一句话把论文变成数据集，Paperclip 先做了个 2 万条半衰期数据

GXL 的 James Zou 发布了 Paperclip Datasets。它做的事很直接：你描述想要的数据集，它从数百万篇论文里找证据、抽字段、整理成表，几分钟出结果。入口在 https://paperclip.gxl.ai/datasets ，博客说明在 https://gxl.ai/blog/introducing-paperclip-datasets/ 。

配合发布的是一个示例数据集：All-Route Terminal Half-Life Dataset。Hugging Face 页面显示，它有 19,952 条 terminal half-life 记录，来自 3,270 篇 PubMed Central 文章，覆盖 oral、iv、subcutaneous 和 other 四类给药途径。James Zou 的推文说，这批数据从 2,400 多种药物中整理而来。表里 14 列，包含 pmcid、drug_name、normalized_drug_name、molecule_class、smiles、inchikey、administration_route、terminal_half_life、reported_half_life、summary_statistic、drug_information、cohort_information、notes 等字段。数据地址：https://huggingface.co/datasets/gxl-ai/paperclip-half-life 。

数字之外，更值得看的是它怎么处理可信这件事。每条记录带 pmcid，能回到来源文章；reported_half_life 保留原文里的数值、单位、统计量和离散信息；notes 记录单位换算、终末相判定和来源限制。HF 卡片还提到，重复审查阶段用 LLM 辅助比较了 218 个候选对，分布在 213 个高置信组里，删掉 215 条冗余行，同时保留不同剂量或 PK occasion 的对比。LLM 在这里是清洗辅助，来源证据仍写在每一行里。

Paperclip 的页面也把使用方式摆得很明白。输入框里的示例是 Build a dataset of weight loss with GLP-1 drugs like semaglutide and tirzepatide, by drug and dose，旁边可以调 ROWS 和 AUTO-APPROVE COLUMNS，点 BUILD 开始构建。预设任务包括 CAR-T response rates in relapsed multiple myeloma, by product，以及 psilocybin trials for depression, with effect sizes。对没有开发背景的读者，可以把它理解成用一句话把论文变成表格；对做 AI 的人，重点在数据层：字段如何定义、证据如何回溯、清洗过程是否可审计。

边界也写得很清楚。HF 卡片明确说，这个数据集不能用于临床指导、剂量选择、治疗监测、监管决策或患者级风险评估；不同基质、人群、方案、检测方法下的半衰期不能自动比较；化学标识也不是权威化学注册表。数据里有 317 条记录的 summary_statistic 是 unspecified，3,078 条缺 normalized drug name，7,518 条缺 SMILES 和 InChIKey。这些数字会直接影响能不能拿表做分析，也会影响你对自动化抽取的信任程度。

评论区里，Layth 说 really cool awesome work，Zina Sarif 说 crazy cool，Cellgeist 说 love this，Connor 提到 cool to see the paperclip buildout continue。反馈很正面。工具真正的价值，还是要看生成的数据集能不能被复用、被审计，能不能在具体研究里省掉那几周翻论文和抄表的时间。