feat: enhance UI, refactor services, improve templates and tests

- Replace image_extractor with pdf_image_extractor service
- Enhance pi_client with expanded API capabilities
- Improve summarizer service with additional features
- Update admin routes with more endpoints
- Add login page template
- Enhance detail page with comprehensive layout
- Improve search and trends pages
- Update base template with additional elements
- Refactor tests for better coverage
- Add validate_summary script
- Update project configuration and dependencies

tests/conftest.py

@@ -87,7 +87,8 @@ def client(db_engine, db_session):
 # ── 样例数据 ────────────────────────────────────────────────────────────
 
 SAMPLE_ARXIV_ID = "2401.12345"
-ADMIN_TOKEN = "test-admin-token-12345"
+_TEST_ADMIN_USERNAME = "admin"
+_TEST_ADMIN_PASSWORD = "test-password-12345"
 
 
 @pytest.fixture
@@ -138,46 +139,56 @@ def sample_paper(db_session):
 def sample_summary_dict() -> dict:
     """完整合法的 summary dict。"""
     return {
+        "arxiv_id": "2401.12345",
         "title_zh": "测试论文中文标题",
         "one_line": "这是一篇关于自然语言处理的测试论文的一句话总结。",
         "tags": ["自然语言处理", "大语言模型", "Transformer"],
         "difficulty": "中级",
         "prerequisites": {
-            "concepts": ["Transformer", "注意力机制"],
-            "level": "中级",
+            "concepts": [
+                {
+                    "term": "Transformer",
+                    "explanation": "一种基于自注意力机制的序列到序列模型架构，广泛用于NLP任务。",
+                    "why_matters": "本文方法基于 Transformer 架构进行改进。",
+                },
+                {
+                    "term": "注意力机制",
+                    "explanation": "允许模型在处理序列时动态关注不同位置的信息的机制。",
+                    "why_matters": "理解注意力机制是理解本文方法的基础。",
+                },
+            ],
         },
         "motivation": {
-            "problem": "现有模型在长文本理解上存在不足。",
-            "goal": "提出一种新的注意力机制来提升长文本建模能力。",
-            "gap": "当前方法计算复杂度过高。",
+            "problem": "现有模型在长文本理解上存在不足，主要体现在注意力计算复杂度随序列长度二次增长，导致实际应用中无法处理超长文本输入。",
+            "goal": "提出一种新的稀疏注意力机制来有效提升长文本建模能力，在保持模型整体性能的同时大幅降低计算开销和显存占用。",
+            "gap": "当前方法计算复杂度过高，已有的稀疏注意力方案在保留全局信息方面存在明显不足，导致长距离依赖建模效果不佳。",
         },
         "method": {
-            "overview": "提出了一种高效的稀疏注意力机制。",
-            "key_idea": "使用局部-全局混合的注意力模式来降低计算复杂度。",
-            "steps": [
-                "分析现有注意力机制的瓶颈",
-                "设计稀疏注意力模式",
-                "在多个基准上验证效果",
-            ],
-            "novelty": "首次将局部-全局注意力模式结合应用于长文本建模。",
+            "overview": "提出了一种高效的稀疏注意力机制，通过局部-全局混合的注意力模式，在降低计算复杂度的同时保留了关键的全局信息流动。",
+            "key_idea": "使用局部-全局混合的注意力模式来降低计算复杂度，局部窗口捕获短距离依赖，全局采样点维护长距离信息传递。",
+            "steps": "首先分析现有注意力机制的计算瓶颈，发现全连接注意力中大部分注意力权重接近于零。然后设计了一种混合稀疏注意力模式，包含局部滑动窗口和全局随机采样两条路径。最后在多个长文本基准数据集上进行了全面的实验验证。",
+            "novelty": "首次将局部-全局注意力模式结合应用于长文本建模，通过可学习的采样策略动态调整全局注意力点的位置，而非固定模式。",
         },
         "results": {
-            "main_findings": [
-                "在长文本基准上取得了 SOTA 结果",
-                "推理速度提升了 2 倍",
-            ],
+            "main_findings": "在长文本基准 LongBench 上取得了 SOTA 结果，平均得分提升 3.2 个百分点。推理速度相比全注意力提升了 2 倍，显存占用降低 60%。在 32k 序列长度下仍保持与全注意力相当的生成质量。",
             "benchmarks": [
-                {"dataset": "LongBench", "score": 85.3},
-            ],
-            "limitations": [
-                "在超长文本（>100k tokens）上效果有所下降",
+                {"task": "长文本摘要", "metric": "ROUGE-L", "this_work": "42.1", "baseline": "38.9", "improvement": "+3.2"},
             ],
+            "limitations": "在超长文本（>100k tokens）上效果有所下降，主要原因是全局采样点数量不足以覆盖所有关键信息。此外，在小规模数据集上的优势不如大规模数据集明显。",
         },
         "improvements": {
-            "weaknesses": ["仅验证了英文数据"],
-            "future_work": ["扩展到多语言场景"],
-            "reproducibility": "代码已开源，模型权重可下载。",
+            "weaknesses": "仅验证了英文数据，未在中文等多语言场景下测试。全局采样策略在极端长度的文本上可能需要增加采样点数量，增加了工程复杂度。",
+            "future_work": "扩展到多语言场景，研究自适应采样策略，使模型能根据输入内容动态调整全局注意力点的分配。同时探索与 Flash Attention 等底层优化的兼容性。",
+            "reproducibility": "代码已在 GitHub 开源，提供了完整的训练脚本和预训练模型权重。实验使用了公开数据集，硬件需求为 8×A100 GPU。",
         },
+        "figures": [
+            {
+                "id": "Figure 1",
+                "caption": "稀疏注意力机制的整体架构图",
+                "description": "展示了局部窗口注意力和全局采样注意力的组合方式，以及信息如何在两种路径间流动。",
+                "reason": "帮助理解本文方法的核心设计思想，直观展示了局部-全局混合模式的工作原理。",
+            },
+        ],
     }
 
 
@@ -200,21 +211,21 @@ def mock_pi_output(sample_summary_json) -> str:
 
 
 @pytest.fixture
-def admin_token():
-    """返回测试用的 ADMIN_TOKEN（需要配合 monkeypatch 使用）。"""
-    return ADMIN_TOKEN
+def auth_client(client, monkeypatch):
+    """已登录的 TestClient（session cookie 自动携带）。"""
+    from app.config import settings
 
-
-@pytest.fixture
-def admin_headers(admin_token):
-    """带 Bearer token 的请求头。"""
-    return {"Authorization": f"Bearer {admin_token}"}
-
-
-@pytest.fixture
-def wrong_admin_headers():
-    """错误的 Authorization 请求头。"""
-    return {"Authorization": "Bearer wrong-token"}
+    monkeypatch.setattr(settings, "ADMIN_USERNAME", _TEST_ADMIN_USERNAME)
+    monkeypatch.setattr(settings, "ADMIN_PASSWORD", _TEST_ADMIN_PASSWORD)
+    monkeypatch.setattr(settings, "CHROMA_ENABLED", False)
+    # 登录获取 session cookie
+    resp = client.post(
+        "/admin/login",
+        data={"username": _TEST_ADMIN_USERNAME, "password": _TEST_ADMIN_PASSWORD},
+        follow_redirects=False,
+    )
+    assert resp.status_code == 303
+    return client
 
 
 # ── 多样例数据 ────────────────────────────────────────────────────────────