最近用我的 Paper Close Reading Skill完整精读了 OCRBench v2。这次没有让模型一次性概括整篇论文而是采用“引导式单元级”的方式推进从论文定位和整体框架开始逐节阅读正文、图表、公式与附录再进入官方 GitHub 仓库核查评测代码最后重新审视实验结果、五项 Findings 和 Conclusion。整个过程主要完成了 梳理论文的 8 项核心能力、23 个任务和 31 类场景 逐项核对公开集、私有集与模型排行榜 检查 Figure 4 中没有明确定义的统计指标 对照论文公式与官方评测代码 解释 Counting 指标及代码中的 0.5 截断 核查 TEDS、IoU、F1、NED、ANLS 等指标实现 根据用户追问重新检索代码并修正原判断⚖️ 区分作者主张、实验数字、可支持结论和证据缺口 最终形成整篇论文的贡献、局限与复现性评价我觉得这种精读方式最有价值的地方不是让 AI“替我读论文”而是让它成为一个可以不断追问、质疑和校正的阅读伙伴。当我提出“评测代码不是已经开源了吗”之后模型会继续进入官方仓库查找实现而不是停留在论文文字上发现论文描述和代码存在差异时也会明确修改之前的结论。这组图片一共 17 张前 16 张展示完整的阅读过程、关键论点和代码核查案例最后一张是经过排版的完整聊天实录。最终结论也很明确OCRBench v2 最重要的贡献不只是提供了一个新排行榜而是证明了——“会读字”并不等于具备完整的 OCR 能力。识别、定位、关系抽取、结构解析、计算与推理必须被分别诊断。这也是我希望 Paper Close Reading Skill 能做到的事情不是生成一份看起来完整的论文摘要而是建立一条可以追溯原文、检查证据、核对实现并持续修正的精读路径。从一次性总结到交互式精读Paper Close Reading Skill 更新记录-CSDN博客项目已经开源欢迎大家体验 https://github.com/Delores-Lin/paper-close-reading如果你对论文精读流程、交互方式或功能设计有任何建议欢迎提 Issue、反馈意见也希望大家可以多多 Star ⭐️你的建议和支持会帮助这个项目继续完善。