谁为这项工作背书，原话在这里。
给一篇论文的名字，拿回引用过它的院士与会士、每个人写下的那句话，以及一段可以直接交上去的评价材料——每一句都能回到英文原文。
认出的是 arxiv:2402.03216 · M3-Embedding: Multi-Linguality, Multi-Functionality, Multi-Granularity…
大家叫它的这个名字不在论文自己的标题里，而活在别人的参考文献里。两条腿并发跑，这次是别名赢了。
正面 16 · 中性 88 · 负面 2——负面的也照样给
"最近，强大的交叉编码器重排序器，例如 BGE-reranker-v2-m3 (BGE) (Chen et al., 2024)，显著提高了检索准确度。"
James AllanACM 会士 · 马萨诸塞大学阿默斯特分校背书
"使用层归一化平均嵌入的 bge-Gemma2 取得了强劲的结果，这是我们表现最好的模型。"
Ming-Yu LiuIEEE 会士 · NVIDIA Cosmos Lab在其上做
"本地搜索引擎：我们采用 BGE-M3 (Chen et al., 2024) 进行混合检索，它可以在单次前向传播中同时生成稠密和学习到的稀疏嵌入。"
陈为（Wei Chen）CCF 会士 · 浙江大学在其上做
该工作已被 55 位院士与会士引用 106 次，其中 16 处为明确的正面评价。ACM 会士 James Allan 称其为强大的交叉编码器重排序器，"显著提高了检索准确度"；IEEE 会士 Ming-Yu Liu 将其列为己方表现最好的模型；CCF 会士陈为在自己的系统中以它作为检索引擎。
每句都保留英文原文与出处论文。检索 163 毫秒 · 读 27 毫秒 · 成稿 4.3 秒。
它答什么
三个调用
免费样例不用 key：query 填 BGE-M3，id 用 arxiv:2402.03216。
POST https://api.1stauthor.com/v1/appraise/search {"query": "BGE-M3"} GET https://api.1stauthor.com/v1/appraise/read/arxiv:2402.03216 POST https://api.1stauthor.com/v1/appraise/ask {"query": "…", "effort": "medium"} 收窄 — org=CAS,CAE 只看中国两院 · stance=positive · type=endorse,buildon · min_h_index=100 · honoree=<姓名> · section=related work · max_sentences=3
它不做什么
名单只是这 5,427 位，不是所有引用过你的人；句子来自他们本人的论文；负面引用照样返回，不会过滤掉。如果一个名字在参考文献里没有共识，可能认错论文——候选会一并返回，可以换一篇。
拿你自己的论文问一次
免费样例不用 key；拿一把 key 只要一分钟。