大模型手册

外观

经典论文精读

本页速览 逐篇精读改变大模型走向的 11 篇经典论文：Attention Is All You Need、GPT-1/2、BERT、Scaling Laws、Chinchilla、InstructGPT、LoRA、FlashAttention、CoT、RAG，每篇给出背景问题、核心方法、关键实验数字、局限与延伸。

经典论文精读 ​

一句话定位：本页是把"改变了大模型走向的 11 篇论文"逐篇拆开看内脏——每篇都回答五个问题：要解决什么（背景与问题）、怎么解决（核心方法）、凭什么信（关键实验与数字）、哪里不行（局限）、下一步看什么（延伸）。

一、怎么用这份精读 ​

  1. 当坐标校准器用：在论文地图上定位，在阅读路径里选深度，再回到本页精读。
  2. 按主线顺序读：推荐 1→4→5→8→7 走一遍"架构→规模→对齐"主线，再补应用与系统三篇。
  3. 不要只读本页：本页是"导读 + 要点核对表"，精读的定义是回去读原文。完整的三遍读法见阅读纪律与 FAQ。

怎么用"关键实验与数字"

数字会过时，但"数字的口径"不会：GPT-2 的 1.5B 是参数量、BLEU 41.8 是 WMT'14 英法（EN-FR）单模型、CoT 的 56.9% 是 PaLM 540B 上的 GSM8K 准确率。读数字时永远问一句"这个数在什么设置下取得的"。

二、架构基石（4 篇） ​

1. Attention Is All You Need（2017，Vaswani et al., Google Brain） ​

维度内容
背景与问题RNN/LSTM 必须逐步处理序列：无法并行（训练慢）、长距离依赖难建模（信息要"传"很多步）。当时注意力只是 RNN 的辅助插件。
核心方法提出纯注意力架构 Transformer：①缩放点积注意力（softmax(QK^T/√d_k)·V）；②多头注意力让不同头关注不同子空间；③正弦/可学习位置编码注入顺序；④编码器-解码器 + 残差 + LayerNorm + 前馈层。完全抛弃循环与卷积。
关键实验与数字机器翻译 WMT'14 英德（EN-DE）：单模型 BLEU 28.4，超过此前最佳结果（含集成模型）约 2 个 BLEU；英法（EN-FR）：单模型 BLEU 41.8，超过此前最佳单模型（41.0）。训练成本：8 张 P100 训练 3.5 天，远低于当时最佳系统的训练耗时。
局限①注意力复杂度 O(n²·d)，长序列显存爆炸（三年后 FlashAttention 才解决）；②位置编码外推能力弱；③论文用 encoder-decoder，GPT 后续证明"只要解码器"更省。
延伸Transformer 架构详解；图解：The Illustrated Transformer；代码：The Annotated Transformer

精读要点：为什么除以 √d_k？因为点积随维度线性增长，不缩放时 softmax 会进入饱和区、梯度趋零，√d_k 让方差保持为 1。当年的行业质疑是"去掉 RNN 真的可以吗"——论文用 3.5 天训练时间和更高的 BLEU 回答了它。另一个细节：位置编码用正弦函数，论文说"相对位置信息也能学到"——但后来证明正弦式与学习式都不如 RoPE/ALiBi 能外推，这直接引出了上下文与长文本这一整章。读这篇时把注意力公式徒手推导一遍（Q·Kᵀ → softmax → V），是理解一切后续工作的起点。

2. GPT-1：Improving Language Understanding by Generative Pre-Training（2018，Radford et al., OpenAI） ​

维度内容
背景与问题2018 年前，监督学习需要大量标注数据；无标注文本遍地都是却没人系统性使用。论文问：能不能先用无监督文本预训练，再小成本微调？
核心方法两阶段：①生成式预训练——用标准语言模型目标（预测下一个词）在无标注语料上训练 Transformer 解码器；②判别式微调——在下游任务上加一个线性输出层微调。任务输入统一改写为 token 序列（textual entailment 等），实现"同架构多任务"。
关键实验与数字12 层解码器、117M 参数，BooksCorpus 预训练；在 12 个 NLP 任务（含自然语言推理、问答、分类）中 9 个取得当时 SOTA；为下游任务设计的辅助目标可再提 1~2 个点。
局限①单向注意力：只能看左边，理解类任务上限；②"预训练+微调"仍是每任务一个模型；③参数量小，无涌现能力。
延伸与 BERT（同篇阅读对比）见BERT 与编码器家族；GPT 系列全览见GPT 系列；训练数据问题见分词与词表

精读要点：名字里的"生成式"指预训练阶段用语言建模目标，"预训练 + 微调"的组合拳才是本文真正的遗产。关键设计是把不同任务统一成 token 序列（如把蕴含任务拼成 "premise + hypothesis"），同一套参数即可处理所有任务——这是"任务统一"思想的开端。今天的提示工程本质上也是"把任务表达成文本"，血缘可追溯到这篇。注意它的局限：单向下文做不了真正的双向理解，这正是 BERT 的突破口。

3. GPT-2：Language Models are Unsupervised Multitask Learners（2019，Radford et al., OpenAI） ​

维度内容
背景与问题微调时代每个任务都要标注数据与单独模型。论文进一步追问：语言模型能不能自己就"什么都会一点"——即零样本（zero-shot）完成任务？
核心方法不做任务改写、不做微调：用更大模型 + 更大数据（WebText，从 Reddit 高赞外链抓取约 40GB 文本）纯预训练，靠提示条件化（conditioning on context）让模型完成任务；引入 Byte-Pair Encoding（BPE）处理未登录词。
关键实验与数字1.5B 参数、48 层（当时最大公开语言模型）；零样本在 8 个语言任务中 7 个取得 SOTA，如 CoQA F1 55、Summarization ROUGE 36.4；在 LAMBADA 上困惑度从 99.8 降至 8.6。
局限①性能明显弱于监督微调（差距仍大）；②零样本 = "碰运气"式任务条件化，不稳定；③生成质量好但事实性差（预示了后来的幻觉问题，见幻觉）。
延伸少样本路线被 GPT-3 接力（见阅读路径清单）；提示条件的机制在语言建模与推理基础展开

精读要点：本文是"少即是多"的实验场：不做任何任务适配，纯粹靠 prompt 条件化，模型自动把任务当作条件概率问题。值得记住的细节是 WebText 的数据收集法（按 Reddit 高赞外链抓取约 40GB 文本）——数据配比第一次成为论文的主角。发布时因安全顾虑暂缓开源、后逐步放开，是大模型时代"负责任发布"的第一次公开讨论。它的 BPE 词表处理未登录词的做法，是分词与词表的标准答案。

4. BERT：Pre-training of Deep Bidirectional Transformers for Language Understanding（2019，Devlin et al., Google） ​

维度内容
背景与问题GPT 单向，ELMo 是浅层双向拼接，都是"单向左看"。论文指出：理解类任务需要真正的双向上下文。
核心方法两个预训练目标：①掩码语言建模（MLM）——随机遮 15% 的 token 让模型预测；②下一句预测（NSP）——判断两句是否相邻。用 Transformer 编码器同时看左右，再做任务微调。
关键实验与数字BERT-Large：340M 参数、24 层、1024 hidden、16 头；在 GLUE 平均 80.5（超过此前 SOTA 约 7 个点）、SQuAD v1.1 F1 93.2、SQuAD v2.0 83.1。消融证明：双向是最大增益来源，NSP 贡献较小。
局限①掩码只在预训练，推理不掩码，训练-推理不一致；②编码器不能自回归生成，做不了生成任务；③MLM 每步只监督 15% 的 token，训练效率低；④参数量 340M 在今日标准很小，但 2019 是"大模型"。
延伸BERT 家族与 RoBERTa/ALBERT/DistilBERT 演进见BERT 与编码器家族；与 GPT 路线对比见语言建模

精读要点：两个预训练目标里，MLM 是主力，NSP 后来被证明几乎无用（RoBERTa 去掉 NSP 反而更强）。MLM 的掩码细节值得细读：15% 掩码中 80% 换成 [MASK]、10% 换随机词、10% 保持不变——这是为缓解"预训练掩码、推理不掩码"的不一致。理解类任务被 BERT 家族统治了近三年，直到 2022 年后解码器模型靠规模与对齐重新夺回理解类 SOTA；而今天的检索编码器（embedding 模型）仍大量使用双向架构——BERT 的遗产没有消失，只是换了个位置。

三、规模法则（2 篇） ​

5. Scaling Laws for Neural Language Models（2020，Kaplan et al., OpenAI） ​

维度内容
背景与问题大家都直觉"模型越大越好"，但没人知道：损失随参数量/数据量/算力按什么规律变化？钱应该花在加参数还是加数据？
核心方法系统性扫描不同规模（参数量约 7.7×10⁷~1.5×10⁹，即约 0.77 亿~15 亿）的 Transformer 语言模型，拟合出三条幂律：L(N)≈(N_c/N)^α_N、L(D)≈(D_c/D)^α_D、L(C)≈(C_c/C)^α_C；性能主要受 N、D、C 三个量控制，架构细节次要；引入"迁移"经验律。
关键实验与数字幂律指数 α_N≈0.076、α_D≈0.095、α_C≈0.050（数量级约 0.1）；模型大小收益递减、数据收益递减，但三者可以"预算转移"：算力翻 10 倍时，最优模型应增大约 5.5 倍参数 + 1.8 倍数据。
局限①只到约 10 亿参数规模，外推到 175B 未必成立（后来证明方向对、系数需修正）；②早期版本低估了数据的重要性（被 Chinchilla 纠正）；③没覆盖对齐与能力涌现这些"损失之外"的现象。
延伸规模法则页面完整展开；与 Chinchilla 对比见下一篇；对训练预算的现实含义见预训练：数据与目标

精读要点：最反直觉的结论是"架构细节对性能次要"——层数、头数、深度宽度比在合理范围内影响很小，N、D、C 三个规模量才是主宰。这给了团队一个明确分工：调架构不如加规模。论文还给出"性能随数据量按幂律提升但收益递减"，以及迁移经验的预测（小模型上的规律可外推到千倍大模型）。阅读时注意：实验窗口只有约 15 亿参数，外推是"信念"而非"证明"——Chinchilla 正是修正了它对数据维度的低估。

6. Chinchilla: Training Compute-Optimal Large Language Models（2022，Hoffmann et al., DeepMind） ​

维度内容
背景与问题社区按 Kaplan 的结论狂加参数（Gopher 280B、GPT-3 175B），但都训得"数据不足"。论文质疑：在固定算力预算下，参数与训练 token 的配比到底该是多少？
核心方法重新做算力-最优扫描：固定总算力 C，搜索最优的 N 与 D 组合。结论：参数与数据按约 1:20 的 token 数配比（每 1 个参数约配 20 个 token）。依据该配比训练 70B/1.4T token 的模型（Chinchilla）。
关键实验与数字Chinchilla（70B、1.4T token）在 400+ 评测任务上平均优于 Gopher（280B、300B token），同等算力下"更小但更久训练"完胜"更大但欠训练"；印证 70B 模型损失可与 540B 模型相当（数据补足时）。
局限①"计算最优"是损失层面最优，不考虑推理成本、部署、涌现能力（推理时小模型不吃亏，能力时不好说）；②1:20 是经验规律，不同数据质量下会漂移；③只回答"预训练预算"，没回答对齐后训练。
延伸规模法则里"先加数据还是先加参数"的实践结论；对 MoE 的性价比讨论见MoE 稀疏专家模型

精读要点：1:20 的推导方法值得细读：固定总算力 C，把损失建模为参数 N 和数据 D 的函数 F(N, D)，求使损失最小的 (N, D) 组合。结论是社区普遍"训练不足"——当时的旗舰模型 GPT-3（175B/300B token，约 1:1.7）、Gopher（280B/300B，约 1:1）都远未配足数据，按 1:20 应训 1.4T 以上。这篇论文的实操影响极大：此后所有大模型训练都按计算最优配比规划数据，"数据稀缺"成为比"参数稀缺"更真实的瓶颈。它也是预训练：数据与目标的核心依据。

四、对齐与指令（1 篇） ​

7. InstructGPT：Training Language Models to Follow Instructions with Human Feedback（2022，Ouyang et al., OpenAI） ​

维度内容
背景与问题GPT-3 能生成但不"听话"：不遵循指令、不诚实、有毒。目标转向对齐——让模型对"帮助性、诚实性、安全性"负责。
核心方法RLHF 三步：①SFT——用人工写的指令-回答对（约 1.3 万条）监督微调；②RM——训练奖励模型，对人类偏好比较（约 3.3 万条对比对）打分；③PPO——以 RM 为奖励、以 KL 惩罚约束的强化学习优化策略。
关键实验与数字人类评估中，1.3B 的 InstructGPT 输出比 175B 的 GPT-3 更受偏好（胜率约 70%+）；用户反馈的真实 API 评估同样更优；同时"对齐税"很小：在 SQuAD 等传统基准上平均仅下降约 0.4%（某些任务还上升）。
局限①依赖人工标注，成本高、规模受限；②模型"迎合"而非"正确"（过度拒绝、谄媚）；③PPO 训练不稳定、实现复杂——这直接催生了 DPO；④只对齐文本输出，不覆盖工具使用、多模态。
延伸RLHF 原理与 DPO 对比见对齐：RLHF 与 DPO；产品化故事见ChatGPT 与对话模型；对齐失效的案例见安全与风险

精读要点：核心洞察是对齐是在"组织"已有能力，而不是"创造"能力——175B 的 GPT-3 已经"知道"该怎么做，只是不知道如何被要求。工程细节都值得抠：SFT 只用约 1.3 万条数据（数据质量远大于数量）、RM 用约 3.3 万条人类对比对、PPO 里加 KL 惩罚防止策略偏离初始化太远。"对齐税"（传统基准略降）后来被证明可通过更好的数据与多任务缓解。ChatGPT 就是这套技术加对话产品的直接产物，故事见ChatGPT 与对话模型。

五、应用与系统（3 篇） ​

8. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks（2020，Lewis et al., Facebook AI） ​

维度内容
背景与问题纯参数化模型把知识"记"在权重里：知识截止、更新昂贵、事实易错。论文问：能不能让模型从外部语料库检索，把知识外挂？
核心方法RAG：检索器（DPR 密集检索）+ 生成器（BART-large）联合训练。两种解码策略：RAG-sequence（每篇文档生成完整序列）与 RAG-token（每一步按文档分布采样 token）。文档作为条件与输入拼接，端到端可训。
关键实验与数字Open-domain QA：Natural Questions 上 RAG-sequence 超过纯参数化 T5-11B；在 FEVER（事实验证）等任务上刷新 SOTA；检索器与生成器联合训练带来额外收益。
局限①检索质量是天花板，检索不到就生成不出来；②两阶段延迟高于纯生成；③对"开放域闲聊"等不需知识的任务帮助有限；④生成器仍会无视检索结果编造——RAG 不是幻觉的万能药（见幻觉）。
延伸范式演进（Naive/Advanced/Modular RAG）见case-studies RAG；工程落地见RAG 实战；与长上下文、微调的对比见上下文与长文本

精读要点：RAG 把知识存储从"参数内"移到"参数外"。两大设计选择值得细读：检索器用 DPR（双塔密集检索）而非 BM25，因为要端到端可微；解码用 RAG-sequence（每篇文档生成整段）与 RAG-token（每一步按文档分布采样）——前者在开放域 QA 上更稳，后者更适合逐步引用。它的局限预示了所有 RAG 系统的共性难题：检索质量是天花板、生成器可能无视检索结果。RAG 至今仍是减少幻觉的主力方案（见幻觉），但形态已从 naive 演进到 advanced/modular。

9. LoRA: Low-Rank Adaptation of Large Language Models（2021，Hu et al., Microsoft） ​

维度内容
背景与问题全参微调 175B 模型：每个下游任务要存一整套新权重（每份约 350GB），显存与存储都不可行。能否"只学增量"？
核心方法冻结预训练权重 W₀，学一个低秩增量 ΔW = B·A（A、B 为低秩矩阵，秩 r≪d）。前向时 W = W₀ + (α/r)·BA。推理时可把增量合并回 W₀，无额外延迟。
关键实验与数字GPT-3 175B 上可训练参数量从 175B 降到约 4.6M（减少约 10000 倍）；RoBERTa 在 GLUE 上效果与全参微调相当或更好（如 MRPC 上超过）；秩 r 在 1~64 内对性能不敏感（矩阵分解可低至 r=1 仍有效）。
局限①低秩假设本身限制了能学到的表示空间（复杂任务可能不够）；②超参（r、α、target_modules）要调；③论文范围是"适配"，不覆盖从零预训练。
延伸原理与超参见微调：SFT 与参数高效微调；端到端实战见微调实战：LoRA 全流程；QLoRA 量化版见前沿进展

精读要点：低秩假设有实验支撑：对预训练权重的更新做 SVD，发现主奇异值极少——增量确实落在低秩子空间。实操结论值得记：秩 r 在 1~64 之间性能几乎不变（论文在 GPT-3 上的实验），所以"r 越大越稳"是常见误解；α 控制缩放，实践中常保持 α/r 恒定。LoRA 的意义不只省显存——它让"一个底座 + 多个适配器"成为可能，直接催生了 QLoRA、DoRA 等一整个参数高效微调家族，也是微调：SFT 与参数高效微调的理论地基。

10. FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness（2022，Dao et al., Stanford） ​

维度内容
背景与问题注意力 O(n²) 显存：n=64k 时单张 fp32 注意力矩阵（64k×64k）就要约 16GB。瓶颈不只是算力，更是显存（HBM）带宽——标准实现把 S 和 P 写回 HBM 再读回。
核心方法IO 感知的精确注意力：①tiling——把 Q、K、V 分块，在 SRAM 片上计算；②recompute——反向传播时重新算注意力矩阵，避免存 O(n²) 中间量；③用精确 softmax 的在线更新技巧保持结果与标准注意力逐位近似一致。
关键实验与数字显存占用从 O(n²) 降到 O(n)；相比 PyTorch 标准注意力，端到端训练加速：BERT-large 约 15%、GPT-2 约 3 倍、Long-Range Arena 约 2.4 倍（注意力算子本身最高约 7.6 倍，随序列长度增加更明显）。
局限①只优化"标准注意力"形态，对稀疏/线性注意力不直接适用；②工程实现依赖 GPU 架构细节；③本身不降低注意力算力复杂度（仍是 O(n²) 计算）。
延伸注意力复杂度与长上下文的工程挑战见上下文与长文本；推理时 KV Cache 优化见推理基础；FlashAttention-2 与 PagedAttention 见前沿进展

精读要点：颠覆性洞察是"瓶颈在 IO 不在 FLOPs"：标准实现把中间矩阵 S、P 写回 HBM 再读回，而 HBM 带宽远慢于片上 SRAM。两个技术支柱：tiling（分块让 SRAM 装得下）与 recompute（反向传播重算注意力，省掉 O(n²) 中间存储）。它保持的是"精确"注意力（与标准实现数值一致），不是近似——因此可以无痛替换任何注意力。FA-2 进一步优化并行与分块，再快约 2 倍。读这篇时顺手理解 KV Cache，就打通了推理基础。

11. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models（2022，Wei et al., Google） ​

维度内容
背景与问题大模型在数学、多步推理上表现差：直接问"答案是什么"只会得到直觉性错误。论文发现：让模型先"想"再"答"，推理能力被显著激发。
核心方法思维链提示：在少样本示例中给出"中间推理步骤"（few-shot CoT）；或直接拼一句"Let's think step by step"（zero-shot CoT 的雏形）。推理步骤不是训练出来的，而是提示引导出来的。
关键实验与数字PaLM 540B 上 GSM8K（小学数学题）准确率从约 17.9% 提升到约 56.9%；在多学科考试基准也大幅提升。规模门槛：约 100B 以下模型 CoT 增益很小甚至为负——这是"涌现能力"的经典证据。
局限①对模型规模敏感，小模型无效；②思维链可能"自信地错"——推理过程看似合理但结论错误；③增益在需要严谨性（如数学）上最明显，常识推理上有限。
延伸CoT 与 self-consistency 的工程用法见提示工程与提示工程实践；涌现能力的争议见规模法则

精读要点："涌现"是本文最受争议也最重要的观察：CoT 在约 100B 参数以下没有增益甚至有害，之上突然显著提升。这暗示推理能力不是训练目标直接教的，而是规模足够后"被揭示"的。few-shot CoT 的示例写法有讲究——要给出完整的"一步步思考"过程；后来 zero-shot CoT（"Let's think step by step"）被证明更省事。它的后续：self-consistency 用多次采样 + 多数投票进一步提升，思维树 ToT 扩展搜索空间。注意边界：CoT 提升的是"过程"而非"结论正确性"——推理看似合理但结论错误的情况不少。

六、跨论文串讲：一条主线 ​

这 11 篇连起来，就是大模型的完整叙事——"解码器 + 规模 + 对齐"：

text
Attention（2017）给了"可并行、可长程"的骨架
   → GPT-1/2（2018-2019）确立"解码器 + 预训练"路线
   → Scaling Laws（2020）给出"加参数"的理论许可
   → GPT-3 实证（2020）让规模信念扩散（精读见[阅读路径](/papers/paths)）
   → InstructGPT（2022）把"会生成"变成"会听话"
   → Chinchilla（2022）纠正配比：数据与参数同样重要
   → RAG/LoRA/CoT/FlashAttention（2020-2022）解决"用得起、用得上、跑得快"

三组对照关系值得记住：

对照结论
GPT（单向解码器）vs BERT（双向编码器）生成任务与理解任务的路线分叉，解码器最终胜出
Scaling Laws（加参数）vs Chinchilla（加数据）同一算力下，参数与 token 约 1:20 才是最优
RLHF（InstructGPT，训奖励模型）vs 提示（CoT，引导推理）一个改权重、一个改上下文，可叠加使用

七、11 篇的推荐精读顺序 ​

11 篇不必按编号硬读，按下面的组合更高效（编号对应本页各节）：

阶段建议组合理由
第一步1（Attention）+ 2（GPT-1）先把架构骨架立起来
第二步4（BERT）+ 3（GPT-2）两条路线正面照镜子
第三步5（Scaling）+ 6（Chinchilla）规模主线：先信念后修正
第四步7（InstructGPT）规模到对齐的转折点
第五步11（CoT）+ 8（RAG）应用侧：提示与检索
第六步9（LoRA）+ 10（FlashAttention）系统侧：微调与加速

组合内可以对照读（例如 1 与 10 的"同一注意力如何从架构变系统"），组合间的顺序不可逆：没有架构的规模是空中楼阁，没有规模的对齐无从谈起。

八、论文间的引用关系 ​

精读的价值在于看清"谁站在谁的肩膀上"：

论文站在谁的肩膀上启发了谁
AttentionBahdanau 注意力、Seq2Seq几乎所有后续论文
GPT-1Attention（删掉 encoder）GPT-2/3、整个解码器家族
BERTAttention + ELMoRoBERTa、T5、编码器家族
Scaling LawsGPT-2/3 的规模观察Chinchilla、一切训练预算规划
ChinchillaScaling Laws现代训练配比标准
InstructGPTRLHF（2017）+ GPT-3ChatGPT、DPO、宪法 AI
LoRAAdapter（2019）QLoRA、PEFT 家族
FlashAttention算法与系统交叉FA-2、PagedAttention
CoTGPT-3 的 few-shotself-consistency、ToT、o1
RAGDPR、BARTAdvanced RAG、多模态检索

顺藤摸瓜的起点

读完成这张表，你就有了 10 条"引用链"。从任意一篇点进它的被引，就进入了论文地图的拓张模式——地图是活的。

九、面试中的常见追问 ​

这 11 篇几乎覆盖了算法岗面试的高频题（完整题库见面试题库）：

论文面试官可能追问回答要点
Attention为什么除以 √d_k？多头为何有效？防 softmax 饱和；多头看不同子空间
GPT-2零样本与 few-shot 的区别？prompt 即任务描述，few-shot 加示例
BERTNSP 有必要吗？RoBERTa 证明可去掉，MLM 才是主力
Scaling Laws加数据还是加参数？看当前 N:D 配比，参照 1:20
Chinchilla什么是计算最优？固定算力下求 (N, D) 最优组合
InstructGPTRLHF 三步各做什么？SFT→RM→PPO，KL 惩罚防止跑偏
LoRAr 与 α 怎么设？r 1~64 几乎无差，α/r 保持恒定
FlashAttention为什么省显存？IO 感知：tiling + recompute
CoT小模型为什么无效？能力涌现存在规模门槛
RAG检索不到怎么办？混合检索、查询改写、重排序

十、精读后的下一步 ​

  1. 去读原文：本页是导航图，逐节对照原文（链接见下方参考资料）。
  2. 沿引用链拓展：从每篇"延伸"列的站内页 + Related Work 继续走。
  3. 做笔记：用阅读纪律与 FAQ的卡片法，为每篇建立"问题/方法/数字/局限/我的场景"五段卡。
  4. 接上前沿：这些是 2022 年前的地基，2023-2025 的新进展见前沿进展。

延伸阅读 ​

参考资料 ​

11 篇精读论文的官方原文（真实 arXiv 链接）：