Semantic Scholar vs Scite 2026: бесплатный поиск против верификации цитат

Главная путаница новичка: «оба же про науку». Нет — один сервис ищет статьи и пишет однострочные рефераты, второй разбирает, как чужие работы спорят друг с другом. Это разные ниши категории research-ai, и понять различие до подписки важнее, чем разобраться в тарифах.

Категория research-ai по факту распадается на четыре подгруппы: AI-поисковики по научным базам, работа с загруженными PDF, верификация цитирований и графы знаний. Semantic Scholar живёт в первой и четвёртой одновременно — это поисковик плюс citation graph с пометкой Highly Influential Citations. Scite целиком занимает третью подгруппу: классификация контекста цитат на supporting / contradicting / mentioning. Граница чёткая: уберите у SS поиск — сервис теряет смысл. Уберите у Scite классификатор цитат — остаётся обычная поисковая обвязка.

Прямая конкуренция между ними возникает только в одном слоте — «найди мне статьи по теме X». SS делает это бесплатно и со 200+ млн документов; у Scite есть Smart Search, но он надстроен над citation-данными и работает скорее как фильтр («покажи мне, где утверждение Y опровергается»). По нашему опыту мы в редакции держим оба открытыми во вкладках: SS — для широкого поиска, Scite — когда нужно проверить, не цитируется ли конкретная работа как опровергнутая.

Семья продуктов SS включает Semantic Reader (чтение статьи в браузере с inline-определениями и контекстом цитат), персонализированные ленты и оповещения, корпус S2ORC для NLP-исследований. У Scite — Reference Check (загружаете рукопись, сервис проверяет каждую ссылку из списка литературы на ретракции и опровержения), AI Assistant на базе Smart Citations и плагин для Zotero. То есть Scite не пытается быть поисковиком — он надстроен над миром, где у пользователя уже есть DOI или PDF.

Semantic Scholar построен вокруг поиска: 200+ миллионов статей в индексе, собственные эмбеддинги SPECTER2 для semantic similarity, фильтры по году, журналу, области знаний и open-access-статусу. В базе — собственный корпус Allen Institute плюс PubMed, arXiv, DBLP, Crossref и подключения к ряду издательств. Препринты arXiv и bioRxiv там по умолчанию — это критично, потому что в быстро движущихся областях вроде машинного обучения или вирусологии «настоящая» наука живёт в препринтах за полгода до публикации.

У Scite индексная база уже: Crossref, PubMed и партнёрства с 30+ научными издательствами. Препринты охвачены только частично — это значит, что свежий релиз arXiv в среду в Scite может появиться через несколько дней, а в Semantic Scholar — почти сразу. На запрос «найди мне всё про X» Scite выдаёт меньше результатов, но эти результаты обогащены Smart Citations: видно, какие из них имеют 50 supporting и 0 contradicting (надёжное утверждение), а какие — 12 contradicting и 3 supporting (повод насторожиться).

Качество ранжирования у SS на типовом академическом запросе — на нашем опыте сильное. SPECTER2-эмбеддинги ловят семантическую близость лучше классических TF-IDF, и в топ-10 редко попадает откровенный шум. Фильтр по числу цитирований и году публикации работает без задержек. У Scite ранжирование вторично к citation-данным: чтобы выжать максимум, нужно знать, какие фильтры применить — например, «отсортируй по числу supporting citations».

Сорок статей в коллекции, выходные впереди. Прочитать все аннотации — час. Прочитать TLDR-однострочники — десять минут. От качества автоматического реферата зависит, заметите ли вы важную работу, у которой невнятный abstract.

Semantic Scholar генерирует TLDR-рефераты почти для всех статей в индексе — это однострочное резюме, созданное собственными моделями Allen Institute. Качество для технических статей на английском — хорошее: реферат обычно содержит главный тезис и ключевую метрику. Для статей по социальным и гуманитарным наукам TLDR слабее — но и для них даёт хоть какую-то быструю опору. Все TLDR доступны через Academic Graph API в поле tldr бесплатно.

У Scite модель саммари устроена иначе. Прямого «реферата конкретной статьи» как у SS нет — вместо этого AI Assistant отвечает на тематический вопрос («какова эффективность метформина при преддиабете?») и подкрепляет каждый тезис ссылками с классификацией supporting / contradicting. Это не «короткий пересказ статьи», а синтез по корпусу с прослеживаемой опорой. На нашем тесте по медицинской теме AI Assistant выдал ответ с шестью источниками, у каждого — пометка типа цитирования и краткий контекст использования.

Принципиальное отличие: SS TLDR — это обзор контента одной статьи. Scite AI Assistant — это агрегированный ответ по теме с указанием, какие работы его поддерживают, а какие оспаривают. Для скрининга 40 статей по abstract'ам — SS. Для подготовки тезиса литобзора — Scite. Эти инструменты не заменяют друг друга, они закрывают разные шаги работы.

В вашей вводной главе диссертации цитата на работу 2018 года, которая «доказывает X». Через два года вышел мета-анализ, который X опровергает. Без верификации цитирований вы об этом не узнаете, пока рецензент не пришлёт правку.

Это подтема, где у двух сервисов асимметрия размером с океан. Scite построен ровно вокруг этой задачи. Smart Citations — собственный deep-learning-классификатор, который читает полный текст цитирующей статьи и определяет, как именно она использует ссылку: supporting (поддерживает утверждение), contradicting (опровергает) или mentioning (нейтральное упоминание). В базе Scite на 2025 год — 1.6 миллиарда таких классифицированных контекстов, и партнёрства с 30+ издателями обеспечивают доступ к полным текстам, без которых классификация невозможна.

У Semantic Scholar тоже есть citation-сигналы, но они принципиально проще. Highly Influential Citations — это бинарный флаг от классификатора AI2: важная ссылка или нет. Семантика «поддерживает / опровергает» в основном продукте SS не выделена — AI2 публиковала исследование citation intent в проекте scicite, но в самом сервисе и в API нет поля citation_intent с supporting/contradicting. Дополнительно Scite помечает ретрактированные статьи — критически важная функция при подготовке систематического обзора, где включение опровергнутой работы означает переписывание раздела.

На нашем тесте по запросу «эффективность кетогенной диеты при эпилепсии» Scite показал статью 2019 года с 89 supporting и 4 contradicting — мы кликнули по contradicting и увидели контексты, где другие работы оспаривают результаты на детях младше двух лет. SS по той же статье показал число цитирований и флаги Highly Influential, но кто и почему её опровергает — узнать невозможно без ручного чтения каждой цитирующей работы. Разрыв тут не количественный, а качественный.

Российский аспирант пишет обзор по теме, где половина важных работ — в журналах ВАК и elibrary.ru. Английские сервисы про эти работы либо не знают, либо знают через DOI и не понимают русских ключевых слов. Это категорийный data_gap, и оба сервиса в этой подтеме выглядят одинаково бледно.

Semantic Scholar ориентирован на англоязычную науку. Корпус собран из англоязычных источников — собственный архив Allen Institute, PubMed, arXiv, Crossref, DBLP. Русскоязычные журналы с elibrary.ru и КиберЛенинки в базе практически не представлены — индексация ВАК-журналов не заявлена в публичных материалах AI2. Интерфейс — только на английском. Это явный data_gap, и AI2 сами обозначают охват других языков как «ограниченный» по сравнению с английским.

У Scite ситуация прозрачнее по словам, но не лучше по сути. В обзоре digitalsoftwarelabs.com (2025) прямо отмечено: индексация русскоязычных журналов ограничена. База Scite — Crossref, PubMed и 30+ партнёров-издательств; среди партнёров крупных российских научных издательств публично не названо. Smart Citations работают по полным текстам, и для русскоязычной статьи без английского перевода и DOI на Crossref сервис, скорее всего, не выдаст ничего полезного.

Здесь действует §17: оба сервиса не публикуют точных данных по покрытию русскоязычных источников, оба получают по 5 из 10 нейтрально с пометкой «не публикуют детальной статистики». Российскому исследователю в этом раунде придётся дополнять любой из этих инструментов поиском по elibrary.ru / КиберЛенинке вручную — обходного пути нет.

PRISMA-совместимый систематический обзор — отдельный рабочий процесс на месяцы. Здесь важны три вещи: широкое покрытие баз, экспорт в PRISMA-инструменты вроде Covidence или Rayyan, и автоматическое выявление ретракций. Ни один из этих сервисов не закрывает задачу целиком — но каждый закрывает свой кусок.

Для систематического обзора в медицине или психологии стандарт — это связка PubMed + Web of Science + Embase, в которую руками подгружают результаты в Covidence или Rayyan для скрининга. Ни Semantic Scholar, ни Scite не претендуют на полную замену этой связки. Что они дают — два разных вспомогательных слоя.

Semantic Scholar силён на этапе Identification: поиск по корпусу 200+ млн статей, фильтры, TLDR для быстрого скрининга. Экспорт работ — BibTeX и RIS прямо со страницы статьи, дальше — в Zotero или сразу в Covidence. Слабые места — нет встроенной дедупликации между источниками и нет автоматического «включить / исключить» по PRISMA-критериям.

У Scite ключевая фича для систематического обзора — Reference Check: загружаете рукопись, и сервис проверяет каждую ссылку из списка литературы на ретракции и наличие contradicting-цитат. Это закрывает один из самых дорогих по времени шагов в финальной фазе обзора — ручную перепроверку каждой включённой работы. Плюс выявление ретракций — Scite помечает их явно, что в SS не отображается как отдельная функция. Минус — Scite не заменяет первичный широкий поиск.

Самая короткая подтема обзора, потому что разница тут не в нюансах тарифов, а в порядке цены: ноль рублей против шести с лишним тысяч в год.

Semantic Scholar — $0 за всё. Поиск по 200+ млн статей, TLDR, граф цитирований, Semantic Reader, библиотеки, оповещения, рекомендации, BibTeX-экспорт — без подписки, без trial-периодов, без лимитов на количество запросов в день для веб-интерфейса. Регистрация нужна только для личной библиотеки и email-оповещений. Сервис финансируется Allen Institute как некоммерческая инициатива, и это не «freemium с подвохом» — это весь продукт.

У Scite — четыре оплачиваемых уровня. Basic — $7.99/мес при годовой оплате (~$96/год). Premium (Personal) — $19.99/мес или $100/год; базовая помесячная ставка — $12/мес. Premium+ — $59.99/мес. Для студентов есть скидка 30–50% на платные планы. Enterprise / Institutional — цена по запросу для университетов и библиотек. Бесплатный Free-тариф у Scite есть, но он сильно урезан — без подписки полноценно пользоваться сервисом не получится.

В рублях по курсу на 2026 год: Scite Premium при годовой оплате — около 9 200 ₽ за год, помесячная — около 22 000 ₽. Сумма не разорительная для российского доцента или аспиранта с приличным научным руководителем, но не нулевая. Здесь есть отдельная проблема — российские карты для оплаты Stripe не работают, см. подтему «Доступность из России».

«Бесплатно» — слово, которое в каждой подписочной экономике значит что-то своё. У одного сервиса это всё, что есть. У другого — упрощённая витрина, после которой нужно платить.

У Semantic Scholar нет понятия Free-тарифа, потому что у него нет платных тарифов. Весь продукт бесплатен навсегда: поиск, TLDR, граф цитирований, библиотека, alerts, рекомендации, экспорт BibTeX/RIS. Регистрация опциональна — без неё работает поиск, для личной библиотеки и оповещений нужен аккаунт. Это полноценный инструмент уровня production без trial-периода, ограничений на количество запросов в день в браузере или watermarks. Allen Institute финансирует его как некоммерческую инфраструктуру.

У Scite Free-тариф есть, но он построен по логике «попробуй и пойми, что без подписки не обойдёшься». В обзоре elephas.app (2026) описано так: ограниченный поиск, просмотр Smart Citations, доступ к пробным функциям, лимит на количество просмотров в день. Reference Check, AI Assistant и Smart Search с фильтрами по citation patterns — за подпиской. То есть структурно Free у Scite — это витрина для лидогенерации, а не рабочий инструмент.

Для студенческого реферата, обзорной курсовой или быстрой проверки автора Free-тарифа Scite обычно хватает. Для систематической работы — нет: лимит дневных просмотров утыкается в первые два-три серьёзных запроса, и сервис вежливо предлагает оформить подписку.

В корпоративном R&D или академической группе сервис нужен не только в браузере, но и встроенным в свой pipeline: автоматическая выгрузка метаданных, синхронизация с внутренней knowledge base, скрипты на Python. Здесь у двух сервисов разная философия: один — открытая академическая инфраструктура, второй — коммерческий API с квотами.

Academic Graph API от Semantic Scholar — один из самых удобных бесплатных научных API на рынке. Endpoint'ы: /paper/search, /paper/{paperId}, /author/{authorId}, /recommendations, /graph. Доступные поля: abstract, authors, citations, references, TLDR, SPECTER2-эмбеддинги, fieldsOfStudy, publicationDate, openAccessPdf. Бесплатный tier без ключа — 1000 запросов в секунду суммарно на всех анонимных пользователей (в пиковое время нестабильно). С персональным API-ключом — стабильная квота 1 req/s на пользователя, ключ выдаётся бесплатно после регистрации. Для production — расширенный tier по запросу к API-команде AI2.

Дополнительно AI2 публикует S2ORC — открытый корпус полных текстов статей для NLP-исследований, и SPECTER2-эмбеддинги для скачивания. Это редкий случай в академическом стеке: компания не только отдаёт API, но и сам набор данных под открытой лицензией. Неофициальные клиенты — Python-пакет semanticscholar и R-обвязка от KTH-Library; официального SDK от AI2 пока нет.

Scite API — коммерческий, доступен по лицензии. Публичные endpoint'ы покрывают поиск по Smart Citations и получение citation metrics по DOI. Точные условия — pricing, rate limits, поля ответа — не раскрываются на публичной странице и согласуются индивидуально с командой Scite. Для университетских библиотек проще через институциональную лицензию, для разработчика-фрилансера — заметно сложнее, чем подключиться к SS API.

Подписка с офигенным функционалом, но карта не проходит — типичная история 2026 года для российского пользователя западных SaaS. У одного сервиса проблемы нет в принципе, у второго есть способы обойти, но без танцев с бубном не обойдётся.

Semantic Scholar — академический некоммерческий ресурс, и это для российского пользователя ровно то, что нужно. Сайт не заблокирован Роскомнадзором, не находится под санкционными ограничениями, не требует регистрации для базового поиска. VPN не нужен. Оплата не нужна, потому что сервис полностью бесплатен — карты как фактор просто не существует. Регистрация для библиотеки и оповещений возможна с любого email-провайдера.

У Scite сайт технически доступен из России без блокировок — но оплата подписки российскими картами не проходит, потому что биллинг идёт через Stripe. Free-функции остаются открытыми. Чтобы оплатить Premium из России, нужны иностранная карта, виртуальная карта банка-нерезидента или институциональная подписка через университет, если у того есть подключение к Scite. Это не блокер для серьёзного исследователя — пути есть — но это лишний барьер по сравнению с «зашёл и пользуешься», как у SS.

Тонкий момент — институциональные лицензии. У западных университетов Scite часто доступен через библиотеку, у российских вузов на 2026 год — большая редкость. Если ваш институт уже подписан на Scopus / Web of Science, спросите у научной библиотеки про Scite — иногда они докупаются пакетом, и тогда сотрудникам и студентам сервис доступен через корпоративный SSO без личной карты.

Исследователь, который сходу скажет, какую библиографию он ведёт — это в 80% случаев Zotero, ещё 15% — Mendeley, остаток на EndNote и RefWorks. Сервис, который не умеет туда выгружать, превращает работу в копипаст BibTeX'а вручную.

У Semantic Scholar нет официального плагина для Zotero от самой команды AI2. Это компенсируется тем, что Zotero Connector корректно ловит страницу статьи на semanticscholar.org и добавляет её в библиотеку по DOI или URL. Прямо со страницы статьи в SS работает кнопка Cite, которая отдаёт цитату в форматах BibTeX, RIS и стандартных стилях APA / MLA / Chicago. Браузерного расширения у SS нет; роль «расширения» закрывает Semantic Reader — браузерное чтение статьи с inline-определениями.

У Scite по этой подтеме — флагманский набор интеграций категории. Официальный Scite Plugin for Zotero отображает прямо в Zotero-библиотеке Smart Citation-статистику напротив каждой статьи: supporting N / contradicting N / mentioning N. Доступен бесплатно из репозитория scitedotai/scite-zotero-plugin. Дополнительно — синхронизация: импорт библиотеки Zotero или Mendeley в Scite, и сразу получаете Smart Citation overview по всей коллекции. Плюс браузерные расширения Chrome / Firefox / Edge, которые подмешивают Smart Citation-бэйджи прямо на страницах PubMed, Google Scholar и Semantic Scholar.

Для корпоративного R&D в фарме или для университетской лаборатории с грантовой отчётностью compliance — не «приятно иметь», а критерий, без которого сервис в принципе не подключают к рабочему процессу.

Semantic Scholar — некоммерческая инициатива Allen Institute. Privacy Policy опубликована на сайте; пользовательские данные (история запросов, сохранённая библиотека) используются для улучшения рекомендаций — детали в политике. AI2 — американская некоммерческая организация, не сертифицирована GDPR как корпоративный вендор, но права пользователей EU на удаление данных в Privacy Policy заявлены. Открытые датасеты S2ORC и SPECTER-эмбеддингов опубликованы под open-доступом — это плюс для academic compliance.

У Scite — стандартный для US-based SaaS-стартапа набор: Privacy Policy на сайте, DPA доступны для enterprise-клиентов, GDPR-права для EU-пользователей заявлены. SOC2 Type II в досье явно не зафиксирован — это data_gap для корпоративного покупателя, который должен запросить status у Scite напрямую перед подписанием institutional-договора. В качестве позитивного сигнала — наличие 30+ партнёрств с научными издательствами, которые сами по себе требуют соблюдения standard contractual clauses и data-handling.

Систематический обзор пишется год. Диссертация — три-пять лет. PhD-проект с архивом цитирований — на десятилетие. Если сервис закроется через два года, ваша Zotero-библиотека с пометками Smart Citations превратится в тыкву. Финансовая устойчивость вендора — это не лирика, это часть рисков проекта.

Semantic Scholar финансируется Paul G. Allen Foundation через Allen Institute for AI — некоммерческую организацию, основанную сооснователем Microsoft Полом Алленом в 2014 году. Бюджет AI2 публично не раскрывается, но институт — крупная структура с сотнями сотрудников, ML-лабораториями и долгосрочной миссией. Сервис существует с 2015 года, и за десять лет публично подтвердил приверженность открытой академической инфраструктуре (S2ORC, SPECTER-датасеты в open). Риск закрытия — очень низкий: фонд не зависит от венчурного цикла и квартальных метрик.

Scite — коммерческий стартап, основанный в 2018 году в Нью-Йорке. Раунды финансирования публично не раскрываются. Монетизация — индивидуальные подписки и институциональные лицензии. По данным досье на 2025 год — 2 миллиона пользователей и 30+ партнёрств с научными издательствами, что создаёт устойчивую базу и сетевые эффекты в нише verification-цитирований. Smart Citations де-факто патентованная ниша — крупных прямых конкурентов с сопоставимой по объёму базой нет. Риск закрытия — умеренный: даже если стартап столкнётся с проблемами, citation-данные ценны для приобретения крупным издателем или академическим консорциумом.

Когда Semantic Scholar — правильный ответ, и тратиться на платный конкурент не нужно. Четыре сценария, в которых SS закрывает задачу полностью.

Сценарий 1. Студент пишет курсовую или дипломную работу. Бюджет — ноль, нужен широкий поиск по теме, экспорт BibTeX в Zotero, понимание главного тезиса 30 статей за вечер через TLDR. Платить $100/год за Scite на разовой курсовой не имеет смысла; verification-цитирований для курсовой избыточен, хватает Highly Influential Citations от SS как ориентира.

Сценарий 2. Препринты в быстро движущейся области. ML-инженер ищет работы по trans­former-архитектурам или новому методу RAG. Главное — успеть за ритмом arXiv, и тут SS впереди: препринты появляются в индексе оперативно, фильтр по году и Highly Influential отсекает шум, TLDR на технических работах работает хорошо.

Сценарий 3. Production-pipeline или внутренний research-tool. Команда строит RAG-агента или внутренний инструмент аналитики по научным трендам. Academic Graph API c TLDR, SPECTER2-эмбеддингами и графом цитирований закрывает задачу бесплатно при квоте 1 req/s — на старте этого хватает с запасом. Подключаться к коммерческому Scite API имеет смысл только тогда, когда продукт явно строится вокруг supporting/contradicting-сигналов.

Сценарий 4. Российский пользователь без иностранной карты. Доступ — без VPN, оплата не нужна, регистрация любая. Это не выбор между «лучше» и «удобнее», это выбор между «работает» и «нужно решать платёжный квест».

Когда $100/год за Scite — лучшая инвестиция в собственное время. Четыре сценария, где Smart Citations превращают работу из «прочитать сто статей» в «получить ответ с двадцатью верифицированными ссылками за вечер».

Сценарий 1. Систематический обзор для журнала с импакт-фактором. Задача — собрать все работы по теме, проверить каждую цитируемую на ретракции и contradicting-evidence, обеспечить PRISMA-чистоту. Reference Check загружает рукопись и за один прогон отмечает проблемные ссылки. Цена ошибки — пересмотр в рецензии и месяцы потерянного времени.

Сценарий 2. PhD-диссертация в медицине или психологии. Дисциплины, где конкурирующие гипотезы — норма, и где научный руководитель спросит: «А что говорит литература против этого тезиса?» Без supporting/contradicting-разметки ответить честно невозможно без чтения двухсот статей вручную. Со Smart Citations — один клик по contradicting-блоку.

Сценарий 3. Медицинская журналистика и научная экспертиза. Журналист готовит материал о новом препарате; нужны верифицированные источники, а не ChatGPT-галлюцинации. AI Assistant на Smart Citations даёт ответ, где каждый тезис помечен «поддерживают N, опровергают M работ» — это уровень доказательности, недоступный в обычных LLM-инструментах.

Сценарий 4. Корпоративный R&D в фарме / биотехе. Команда due-diligence оценивает технологический контекст перед инвестицией или приобретением; нужно понимать, какие гипотезы поддержаны мета-анализами, а какие давно опровергнуты. Institutional-лицензия Scite через корпоративную библиотеку решает задачу для всей команды разом.

Категорийные рекомендации без портретов остаются туманными. Ниже — пять реальных профилей с однозначным выбором между этими двумя сервисами.

Аспирант второго года, тема — биомедицина. Пишет первую главу обзора литературы для диссертационного совета. Бюджет — стипендия + грант на материалы, $100/год на Scite найдёт. Рекомендация: оба, Scite как основной, SS как дополнение. Reference Check и retraction flags закроют ошибки на этапе ранней рукописи; SS бесплатно покрывает arXiv-препринты и широкий ad-hoc поиск.

Студент бакалавриата, тема курсовой по социологии. Срок — три недели, бюджет — ноль. Рекомендация: только Semantic Scholar. Платить за supporting/contradicting на курсовом уровне — деньги мимо. TLDR-рефераты и Highly Influential Citations от SS достаточны для отбора 15–20 работ.

Корпоративный R&D-аналитик в фарме. Задача — конкурентная разведка, due diligence перед R&D-инвестициями. Рекомендация: Scite Institutional плюс SS API. Smart Citations и AI Assistant дают доказательную базу с прослеживаемостью; SS API закрывает widespread-мониторинг и автоматизацию.

ML-инженер, разрабатывает RAG над научными статьями. Нужны эмбеддинги, метаданные, citation graph через программный интерфейс. Рекомендация: Semantic Scholar Academic Graph API. Бесплатная квота 1 req/s, SPECTER2-эмбеддинги, открытый S2ORC — этого хватает для большинства прототипов и MVP.

Научный журналист, работает с медицинской темой. Готовит большой материал о вакцинах, нужны верифицированные источники, чтобы редактор не вернул статью. Рекомендация: Scite Premium как основной, SS как дополнение для широкого охвата препринтов. На нашем редакционном опыте подписка Scite окупается за один такой материал — экономия времени на ручной верификации цитат.

В категории research-ai редкая ситуация — когда два сервиса по умолчанию хорошо живут рядом. Один не вытесняет другой, потому что закрывают разные шаги одного и того же рабочего процесса.

Гибридная связка для серьёзного исследователя выглядит так: Semantic Scholar — на этапе сбора и первичного скрининга, Scite — на этапе углублённой работы с уже найденными работами и финальной проверки рукописи. SS бесплатно даёт нужный широкий охват и быстрый TLDR-скрининг. Scite за $100/год добавляет supporting/contradicting-семантику, ретракционные флаги и Reference Check на финальной стадии. Эти инструменты буквально открываются в соседних вкладках в рабочем сеансе.

Дополнительный мост — Zotero. Библиотека ведётся в Zotero, статьи приходят туда из SS через Connector / Cite-кнопку, дальше Scite Plugin для Zotero раскрашивает каждую запись Smart Citation-бэйджами. Получается рабочая среда, где SS — точка входа в науку, Zotero — хранилище, Scite — слой verification поверх. Стоимость связки за год — $0 от SS плюс $100 за Scite Premium годом, что в рублях по курсу 2026 — около 9 200 ₽ за всю инфраструктуру.