为什么不用ChatGPT

我用的ChatGPT是GPT 3.5，不能联网。当然没钞能力，所以不知道GPT-4使用感受如何，所以今天给大家介绍一下如何使用ChatPDF + New bing快速筛论文。

ChatPDF

上个月师兄给我推荐了这个网站：ChatPDF – Chat with any PDF!

你只需要上传论文PDF或者论文PDF的链接，它即可自动帮你阅读论文。只要你输入良好的prompt，就能获得比较好的论文阅读结果。

凭我NLP人的直觉，这个网站背后的算法应该是主要做摘要和阅读理解之类的东西。

自然语言处理（NLP）的阅读理解（Reading Comprehension） 任务是指让计算机对自然语言文本进行理解和回答相关问题的任务。该任务旨在让计算机更好地理解自然语言文本，并能够回答与该文本相关的问题。

阅读理解任务通常包括两个子任务：

• 阅读理解（Reading Comprehension）：阅读一段给定的文本，理解其含义，并回答与该文本相关的问题。例如，给定一篇文章，计算机需要读取文章并回答与文章相关的问题，如“作者在文章中表达了什么观点？”、“文章中提到的人物是谁？”等。

• 问答系统（Question Answering）：这是阅读理解任务的一个更具挑战性的变体，其中问题并不是基于给定文本的，而是由用户提出的。计算机需要读取给定的文本，并根据用户提出的问题回答问题。例如，给定一篇文章和一个问题“这篇文章的主要内容是什么？”，计算机需要读取文章并回答问题。

自然语言处理（NLP）中的文本摘要任务 是指从一篇文本中自动提取出最重要的内容，并生成一个简短的摘要。它的主要目的是帮助人们快速了解一篇文章或文档的主要内容，以便于决策或进一步的处理。

文本摘要任务可以分为两类：单文档摘要和多文档摘要。单文档摘要是指从一篇文本中提取出最重要的内容，而多文档摘要则是从多篇文本中提取出关键信息。

但是我可以确定，这玩意儿肯定不能联网， 因为我问他了！

虽然回答的详细，但是不能联网，答案有时候比较呆瓜，超出论文内容的东西它就回答不出来了。

New Bing

几天之后师兄告诉我：快看！New Bing也可以！

New Bing我们知道，背靠微软，手拿OpenAI的GPT，还加上必应本身的搜索，所以是一个基于检索+问答的强大系统。我不会回答没问题，但是我可以查啊！

既然师兄发现它可以读论文，那我们岂不是省事了？

但是实际使用下来效果并没想象中的那么好，因为New Bing回答的比较简洁。

所以今天我用ChatPDF的时候发现一个好用的东西！

New Bing + ChatPDF

我们看了一下我干嘛了。

我让ChatPDF帮我读论文，简单让他找数据集，但是它不知道？？？所以我把这个论文丢到New Bing中了，基于检索的New Bing可以查到啊！查到之后再丢回ChatPDF里，ChatPDF就能出更细致的回答了。

我对ChatPDF： 数据集用了什么？

ChatPDF： DIFFUSEQ 论文中描述了四个典型的 SEQ2SEQ 文本生成任务以及用于评估模型性能的数据集。开放域对话任务使用了Commonsense Conversation Dataset（Zhou等人，2018），该数据集从Reddit单轮对话中提取，包含超过300万个对话对。问答生成（QG）任务使用由Lin等人预处理的Quasar-T数据集（Dhingra等人，2017）。不幸的是，论文没有提供有关其他两个任务所使用的数据集的信息。

我对ChatPDF： 你再仔细看一遍，用了什么数据集

ChatPDF： 非常抱歉，我的前一个回答有误。DIFFUSEQ 论文中描述了四个典型的 SEQ2SEQ 文本生成任务以及用于评估模型性能的数据集。开放域对话任务使用了Commonsense Conversation Dataset（Zhou等人，2018），该数据集从Reddit单轮对话中提取，包含超过300万个对话对。问答生成（QG）任务使用由Lin等人预处理的Quasar-T数据集（Dhingra等人，2017）。另外两个任务是语音转写和机器翻译，但论文没有提供这两个任务所使用的数据集的信息。

上边这段对话可以看出来，四个数据集，光看论文只能告诉我俩。

我对New Bing： 读一下这篇论文 arxiv.org/pdf/2210.08…

New Bing： 这篇论文的标题是 “DiffuSeq: Sequence to Sequence Text Generation with Diffusion Models”，作者是 Shansan Gong, Mukai Li, Jiangtao Feng, Zhiyong Wu 和 Lingpeng Kong。这篇论文发表在 arXiv.org 上，它探讨了如何使用扩散模型来解决序列到序列文本生成任务。 你想了解这篇论文的哪些方面？

我对New Bing： 这篇论文用了什么数据集？

New Bing： 根据我在搜索结果中找到的信息，这篇论文使用了四个数据集：Commonsense Conversation、Quasar-T、Wiki-alignment 和 QQP。 你想了解更多关于这些数据集的信息吗？

我对ChatPDF： 这篇论文使用了四个数据集：Commonsense Conversation、Quasar-T、Wiki-alignment 和 QQP。

ChatPDF： 非常抱歉，我的前两个回答都有误。您是正确的，DIFFUSEQ 论文中使用了四个数据集：Commonsense Conversation、Quasar-T、Wiki-alignment 和 QQP。开放域对话任务使用了Commonsense Conversation Dataset（Zhou等人，2018），问答生成（QG）任务使用了由Lin等人预处理的Quasar-T数据集（Dhingra等人，2017）。Wiki-alignment 数据集用于机器翻译任务，QQP 数据集用于语义相似度任务。 非常感谢您指出我的错误，并希望这次回答更加准确和有用。

我对ChatPDF： 所以再说一下，用了啥数据集？

ChatPDF： DIFFUSEQ 论文使用了四个数据集：Commonsense Conversation、Quasar-T、Wiki-alignment 和 QQP。其中，Commonsense Conversation 数据集用于开放域对话任务，Quasar-T 数据集用于问答生成（QG）任务，Wiki-alignment 数据集用于机器翻译任务，QQP 数据集用于语义相似度任务。

使用New Bing修正其结果之后，我们得到了更合理的答案。

总结

ChatPDF：读论文能力强，专门做的读论文的问答系统，回答的更专业。但是不能联网，只能基于给定的PDF进行理解问答。

New Bing：虽然读论文能力一般，但是人家基于检索啊。

所以二者相辅相成或成为白嫖党新的读论文生产力。

本文正在参加「金石计划」