PapersGPT dla laboratoriów, katedr i bibliotek firmowych

Wdrożenie prywatne dla współdzielonych bibliotek Zotero: własny indeks, własny sprzęt, własne modele. Dla zespołów z ponad 10 000 dokumentów i zasadami dotyczącymi miejsca przechowywania danych.

Opisz swoją konfigurację →

Zaprojektowany do skali instytucjonalnej

Jeden silnik — od prywatnej biblioteki po korpus 10 000 dokumentów. Pomiar na MacBooku Pro (Intel Core i9), macOS 14.3.1 — nie na serwerze.

10 000 PDF / 42 GB

Indeksacja w 7 minut

901 MB

Rozmiar indeksu — kompresja 46:1, poniżej 2,5% biblioteki na dysku

19,5 ms

Średni czas wyszukiwania przy 10 000 dokumentów

2,2 GB

Pamięć po ponownym wczytaniu — działa w tle cały dzień

Przeczytaj pełny raport skalowalności

Wdrożenie prywatne

Indeks i wyszukiwanie działają w Twojej sieci. Nic z biblioteki jej nie opuszcza, o ile nie wskażesz PapersGPT zewnętrznego modelu.

Własne modele

Wbudowane modele lokalne, Ollama lub dowolny endpoint zgodny z OpenAI (vLLM, LM Studio, llama.cpp) na własnym sprzęcie. W pełni offline, jeśli trzeba.

Niczego nie trzeba przenosić

Badacze pracują dalej w Zotero: pliki PDF, kolorowe adnotacje, tagi i samodzielne notatki zostają na miejscu.

Warianty wdrożenia

Na stacji roboczej

Każdy badacz uruchamia PapersGPT lokalnie na własnej zsynchronizowanej bibliotece Zotero. Serwer nie jest potrzebny.

Serwer zespołu

Jedna maszyna indeksuje współdzieloną bibliotekę raz; cały zespół korzysta z tego samego indeksu.

Pełna izolacja

Indeks, wyszukiwanie i model działają na maszynie bez dostępu do internetu.

Dla zespołu IT

Podsumowanie przepływu danych: co zostaje na maszynie, a co ją opuszcza
Treść biblioteki nie jest nigdzie wysyłana, o ile nie skonfigurujesz zewnętrznego modelu
Można wskazać własny endpoint wnioskowania: vLLM, Ollama lub dowolny serwer zgodny z OpenAI
Konfiguracja centralna: IT może ustawić adres serwera i licencję na każdej maszynie
Tylko do odczytu: indeks nigdy nie zapisuje do biblioteki Zotero

Czy nasze dane opuszczają sieć?

Nie. Indeksowanie i wyszukiwanie są lokalne. Treść opuszcza maszynę tylko wtedy, gdy skonfigurujesz zewnętrzny model — a zamiast tego możesz wskazać wewnętrzny serwer wnioskowania.

Czy działa w pełni offline?

Tak. Wbudowane modele lokalne, Ollama i własne endpointy zgodne z OpenAI działają bez internetu.

Jak duże biblioteki obsługuje?

Około 10 000 plików PDF / 42 GB indeksu w 7 minut na laptopie, przy ~20 ms średniego wyszukiwania. Zobacz raport skalowalności.

Używasz tego w laboratorium, katedrze lub bibliotece firmowej? Realizujemy wdrożenia prywatne: własny indeks, własne modele, licencja roczna.

Opisz swoją konfigurację →Przeczytaj pełny raport skalowalności