GovScape 上线：华盛顿大学把千万级美国政府 PDF 变成可语义、可视检索的公共档案基础设施
学术圈重大事件 · 发布 2026-06-25T19:40:47+08:00 · 更新 2026-06-25T19:51:06+08:00
华盛顿大学 6 月 24 日发布 GovScape 项目消息，称团队已把美国 End of Term Web Archive 中特朗普第一任期在线保存的 1000 万份 PDF 做成可公开使用的搜索系统，支持关键词、语义和视觉检索，处理成本低于 1500 美元。它的重要性在于把“已经保存但难以研究”的公共档案转化为可操作的数字基础设施；但当前仍处于研究系统与会议论文阶段，实际检索质量和扩展效果还需外部使用验证。
华盛顿大学 6 月 24 日发布 GovScape 项目消息，称团队已把美国 End of Term Web Archive 中特朗普第一任期在线保存的 1000 万份 PDF 做成一个可公开使用的搜索系统。与普通全文检索不同，GovScape 不只支持像“FAFSA”这样的关键词搜索，也支持语义搜索和基于页面视觉特征的检索，例如直接找“redacted documents”“aerial photographs”或“pie charts”。在公共档案规模继续爆炸的背景下，这类系统的价值不只是“更快搜到文件”，而是让原本存而难用的政府数字遗产第一次变得更像一套可操作的研究基础设施。
GovScape 页面示意图，展示对政府档案 PDF 进行关键词和视觉特征检索的界面。（图源：Photo: University of Washington）
这条新闻的重要性在于，它指向了科研与公共知识基础设施的一个现实瓶颈。End of Term Web Archive 从 2008 年开始保存美国总统任期结束时的网页与文档，如今已经覆盖到 2024 年，文件中既有文字，也有图片、图表、扫描页和涂黑页面。过去档案“存在”并不等于“可研究”：历史学者、记者、政策研究者和公民团体即使知道材料已保存，也很难在海量 PDF 中定位有用页面。GovScape 的目标正是把这种难以进入的档案，变成能被查询、筛选和比对的开放入口。
从技术路径看，团队不是简单给 PDF 做 OCR，而是把每份 PDF 拆成页面，同时提取文字与图像，再为页面生成文本和图像 embedding。文章给出的一个关键信号是成本：处理这 1000 万份 PDF 的总成本低于 1500 美元，大约每 4.7 万页只需 1 美元。对公共部门、图书馆系统和学术机构来说，这说明 multimodal archive search 并不一定要靠极高预算才可运行。团队还表示，下一步会把覆盖范围从目前的 1000 万份 PDF 扩展到整个 2008 至 2024 年档案中的约 7000 万份 PDF。
为什么这能算“学术圈重大事件”？因为它处在研究基础设施、公共信息可得性和 AI 应用三个交叉点。近年来 AI 在学术领域最常见的叙事是生成、总结或预测，但 GovScape 这种项目更像是“把被埋住的知识重新变得可访问”。对政治学、传播学、法学、新闻学和数字人文而言，这类工具可能直接改变研究问题的设定方式；对社会公众而言，它关系到政府信息能否真正被看见、比对和再利用。Benjamin Lee 在校方文章中明确把它与民主社会获取信息的能力联系起来，这种论述并不夸张。
同样需要标注证据边界。当前可确认的是项目已开放搜索、已有 arXiv 论文，并计划在 7 月 5 日 ACL 年会上报告；但它不是成熟公共服务采购系统，也不是经过长期外部审计的政府平台。搜索召回率、误检率、视觉检索在复杂页面上的稳定性，以及面对更多文件类型时的扩展效果，还要看后续论文评议和真实用户使用反馈。换句话说，GovScape 已经足够说明“档案检索基础设施正在被 AI 重写”，但它离行业标准还有一段路。
信息来源
可信度说明
来源为华盛顿大学官方新闻稿，正文明确给出档案规模、搜索类型、处理成本、扩展计划和 7 月 5 日 ACL 报告安排，并链接项目站点与 arXiv 论文。限制在于该项目当前更接近研究系统和开放演示，尚非完成大规模外部评测的成熟基础设施，实际检索质量仍需用户和论文进一步检验。