**Бумажный эспресс: от информационной перегрузки к научному прозрению**
Paper Espresso: From Paper Overload to Research Insight
April 6, 2026
Авторы: Mingzhe Du, Luu Anh Tuan, Dong Huang, See-kiong Ng
cs.AI
Аннотация
Ускоряющиеся темпы научных публикаций затрудняют исследователям возможность оставаться в курсе последних достижений. Мы представляем Paper Espresso — платформу с открытым исходным кодом, которая автоматически обнаруживает, суммирует и анализирует трендовые статьи с arXiv. Система использует большие языковые модели (LLM) для генерации структурированных аннотаций с тематическими метками и ключевыми словами, а также обеспечивает анализ тенденций на ежедневной, еженедельной и ежемесячной основе за счёт консолидации тем, управляемой LLM. За 35 месяцев непрерывной работы Paper Espresso обработала более 13 300 статей и публично выпустила все структурированные метаданные, выявив богатую динамику ландшафта исследований в области ИИ: всплеск интереса к обучению с подкреплением для логического вывода в LLM в середине 2025 года, ненасыщающее появление новых тем (6 673 уникальных темы) и положительную корреляцию между новизной темы и вовлечённостью сообщества (медианное количество голосов «за» для самых новых статей выше в 2,0 раза). Рабочая демонстрация доступна по адресу https://huggingface.co/spaces/Elfsong/Paper_Espresso.
English
The accelerating pace of scientific publishing makes it increasingly difficult for researchers to stay current. We present Paper Espresso, an open-source platform that automatically discovers, summarizes, and analyzes trending arXiv papers. The system uses large language models (LLMs) to generate structured summaries with topical labels and keywords, and provides multi-granularity trend analysis at daily, weekly, and monthly scales through LLM-driven topic consolidation. Over 35 months of continuous deployment, Paper Espresso has processed over 13,300 papers and publicly released all structured metadata, revealing rich dynamics in the AI research landscape: a mid-2025 surge in reinforcement learning for LLM reasoning, non-saturating topic emergence (6,673 unique topics), and a positive correlation between topic novelty and community engagement (2.0x median upvotes for the most novel papers). A live demo is available at https://huggingface.co/spaces/Elfsong/Paper_Espresso.