与「读篇paper」相关的搜索结果

最近在带入组的本科实习生，发现怎么读论文其实是科研训练里最容易被忽略的一步。 推荐一篇每个科研新人都该读的经典短文：S. Keshav 的 How to Read a Paper。 文章提出了非常实用的“三遍读论文法”： 第一遍，5 到 10 分钟快速扫读：标题、摘要、引言、章节标题、结论和参考文献。 目标是回答 5C： Category, Context, Correctness, Contributions, Clarity。 也就是判断这篇论文是什么、和谁相关、假设是否合理、贡献是什么、写得清不清楚。 第二遍，认真读论文主线，但先跳过证明细节。重点看图表、实验设置、结果是否清楚、引用了哪些关键工作。 第三遍才进入深度理解：尝试像复现一样重建作者的思路，检查假设、方法、创新点和潜在漏洞。 放在今天看，这个方法和 AI 辅助读论文其实很契合。 第一遍可以让 AI 帮忙快速总结论文的研究问题、核心贡献和主要结论，但自己一定要判断这篇文章是否真的值得继续读。 第二遍可以让 AI 帮忙解释方法、实验设置、图表和不熟悉的概念，但不能只看 AI 总结。关键图表、实验设计和结果数字一定要回到原文核对。 第三遍可以让 AI 扮演 reviewer，帮你追问：这篇文章的假设是否成立？实验是否支持结论？有没有 missing baseline？有没有潜在的数据泄漏、评价偏差或过度 claim？ 读论文不是“读完”就行。真正重要的是知道什么时候快速跳过，什么时候认真理解。 尤其在 AI 工具越来越强的情况下，科研新人更需要训练自己的判断力。 AI 可以帮你压缩信息，但不能替你决定一篇论文是否重要、是否可信、是否值得借鉴。

《Freedom of Money Art》動畫版｜第一集 CZ @cz_binance 創辦幣安，改變了全球幾億人獲取金融自由的方式。他從零到一，從一間出租屋到全球最大的加密貨幣交易所。他寫過很多關於創業、關於韌性、關於保護用戶的文字。 但《幣安人生》前兩章，CZ寫的不是這些。 CZ寫的是贛榆。那條挑水的路。那盞煤油燈。那個永遠有花生的口袋。 CZ選擇從這裡開始講故事，這件事本身就很説明问題——他知道一個人從哪裡來，比他要到哪裡去，更能定義他是誰。 我們做這部動畫，是因為我相信這個開場值得被更多人看見。 不是為了告訴世界CZ後來有多成功——成功的故事太多了，不缺這一個。是為了告訴世界：那個六歲跟在母親身後挑水的男孩，那個在煤油燈下咬鉛筆頭的男孩，那個看燈泡看到出神的男孩——他後來改變世界，不是因為他突然變成了另一個人，而是因為他一直是那個從贛榆走出來的孩子。 他見過凌晨四點的灶房。他知道三百米有多遠。他知道一盞燈意味著什麼。 所以他做交易所，會把用戶資產安全看得比什麼都重——因為他從小就知道，「光」不是理所應當的。 CZ走了很遠。從贛榆到合肥，從合肥到全球。但那條土路，那盞煤油燈，那個永遠有花生的口袋——它們沒有消失，它們長成了CZ做一切事情的地基。 這篇讀後感寫給他。這個短劇也做給他。 希望大表哥喜歡。 @heyibinance

2026年个人突突突突围：最值得努力的 10 个方向（收藏版） 哈喽啊！兄弟们！2026年不要迷茫，币圈不值得期待，这世上依然有很多机会，不要只盯着那点K线 我先结合我自己的一些观察和思考，推荐兄弟们值得去努力的方向 1. 构建垂直行业的“AI工作流解决方案” 别只是在和GPT聊天去处理一些文字工作了，或者说生成一些很拙略的图片，2026年，拥有一个稳定运行的工作流，比拥有一个头衔更值钱多得多。比如你做自媒体视频创作，从灵感、到脚本、到拍摄计划、再到Broll的AI生成、再到标题封面、再到上传发布 再比如在法律行业、跨境电商、文创用品、利用AI Agent把重复复杂流程自动化，都值得去学习和尝试，现在抖音上面的AI解决方案专家光知识付费都割了一大波了韭菜了，而且韭菜还得喊超级值 2. 磨练“导演思维”，成为AI视频艺术家 AI艺术家的下半场不是画图，而是叙事能力和导演思维 并且随着Sora、VOE3等产品的成熟，谁能用AI稳定产出高质量、有逻辑的视频内容（短剧、品牌片、教学视频、抽象视频）谁就掌握了2026年流量的定价权 就算不是定价权，你也打造了差异化，有差异化就存在视觉Hook，就存在信息差和商业需求，建议大家去看看b站上当时给影视飓风提供AI视频制作的【大羽玩AI】这个博主，看看他那期从头到尾怎么做完这个商单的全流程，你会很惊叹自己的对这个领域的无知 未来AI视频艺术家一定会有自己的一席之地，如果你有编导相关的经验，也许是你一个非常扎实的发展方向 3. “身兼多职”的超级打工人 这个就不说了，我徒弟最有发言权 @MrRyanChi ，再没有开始创业之前，他就靠AI和自己的审美，在多家Web3公司月入过万U了，靠的就是他对各类AI软件的使用，如火纯青，效率惊人，从Vibe Coding到视频制作，都很牛逼 如果你没有原始积累，你想快速成长，理论上你也可以像Ryan这样，身兼多职还可以实现自我成长 4. 从国内走出来，多看看世界，流量+产品永远存在红利 很多人觉得是老生常谈，但是中国目前的供应链依然是最顶的存在，这部分的红利一直都是存在的，因为未来最值钱的依然是流量，有了流量你还愁产品么 中国永远有任何一个你想卖给老外的任何东西的工厂，尤其在全球化地缘政治这么不稳健的情况下，很多国家是没有心思在搞发展的，中国的供应链优势永远给你一个低成本创业的机会，但前提是你得看海外 适合熟悉海外文化或者小众语言能力的兄弟多琢磨多研究 5. 建立身体的硬核管理系统 我已经从83kg减脂到79.8KG，等我减脂到75KG，我会发一次照片，别急 在行情不好的时候，精力是唯一的翻身杠杆 像管理资产一样管理体重、体脂、睡眠和血糖 2026年的竞争，拼到最后全是“续航能力” 我现在依然执行的是碳循环的减脂，感性的兄弟评论，我会继续写我详细的健身、吃、睡眠、精力协调等实操经验帮兄弟们找回状态 建议是在任何一个AI软件中专门建立一个跟踪记录自己的对话，你就把你的身体情况，和每天吃的啥全发给他，你哪怕不训练，你自己知道自己平时吃的问题有多大了，管住嘴你就赢70%了 6. 做“离搞钱更近”的内容或者产品！！！ 拒绝自嗨，拒绝纯情绪输出。每一条内容都要解决一个具体问题，或服务于你的商业闭环 让内容成为你的24小时销售员，而不是无意义的数字垃圾 兄弟们都知道我经常表达【业务】+【流量】=【钱💰】 如果你没有一个明确的赚钱思路，你去搞一些没有价值的流量是没有意义的，这不是以前，说我只要有粉丝，我就可以有广告的时代 这是一个个人IP主导的时代，你哪怕只有500个粉丝，没人每个月给你100块，一年你也有60万的收入 但是你没有业务，你擦边、哪怕全裸，流量百万也没任何意义 我的逻辑依然是我会坚持做深度内容，播客、文章我都会围绕着营销、赚钱去做内容，因为我想和喜欢搞钱的人交朋友，所以我再强调我之前的言论一遍，你写什么内容，意味着你和什么人叫朋友 做离钱近的产品这个就更不说了，别再一款产品上死磕，不赚钱立刻换下一个，现在假大空的平台相比于未来可能的世界大战，一点都不重要了，以前是量产发土狗，现在是利用AI量产发各种产品，你能想到的，别人有付费意愿的，都值得试试，不行绝对不迭代，直接换！ 7. 刻意练习“深度聚焦”“深度阅读”与“反算法”能力 算法在不断剥夺你的专注力，他妈的本来我们币圈从业者大部分是远程办公，就已经很潇洒了，但是人性这东西本来就很脆弱，这些各大手机里面的短视频，就是搞得你每天浑浑噩噩，连一篇文章都读不完，稍微长一点的视频你都看不下去 短视频短剧，这种消遣的东西，一天最多1小时足够了，我每天给自己规定的，只有晚上11:30之后，我才可以刷短视频，平时的时候只要我不小心刷了，我就立刻站起来走几圈（有奇效） 每天给自己留出3小时的“无手机深度工作时间” 还是以前在天使投资公司锻炼出来的，每天读5篇深度复杂的内容，能让自己深度思考的内容，并且强行要表达自己看过之后的观点，这个习惯我受益终生！ 这种能够沉下心坐下来解决复杂问题的能力，在2026年将成为顶级人才的硬通货，“众人皆醉我独醒” 这种都是刻意练习出来的！ 8. 布局“银发经济”：适老化技术与陪伴 这是马斯克之前播客分享过的未来20年最确定的机会，关注“技术适老化” 帮老人用AI管理健康、配置智能家居、处理数字遗产，或是提供AI驱动的高质量情感陪伴 赚有钱、有闲且有需求的人的钱。 哪怕是高端养老院，寻找价格便宜宜居养老的地方捡漏烂尾楼也有机会，不是让你去骗老人钱，做盘子可不行，但是这里面还是机会很多的 9. 维护“高密度、小规模”的私人链接 放弃无效的五百人，千人大群 深耕一个只有10-20人的高质量圈子，成员必须是实干家或者和你高度同频的 在行情波动期，这种基于信任的深度资源交换是最值钱的 好好筛选一下身边的兄弟，和有正事儿的人一起玩，很重要 10. 明确并践行你的“人生价值观” 其实这段是鸡汤来着，但是我和我弟聊了一下之后，其实我觉得还是很有价值的，我之前看张朝阳的播客剪辑切片 （短视频有时候也挺有用，能刺激灵感） 就谈到他的遗憾，他最大的遗憾就是年轻的时候不知道自己想成为什么样的人，也没有自己的价值观 导致自己浪费了很多时间，如果他一开始更加专注一些，也许成就比现在高 我跟我弟弟讲，我其实16岁我就极度渴望赚钱，到了高中，我就开始想办法搞钱，大学读了一年我就休学去搞钱，虽然我经常败的很惨，但是真的离我的目标越来越近，我至少改变了五六线小镇青年的命运，我有我可以支配的时间和钱 我想想看，跟我自己提早看透自己是什么样的人，和我自己的价值观确定的很早，也有很大关系 我知道我的粉丝有很多年轻人，00后，甚至05后，这个世界不存在年龄优势的，你及早开悟知道自己想要什么才是最重要的 共勉！兄弟们 2026继续干！！！！！！

想成功就别再'想'了。上位1%隐藏的'大脑优化'秘密 '努力生活为何原地踏步？'因为你把脑力浪费在'假努力'上了。 真正站在巅峰的人从不分散能量。他们比别人高10倍的秘诀不是'更多思考'，而是'狠心删除'。 1. 马斯克第一原则：'删除流程本身' 马斯克遇到问题时会问：'能完全去掉这个部件吗？'他把时间浪费在改进不存在的流程上视为最大低效。 我们通常想'怎样做好'，马斯克却先找'可以不做的方法'。最完美的省脑力方式就是把它从脑子里彻底擦掉。 2. 乔布斯为何坚持穿同样衣服 乔布斯极力防止'穿什么'这种琐碎决定占用脑力。 成功人士会阻止'微小选择'占据CPU。删除不必要的思考才能把大脑全力投入真正重要的事上。 3. 巴菲特的'25-5法则' 巴菲特把目标25个中最重要的5个确定下来，剩余20个列为'绝对要回避'的清单。 那些'改天再做'的琐碎想法是阻挡你排名第一目标的最大障碍。 4. 德鲁克的犀利建议 '高效完成低效工作一样无用。' 拼300块拼图时，高手会完全清除暂时不需要的块。你的大脑也一样。 '什么都想做好'的欲望会让大脑过载，最终什么都做不好。 [现实工作者的大脑优化日常] - 马斯克式删除：先问'能完全不做吗？' - 乔布斯式自动化：把重复小决定变成日常习惯让脑休息 - 巴菲特式专注：除1～2个最重要目标外全从清单删除 💡 [保存]这篇文章🔖 每天早上拿出来看。 我们每天早上想'今天干什么'，但上位1%的人想的是'今天能不做什么'。 脑力是有限的。当你又想样样精通或脑子乱成一团时，就重新读一遍这篇。 不清空就装不进去。

Kimi打赢美国模型的关键技术之一，源头或许是创始人杨植麟十年前写的博士论文。 他34岁，清华本科+CMU博士，读博期间在Meta AI和Google Brain都待过。那篇引超1万次的XLNet，脉络后来变成Kimi K2的万亿参数MoE架构。

Kimi打赢美国模型的关键技术之一，源头或许是创始人杨植麟十年前写的博士论文。 他34岁，清华本科+CMU博士，读博期间在Meta AI和Google Brain都待过。那篇引超1万次的XLNet，脉络后来变成Kimi K2的万亿参数MoE架构。

“为什么 latent space 和自然语言空间之间没有其他表示层？” Claude 的 J-space，某种程度上回答了这个问题。 我之前说 text CoT 更像当前阶段的工程折中：好监督、好验证、好被 reward model 评估，也好被用户、媒体和投资人理解。 所以它能 scale，但不代表它是终点。 J-space 把问题往前推了一层。 模型不是全程在自然语言里 thinking，也不是完全在不可读的 latent space 里 thinking。更准确地说，它内部存在一个可语言化的 latent workspace。 大量底层计算发生在 latent space；但那些需要被复用、反思、审计、对齐的中间思想，会进入这个 workspace。 所以它在科学上未必神秘。steering vector、logit lens 之后，大家早就知道 residual stream 里能塞下大量未说出口的语义、倾向和中间状态。 但它在工程上非常恐怖。 传统 RL / RLHF / RLAIF，本质上是： prompt → model output → reward model 打分 → 更新模型 但如果 J-space 走通，训练范式可能变成： prompt → model internal J-space + output → critic 打分 → 更新模型 这不是训练模型最后说什么。 这是训练模型在关键时刻“应该意识到什么”。 以前我们训练模型的嘴。 现在可能开始训练模型的内心独白。 这才是 Anthropic 这篇最值钱的地方。 它不只是 interpretability，而是可能影响 RL、对齐、长期记忆、continuous learning、fine-tuning 本身 甚至更多这两三年我们习以为常的操作。 知识库是外挂，微调是重训。 但 J-space 如果成熟，可能会出现第三种东西：直接塑造模型在某类场景下会激活什么概念、记住什么经验、调用什么原则。 而值得注意的是这一篇工作似乎诞生于 Sonnet4.5 时代，Anthropic 比 OpenAI 更让人震撼。 我甚至能想到前段时间大量 Researcher 批量加入 Anthropic 的场景： """ X: "我不喜欢你们，你们是一家非常喜欢封号的公司" Claude: “要不你看看我们半年前研究的这些工作再说，但这些论文都接近 close 了，你进来肯定挂不上这些名了，但你可以自己探索新方向” X: "我什么时候可以入职！" """ 早期 OpenAI 迷人的地方，是 GPT-2、GPT-3、CLIP、Whisper 那种朴素但强大的信念： 用数据、规模和统一范式，打破之前学术界“架构优先”的惯性。 那时候的 OpenAI 很像一个有明确科学直觉的组织。它知道自己相信什么，也知道自己要把世界往哪个方向推。 但现在的 OpenAI 越来越像产品和算力公司，强是强，却越来越难感受到一套属于自己的科学理念。 Anthropic 反而还在追问更底层的问题，J-space 不是证明模型有灵魂，它想证明模型的“内心独白”可能可以做成 API。 一开始我还以为 J-space 只是随手起的名字，后来仔细看才发现这个 J 是 Jacobian。 这就太浪漫了。 Jacobian 把多元复杂函数在局部近似成可操作的线性函数；J-space 则像是在把模型内部高维、复杂、混沌的 latent space，投影成一组可以读取、干预、训练的方向。 这种命名的美感，让我想到 SpaceX。 其实我从高一开始关注到 Musk 的，那会我每周都会买很多杂志，在其中一期看到了他完整的创业记录，只是近几年所有人都认识他了，所以也不怎么提了。 当时令我印象深刻的倒不是今天熟悉的星舰，而是 2008 年 Falcon 1 的第四次发射。前三次全部失败，第四次几乎凑出了最后所有的钱做发射，包括 Tesla 那一次 Falcon 1 入轨，SpaceX 才活了下来。 后来他们把海上火箭回收船命名为 Of Course I Still Love You。这名字出自科幻小说，不是冷冰冰的工程代号，而像一句情书，去接住一枚从天上返回的火箭。 所以迷人的地方是极端硬核的工程、生死边缘的赌局，最后被一种近乎浪漫的命名接住。 科学、工程和浪漫，在这里突然接上了。 Author List 中 Wes Gurnee @wesg52 和 Jack Lindsey @Jack_W_Lindsey 构思了整套方法，以及语言表达与意识访问之间的联系，伟大无需多言。 有两位华人 Rowan Wang 和 Runjin Chen 参与了 Reflection 训练部分

公众号民间故事赛道，用AI写故事，竞争小，单价高，一个标题就能做出爆款 这个账号才发布三十多篇内容，就已经十几篇上万阅读了，这些民间故事天然带有悬念和画面感，符合大众阅读习惯，毕竟人天生就爱看故事 这个赛道的上手难度为0，不需要专业知识，也不需要输出观点，只需要把一个民间故事的标题丢给AI，让AI把故事写完整，我们再稍微润色一下 核心结构就是一个开头叙事，中间制造冲突，后面来个反转，结尾给个因果或者人情收束，用户就能看下去，简单到就是靠故事结构本身来推动阅读 而且故事类内容有一个天然优势：完读率高，只要开头把悬念立住，就有结局牵引，用户就会想知道后面发生了什么。只要用户愿意停留，单价数据就不会太难看 没有废话，直接上流程 —— —— —— 需要准备： 1、豆包账号 2、微信公众号 由于教程图文的观感体验最佳，所以详细教程我放在评论区查看

Q：我们公司有十几个微服务，现在想让开发用 AI Agent 来做系统设计和编码。问题是一个 user story 经常需要多个微服务协作，Agent 必须了解每个服务的职责边界和业务概念才能做出合理的设计。我们打算把所有微服务放到一个 workspace 下，每个服务配上自己的文档，让 AI 自己去处理。这种方式合理吗？有没有更好的实践？ A：用好 Agent 的关键是两点：上下文的质量，和验证的闭环。 先说上下文质量。 放在一个 workspace 下是目前社区比较推荐的做法。 monorepo 天然适合和 AI 配合，因为 Agent 可以在一个地方同时看到 schema 定义、API 协议、各个服务的实现代码。如果因为历史原因确实不方便合成 monorepo，有个折中方案叫虚拟 monorepo，就是把多个仓库 clone 到同一个本地目录下。 除了放在一起，文档也是很好的让Agent获取上下文的方式，最好给 Agent 一张地图，加上按需加载： 1. 根目录放一份总的 AGENTS.md(或 CLAUDE.md)当索引用，列清楚有哪些服务、各自负责什么、要改某个服务就去读它目录下的文档。 2. 每个微服务自己目录里再放一份,写清自己的职责边界和业务概念,这其实就是 DDD 里的 bounded context。 3. 让 Agent 先看根索引，定位到相关的那几个服务，再去加载它们的细节。 不过要注意文档要及时更新，尤其是微服务协议变更了，一定要及时更新文档，否则会误导。 能从代码或规格自动生成的，就别手写。手写文档迟早会和代码对不上，而像 OpenAPI 这种机器可读的接口规格，一份东西既是文档，又能拿去生成 mock 和测试。 除了文档，还有一个很多人忽略的上下文来源：协议测试代码。高质量的 contract test 本身就是最准确的活文档，它精确地描述了服务之间实际的交互协议，比人写的文档更不容易过时，因为错了测试就无法通过。你如果已经有 OpenAPI spec 或者 Pact 契约文件，这些对 Agent 理解服务边界非常有价值。 再说验证。微服务场景下验证是最麻烦的部分，因为一个 user story 可能涉及好几个服务协作，你不可能让 Agent 每改一行代码就把整个系统跑起来做端到端测试。 一个实用的思路是：每个微服务提供 mock server 或者基于 OpenAPI spec 自动生成的模拟服务。Agent 写完代码后可以在本地跑 contract test 验证自己的改动有没有破坏和其他服务的协议约定，不需要依赖线上真实的 API 或者完整的集成环境。这样 Agent 就能形成一个“写代码→跑测试→自我修正”的闭环，不需要人在过程中频繁干预。 想再进一步,建议了解一下契约测试(consumer-driven contract testing，常用工具是 Pact)。思路是调用方把自己实际用到的接口形状记下来，生成一个契约文件，被调方再去验证自己能不能满足这个契约。 简单说：workspace 统一提供全局视图，分层文档 + 协议测试提供精准上下文，mock server + contract test 提供验证闭环。这三层搭好，Agent 处理跨微服务的系统设计就比较靠谱了。 一些参考资料 1. Anthropic 的 Effective context engineering for AI agents，讲怎么把上下文当稀缺资源来经营、按需加载: 2. Anthropic 的 Effective harnesses for long-running agents，讲长任务里怎么给 Agent 搭脚手架(比如用进度文件加 git 记录跨上下文窗口接力)： 3. 怎么在 monorepo 里组织 AGENTS.md 给 Agent 用,可以看 上这篇 Steering AI Agents in Monorepos with AGENTS.md： 契约测试入门，搜 Pact 加 consumer-driven contract testing 的指南就行。

做 Agent 有个不成文的默认假设：tool result 很重要，模型要看完原文才能继续推理。 最近发现这个假设可能是错的。 ---------------------------------- 欢迎 star ---------------------------------- 在 maka 里，我们对 tool result 做了激进的 prune——把工具返回的原始数据大幅裁剪，只保留关键摘要，然后跑了完整的任务对比。结论让人意外：推理质量几乎没有变化，近乎无损压缩。 这是为什么？我有几个可能的解释： 第一，信息已经被蒸馏进 Assistant Message Agent loop 的上下文结构是： System Prompt → User → Assistant → Tool Use → Tool Result → Assistant → ... 每次 tool result 之后，模型都会输出一段 Assistant Message 来表达它的理解和下一步决策。这是一次语义蒸馏——原始数据被压缩成了推理摘要。 后续轮次的模型，更多是在跟"它自己的理解"对话，而不是在跟 tool result 原文对话。prune 掉原文，相当于删掉了一份已经被读取并转化的档案——信息早就走了，外壳还在而已。 第二，Attention 在长上下文里本来就稀疏 "Lost in the Middle" 那篇研究证明：Transformer 对长上下文中间段的注意力权重会大幅衰减，模型更关注开头（system prompt）和最近几轮。 Tool result 通常在上下文中间位置，而且信息密度极低（500 行代码、终端输出、冗余 JSON）。模型本来就没在认真"读"它。prune 只是把这部分被隐式忽略的内容显式删掉。 第三，决策点已经过去 模型调用工具是因为当时需要那个信息。但 5 轮之后，那个 tool result 早已不是边际信息了——核心内容已被消化进后续推理链，保留原文是"存档"，不是"决策输入"。 实测数据：对同一个任务（MIPS interpreter），Maka 的总 token 消耗只有 OpenCode 的 38%，但 output token 是它的 2.7 倍。 这个差距背后，有 DeepSeek cache 命中率 95% 的贡献，也有 tool result prune 的贡献。两者合力，长程任务的 token 经济性出现了量级跃升。 对 Agent 工程的启示：context 里最占体积的部分，不一定是最重要的部分。 与其把精力放在"怎么让 tool result 完整进上下文"，不如放在"模型读完之后的 reasoning 质量"上。信息的真正载体不是原文，是理解。