@bozhou_ai: 一个专为科研人员打造的AI工作台——它来了。而且在这个阶段，完全免费——无需邀请码，可以直接无烦恼地使用。

一个专为科研人员打造的AI工作台——它来了。 而且在这个阶段，完全免费——无需邀请码，可以直接无烦恼地使用。 使用普通的聊天AI阅读论文或查找参考文献时，最大的痛点是它们很容易胡编乱造。乍一听听起来很有说服力，但当你试图找到它来自的确切页面或章节时，却发现全是虚构的。 对于认真的研究或适当的调查，这种不可靠性是最不想要的。 最近，我测试了一个研究工作台，叫做 ScienceBuddy，由 PhAI Labs @PhAILabs 推出（团队背景来自斯坦福、牛津和普林斯顿，与 Muchen AI 共同开发）。 他们的研究和实验代码在 GitHub 上开源（MIT 许可），并提供了一个现成的在线工作台。 它与普通聊天框的最大区别是，它是一个专门为研究场景量身定制的全套工具。 我进行了一个非常实际的测试： 我喂给它三篇关于 Jev 的论文，并让它进行文献综述。 首先，在阅读这三篇论文后，编制一个中文证据表，列出每篇的研究问题、方法、关键发现和局限性，并精确引用到章节和页码。 其次，根据 Jev 的情况，分析哪些方面可以通过论文理解，哪些 Jev 的实现仍然缺乏公开证据——不要推测。 我给出的确切提示是： 我正在研究像 Jev 这样输出结构化判断的 AI 模型。请阅读上传的三篇论文，并围绕“文本分类判断、概率校准、小模型完成特定任务”创建一个中文证据表。每行应包括：研究问题、方法、实验设置、关键发现、局限性以及对应的章节或页码。然后，单独阅读 Jev 的官方介绍，标记哪些概念可以通过这些论文理解，以及 Jev 的具体实现和效果仍然缺乏公开证据。不要推断 Jev 采用了这些论文中的方法。 结果一开始就令人印象深刻。 首先，证据表极其详细——每个结论都精确定位到具体的章节和 PDF 页码，所有都清晰标记。 其次，它完全没有胡编乱造。 我给它的三个链接都是学术论文，没有关于 Jev 的官方技术细节。典型的 AI 可能会根据你的提示开始天马行空地联想，但 ScienceBuddy 划出了一条清晰的界限：哪些部分是可以通过论文解释的一般概念，哪些关于 Jev 的部分完全没有公开证据——全部分解成一个对比表。 它不会迎合你进行无根据的推测；它严格遵循有证据支持的内容，这对严谨的研究至关重要。 除了文献综述和证据表，它还内置了 224 个专业研究工具（涵盖生物医学、组学分析、方案故障排除等），并原生支持运行 Python 和 R 代码。 在轨迹面板中，每一步——它使用了哪些工具、运行了什么代码、得到了什么结果——都是完全透明和可审计的，输出可以直接下载验证。 目前处于预览阶段，零门槛且完全免费。我建议在桌面浏览器中打开尝试。 #ScienceBuddy #PhAILabs #AIforScience 产品入口和开源仓库在评论区