每一份语料，走到了哪一步。

每篇都让模型过了一遍：一句话 TLDR、关键词，每节一个摘要，还有一份带 token 数的章节地图。

来源 arXiv · 开放获取

每人一份模型调研出来的档案：教育、履历、代表作、开源项目。Google Scholar 的指标实时取，过期了会标出来。

来源 公开主页、Scholar、OpenAlex

院士自己论文里的引用句都提前抽好了，给个标题、arXiv id 或 DOI 就能撞上，不用再调接口。已解析 526 万条参考文献，500 万句标了类型和立场，学术评价垂域用的就是这批。

来源 arXiv 全文 + 15 份公开 Fellow / 院士名单

ExPORTER 四类加专利都已到位，本财年的走接口增量。和 NSF、CORDIS 同在 grants 垂域，一共约 130 万个项目。

来源 NIH RePORTER · 公有领域

原始数据到位，和 NIH 合成一个 grants 垂域进了索引。机构和研究者还没归一到人才库。

来源 NSF Award Search · 公有领域

和 NIH、NSF 同在 grants 垂域（10.7 万个项目，id 前缀 cordis:），金额是欧元。机构还没归一到实体骨架。

来源 CORDIS · 欧盟开放数据

每一条都让模型过一遍：主旨、规范类型、主体、条件、后果、关键数值，交叉引用解析成条 id，另配中英译文。

来源 各国官方公报与立法门户

「裁判文书」是个大口袋，判决、裁定、调解、决定、通知都算，公开出来的有上亿篇。我们只取判决书：刑事 265 万篇已经齐了，民事、行政、执行 1,484 万篇也补灌完。每篇配一份模型写的 brief：案由、争议焦点、事实、情节、说理、判项、引用法条、金额。brief 背后是 3,455 万篇原文（比进索引的判决书多，多出来的还没做 brief），按当事人、诉请、事实、本院认为、判项切成五段。正文默认不给：里面有当事人姓名、出生日期和住址，API 只给解析后的结构层，要读正文得有 cases:fulltext 授权。每个响应都带 coverage。

来源 公开裁判文书

343.8 万份判决意见进了判决垂域，查的时候带 country=us。抽取已经覆盖 1,007 万篇，其余等底层库接进来再放。

来源 CourtListener（已并入 Caselaw Access Project）· 公有领域

英国国家档案馆已经确认我们的用途算计算分析，要专项许可，不收费。申请表写好了，还没提交。

来源 Find Case Law · 英国国家档案馆

497.8 万条款进了美国成文法垂域，逐条抽取。季度快照换成了 eCFR 官方每日版，92.8 万条标成已废止。汇编按 CC BY 用，已署名。

来源 开放成文法汇编（CC BY）+ eCFR · 官方

CELEX 原件到位，只取了正文，没取完整元数据。下一步解析到条。

来源 EUR-Lex / Cellar · 欧盟开放数据

CLML XML 保留了结构和修订注记，按站点要求的间隔抓。Open Government Licence v3，必须署名。

来源 legislation.gov.uk · OGL v3

100.9 万份进了联邦公报垂域：动作类型、发布机构、受影响对象、生效日期、征求意见截止日期。

来源 Federal Register / govinfo · 公有领域

60.4 万项全部进了 trials 索引，其中 58.6 万份做了结构化：适应症、干预、结局、入排标准。

来源 ClinicalTrials.gov · 公有领域

drugs 索引里 25.6 万个版本，按 set_id 归集，逐节可读：适应症、警示、不良反应。

来源 DailyMed · 美国国立医学图书馆 · 公有领域

和 DailyMed 交叉校验过，当机器可读的那一份用。不良事件（FAERS、MAUDE）要单独拉，说明书端点每天刷新。

来源 openFDA · 公有领域

39.2 万份 8-K、4.65 万份 10-K/20-F 已经逐项抽取。filings 域分两层作答：向量层 121 万篇，只有 10.5 万份 10-Q 季报只按词面查。财务数字走 XBRL，不交给模型读。

来源 SEC EDGAR · 公有领域

分页漏数的毛病修好后回填完成，补回 16,133 份。6.3 万份精炼成了和美股申报一样的分节结构。

来源 巨潮资讯 · 法定披露平台

其中 50.7 万份在 filings 垂域背后的全量库里，按词面检索，命中会标 layer=pg，coverage 会说明多少篇有向量。

来源 巨潮资讯 · 法定披露平台

美股财务数字的权威出处。财务报表不让模型去读。

来源 SEC · 公有领域

处罚决定全文都抽了：当事人、行为、法律依据、处罚结果，已进 filings 索引。

来源 中国证监会 · 官方

1.04 万封问询函连同回复已抽取，进了 filings 索引。包括深交所的问询函、关注函和处分，以及上交所的问询函。

来源 深交所、上交所 · 官方

它喂的是实体骨架（机构 → 联邦资金），补 NIH、NSF 的位，不替代它们的摘要。

来源 USAspending.gov · 公有领域

38.4 万条进了漏洞垂域，带 CISA 的在野利用标记和 EPSS 利用概率，可以按它排序。展示 NVD 数据要带 not-endorsed 声明。

来源 NVD · CVE Program · CISA KEV · FIRST EPSS

原始公告到位，按 CVE id 和漏洞记录对齐。

来源 OSV.dev · 开放

只有目录元数据：编号、标题、状态（推荐 72,083、强制 6,201、指导 1,027）、是否采标、正文在哪。7.9 万条全部进了 standards 索引。标准正文不在我们手上，也不会转载。

来源 国家标准信息公共服务平台

458 万家机构、552 万条别名在 /v1/entities 上，530 万条关联覆盖 266 万篇文档，把文档接回申报、承办、受资助或持证的那家机构。其中 109 万条靠 id 直挂，113 万条名称唯一匹配，308 万条是模型判定的，如实标出。

来源 ROR CC0 · GLEIF CC0 · MeSH 公有领域

这里每份数据集走的那条流水线，解析、分节、精炼、交叉关联，原样跑在你的文档上，只认你的 key。

来源 公开贡献或私有合作