NotebookLM vs Semantic Scholar 2026: чат с PDF против поиска по 200 млн статей

NotebookLM и Semantic Scholar часто сравнивают, потому что оба «помогают исследователю». На этом сходство заканчивается. NotebookLM — продукт Google Labs на базе Gemini: вы загружаете PDF, Google Docs, YouTube-видео или аудиозаписи, после чего сервис превращается в чат с вашими источниками. Semantic Scholar от Allen Institute for AI — это поисковая машина по 200+ миллионам научных статей с графом цитирований и автоматическими TLDR-рефератами. Один загружает то, что у вас уже есть. Второй ищет то, чего у вас ещё нет.

Подгрупп в категории research-ai четыре: AI-поиск по научным базам, работа с загруженными документами, верификация цитирований и граф знаний. Semantic Scholar закрывает первую и четвёртую (поиск + граф цитирований). NotebookLM закрывает только вторую (загруженные документы). Конкурентами они становятся ровно в одном сценарии: «у меня есть готовая папка PDF, и я хочу задать по ней вопросы» — здесь NotebookLM выигрывает с разгромным счётом. Во всех остальных сценариях это два разных инструмента в одном рабочем дне.

Практический вывод: в одном рабочем дне вы открываете Semantic Scholar для скрининга литературы, экспортируете найденные PDF из открытого доступа в свою папку, потом перетаскиваете их в NotebookLM и продолжаете работу там. Это не «или–или», это конвейер.

Здесь нет паритета — это сценарий, в котором сервисы решают принципиально разные задачи. У Semantic Scholar база из 200+ миллионов статей, индексирующая PubMed, arXiv, DBLP, Crossref и ряд академических издательств. У NotebookLM поиска по внешним научным источникам нет в принципе — он работает только с тем, что вы загрузили сами (PDF, Google Docs, YouTube-видео, веб-URL).

Семантический поиск Semantic Scholar построен на собственных моделях AI2 — SPECTER2 для эмбеддингов и SciBERT для понимания научного текста. Это даёт два полезных эффекта: фильтр Highly Influential Citations отделяет «упомянули в introduction» от «опираются на этот результат», а ранжирование учитывает не только ключевые слова, но и смысл — поэтому статья, где ваш термин не встречается дословно, но обсуждается через синоним, всё равно поднимается в топ.

NotebookLM не пытается быть поисковиком — и в этом есть честная позиционная логика. Google уже владеет Google Scholar (≈380+ млн статей по оценкам академических библиотекарей) и не дублирует функционал в новом продукте. Зато внутри загруженного корпуса NotebookLM ищет через семантику Gemini: спросите «найди противоречие между статьями 3 и 7 по дозировке препарата» — и сервис вернёт цитаты с указанием конкретного фрагмента источника.

Семантик-сколаровские TLDR — это однострочные рефераты, которые AI2 генерирует своими моделями для большинства статей в базе. Они работают как фильтр на этапе скрининга: смотрите на TLDR, понимаете, о чём статья, и решаете — углубляться или нет. На английском качество хорошее, особенно по технической литературе. Длина — одно-два предложения, не больше.

NotebookLM играет в другую игру. Загружаете PDF — сервис строит из него Study Guide, Briefing Doc, Table of Contents, FAQ и Timeline. Это уже не «коротко о чём», а структурированный разбор: ключевые тезисы, методология, результаты. Для одного документа — несколько форматов резюме одновременно, плюс возможность задать уточняющий вопрос в чате. Каждый ответ снабжён inline-ссылкой на конкретный фрагмент исходника — галлюцинации этим инструментом существенно ограничиваются (см. подтему «Верификация»).

В нашей редакции мы держим оба сервиса параллельно: Semantic Scholar для решения «читать ли вообще эту статью» (TLDR из выдачи поиска), NotebookLM — для решения «что именно из этой статьи мне нужно» (после загрузки в ноутбук). Это разделение труда экономит 1–2 часа на типичный скрининг 30 статей.

Это центральный сценарий для NotebookLM и сценарий, в котором Semantic Scholar не участвует вообще. Семантик-сколар — это поисковик по чужим статьям; своих документов в него загрузить нельзя. NotebookLM сделан ровно под задачу «у меня есть пачка источников, помоги с ней работать».

Особенность NotebookLM, которой нет у конкурентов в категории: лимит 500 000 слов на отдельный источник. Это эквивалентно роману «Война и мир» в одном файле. Юрист может загрузить 800-страничный устав корпорации одним PDF и спрашивать по нему точечно — сервис не отрезает половину «потому что контекст переполнен». Внутри Gemini под капотом контекстное окно работает на уровне 1M токенов, и пользователь упирается не в окно, а в лимит источников Notebook.

Один технический нюанс: PDF импортируется без комментариев и сносок. Если в вашем рабочем PDF юрист уже разметил аннотации в Acrobat — они не пройдут в NotebookLM. Решение — экспортировать в чистый PDF или загружать оригинал и параллельно держать аннотации в Zotero.

Семантик-сколар умеет показывать граф цитирований: для каждой статьи — список тех, кто на неё ссылается, и тех, на кого ссылается она. Highly Influential Citations — собственный классификатор AI2, который отделяет «вскользь упомянули» от «фундаментально опираются». Citation Intent (полноценное supporting/contradicting) в основном продукте присутствует ограниченно — это ниша конкурента Scite. Но даже без этого граф Semantic Scholar даёт исследователю ключевую информацию: насколько статью реально цитируют, кто, в каких работах.

NotebookLM в этом сценарии не помощник — у него нет внешнего графа цитирований. Сервис умеет показать, из какого места загруженного источника взята цитата (inline-ссылка на параграф PDF), но это работает только внутри ноутбука. Если вы хотите проверить, опровергают ли статью N последующих работ — NotebookLM не подскажет, потому что этих последующих работ у него нет в базе.

На практике у нас в редакции сложилась такая связка: проверяем тезис через Semantic Scholar (граф + Highly Influential), затем загружаем 3–5 ключевых статей с противоположными выводами в NotebookLM и просим сравнить — где конкретно расходятся методологии. Первый шаг невозможен без графа, второй — без чата с загруженными источниками.

Длинный контекст — это про объём данных, который сервис может удержать в одном сеансе без потери качества. Под капотом NotebookLM работает Gemini 1.5 Pro или новее (Google не раскрывает точную версию на проде), и пользовательский опыт упирается не в техническое окно модели (≈1M токенов), а в продуктовые лимиты: 50 источников × 500 000 слов на Free и 300 источников × 500 000 слов на Plus. На типичный систематический обзор из 30 препринтов arXiv этого хватает с запасом.

Semantic Scholar в эту подтему почти не вписывается — он не «работает с контекстом» в смысле LLM-чата. Зато он умеет другое: построить отчёт по конкретному автору или теме за 6 месяцев и выгрузить список через API (см. подтему «API»). Если переформулировать «длинный контекст» как «насколько широкую тему можно охватить» — Semantic Scholar выигрывает здесь за счёт корпуса 200+ млн статей и фильтров по дате публикации.

Практический трюк: при работе с 30+ источниками в NotebookLM мы заводим отдельный ноутбук под каждую тематическую группу (например, «RAG-архитектуры на векторных БД» — один, «графовые RAG» — другой). Иначе модель начинает усреднять контекст — синтез становится «общими словами», теряется конкретика. Лимит «до 50 источников на ноутбук Free» — это не предел качества, это инженерный потолок продукта.

Это подтема, где у обоих сервисов есть data gaps, но с разной природой. NotebookLM умеет работать с русскими источниками: вы загружаете русскоязычный PDF, и сервис отвечает на запросы на русском, цитируя нужные фрагменты. Audio Overview и Video Overview официально поддерживают вывод на русском через настройку Output Language (50+ языков для аудио, 80+ для видео, по данным Google blog за апрель 2025). UI пока преимущественно английский, но язык контента не привязан к языку интерфейса.

Semantic Scholar — другая история. Его корпус ориентирован на англоязычную науку: PubMed, arXiv, DBLP, Crossref. Русскоязычные журналы (elibrary.ru, КиберЛенинка, ВАК-перечень) практически не индексируются. Интерфейс на английском. Поиск на русском работает плохо — синтаксис принимает, но в выдаче будут англоязычные статьи с похожими ключевыми словами. Для российского пользователя, который работает с русской научной литературой, Semantic Scholar остаётся вспомогательным инструментом, не основным.

Для российского аспиранта это означает асимметричный workflow: русскую часть литературы вы собираете руками через elibrary.ru или КиберЛенинку, загружаете PDF в NotebookLM, англоязычную часть ищете через Semantic Scholar и догружаете туда же. Получается «два сборщика и один анализатор».

Semantic Scholar бесплатен полностью — для всех функций поиска, TLDR, цитирований, библиотек, рекомендаций. Регистрация опциональна (нужна только для персональной библиотеки и оповещений). API — тоже бесплатный, с базовым лимитом 1 запрос/сек на пользователя с ключом. Allen Institute for AI — некоммерческая организация, и базовая монетизация не предусмотрена в принципе.

NotebookLM устроен сложнее. Free-тариф щедрый, но не безлимитный. Plus за $19.99/мес идёт пакетом в Google One AI Premium — туда же входит Gemini Advanced, AI в Gmail и Docs, 2 TB Google Drive. Если вы уже платите за Google One AI Premium ради других сервисов — NotebookLM Plus достаётся бесплатно. Если нет — берёте подписку специально под него, и тогда годовая стоимость составит около $240 (≈19 700 ₽ по курсу 82 ₽/$ на май 2026, без учёта комиссий за нероссийскую оплату). Ultra-тариф ($249.99/мес) — для тех, кому нужны лимиты ×50 от Plus и убрать водяные знаки с инфографик.

Semantic Scholar — экстремальный случай: бесплатно вообще всё. Нет «trial 14 дней», нет ограничения на число поисков, нет премиум-фильтров. Зарегистрироваться имеет смысл только ради персональной библиотеки и email-оповещений о новых цитатах ваших отслеживаемых статей. AI2 — некоммерческий фонд Пола Аллена, и продукт построен ровно так, как могут позволить себе только некоммерческие организации с бессрочным финансированием.

NotebookLM Free тоже щедрый по меркам категории, но с конкретными потолками. 100 ноутбуков, 50 источников в каждом, по 500 000 слов на источник, 50 чат-запросов в день и 3 Audio Overview в день. Для студента-магистранта с одним крупным проектом этих лимитов хватает с запасом. Для исследователя, который параллельно ведёт 5–6 проектов и часто слушает Audio Overview по дороге на работу — потолок ощущается уже на третьей неделе.

Semantic Scholar в этой графе показать нечего — у него нет «лимитов Free», потому что нет градации. Если бы мы выводили его в бар-чарт, пришлось бы рисовать одну гигантскую полосу «бесконечно» — что нечестно по форме сравнения, но честно по сути.

Semantic Scholar Academic Graph API — один из лучших бесплатных научных API на рынке. Endpoint'ы /paper/search, /paper/{paperId}, /author/{authorId}, /recommendations, /graph дают доступ к abstract, авторам, цитированиям, ссылкам, TLDR, SPECTER2-эмбеддингам, fieldsOfStudy, publicationDate, ссылкам на open access PDF. Лимит без ключа — 1000 запросов в секунду суммарно на всех анонимных пользователей (нестабильно в пиковое время). С API-ключом — 1 запрос/сек гарантированно на пользователя, ключ выдаётся бесплатно после регистрации. Для production-нагрузок предусмотрен расширенный tier по запросу к команде.

NotebookLM играет в другую лигу. Publichnogo API для индивидуальных разработчиков нет — нельзя написать скрипт, который создаст ноутбук, загрузит PDF и задаст вопрос. Есть NotebookLM Enterprise API, доступный через Google Cloud (docs.cloud.google.com/gemini/enterprise/notebooklm-enterprise/) — но он по корпоративным контрактам, не для индивидуальных пайплайнов.

На практике R&D-команды строят так: Semantic Scholar API для автоматического сбора метаданных и TLDR (cron + Python SDK), фильтрация по нужным fieldsOfStudy, выкачка open access PDF, и только последний шаг — загрузка отобранных PDF в NotebookLM вручную для последующего синтеза. Автоматизировать «последнюю милю» (NotebookLM) пока негде, кроме как через Enterprise-контракт.

Semantic Scholar в этой подтеме недостижим. Это академический некоммерческий ресурс, не находящийся под санкционными ограничениями и не заблокированный Роскомнадзором. Регистрация не требуется для базового поиска. Оплата не нужна, потому что сервис бесплатный. Российский студент заходит с университетского IP, ищет статью, скачивает open access PDF — всё работает.

NotebookLM устроен сложнее. Сам сервис Google не заблокирован в РФ, и бесплатная версия доступна при наличии аккаунта Google. Но платный NotebookLM Plus идёт в подписке Google One AI Premium, которая не продаётся с российскими картами. Студент-аспирант с типичной российской дебетовой картой не может оформить Plus легально. Варианты обхода (зарубежная карта через посредников, региональный аккаунт через VPN) существуют, но являются персональным выбором пользователя со всеми связанными рисками — мы это не рекомендуем как стандартный путь.

Для российской лаборатории, которая хочет дать студентам стабильный инструмент без юридических серых зон, Semantic Scholar — очевидный базовый вариант. NotebookLM Free тоже работает, но как только в учебной программе возникает задача с лимитами выше Free (300 источников в одном ноутбуке), упираемся в платёжную стену, которую не пробить с российской картой.

Здесь сервисы выбирают разные экосистемы. NotebookLM — нативный гражданин мира Google Workspace: drag-and-drop из Google Drive, прямая загрузка Google Docs / Slides / Sheets, импорт YouTube-видео. Для пользователя, который и так живёт в Google Docs, это огромное удобство — никаких промежуточных экспортов. Минус — Zotero и Mendeley здесь отсутствуют. Прямой интеграции с менеджерами литературы у NotebookLM нет; обходной путь — экспортировать PDF из Zotero и руками перетащить в ноутбук. Также нет структурированного экспорта данных из ноутбука в BibTeX/RIS — только копирование текста ответов в чат.

Semantic Scholar встаёт в стандартный академический workflow. Прямо со страницы статьи — кнопка Cite с экспортом в BibTeX и RIS, что покрывает большинство менеджеров литературы (Zotero, Mendeley, RefWorks, EndNote через RIS-импорт). Официального плагина Zotero от самого Semantic Scholar нет — Zotero Connector добавляет статью по DOI или URL, и это работает на 95% случаев. Есть сторонний MCP-сервер для AI-агентов — Semantic Scholar единственный в паре, кого можно подключить к Claude Desktop или другим MCP-клиентам.

NotebookLM работает в Google Cloud-инфраструктуре. Google официально заявляет, что данные в NotebookLM не используются для обучения моделей по умолчанию — детали в Google Workspace TOS. Google Cloud сертифицирован SOC 2 Type II и GDPR; для NotebookLM Enterprise (отдельный продукт через Google Cloud) доступен DPA — соглашение о защите данных. Consumer-данные хранятся в Google Cloud, регион по умолчанию — США. Для корпоративного клиента, который привык работать в Google Workspace, compliance-стек уже выстроен и не требует дополнительной верификации.

Semantic Scholar — другая ситуация. Allen Institute for AI — некоммерческая американская организация, не сертифицированная по GDPR в смысле формальной верификации. Privacy Policy декларирует права на удаление данных для EU-пользователей. SOC 2 Type II в публичных материалах не указан. Но и сам use case у Semantic Scholar другой: вы не загружаете в него конфиденциальные документы (нечего загружать), а только ищете публичные научные статьи и сохраняете персональную библиотеку из публичных DOI. Поле для compliance-рисков — намного уже.

NotebookLM принадлежит Alphabet Inc. — капитализация компании измеряется в триллионах долларов. Ресурсы практически неограничены. История: запущен в Google Labs в 2023 → выделен в отдельный продукт с собственным брендом → в 2025 году получил Enterprise-версию через Google Cloud. Это сильные сигналы коммерциализации — Google инвестирует не в эксперимент, а в линейку. Риск закрытия — средний по корпоративным меркам: Google исторически закрывает продукты (Google Reader, Google+, Inbox), но NotebookLM получил измеримый пользовательский рост и отдельный Enterprise-трек, что снижает риск ниже среднего.

Semantic Scholar — другая модель устойчивости. Allen Institute for AI — некоммерческая организация, основанная Полом Алленом (соучредитель Microsoft) в 2014 году. Основной донор — Paul G. Allen Foundation с бессрочным финансированием. AI2 — крупная структура с сотнями сотрудников, существует с 2014 года, Semantic Scholar — с 2015. У него нет давления коммерческой монетизации, нет квартальных целей по выручке, нет нужды поднимать раунды. Это редкий случай в категории: некоммерческий сервис, в долгосрочной перспективе устойчивее многих коммерческих стартапов с венчурным капиталом.

Уникальные фичи в категории — это то, ради чего сервис покупают именно его, а не конкурента. У NotebookLM таких две: Audio Overview и Video Overview. Audio Overview — генерация аудио-дискуссии двух AI-персонажей, которые обсуждают содержимое ноутбука в стиле подкаста. Несколько минут на типовой документ. 50+ языков на выводе. На Free — 3 эпизода в день, на Plus — 20. Это превращает 30-страничный PDF в 7-минутный подкаст, который вы слушаете в дороге. Конкурентов с похожей фичей в категории research-ai нет.

Video Overview — короткое анимированное видео-резюме (80+ языков). Менее массовая фича, чем Audio, но полезна для подачи материала команде или студентам. Дополнительные автогенерируемые форматы: Study Guide, Briefing Doc, FAQ, Timeline, Table of Contents.

У Semantic Scholar уникальные функции иного рода: Highly Influential Citations (собственный классификатор AI2, отделяющий значимые ссылки от вскользных упоминаний), открытый S2ORC-корпус полных текстов статей для NLP-исследований и SPECTER2-эмбеддинги, доступные для скачивания. Последние две — продукт для команд, которые сами строят research-инструменты поверх данных AI2. Это не «фича для пользователя», это «инфраструктура для разработчиков». Но именно эта инфраструктура делает Semantic Scholar основой для многих сторонних научных AI-проектов.

Сценарии победы Semantic Scholar:

Сценарии победы NotebookLM:

Аспирант биологического факультета, защита через год. 30+ препринтов в день со скрининга, поиск противоречий между работами по теме диссертации. Стартует с Semantic Scholar (поиск + Highly Influential Citations для систематического обзора), отобранные PDF сразу загружает в NotebookLM Free (50 источников хватает для одной главы диссертации). Бюджет — 0 ₽ при таком сценарии. Если будут совпадения с грантами — переходит на NotebookLM Plus ради 300-источников-в-ноутбук.

R&D-инженер крупной компании, фокус на RAG-архитектурах. Нужен production-pipeline: cron собирает свежие препринты с arXiv, складывает в knowledge base, генерирует weekly digest. Здесь без вариантов Semantic Scholar API (бесплатно, с ключом, 1 запрос/сек) + опционально MCP Server. NotebookLM — на финальном этапе, когда отобранные 30 препринтов нужно засинтезировать в технический бриф. Для корпоративных данных — Enterprise-версия через Google Cloud, с DPA и SOC 2 Type II.

Журналист-расследователь, специализация на медицине. Главная задача — проверять тезисы политиков и фармкомпаний на научную обоснованность. Здесь Semantic Scholar незаменим: проверяет, насколько часто статью цитируют, есть ли опровергающие работы (Citation Intent ограниченно, основная верификация — через Scite как третий инструмент). NotebookLM — после: загружает 5–10 ключевых статей и просит сравнить методологии. Бюджет — Free.

Юрист, корпоративный due diligence. Никаких научных статей — только 30+ контрактов, NDA, регуляторные документы. Semantic Scholar не нужен в принципе. NotebookLM Plus / Enterprise — основной инструмент: 300 источников × 500k слов, мультидокументные вопросы с указанием параграфа источника, compliance через Google Cloud DPA. Для конфиденциальных данных — обязательно Enterprise.