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。
