building in public — 2026

Cursor 一样写文档

上传论文草稿,告诉 AI 你想改什么。
不是重新生成,是精确到段落的修改。
一个人就能搞定的学术写作工具。

加入等待列表 → 看演示
K 快速唤起 AI 助手
// 实际体验
文档编辑
AI 对话
Cursor 一样:左侧是实时更新的文档,右侧是 AI 对话窗口。
你说,AI 改,左侧即时反映。
attention_mechanism_survey.docx 已连接 AI
+2 修改 Aa

Attention Mechanisms: A Comprehensive Survey

作者:张三 | 最后编辑:2 分钟前 | 字数:12,847

Abstract

Recent advances in attention mechanisms have significantly improved transformer-based models. However, the quadratic computational complexity remains a key challenge for long-sequence processing.

1. Introduction

Attention mechanisms have become a cornerstone of modern deep learning. The self-attention mechanism, introduced by Vaswani et al., computes pairwise interactions between all tokens in a sequence.

While effective, this approach incurs O(n²) computational cost, making it impractical for sequences longer than a few thousand tokens.

AI 助手
告诉 AI 你想改什么... ⌘↵
实验数据_对比实验.xlsx 已连接 AI
发现异常 24 行 × 6 列
Model
WikiText-103
Penn Treebank
EnWiki8
Params (M)
1
Transformer
24.2
58.7
1.05
44.0
2
Linformer
25.1
60.3
1.12
31.2
3
BigBird
23.8
57.9
1.01
38.5
4
Performer
25.6
61.2
1.18
28.7
5
Mamba
22.4
56.1
0.97
26.3
7
FlashAttention
23.1
57.2
0.99
44.0
8
RetNet
24.5
59.0
1.08
30.1
平均: 23.7 最小: 21.9 最大: 25.6 就绪
AI 助手
分析数据、生成图表... ⌘↵
Efficient_Attention_Survey.pdf 审阅中
1 / 12 3 批注

Efficient Attention Mechanisms: A Survey

Abstract

This paper surveys efficient attention mechanisms proposed between 2020-2025. We categorize 47 methods into three families and provide a unified theoretical framework for analyzing their computational complexity.

1. Introduction

The transformer architecture has dominated NLP, but its O(n²) self-attention limits applicability to long documents. Recent work explores sub-quadratic alternatives.

Our experiments show that the proposed method outperforms all existing baselines across WikiText-103, Penn Treebank, and EnWiki8 benchmarks.

AI 审稿助手
对审稿意见提问... ⌘↵
Vibe Documents — 格式转换 就绪
转换中... 3 文件
W
attention_survey.docx
Word 文档 · 2.4 MB
准备中
X
实验数据_对比.xlsx
Excel 表格 · 1.1 MB
等待中
P
review_comments.pdf
PDF 文档 · 856 KB
等待中
AI 助手
转换格式、批量处理... ⌘↵

为学术写作而生

📄
01

多格式支持

Word、PDF、LaTeX 都能直接导入。AI 自动理解你的论文结构、章节层级和引用格式。

✏️
02

精准修改

选中段落,告诉 AI 怎么改。精确到句子级别,不是重新生成全文。保留你的写作风格。

📚
03

智能引用

自动搜索 Semantic Scholar、arXiv,帮你找到相关文献并生成正确格式的引用。

🎯
04

期刊适配

一键将论文格式转换为目标期刊要求。自动生成 cover letter 和审稿意见回复信。

🔍
05

审稿模拟

AI 模拟审稿人视角,提前发现逻辑漏洞、表述不清和潜在的被质疑点。

⌨️
06

键盘优先

⌘K 快速唤起、Tab 补全、快捷键切换。为高效写作设计的操作体验。

// 开发路线

开发进度

我们在公开构建,每一步都在这里。

2026 Q1

核心编辑器

完成文档解析、渲染、编辑的基础能力

2026 Q2

AI 精准修改 & 智能引用

AI 精确到段落的修改能力,智能文献引用插入

2026 Q3

审稿模拟 & 期刊适配

模拟审稿人反馈,一键适配目标期刊格式

2026 Q4

公开发布

产品正式上线,开放注册

// 常见问题

FAQ

Word 和 Google Docs 是通用文档编辑器。Vibe Documents 专为学术写作设计,内置 AI 精准修改、智能引用、审稿模拟等功能,像 Cursor 一样让 AI 成为你的写作搭档。

支持 .docx、.md、.tex 等主流学术写作格式,并可导出为目标期刊要求的格式。

计划 2026 年 Q4 公开发布。加入等待列表可以提前获得内测资格。

你的文档数据加密存储,AI 处理在安全环境中进行。我们不会将你的内容用于训练模型。

基础功能免费,高级 AI 功能采用订阅制。等待列表用户享受早鸟优惠。

可以通过 Twitter、GitHub 或 Discord 联系我们,也可以发邮件到 2383301274@qq.com

// 加入我们

寻找同行者

我们相信 AI 能改变学术写作。如果你也这么想,来聊聊。

💻

全栈工程师

负责核心编辑器和 AI 集成。熟悉 TypeScript、React,对文档处理或富文本编辑有经验者优先。

远程 · 兼职/全职
🧠

AI / NLP 工程师

负责文档理解、精准修改、审稿模拟等 AI 能力。熟悉 LLM 应用开发、Prompt Engineering。

远程 · 兼职/全职
🎨

产品设计

负责产品体验和界面设计。需要对学术写作工具有理解,能设计出简洁高效的交互。

远程 · 兼职

感兴趣?发邮件到 2383301274@qq.com,附上你的介绍和作品。

先到先得

前 100 名注册用户永久享受 5 折优惠

不会发垃圾邮件。只会通知你产品上线。

847
等待列表
23
名额剩余
2025 Q3
预计上线