论文阅读自用 Prompt

论文阅读 Prompt：

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。**

## 1. TL;DR

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。

## 2. 问题与动机

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。

## 3. 核心贡献

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。

## 4. 方法 / 模型

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**。

## 5. 数据与实验

### 数据

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。

### 实验

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。

## 6. 开源情况 + 1 分钟理解

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。**

---

### 输出原则

* **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。

promot v2

请仔细阅读我提供的论文，协助我真正理解这篇论文，而不仅仅是总结摘要。

回答时尽量使用直白、清晰的中文。对于复杂的方法、公式和模块，优先解释它们“为什么需要、输入是什么、输出是什么、具体做了什么”，然后再讨论数学细节。

请区分：

* **论文明确提出或实验验证的内容**
* **你根据论文做出的分析、推断或评价**

不要把推测写成论文事实。

---

# 1. TL;DR

首先用一小段话概括整篇论文。

请回答：

* 论文要解决什么问题？
* 现有方法的主要问题是什么？
* 作者提出了什么核心方法？
* 最终取得了什么主要效果？

尽量让我在没有读过论文的情况下，通过这一段就知道论文到底在做什么。

---

# 2. 背景与动机

解释这篇论文为什么要做。

重点回答：

1. 这个研究方向原来通常是怎么做的？
2. 当前方法最大的瓶颈是什么？
3. 为什么已有方法不能很好解决这个问题？
4. 作者观察到了什么现象 / insight，从而产生了这篇论文的方法？
5. 论文真正想解决的 **核心矛盾** 是什么？

如果存在一个非常关键的 intuition，请单独指出。

---

# 3. 核心贡献

总结论文最重要的贡献。

不要简单复述 Introduction 中的 contribution list，而是帮我判断：

* 真正的新东西有几个？
* 哪些是核心创新？
* 哪些只是工程设计、训练技巧或者已有方法的组合？
* 相比最接近的工作，它真正新增了什么？

最后用一句话概括：

**“如果去掉这篇论文最核心的创新，它和已有方法最大的区别还剩什么？”**

---

# 4. 方法 / Pipeline

这是最重要的部分，请详细解释。

首先给出整个方法的总体 pipeline：

**输入 → 模块/Stage 1 → 模块/Stage 2 → ... → 输出**

然后按照论文的实际结构逐阶段解释。

对于每一个 Stage / Module，请回答：

### 输入

输入是什么？

### 输出

输出是什么？

### Condition

使用了哪些 condition / context / feature？

### 核心操作

这一阶段具体进行了什么计算或处理？

### 特殊设计

作者在这里加入了什么特殊设计？

### 为什么需要它

如果去掉这个模块会发生什么？

### 与普通方法的区别

如果使用最普通 / baseline 的方案，这一步原本会怎么做？论文为什么要改？

如果模块之间存在信息交互，请明确说明：

**A 产生什么 → 如何传给 B → B 如何使用。**

---

# 5. 关键公式

不要逐个解释所有公式，只挑出真正决定论文方法的核心公式。

对于每一个关键公式：

1. 先说明这个公式想解决什么问题；
2. 再解释每个变量的含义；
3. 用自然语言解释整个公式在干什么；
4. 最后解释它在训练 / 推理 pipeline 中具体出现在哪里。

如果公式比较复杂，请尽量给一个直观例子。

我的目标不是严格数学推导，而是建立正确的 intuition。

---

# 6. 训练与推理流程

请分别告诉我：

## Training

一次训练 iteration 中：

**数据 → 输入 → 前向过程 → loss → 参数更新**

具体发生了什么？

训练哪些模块？

哪些模块冻结？

使用什么 loss？

需要 teacher / student / rollout / sampling / cache 等机制吗？

---

## Inference

推理时：

**输入 → 中间过程 → 输出**

具体怎么运行？

与训练阶段有什么不同？

是否存在额外计算、迭代采样、自回归生成、diffusion sampling、KV cache 等机制？

---

# 7. 实验

总结论文实验设置。

## 数据集

使用了哪些数据集？

每个数据集用于训练还是测试？

数据规模大概是多少？

---

## 训练资源

如果论文有说明，请告诉我：

* GPU 型号
* GPU 数量
* batch size
* 训练 step / epoch
* 训练时间
* 分辨率
* 序列长度 / 帧数
* 其他重要训练设置

如果论文没有给出，请明确说“论文没有报告”，不要猜测。

---

## Baseline

作者与哪些方法进行了比较？

其中最重要、最有竞争力的 baseline 是哪些？

---

## 核心结果

不要把所有表格数字全部复制出来。

挑出最关键的结果，并解释：

**实验设计 → 得到什么结果 → 这个结果证明了什么。**

重点关注：

* 主实验
* Ablation Study
* Efficiency / Speed
* Generalization
* Qualitative Results

如果某个实验其实不能完全证明作者声称的结论，也请指出。

---

# 8. Ablation 分析

单独分析消融实验。

告诉我：

* 每个核心模块分别贡献了多少？
* 哪个设计最重要？
* 哪些模块收益其实很小？
* 有没有多个模块组合以后才有效？
* 消融是否足够支撑作者提出的创新点？

最后回答：

**“如果我要复现这篇论文，哪些模块是必须做的，哪些可以先不做？”**

---

# 9. 与相关工作的关系

找出与这篇论文最接近的 3–5 类工作。

重点不是罗列论文，而是解释：

**Previous Method → This Paper**

到底改变了什么。

如果它本质上是：

* 新模型
* 新训练方法
* 新 loss
* 新 inference 方法
* 新数据
* 新系统优化
* 已有方法的组合

请明确指出。

---

# 10. 局限性

不要只复述论文 Limitations。

从你的角度分析：

* 方法有哪些明显假设？
* 在什么场景下可能失效？
* 哪些实验还没有做？
* 是否依赖大量算力 / 数据？
* 是否存在训练与推理 gap？
* 是否只能在特定模型 / 数据集上工作？
* 有没有 scalability / generalization 问题？

---

# 11. 创新 / 改进方向

假设我要基于这篇论文继续做科研，请提出有价值的研究 idea。

不要给“增加数据”“换更大模型”“提高效率”这种泛泛建议。

每个 idea 请按照：

**Idea → Motivation → 怎么做 → 为什么可能有效 → 需要什么实验验证**

来描述。

并将 idea 分成三类：

### A. Low-hanging Fruit

改动较小，容易实现，可以快速验证。

### B. Paper-level Extension

有机会形成一篇独立论文的创新。

### C. High-risk High-reward

难度较大，但是如果做出来创新性比较强。

最后请你从：

* Novelty
* Feasibility
* Compute Cost
* Paper Potential

几个角度，帮我选出 **最值得尝试的 2–3 个方向**。

---

# 12. 最终总结

最后用下面的格式总结整篇论文：

**Problem：**
一句话。

**Key Insight：**
一句话。

**Method：**
一句话。

**Why it works：**
一句话。

**Main Result：**
一句话。

**Biggest Limitation：**
一句话。

**Most promising extension：**
一句话。

如果我要在组会上用 1 分钟介绍这篇论文，再给我一个简短的口头版本。