inf6 logo

inf6.com

arXiv / PubMed support · Origin-paper drills · Live BP practice
🔑 AI features require your OpenAI API key (stored in Keychain; sync via iCloud Keychain). Setup · App Store · Microsoft Store
Download on the App Store Get it from Microsoft Store
arXiv / PubMed 対応 · 起源論文演習 · Live BP 実戦形式
🔑 AI機能には OpenAI APIキー が必要です。 設定 · App Store · Microsoft Store
Download on the App Storeで入手 Get it from Microsoft Store

Main Features

E-Cert intensive drill Drill

Walk the JDLA E-Cert syllabus node by node. For each concept, the paper it originated from is identified and verified, and exercises are built on that paper's figures, tables, and equations.

Live BP Practice

Select generated drills and start Live BP. The selected drill problems are shown in sequence for practical study.

Understanding points, not questions Study

Exercises are not multiple choice. There are no answer choices and no scoring. Each point states what is true as a short bullet list, so study time goes into understanding rather than guessing.

Origin Papers Trace

Concepts that trace to a specific paper are linked to it. Exercises are built from the available explanation, figures, tables, and equations.

arXiv / PubMed integration Main

Search, fetch, and organize papers from arXiv and PubMed, then keep all knowledge attached to the paper you are working on.

Per-paper “question → explanation” accumulation Core

Store your questions and AI explanations per paper, so knowledge stays attached to the source and remains reusable.

Assets pipeline (Figures / Tables ) Extract

Scan pages and extract figures, tables as review-ready assets attached to the paper.

Notes marking per paper Notes

Keep your own notes alongside accumulated explanations, so each paper becomes a coherent learning unit.

Formula clips (mini PDF) Clip

Clip important formulas into mini PDFs for quick revisiting, and attach explanations linked to the original paper.

Choose where it is stored, and carry it between devices Storage

What you generate is saved as files in a folder you choose, an external SSD included. To move it to another device, press Export and write out the current transfer set as zips grouped by domain and node. Nothing waits on syncing.

Roadmap Planned

Planned: Core ML / Neural Engine–accelerated semantic reranking + RAG-style paper search.

Goal: keep file-based local storage, while adding on-device semantic scoring for arXiv/PubMed candidates.

Profile Major / lab / research plan Category + intent signals Fetch metadata arXiv: abstract + categories PubMed: abstract + MeSH On-device semantic scoring Core ML inference (Neural Engine acceleration) Embedding + similarity → rerank candidates Results UI “Must-read” candidates first Update detection for arXiv versions One-tap save / update File-based storage PDF saved to the chosen local folder Sidecars: .arxiv / citation export Moved by Zip export/import Local index (optional) Cached metadata + vectors Incremental updates Privacy-first, offline-friendly
Planned architecture: category/MeSH to control scale, then on-device semantic reranking to surface “must-read” papers first.

Phase 1: No-model baseline First step

  • Fetch abstract + minimal metadata (categories/MeSH, dates, ids).
  • Rule-based filtering to avoid oversized results.
  • Stable file-based saving to the chosen local folder (PDF + sidecars).

Phase 2: On-device reranking Core ML

  • Generate embeddings on-device and compute similarity against a profile vector.
  • Rerank candidates without sending paper content to servers.
  • Keep the current workflow: local data root plus Zip export/import between devices.

Phase 3: RAG-style search loop RAG

  • Use the profile to iteratively refine categories/subcategories.
  • Maintain a local cache of metadata/vectors (optional).
  • Expose “why recommended” signals (categories, abstract similarity, etc.).

主な機能

E資格 集中特訓演習 演習

JDLA E資格のシラバスをノード単位でたどります。概念ごとに、それがどの論文から生まれたかを特定して実在を確認し、その論文の図・表・数式を根拠に演習を組み立てます。

Live BP 実戦形式

生成済み演習を選び、Live BP ボタンから開始します。選択した演習の問題が順番に表示され、理解度を実戦形式で確認できます。

設問ではなく理解ポイント 学習

演習は選択式ではありません。選択肢も採点もなく、誤りの例も書きません。各ポイントは正しい内容だけを短い箇条書きで示すため、学習の時間が推測ではなく理解に向かいます。

起源論文 系譜

特定の論文にさかのぼれる概念は、その論文に紐づけます。演習は利用可能な解説・図・表・数式から生成します。

arXiv / PubMed 連携 主機能

arXiv および PubMed から論文を検索・取得し、作業対象の論文に紐づけてナレッジを整備できるようにします。

論文単位の「問い → AI解説」蓄積 中核

論文ごとに「問い」と「AI解説」を保存し、出典に紐づいた形で再利用できる知識へ整えます。

図表パイプライン（図・表） 抽出

論文ページを走査し、図・表を抽出して、復習用の素材として論文に紐づけて保存します。

論文単位のメモ・マーキング メモ

ご自身のメモをAI解説の蓄積と並べて保持し、論文を「学習単位」として一貫した形に整えます。

数式クリップ 切り出し

重要な数式をミニPDFとして切り出し、元の論文に紐づけてAI解説を付与することができます。

保存先の選択と端末間の受け渡し 保存

生成物は、お選びいただいたフォルダにファイルとして保存されます。外付けSSDでも構いません。別の端末へは、エクスポートで現在の受け渡しセットを分野とノードで束ねた zip として書き出して持ち運びます。同期の完了を待つ必要はありません。

Samples

inf6 includes sample study materials for E-shikaku and G-kentei as examples of how a paper knowledge workspace can be organized.

These are provided as samples. inf6 itself is a general-purpose workspace for building per-paper knowledge.

サンプル

E資格／G検定 の学習サンプルを収録しています。「論文ナレッジ整備」をどのように構成できるかの具体例です。

※ サンプルは例示です。inf6 自体は、論文単位でナレッジを育てる汎用ワークスペースです。

Current Screens

現在の画面

Initial storage setup in light mode Initial storage setup in dark mode Initial storage setup in high contrast mode

Accessibility

アクセシビリティ

Initial storage setup with larger accessibility text

開発計画 予定

予定：Core ML / Neural Engine を活用した、端末内の意味スコアリング（リランキング）＋ RAG型の論文探索。

ローカル保存 root を正本にする設計を維持しつつ、arXiv / PubMed の候補を端末内で“必須っぽい順”に並べ替える導線を追加します。

プロファイル 専攻 / 研究室 / 研究計画 カテゴリ・意図の信号 メタデータ取得 arXiv: 要旨 + カテゴリ PubMed: 要旨 + MeSH 端末内 意味スコアリング Core ML 推論（Neural Engine 加速） 埋め込み + 類似度 → 候補をリランク 結果UI 必須っぽい順に上位へ arXiv 更新検知（v1→v2等） 保存／更新の導線 ファイル保存（現行維持） PDFは選択したローカルフォルダへ保存 サイドカー: .arxiv / 引用エクスポート Zip export/import で端末間共有 ローカル索引（任意） メタデータ＋ベクトルをキャッシュ 差分更新 プライバシー重視・オフライン寄り
まずカテゴリ/MeSHで過大データを抑え、次に端末内の意味スコアで“必須っぽい順”へ並べ替える構成です。

Phase 1：モデルなしの基礎 第一段階

  • 要旨＋最小メタデータ（カテゴリ/MeSH・日付・ID）を取得。
  • ルールベースで過大な結果を抑制。
  • 選択したローカルフォルダへのファイル保存（PDF＋サイドカー）を安定化。

Phase 2：端末内リランキング Core ML

  • 端末内で埋め込み生成→プロファイルとの類似度で並べ替え。
  • 論文本文をサーバへ送らずに“必須候補”を先頭へ。
  • 端末間共有は Zip export/import を前提に維持。

Phase 3：RAG型の探索ループ RAG

  • プロファイル→カテゴリを段階的に絞り込む。
  • メタデータ／ベクトルのローカルキャッシュ（任意）。
  • 推薦理由（カテゴリ、要旨類似など）を可視化。

How it works

1) Bring a paper in (arXiv / PubMed / local PDF).

2) Ask questions and store explanations. Keep “question → explanation” attached to the paper (and page when needed).

3) Accumulate and reuse. Over time, each paper becomes a stable knowledge unit you can revisit.

使い方

1) 論文を取り込む（arXiv / PubMed / 手元のPDF）。

2) 問いを立て、AI解説を保存する。 論文（必要に応じてページ）に紐づけて「問い → AI解説」を蓄積します。

3) 積み上げて再利用する。 継続することで、論文単位の安定したナレッジが育ちます。

Setup

Required: AI features need an OpenAI API key. The key is stored in Keychain and can be synced via iCloud Keychain.

  1. Create an API key at platform.openai.com/api-keys.
  2. In the app, open Settings → “OpenAI API Key”, then paste the key.
  3. Open any paper and run an explanation. If the key is missing/invalid, the app will show an error.

Some paper services may request a contact email for responsible usage. Configure it in the app only if needed.

設定

必須: AI機能には OpenAI APIキーが必要です。キーは キーチェーン に保存され、iCloudキーチェーン により同期可能です。

  1. platform.openai.com/api-keys にてAPIキーを作成します。
  2. アプリの設定で「OpenAI API Key」を開き、キーを貼り付けます。
  3. 任意の論文でAI解説を実行し、未設定／不正な場合はアプリがエラー表示します。

論文サービスによっては、責任ある利用のために連絡用メールアドレスを求められる場合がございます。必要な場合に限り、アプリ内で設定してくださいませ。

Storage

Outputs: saved as files in a local folder you choose.

Sharing: move data between iPhone / iPad / Mac with Zip export/import. Export writes the current transfer set as zip files; Import restores selected zip archives.

Key storage: your API key is stored in Keychain and can sync via iCloud Keychain.

保存と共有

生成物: 選択したローカルフォルダへファイルとして保存されます。

共有: iPhone / iPad / Mac 間の移動は Zip export/import で行います。エクスポートは現在の受け渡しセットを zip ファイルとして書き出し、インポートは選択した zip アーカイブを復元します。

キー保存: APIキーは キーチェーン に保存され、iCloudキーチェーン で同期可能です。

Contact

Support / bug reports: inf6.com@icloud.com

Legal / Privacy / Terms are available on legal.html.

連絡先

サポート／不具合報告: inf6.com@icloud.com

プライバシー／規約等は legal.html にてご案内します。