比如说文中的这几个实验都是怎么设计的，都得出了什么结论， 这样可以帮助我们更加清晰的回顾原文。如果你要是对于文章有哪些问题的话，也可以来直接问 ai， 比如说图表中的数据没有看懂，选中提问就可以快速解答， 就相当于拥有了一个论文的一对一的指导老师了。可是这里是有中文还是英文回答也是可以选择的，而且因为这个功能呢，还是在内测阶段，大家输入我的 up 主福利码才可以使用， 可以领取到一个七天的 vip。 大家看这里，这里有一个 up 主福利码的输入框，大家输入十月晨的全篇就可以领取了，大家速速去领取吧！

中英文对照，阅读段落高亮对照，智能识别图表，翻译结果流畅，点赞收藏，这个文献阅读管理神器，你肯定能用得上！ dairy paper， 输入关键词，点击搜索，选择你想要阅读的文献，然后点击 pdf， 就可以开始阅读了。看不懂的地方呢？框起来，点击翻译，有三种翻译工具，准确率非常高，翻译结果还可以直接添加到笔记中，读文献简直不要太方便。 同时呢，可以小组学习，平时用它来做小组项目呢，非常方便。而且用它来读文献也再也不用担心读完下次再也找不到位置，因为它可以自动存档！关注，秒懂科研，了解更多科研干货！

在家不想看文献怎么办？尤其是外文文献更是头大。今天给大家介绍一个工具，我刚发现的宝藏工具 paper degs， 能让 ai 帮你看文献，总结文献有哪些关键点能够帮大家偷懒不？不，提高效率， 进入之后直接你看，他就说了，让 ai 帮你总结，学做文献，把看文献的时间缩短到三分钟，再往下滑，从这里可以看到他还处于测试阶段。你只需要把英文文献对应的 dy 复制到这里，或者直接在这里选择已经下载好的英文文献， 等待几秒钟，他就能帮你总结这篇论文了。比如本文内容主要讲了什么，以及你能学到哪些英文水平不高的同学，直接一个鼠标右键，再点击翻译为中文，就 直接就看的更加顺眼了。比如这一句，你就直接可以把它复制到自己论文的文献中度，部分，写作效率嘎嘎起飞，你学会了吗？

大家好，我是同济子豪兄，经过大半年的开发，我和小伙伴们一起做了一款在线论文阅读工具 read paper， 希望能够帮助各位读硕士读博士的兄弟姐妹们提升科研学术论文的阅读体验，争取早日毕业。 网站的名字非常好记瑞的 paper 点 com， 这里边收录了几十亿篇各学科的海量论文，并且在不断的更新，特别是人工智能和计算机领域，可以在线的检索翻译作笔记，分享笔记，甚至和作者本人互动。 那随便搜索一篇论文吧，比如说旷世科技的沙风 nice， 搜索点击第一个链接啊，就是他的界面， 可以直接点击蓝色的阅读按钮，看原始的 pdf 文件，也可以生成各种各样的饮用格式，还可以收藏到你自己的论文集中啊，这是我自己整理好的几个论文集，有深度学习必读，图像分类、目标检测、图像分割、人脸识别、可解释性分析。 那沙风奈特呢，属于轻量化神经网络，所以把它加在这个论文集中。那瑞德 paper 还可以自动的把论文中的图表解析提取出来，并且附上论文的来源，你可以直接复制粘贴到组会汇报的 ppt 里边，非常的方便。 你还可以查看他引用的文献，以及引用他的文献，按照引用量来排序。比如说对于沙佛奈的这篇论文，他的参考文 文献里边，微记记是饮用量最高的，这篇论文我们也做过算法金奖和论文精读。饮用沙风奈特的论文里边按照饮用量排序，优乐 v 四是饮用量最高的啊，这篇论文我们也做过算法金奖和论文精读， 这就相当于给你画了一个重点，不管是写文献宗述，还是后续读论文、写论文，这都是非常重要的参考。我还在提问与回答里边写了一些填空题和思考题，你可你也可以在这里边提问，那有的论文可以直接和作者本人或者其他大佬一起互动。 当然了， red paper 最重要的是看论文和记笔记功能。点击笔记， 点击这个可以看到我自己做的笔记 red 配本，可以非常方便 插入外链，比如说 get hub 谷歌学术和博客的地址，那点击参考文献的标号，可以直接看到相应论文的介绍啊，不用再去最后参考文献列表里边一个一个去找了，非常的方便。那点击论文中的图表引用也一样，会直接显示对应的图表内容。 如果想添加笔记呢，可以把你想标笔记的地方来框选， 点击编辑按钮，比如说这是 ms coco 竞赛 好，鼠标再放上去滑动，就可以看到对应的文字。给图表做笔记也很方便，比如说我们想给这个图表做笔记，直接点击 截图工具，把这个图表框选下来， 点击编辑按钮，这是一个 chinal shop 的原理。 好，然后鼠标放下来，就有对应的文字了。那对于沙佛奈特这篇论文呢？有些图表，比如说表一和表二，他出现的太靠前 啊，当阅读到后文的时候，那需要往上翻啊，才能回看，非常的不方便啊。这其实也是所有论文都出现的一个问题， 那瑞的配方有一个非常好的功能，就是跨页检索图表，比如说我们现在读到后边了，这里引用了表一，但表一在上上页啊，我们可以用它的解析 机功能，在资料栏里边把我们想看的图表一键放在这页里边，你可以拖拽到方便的地方。 read paper 是完全免费的，而且在以后也不会收费。他现在还处于白塔测试阶段，没人知道他未来会变成什么样，但是你可以成为他第一批的宝贵用户。 在我的微信公众号人工智能小技巧里边回复 red paper， 可以尽情的吐槽和反馈。 我的使命就是做出最好的教程和工具，帮助大家节省最宝贵的时间和精力，提高学习效率，这是我唯一的 kpi。

嗨，大家好，我是爱分享干货的魔术师，今天给大家分享一个资深研究者都在使用的论文阅读神器 red paper， 因为它真的太好用了，牛掰而且完全免费！首先打开 red paper， 注册后进入搜索关键词，选择任意文献，可以自动识别文件的各项信息， 帮助我们快速筛选文献质量好坏。 read paper 会自动提取论文中所有的图和表，并放在右侧资料栏，点击对应标题，即可一键定位到论文中的位置，双击图片，即可把图表放在论文中的任何位置， 方便你对应着文字去看，不用再来回的上下翻译。 read paper 自带翻译，不论单词还是句子都可直接选中，直接翻译，太酷了有没有！ read paper 带有笔记功能，你可以在任何地方进行选中，直接点击笔记按钮，即可及时记录你的疑问或者 idr， 同时在个人资料处可以看到所有的笔 笔记，方便你筛选和整理，很实用。 readcap 无论是手机平板还是电脑网页，可以多端同步，可以随时打开软件并同步你的阅读记录，让你做到随时随地读论文。我现在就是每天在微信上像刷朋友圈一样的， 实在是方便。作为一款中国人设计的论文阅读管理工具，秉承着中国人不骗中国人的原则，赶紧用起来吧！关注我，带你高效科研，不走弯路！

大家好，很高兴啊，跟大家分享我们在 triboi 二、三上面的澳洲文章啊。 transformers effective for time series forecasting。 这篇文章主要是质疑了最近两年大家在 transformer 模型上面不断的做加法，做一些模型上的修改，从而来提升在持续预测上面的性能。为了要探究 transformer 这个模型本身在该任务上是有效的，我们尝试着 做减法，从而呢，我们去做了一系列的探究。首先，持续任务其实广泛地存在于我们生活中的方方面面，包括金融、天气、交通、运动等 领域。他在不同领域的数据是差别非常大的。但是呢，他又有一些潜在的特征是相似的。比如说大多数的数据可 都会有一些自己领域的趋势性或者是周期性。那么本文的任务的话是做持续任务的预测，给定 l 针的历史信息，我们希望去预测未来的替针的信息。 在持续任务上面呢，由于数据的特殊性，所以用一个模型来去拟和所有领域的数据其实是不太可能的。 因此的话，最近的工作展现出了在三种模型上的不同的探究，分别是 r、 n、 n、 transformer 和 t， c， n 相关的工作。他们其实分别会在数据的特征提取上，以及在 decoder 上面发挥出自己的优势和 可能会有一些缺点。那么 transformer 模型近年来在 c， v 和 l p 上面的性能的提升，也给 持续预测任务上一些启发。尤其是他在长序列的特征期许和序列之间的羽翼关系建模上面，可能会有潜在的价值。因此的话，从一九年 第一篇 transformer 模型成功地应用到了常识去预测这么一个任务。在二一年的 twelve i best paper 里面，这篇 informer 模型，他非常好地将 transformer 模型不断的 efficiency 上面的提升，并且他们提出了一个新的数据集来证明任务的价值。 在这篇 best paper 之后呢，有一系列的工作，他们分别从各个角度来改进 transformer 模型，从而提升了它的性能。那么随着这一系列工作，在做加法的过程中，我们会思考 transformer 模型它本身是否真的 适用于持续预测任务呢？那么本文的话质疑了现在 transformer 模型的有用性。我们的依据是 self attention 这个核心的机制， 它其实是为了提取长的序列上面的 smart 的信息，那么它其实特征提取是没有考虑顺序的。但是呢，持续建模的话，我们更关心的是在一系列长序列连续点上面的建模能力。 从无序到有序的建模，这里面可能会产生一个目标的冲突人。那么为什么像有这样的一个冲突，但是逐年来的论文，他依然能够有以 系列的性能上的提升。我们发现他们的对比的方法其实都是基于 r n n bass 的工作。那么这一系列工作天然的 在长序列预测上就会遇到误差累积的问题，他们可能用到了不恰当的 baseline。 其次呢，大家会先入为主的认为传奇 phone 的模型在性能上已经有了非常大的提升了。那么他们主要的问题可能在于 self 的吞线机制上面的效率问题， 所以后续的每篇工作，他们都在理论的效率上面提出了自己的呃改进的方案。 然后我们本文的话总结来说现有的 transformer 模型，他们分别在数据的预处里，然后在 embelling encoder， decoder 上面 提出了自己的改进。然后这些改进其实都来自于持续数据本身的特殊性。比如说他会对数据进行 decomposition， 或者是他会引入持续的一些 local 的操作，然后为了探究长时续预测的 transform 模型，他们是否真正的对这个任务有很好的建模能力。我们做了一系列的 in purical study 来探究这个问题。首先我们认为输入越长的序列，其实他的输入信息越多，他可能能达到的效果越好。 但是我们在大量的现有的奔驰 mark 上面去做了一些实验，随着横轴输入数据的时间信息提升，他的误差其实是基本上没有变化，或者是在有些数据上，他的误差还会变得更差。 那么说明现在的 transformer 模型可能并没有很好地去提取到历史的信息，甚至他们会倾向于去 overfit 到一些持续的噪声。上面。另外一个问题就是 transformer 模型，尽管他加了一些 positional inviting 或者是 temporal inviting， 他们也是希望去迷 弥补持续的顺序特殊性。但是这些模型真的能很好地保留持续的顺序吗？我们也做了一些实验，比如说我们把历史真的信息进行了 random 的 shaft， 或者是我们把前后半段的序列做了一个替换，我们会发现现在的 sota transformer 上面，它们的性能并没有较大的变化。 但是呢，我们如果用一个非常简单的持续线性模型，我们会发现他对于顺序关系是非常敏感的，那么他会有非常大的性能的变化。 然后其次的话，我们探究了在长序的预测中，到底 transform 模型能学到什么信息。我们发现在一个输入的历史画窗里面，我们给他前半段的信息，或者给他后半段的信息。对于现在的 transform 模型来说，他们的性能几乎是没有差异的，那说明 给他的信息可能对于他来说，顺序和先后关系可能也不是特别重要。 其次的话，我们探究了在现有的 transformer 模型的 self attention 这个模块儿上面是否真正的起到作用。我们以 triplei 二一的 best paper informer 为例，我们逐步地将它的 self attention layer 替换成一个持续的线性成， 或者是把它的其他的操作都粘剪到只有一个 positional in belling 以及线性程。以及最后我们把 positional in beding 也删掉，只留下一个线性程。 我们会发现，在 mac 这个误差指标上面，他们的性能其实在大多数的情况下都是在逐步下降。那么在有一个最简单的线性成的结果 上，是效果最好的。进一步呢，我们在探究了大家为了保留持续信息，所以引入了 positional inbelling， 还有 temporal inbelling 这些 inbelling 操作。然后我们做了一定的删减，我们会发现， 在现有的搜塔 transformer 上面大家其实不要不在线的，一般你往往能达到最好的效果。这样就说明有时候做一些加法可能并没有带来真正的收益。 更进一步，我们从数数据方面，比如说 transformer 的性能提升，往往大家会归功于数据量的增加。那么我们在这里，因为持续数据它是接收到的观测值，那么它的数据并不能无限的增加。所以我们 在这里做了一个实验时，我们将输入数据，原来是一点五年的观测数据，我们把它缩减到一年这样一个整周期的数据。我们会发现现有的 sota transformer 模型，再给更短的时间输入，以及更完整的一个一整年的周期的时候，往往能达到更好的效果。说明在当前的数据量下，其实并不是数据越多结果越好。 最后的话，我们探究了 transformer 模型都在性能已经达到很好的水平情况下，我们在探究与 faces 是否重要，那么他们往往会提出各种各样的 不是，想来降低自己的理论开销。但是我们实际在同样一个 gpu 上面去测试了他们的实际值，可能并没有发生那么大的变化，甚至有一些实际值会变得更差。 进而呢，我们发现相对一些做加法，或者是在 transformer 这个结构上做一些改进的工作。当我们逐步的去做减法，直到变成一个现行 模型的时候，它的性能居然能达到最好的效果。那么因此我们为了要验证 transformer 模型是否真的在持续预测任务上是非常有效的。我们领住了一个新的贝斯兰，它是一个现行模型， 然后为了要应对持续数据里面可能的趋势性和周期性，以及他带来的就是非常 shift。 我们在这个线性模型基础上做了两个不同层面的数据预处理，分别是 the composition 和 normalize。 那么我们把这三种线形成，把它合称为 l、 t、 s、 f 零六。这个线形模型的话是一个非常简单的，它就是输入 l 针的历史针以及预测未来的替针。 那么它只有一个 wait， 就是 l 成张 t 的 wait。 然后它有非常多优势，比如说它有最大的相对 路径，以及他的效率非常高，以及他的权重。我们可以做一些可视化。同时呢，我们在九个常用的榜单上面都做了大量的实验，然后大多数结果都能表明， 仅用一个线性模型就能超过现在搜塔 transformer 大概百分之二十到百分之五十的这么一个性能。对具体的数值，大家可以参考我们 paper 里面进一步的分析。然后为了探究我们的模型到底学到了什么，以及现在的 transformer 模型学到了什么，我们做了一些可视化。 然后大家可以发现我们的线性模型的话，其实往往能比较好的保留这个趋势性和周期性。但是 transformer 模型可能他的预测的尺度就会发生比较大的变化。同时我们在规律预测这样一个不是很具有周期性 的数据上去进行了预测。我们发现线性模型主要是能保留这个趋势性，但是传输方面，模型可能会 overfit 到一些照声上面，产生一些数据的波动。 最后我们总结一下这个工作。我们为了质疑现在 transformer 模型在长时区预测上面的有效性，提出了一个非常简单的线性模型。 然后我们在现有的九个数据集上进行了大量的验证，发现 transformer 模型可能并不是当前在解决这个任务上比较好的方案。然后我们给出了一些 future work。 呃，第一个是一个 novel 的大规模的榜单，可能是非常有必要的点。然后第二个的话是我们可以去考虑更多的动态模型来处理持续数据的底视频。先 shift。 然后第三点的话是 我们发现我们现在的现行模型并没有考虑空间关系，那么一个更好的时空建模的模型可能是有必要的。最后，我们的论文和我们的扣的都可以通过扫码获得。谢谢大家。

朋友们好，阅读文献时用这种方法效率会大幅提升。这种方法主要解决两个关键问题，第一个问题是点击图表时，图文对应不起来，阅读体验太差。二是查看所引文献时，要跳转到文末，其实用 read paper 就可以轻松解决。这里我随机打开一篇文献， 点击右侧栏的资料、图片以及图注信息就单独被提取出来，实现图文分离。除了右侧资料栏可以图文对照，当阅读原文时，点击小标也能轻松提取出图片，左右对照着看，这样就可以边看图边看文章，还可以把图片下载下来，用以 ppt 文献汇报总结。查看文献就更方便了， 单击数字编号就能查看题目和摘要，点进去后，如果感兴趣找到 pdf， 一键导入到指定的分组。另外，翻译和笔记功能超级好用，华词翻译看到哪翻到哪。不仅可以做文字笔记，还可以附带公式或图片， 可以截取相关文献中的图，粘贴在笔记框。公式可以直接一键识别，复制 latex 格式同样粘贴即可。悬停在笔记时就能看到公式或图片。笔记更多功能直接去官网下载使用，快试试吧！

宝宝们研究生必备软件的第二期 red paper， 这个也非常好用，也是直接浏览器就可以下载。 red paper 非常适合我们去快速的收集和纵向阅读一个领域内的文章，比如说基础的华词翻译和全文翻译就不用说了。 read paper 最牛的点在于对于引用文献的相关功能，比如说我们在看这篇文章的时候，可以直接点击这个参考文献，并且把它直接收藏到我们的论文集中， 这个是非常强大的。然后我们在看论文的时候呢，这个图表也是可以悬浮出来，我们可以边看数据分析边对应着看这个图表，这点真的是非常的方便。还有一个很重要的点就是 repaper， 它是支持平板的，它的平板和电脑是可以同步的。 还有就是这里有一个比较强大的交流功能，他可以创建论文分享的课题小组，我们就可以通过这里直接和同门去分享这个论文，第一时间文献共享，所以说这个软件它是非常适合我们去纵向阅读和我们写论文的时候用的。