Lumina介绍

Lumina是一款完全免费的AI学术搜索引擎，借助强大的数据库和高效的匹配速度。利用超过 15 种模型从超过 100 万篇期刊文章中找出最相关的来源，从而构建答案。搜索结果相关性平均比谷歌学术高出5倍，支持超1亿研究对象搜索，目前该网页提供完全免费的服务。通过搜索筛选功能，可以一键筛选PDF文件。以及其他多维度过滤选项。

除了强大的文章搜索匹配能力，Lumina还具备AI概述功能，能够帮助用户快速获取研究论文的摘要和关键信息。

体验网址

• 官网：lumina.sh
  

主要功能

1. 快速响应：Lumina能够迅速对用户的关键词输入做出反应，提供高度相关的文献搜索结果，极大提升了研究效率。
2. 一键PDF访问：用户可以轻松筛选并直接访问PDF格式的学术论文，使得获取研究资料变得更加便捷。
3. 多维度筛选：Lumina允许用户根据年份、引用次数、出版类型和具体期刊等多种条件进行细致的搜索结果筛选，以满足不同研究需求。
4. 高级搜索功能：考虑到其专业性，该搜索引擎可能还提供了高级搜索选项，如关键词过滤、时间范围选择、引用次数排序等，以满足不同研究者的需求。
5. 高相关性评级：相较于其他学术搜索引擎，如Google Scholar和Semantic Scholar，Lumina在搜索结果的相关性评级上具有明显优势。
6. AI概述生成：Lumina的AI概述功能可以基于搜索结果生成论文摘要，帮助用户快速把握论文的核心内容，节省研究时间。
7. 基准库：网站提供了一个基准库供用户查看，这可能包含搜索引擎性能的测试结果、比较数据或其他相关信息，帮助用户理解其搜索能力。

基准库测试

为了测试Lumina的性能，研究团队开源了一个基准测试。

• Github：https://github.com/lumina-ai-inc/benchmark

此存储库提供了一个全面的基准，旨在评估各种搜索引擎的性能。

重点关注两个关键指标：上下文相关性和上下文精度。通过使用大型语言模型 (LLM) 作为评估器，评估每个搜索结果的上下文相关性和上下文精度，针对每个搜索提供商返回的前 10 个搜索结果。目标是尽可能公平地进行评估。评估每个提供商返回的搜索结果并使用零样本（无递归或 LLM 改进）作为默认方法。

最近的结果是对 Lumina Base、Lumina Recursive、Semantic Scholar 和 Google Scholar 进行比较。

结论： Lumina 始终为每个查询提供 2-3 个高度相关的结果 - 其表现优于 Google Scholar 和 Semantic Scholar，后两者分别针对 50% 和 30% 的查询提供 1 个高度相关的结果。

关于数据库

OpenAlex 的核心是Lumina的数据集 — 作品目录。作品是指任何形式的学术成果。研究文章是一种作品，但还有其他作品，例如数据集、书籍和论文。Lumina跟踪这些作品 — 它们的标题（在许多情况下还有摘要和全文）、创作时间等。除此之外作品之间的联系，通过期刊、作者、机构隶属关系、引文、主题和资助者等寻找关联。世界上有数亿件作品，而且每天都有数万件作品被创作出来，因此拥有这些关系对于帮助Lumina理解大规模研究至关重要。

使用指南

关于Lumina的使用相对简单，直接在官网搜索入口，填写相关学术主题或关键词，可以对文章时间，引用及影响因子进行筛选，并对包含pdf的文章进行过滤，网站对前8篇相关文章进行AI 摘要概述。 并提供一些研究成果图表的汇总。

点击文章标题直接下载pdf

借助AI：https://legacy.lumina.sh/chat 可以和pdf文章进行对话，更好的阅读文章。

创始人团队

Lumina背后是一个仅有三人的开发团队，目前已获YC投资。
梅胡尔查达： Lumina 联合创始人兼首席执行官。拥有计量学背景，并获得了威斯康星大学麦迪逊分校的材料工程学士学位。研发经验主要围绕探索石墨烯应用的计算模拟和开发 LEAP6000XR 原子探针。

伊沙安·卡普尔： lumina 联合创始人 是加州大学洛杉矶分校 (UCLA) 统计学毕业生 (22)。在 Lumina，从事大语言模型工作。

阿基莱什·夏尔马： Lumina 联合创始人 是伊利诺伊大学香槟分校的机械工程师。有机器人技术和云解决方案架构师的经验。

其愿景： 利用人工智能增强整个科研过程。Lumina正在构建一些工具，以加快数据分析速度、模拟实验以生成数据、实现多模态性，甚至一键撰写完整的系统评价。目标是为科研创造一种类似 AGI 的体验。