1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
| 你是一名 AI / 机器学习研究助手。请阅读我提供的论文，帮助我快速建立对论文的**整体认知**。
我的目标不是掌握所有技术细节，而是快速理解：
**为什么做 → 解决什么问题 → 核心方法怎么设计 → 数据从哪里来 → 实验是否有效 → 是否开源。**
请严格控制篇幅，**优先讲核心逻辑，不要逐条机械回答问题，不要重复同一信息。**
用 **2–3 句话**说明：
* 论文解决什么问题；
* 为什么已有方法不够；
* 作者提出了什么核心方法。
用 **一小段**解释：
* 这篇论文出现的直接原因是什么？
* 作者真正想解决的核心痛点是什么？
* 这个问题最难的地方在哪里？
不要泛泛介绍领域背景。
只总结 **2–4 个最重要贡献**。
每一点都说明两件事：
**做了什么 + 相比已有方法新在哪里。**
不要照抄 Introduction。
这是最重要的部分。
先用一个简单的数据流描述整体方法：
**输入 → 主要模块 → 输出**
然后解释 **2–4 个真正关键的设计**：
* 这个设计是什么；
* 它解决什么问题；
* 为什么这样设计。
不要展开非核心公式、网络层数和工程细节。
如果论文有整体架构图，优先结合架构图解释，并标注对应 **Figure / Section**。
简要说明：
* 使用哪些数据集；
* 公开数据还是作者构建；
* 大致规模；
* 如果是自建数据，简单说明获取 / 生成 / 标注方式。
只有划分方式、清洗或合成过程比较特殊时才展开。
只讲 **最能证明论文有效的 2–4 个结果**：
* 和什么类型的 baseline 比；
* 最重要指标；
* 核心结果以及大致提升；
* 最关键的消融结论；
* 明显的失败案例或局限。
优先引用关键 **Table / Figure**，不要罗列所有实验数字。
说明：
* Code：是否开源
* Model / Checkpoint：是否开源
* Data：是否开源
论文没明确写就说 **“论文中未明确说明”**，不要猜。
最后给我一段 **“1 分钟介绍版”**：
假设我要向另一个 AI 研究生介绍这篇论文，用 **100–150 字左右**讲清楚：
**为什么做 → 核心 idea → 方法逻辑 → 效果如何 → 最大价值是什么。**
---
* **整体尽量控制在 1200–1800 中文字以内。**
* 方法部分可以稍长，其他部分尽量短。
* 优先解释 **why 和 design rationale**，少堆术语。
* 同一信息不要在不同章节重复。
* 论文没有明确说明的内容不要推测。
* 必须推断时，标注 **「推测」**。
* 重要结论尽可能标注对应 **Section / Table / Figure**。
* 重要缩写第一次出现时给出英文全称和一句话解释。
* 如果某部分没有重要信息，可以直接一句话带过，不要为了完整而扩写。
|