kimi 最新的一篇论文,非常震惊世界的一个新的重大创新哈,也就是所谓的注意力残差 attention rescue。 这个论文呢,普遍被认为呢,打开了所谓深度学习二点零的时代,这么牛逼的技术,到底是干了一件什么事? 其实呢,这个注意力残差这件事呢,它是在整个 ai 的 发展里边,它是有一个非常明确的一个脉络的哈, 从哪开始呢?二零一五年,何凯明大神正式提出了所谓的 rest net 所谓的残差连接,我们每一个神经网络的模块呢,在向后传递的时候,都会把原始的输入信息直接传到它的下一层,就这么简单。二零一七年,谷歌 著名的无比经典的 transform 架构,也继续沿用了这个所谓的残差连接的技术。那么自从 transform 提出之后呢?其实在整整七年多的时间里面,全球 ai 圈里对于这个残差连接都是奉若神明, 大家从来没有去怀疑这个残差连接应该有什么需要这个改良啊或者优化的地方,大家都老老实实的在用。从二四年开始到现在,中国的三个团队对这个残差连接连续砍了三板斧,分别是二零二四年下半年, 字节跳动 c 的 团队先砍了第一板斧,提出了所谓的 hyper connection 超链接,相当于这种残差连接加上了这种高速公路。那么在二零二五年的十二月三十一号, 国产之光 deepsea 重磅发布 mhc 的 论文,在这个高速公路上,我又给它加上了一个非常稳定的约束和基本牌儿。等转到我们今年二零二六年 越战米尔, kimi 就 砍了第三刀。这个所谓的 attention rescue 注意力残差,那么它主要来讲是干什么的?哈,我们经典的这个残差注意力呢,是相当于我对之前每一层的这么一个输入呢,都是一个平等看待, 给同样的一个权重,权重是一,相当于模型呢,无差别的对待每一层的输入。给大家举一个通俗易懂的例子啊,大家呢,从小学一路读过来,小学学的知识我们给他占百分之二十,初中的知识第二个百分之二十,高中的知识第三个百分之二十, 大学的那些知识占了第四个百分之二十。工作之后,我们又学到了很多的技术啊,算法,模型哎,占第五个百分之二十。 传统的这种所谓的残差连接呢?无差别的对待。小赵老师,现在要解决一个 ai 问题,我就把小学、初中、高中、大学和工作之后所有的这些知识 各占百分之二十来分配。但是大家注意啊,这个明显不太科学啊,为什么呢?因为我们现在解决 ai 工业界里面大多数的问题,基本上只会用到大学 那百分之二十,甚至研究生的知识。然后呢,工作之后的知识,大学之前的知识基本上占比可能百分之三都不到。明显这种均匀分配注意力, 均匀分配权重的这种模式是不合理的。所以说呢, kimi 重磅地提出了全注意力残差,相当于我在整个模型的纵向传递上采用了这种注意力。以往我们的这个 attention 的 这种注意力啊,尤其 transform 里面, 其实它是一个横向的,它是在这个所谓的语言序列的 sequence length 这个维度上来计算我们的这个注意力。现在呢,它把整个这个计算注意力的轴 旋转了九十度,从水平旋转到了垂直,在不同的层间来计算我的注意力。那么这就相当于我为了解决现在一个问题,我重新计算 小学、初中、高中、大学和工作之后这五部分,每一部分对于我当前解决这个问题应该给他多大的权重?算完了之后,可能小学百分之零点五,初中给个百分之一,高中给个百分之二,剩下所有的注意力的权重都要聚焦在大学和工作之后, 最近这两三年的大模型的进展,这就非常的清晰易懂了。但是大家注意啊,这种所谓的 full attention restyle 就 意味着问题都解决了吗?其实也不是哈,这里面的 kimi 提出依然有两个痛点。第一个痛点呢,因为我们现在在计算大模型的时候呢,经常会采用一种技术叫所谓的激活值重算, 这个技术呢,是能够极大的节省我们的显存。但是呢,大家注意,这个计获值重算呢,在传统的残差注意力里边是没有问题的啊,因为他每一次只保留这一个小模块里面的那个值。我们现在呢,因为在整个的所有模型层之间, 横向来计算这种所谓的服务弹性的时候,模型所有层的这个激活值都得被存储,一定会爆显存。第二个痛点呢,现在大模型的计算呢,一定是有一个技术叫什么呢?就是所谓的流水线并行, 流水线并行会把模型不同层进行一个切分,放在不同的 gpu 上,甚至放在不同的机器之间。在真正的模型计算或者推理的过程里边,就会出现卡间通信甚至机间通信,那么这个通信量是非常非常巨大的。为了解决这两个痛点, kimi 团队进一步提出了所谓的叫 块注意力残差 block attention resting, 小 块里边用这种所谓的注意力的计算,块间和块间之间依然是避免这种大资源的消耗。 综上所述,非常通俗易懂的一句话就是,我们传统的这种所谓的残差连接,相当于为了解决一个问题,我们要搬运整个图书馆,把整个图书馆里的书都搬出来。现在 kimi 的 这项技术呢,相当于我为了解决当前的这个问题,我只带走 能够直接解决这个问题最重要的那几本儿文献,大大缩减了资源的消耗,提高了整个的这个资源的利用率。关注小赵老师,学习最前沿的 ai 技术!
粉丝2.8万获赞14.0万

今天这个视频给大家介绍一款新的写作神器, kimi, 急着教初稿的同学真的可以试一试。 kimi 在 处理长文本和强化学习这两方面的效果 很好,比许多的工具都要好用。你让他帮你写论文的引言部分,就会发现他写出来的内容符合专业要求,内容通俗易懂。 首先背景分析做的特别的到位,把论文相关的行业背景、研究现状都讲的非常清楚,不会像我们自己写那样。 然后还会有详细的介绍,逻辑特别清晰。最贴心的是,里面用到的专业术语,他都会顺便给出解释,不用担心看不懂用不对,而且还能突出论文的创新性。 这里正是引言最关键的一点,它输出的格式符合论文要求,不用我们再花时间调整排版,甚至还会自动标注引用文献,大大节省了写出稿的时间。

怎么答辩还要做 ppt 你 才知道啊?态度还是要有的,把 ppt 做的清晰一点,老师看着舒服也还是会给你过的呀。 ppt 最好不要超过十页,第一页,封面页,第二页,放目录,让评委老师对你的汇报结构一目了然。第三页,研究背景与意义,说清楚 你为什么现在要做这个,做这个有什么用?第四页,国内研究现状,用谁做了什么,取得了什么成果,还存在于哪些局限性或者说未解决的一些问题,从而自然的引出你的研究课题。第五页,研究目标与内容说明你通过本项研究要达到什么目的, 具体要做哪些工作?第六页和第七页,研究方法与技术路线,说明你准备采用的具体研究方法,再放上一个技术路线图。 第八页,第九页,进度安排和预期成果。第十页,放上致谢。最后再给大家分享一个写修法,把开题报告和这段指令上传给 kimi, 让他帮你生成一个十页左右的 ppt 大 纲,然后再选择一个 ppt 模板,这样就能够快速搞定答辩 ppt 了,需要指令的可以分享哦!

说一下最近比较火的 kimi 的 新论文,叫做 attention resumes, 很 有意思,很有创意。评论说起来呢,我觉得也非常 intuitive s 账号上的几个头部科技大 v, 包括 elon musk, angelica 呢,都是擅长有加,当然我也不知道 elon musk 是 不是用它的 open clock 给的反馈。这里面的一个解决的核心问题呢,就是常常网络就是 resiliations, 这个是何凯林在二零一五年的 renaissance 篇文章提出的一个核心观点,前段时间 deepsea 认为这个也提出他们的一个解决方案,就是关于 hyperconnection 的 一些优化。那 kimi 呢,也回到了传统网络的几个大的问题。第一问题呢,就是虽然他的每一层的信息呢,都会向下一层的, 希望以无损的方式进行传递,就是我们在使用网络中啊,每一层网络获取的一些信息,他呢都希望把信息传达到下一层, 这样的话信息不会丢失。存在的问题就是层数越多,隐藏状态的模块长的越快,导致呢?前面的信息呢,被稀释的很厉害,比如说前面信息是一碗浓茶,不断的加水,稀释到后面的信息就丢失了,这是神经网络则存在网络中信息在传递中的一个必然的问题。第二个问题呢,是因为所有层呢,是被平等对待的,就是他当时还没有弹性注意力的概念, 信息都是以一个比较机械的方式往后传递导致呢?深度网络回顾早期内容呢,常常信息会丢失的,这个很好理解,因为不是每一层的信息都是有用的,你前面的技术内容信息量太大,导致呢所有的贡献是被淹没,怎么解决这个问题呢? kimi 的 答案呢,很简单,就是把网络深度变成 attention。 attention 呢,就是谷歌最开始写的 transform 的 篇文章讲逻辑,它其实是可以通过学习知道不同的前面的投看的注意力的价值。它是一个以非常友好的方式去压缩,而不是机械式的把信息往后传递。 这个呢,缇密的核心方法就是他用了一个类似 transformer 的 softmax 归一法加总前面的信息。这样一来,每一层在聚合前面所有层的信息时呢,就不再是被动接受,而是可以主动选择 哪层的信息更重要,哪一层可以少看一点。那从可直观的注意力的群众来看呢,确实也是这样的,虽然大部分的深度的模块呢,都是上一层,但是除了第一层以外的剩下的每一层的信息就完全没有规律了。 一层的信息会针对之前对他来说有价值的网络层的信息呢,建立连接,并给予不同的权重。当然,如果完全这样干的话,成本呢,其实也是很高的,因为他的整个的通信和内存的开销呢,是限性增长的,所以呢,拼命呢,在工程上做了一个折中,叫做 block attention rest 是它把每一组模块,比如说六层到八层作为一个 block, block 里面的软方式跟原来 resna 是 一样的。 block 以外呢,再去实现类似 attention 的 机制,主动地选择每一层需要上面的信息,这样的话, token 需要存的状态从原来的可能是以层级进行增长,变成了一个以快速进行增长的一个逻辑。 实验中呢,他们也发现把八层作为一个模块,能实现最大的收益。当然在预写操作中,他们也使用了一些其他的方式,比如说在流水线的运行中呢,加了话集的缓存,让同一份数据呢,在不同的虚拟集之间来回传,最终效果呢,是非常明显的。 在 m, m, l, u, g, p, q, a 等任务上呢,可以看出,基于 attention rex 新的网络训练出来的模型的对比 vs 基本上每一项都提升了。我在这里想分享一下我对整个 kimi 的 这次底层创新的一些想法,包括去年十二月底 deepsea 出的 mhc 的 这个论文。 我觉得呢,现在 ai 的 创新已经不像原来的,要不然就是纯黑盒,要不然就是非常复杂的逻辑导致呢,参与者是非常少。现在的 ai 呢,基本上在大的模块的基础上呢,很多的创新的想法呢,其实非常 intuitive 逻辑,就是把原来的一些最优的模块,通过联想 a 加 b 加 c 这样的方式呢,找到一个最优解。在大的逻辑合理的情况下,目前创新还是大有可为的。这点像在二十世纪四五十年代,在量子物理学和原子学的基础上呢,有很多的物理学家都有新的突破, 在那个年代的诺贝尔奖,每一个人手上的成绩都是划时代的,原因呢,就是现在的 ai 的 基建,就像当时在物理学中的, 从机械到化学达到了一个平台级的提升,在平台级之上的很多事情呢,基本上都是有巨大的空间重塑的,所以呢,我们公司呢,也在深度的理解并发挥新的这篇论文,在此之上呢做下一步的创新,我们也期待着每个季度都可以推出几篇来自 agnes 的 这种 ai 领域的蓬勃发展之中。

最近 kimi 的 一篇技术论文注意力残差在 x 上大火,已经有将近五百万的浏览量了,还引来了马斯克、卡帕西等大佬的关注。国内微信搜索指数也是突然激增,我的评论区也出现了突然催更。 与此同时呢, kimi 的 估值不到三个月就翻了近四倍,现在已经涨到了一百八十亿美元了。听说最近还在进行新一轮十亿美元的融资。此时画面中的内容就是 kimi 的 创始人在 gdc 大 会上分享这篇论文中的技术。 那这个注意力残差到底是个啥呢?为什么让这么多人拍案叫绝?什么叫把残差旋转九十度?为什么?卡帕西说重新认识 attention is all you need 的 问题有点多,不过别担心,今天一期视频带你通关 kimi 这个底层架构的创新,拆解这些谜语,人一样的大神评论,看看他们是怎么敢在这个千年不变的大模型机座上动刀的。看完这期视频,你一定可以从中感受到一种技术的魅力。老规矩,忘掉所有刚刚的问题,清空大脑,跟我一起进入梦境。 不过为了捋清楚这些,还得从 t 度这个概念说起。很简单,用两个旋钮来举例的话,假如 a 零转一圈, a 一 转零点五圈,那么这里的零点五就是 t 度。你说的没错,在只有一个变量的时候就和导数是一样的。 而深度学习最终的目标也很简单,假如蓝色旋钮表示参数,黑色旋钮表示损失,即预测数据与真实数据的误差。我们就看如何旋转每个蓝色旋钮,让最终的损失变小一点点,反向传播调整即可, 但 t 度会随着神经网络的层数加深,以连成的形式累计,比如说零点五连成四次,就变成了零点零六二五。此时旋转第一个旋钮,对最后一个旋钮的影响就几乎可以快忽略不计了。这种现象呢,就叫做 t 度消失。 与之相对的,如果 t 度大于一,那就相当于变化会越来越快,比如说 t 度二,累成四次,就相当于扩大了十六倍。此时呢,旋转第一个旋钮,最后一个旋钮就直接起飞了,这种现象呢,就叫做 t 度爆炸。 梯度消失和梯度爆炸就是影响神经网络训练稳定性的两个令人头疼的问题,都会让参数的调整陷入不可控的恶性循环。 那怎么解决这个问题呢?有一个非常简单的办法,对于任意的函数都无脑的把原来的输入本身加进来,起到的直观效果就是,你这个输出的旋钮怎么着都跟我先转这么一圈,剩下的再说。这就极大程度上缓解了梯度消失的问题。 其实改变的地方也非常简单,就是加了个数而已嘛。输出和输入这部分的差值就叫做残差。更本质的说呢,实际上我们是从学习一个最终的输入到输出,变成了只学习这个差值。数学的直觉和经验告诉我们,学习这个差值要比之前更加简单。 这种结构画在图中通常是这个样子,这里呢,就是我们要学习的函数 f, 这里就是某一层的输入,就是刚刚的 a 零,这里呢,加在一起构成了某一层的输出,这就是传统的残差连接 residual connection。 别看这个结构这么简单,这个残差连接可是从最原始的 transform 架构以来,就基本上没有变过。即便我们已经经历了这么多次架构的革新,因为最基础的部分往往也是最容易被忽略的部分,渐渐呢,人们也形成了它就该这样的固有思维。 直到后来,字节跳动和 deepsea 分 别提出了超连接和流行约束的超连接,第一次尝试在这里动了手脚,那这里感兴趣的朋友可以看我之前的讲解, mhc 的 视频这里就不赘述了,但是我们可以简单这样理解, 之前的标准残差就是每层经过一个乱七八糟的函数变换时,无脑呢,先把之前的值加过来,这里的函数就可以是注意力层或者是 m o, e 层等等,不重要,反正就相当于一个大函数。但传统残差连接有个问题就是太死板了, a 一 的信息传递到 a 四的时候,可能已经扭曲的不成样子了, 所以字节的 h c 提出了个方案,就是拓展通道数。简单说呢,就是把 a 一 复制多份,同时往后也不再是单纯的加过去,而是呈上一个可学习的矩阵,这样信息的传递就有更多机会被保留下来。 那这个学习矩阵如果不加任何的约束,那么连称起来可能就又失控了,又产生了梯度爆炸的风险,所以 deepsea 的 mhc 就 对这些学习矩阵加了流行约束。简单说呢,就是让这些学习矩阵不论怎么称都在一个可控的范围内,实际上不是个新的裁查方案,而是对 hc 的 一种改良, 但是从更宏观的视角看,其实不论怎么优化,这几个方法都是把残差流从左到右一层一层的加过去。那还记不记得在没有注意力极致的时候的语言模型了?那不论是 r n n 还是 l s, d m, 让每个字都包含上下文信息的办法就是这样从头到尾的不断加过去, 比如说让连这个字携带求个三这三个字上三,再加到连这个字上,此时连就包含了前面的全部信息。 正是因为这样的效率实在是太低了,所以呢,才有了后来的,也就是我们现在大模型的鼻祖,急于注意力极致的 transformer 架构横空出世,他就一步到位,同时把各个位置的词都拿出来进行一种加权求和。 这部分细节如果想更深入了解的,可以看我之前的一小时理解 ai 那 个视频,这里呢,就可以不那么严谨的简单理解为把各个词都抽出来加权求和就可以了。 哎,那既然这样,残差连接是否也可以用类似的思路进行下改进呢?这不就巧了吗, pimi 也是跟你一样这样想的,而且呢,经过注意力来改进残差的思路,名字也非常好起,就叫做注意力残差。 具体来说呢,传统残差思路就是最左边的图一层一层这样傻乎乎的加过去,注意力残差就是直接一眼看向全部,选择性的加权聚合所有前一层的输出。 而最右边呢,是为了缓解层数太多导致的注意力计算消耗过大而采用的分块思想,和 qq v 分 组等思想有异曲同工之妙,这里就不展开了, 那跳出细节我们再回顾一下。我们最开始呢,是先把这个原始的安然在时间维度上的依次累加传递,变成了通过注意力机制权加权求和对不对?那把它看成一个整体,就相当于在深度上做了一层注意力机制的计算。这里呢,就是 transformer 的 一层 复制,后门可以有很多层,那残差就相当于在深度上模仿 r n 在 时间维度上的做法依次累加传递。如果想象不出来的话,把手机转一下吧。算了,还是我帮你转吧。 哎,那受刚刚的启发,这个方向上的计算方式是不是也可以通过改成注意力机制来计算呢?这就是 kimi 产生注意力残差的灵感来源。让我们一起读一下原文中的这句话吧,我觉得非常美妙。 时间与深度的对偶性,就像 r n 在 时间维度上的作用一样,残差链接在深度维度上将所有现言信息压成一个单一状态。在系列界面中, transformer 通过用注意力机制取代循环机制,从而改进了 r n, 使得每个位置都能依赖于数据的权重,选择性的访问所有之前的位置。 我们在深度上提出了同样的方法。哎,这段话写的实在是太美了。再看卡帕西这条帖子的回复, l s t m 就是 将 resident 旋转九十度得到的。事实证明,注意力机制同样是可以旋转九十度的,残差流是权重。我们是不是没有充分理解 attention is all you need 也是非常的美妙。当然,在深度学习领域天马行空,想出个什么新的结构并不难,重要的是有没有效果。而 kimi 的 实验结果表明,确实有效训练效率提升了一点二五倍,同等条件下,各项跑分也有所提升。至此,应该有掌声了。 哦,不是给我的,是给 kimi 的。 总结下,残差这个多年不变的,以至于很少有人想尝试改变的老祖宗。近几年呢,经历了 h c m h c 再到今天的 kimi, 注意力残差的变种, 深度学习就是这样神奇。或许客观世界真的存在一个强大而有效的模型架构,只是呢,我们还没有挖掘出来,我们需要更多这样勇敢而富有创造力的探索和努力,一点点逼近那个或许存在又或许不存在的真实答案。 好了,视频到此就该戛然而。

kimmy 说自己能读一百万字文档,真的假的?我找了一份四十八万字的行业报告上传进去,然后问了他三个问题,这份报告的核心结论是什么?市场份额数据是多少?第三章节讲了什么内容? 第一个问题,他给出了不错的总结,但第二个问题翻车了,我特意在报告里标了市场份额表格,他居然没找到。第三个问题,他复述了章节框架,但细节全丢了。所以结论很简单,如果你只是快速翻翻文档,找找大意, kimi 够用了。但如果你要精确数据,要细节,别偷懒,自己打开看你还想测哪个 ai 功能?评论区告诉我下期安排。

还在死磕论文的听劝,别尬熬了,身边进度快的都在用 ai 打辅助。先说好,不是让你找 ai 带血去送人头,而是把脏活甩给他。看不完的几十页文献扔给 timi, 一 秒提炼核心卡壳不知道怎么下笔找 deepseek 盘逻辑直接拉出严谨大纲, 这次写的干瘪,相机翻丢给豆包认色秒变高级学术枪,连最后的答辩 ppt 框架都能顺手包办。记住,把 ai 当你的高级打工仔,不是你的脑子用来找资料搭框架无敌,千万别直接复制粘贴,不然查虫系统会教你做人。


真累不活了,导又在催进度,看到上百篇文献头都炸了,哎,就这么几十篇文献, kimi 要么说最多支持五十篇,要么提示聊得太长了,还好我换成了翻定,直接把上百篇文献全部打包丢进去, 管他中文英文,他都把作者年份刊和引用格式整理好了。右边选一下图表摘要、研究背景、研究现状等文件的关键信息都像这样按表格形式提炼好了,还能导出 excel 最牛的。可以在 find 里勾选一百篇文献,开启这个 deep 模式来深度梳理综述报告,引用的都是自己上传的真实文献,能一键溯源到原文,还能导出成味,这效率真的救了我狗命,别再傻傻熬夜读了。

怎么借助 kimi 完成论文出稿?阿九今天要和大家分享如何运用 kimi 来高效完成论文出稿的章节,让你的写作过程更加流畅,论文质量也能得到显著提升。关于如何用 kimi 来完成论文出稿,我总结出了一个三加四模型, 即三个核心步骤和四个实战技巧。这模型是阿九为几十位研究生优化论文写作流程后,反复打磨出来的实用方法。论三个核心步骤是什么?第一,论文框架的系统化搭建。第二,各章节内容的逐层推进式转载。 第三,论证逻辑与语言表达的全面优化。说到论文初稿,阿九想起前段时间指导的一个管理学硕士生,他盯着空白文档两周都不知道从哪里下手,思路混乱的一塌糊涂。通过 kimi 的 协助,我们先从研究问题出发,搭建起完整的论文骨架,然后逐步推进, 三天时间就完成了一篇结构清晰的初稿,导师看完都惊讶于他的进步速度。对于框架搭建这一步,我总结出了精准提示的五步法, 第一步,让 kimi 详细说明每个章节的核心论点和主要内容。 第四步,让 kimi 预估每个章节的字数分配,避免头重脚轻或重点失衡。为了帮助大家更好的掌握这个技巧,阿九专门为核心学员准备了一套 kimi 论文初稿转载提示词模板库,学员们可以直接套用这些模板快速上手。其实 kimi 在 这方面能提供巨大帮助。有位做教育技术研究的学员,他收集了大量数据和案例,但不知道怎么组织成文。通过和 kimi 的 多人对话,我们采用了逐章推进的策略, 先让 kimi 为每一章生成详细大纲,然后分节拷写。每写完一节,就让 kimi 检查认证是否充分,逻辑是否清晰,最后再整合起来,整个过程既高效又有质量保障。在这个环节,我建议大家这样和 kimi 互动。第一,先给 kimi 提供你的核心论点和支撑材料,让它生成该章节的认证思路。第二,要求 kimi 用观点 论句分析小节的模式展开每个段落。第三,让 kimi 在 著写时主动标注哪些地方需要补充文献支持或数据佐证。第四,引导 kimi 在 每个小节结尾加上承上启下的过渡句,增强文章流畅度。最后,说说优化环节,这是很多人容易忽视但极其重要的一步。 这里要提到阿九指导的一个社会学博士生,他的出港内容很扎实,但语言表达生硬,逻辑跳跃也比较明显。通过 kimi 的 协助,我们从三个层面进行了优化, 认证逻辑的强化、学术语言的润色以及整体可读性的提升。仅仅两轮修改,论文就从能看变成了好看,答辩时评委都对他的表达给予了高度评价。接下来说说四个实战技巧。第一个技巧是分段对话技巧,千万别想着一次性让 kimi 写完整篇论文,那样出来的东西肯定是空洞无物的,正确的做法是化整为零,按照章节甚至小节来逐步推进。 我教你一个方法,每次和 kimi 对 话时,明确告诉他当前这一部分在整篇论文中的位置和作用。比如你可以说现在要写第三章。第二节,这节主要论 x 观点,请结合外理论和 z 案例展开分析,字数控制在一千五百字左右,这样 kimi 就 能更有针对性的输出内容。第二个技巧是点赞优化技巧。 kimi 生成的初稿肯定不是完美的,但它的强大之处在于可以不断优化。阿九建议你采用深层 反馈修改的循环模式,先让 kimi 生成一个版本,然后你仔细阅读,找出问题所在,再具体告诉 kimi 哪里需要改进。比如这段认证太简单了,请增加两个具体案例来支撑观点。或者这里的逻辑跳跃了, 请增加一个过度段落,说明 x 和 y 之间的联系。记住,每一次迭代都要具体明确,避免笼统的说写得不好重写一遍。第三个技巧是上下文管理技巧, 这是用 kimi 写长文时最容易被忽视的关键点。由于论文篇幅较长, kimi 可能会在后面的章节忘记前面的设定。阿九特别建议你在每次新的对话开始时,先给 kimi 提供必要的上下文信息。比如前面我们已经在第二章论证了 a 观点,现在第四章要在这个基础上进一步讨论 b 问题, 这样 kimi 就 能保持全书的一致性和连贯性。我之前指导过一个法学硕士生,他写到第五章时发现和第二章的观点有矛盾,就是因为没有做好上下文管理。通过建立章节档案,每次对话都先让 kimi 回顾相关章节,要点问题就迎刃而解了。 第四个技巧是批判性审查技巧,这是最容易被忽视却最重要的一点。虽然 kimi 能帮你快速生成内容,但学术判断和批判性思维必须由你自己把关。二九强烈建议,在 kimi 生成每部分内容后,你要主动审查三个方面,论证是否严密,引用是否准确,创新点是否突出,千万不要照单全收 kimi 的 输出。 举个例子,如果你研究数字经济,就要特别注意 kimi 引用的数据是否最新,案例是否典型,分析是否深入,发现问题就立即让 kimi 修改。可以说这个数据太旧了,请找二零二四年以后的最新统计。这个案例不够典型,请换一个更有代表性的。这里给大家一个独家建议,在和 kimi 对 话时擅用,请从批判性视角分析,请指出这个论证可能存在的漏洞,请补充反例或相反观点这类提示词。 比如你可以说,请从方法论角度审查这一章的研究设计,指出可能被质疑的地方,并提供改进方案,这样生成的内容会更加严谨且经得起推敲。还有一个实用建议,建立你的 kimi 对 话档案,把每次和 kimi 对 话生成的重要内容都保存下来,标注好是哪个章节的哪个部分, 这样既方便后续修改时查找,也能让你清楚的看到整个写作过程的眼睛轨迹。最后,那就想说, kimi 是 个强大的辅助工具,但论文的灵魂还是要由你自己注入, 它能帮你快速搭建框架,深层内容优化表达。但核心的学术观点、创新的研究视角、严谨的认证逻辑,这些都需要你的深度思考和专业判断。把 kimi 当你的写作助手,而不是代笔工具,你才能真正发挥它的价值,写出高质量的论文出稿。

有了这个网站,你写论文可能真的不需要去找老师了。这是我目前发现的最全面、最详细的 sci 指导写作网站摘要怎么写,方法怎么写,结果怎么写,讨论怎么写等等,都描述的非常详细。他甚至还告诉我们应该怎样去引用,怎样进行口头陈述, 以及怎样去写研究计划,不仅为我们提供了非常多且详细的写作案例,还告诉我们应该怎样去设计整篇文章。我觉得真的很全面,写论文的时候一定要看一看的。

这还是我写我初高以来看见最高级的 ai 了,这个成品是我试效果的,没想到有真实文献,而且 ai 率也很低。我给你们看一下过程,填你的题目,学术模型,我只试了这个 deep tech, 感觉还不错。然后选择这些字数啥的目录,选三级目录,然后点下面的智能摘药,等几秒就好了,它里面是内置提示词, 对,不需要自己写提示词,你需要怎么改直接说就行了,把它默认当成一个导师就行,然后他会给你推送真实文献二十篇,不够的话还可以加。加文献有两种方式,一种是解锁文献,很简单,出关键词就能解锁 出来的,都是五到十年的。另一种方式是添加自己看好的文献,操作有点点复杂,但是这里有教程,几分钟就能学会。 ok, 这里搞定之后就到了大纲。这个环节一样还是靠选择,右边有几个小标。第一个可以选择要引用的文献,非常好用,我觉得这个真的很难得,因为用过其他 ai 写论文的都知道,那些 ai 要么不可以引用文献,要不就是乱引,后面根本没法改。而这个全程都可以选文献,用起来非常方便。 首页这里有教程,分成几步来操作,当然你也可以按照它分好的来引用。第二个小标就是添加图标公式和代码这些内容,有需要就可以去选择。这里如果不加,后面成稿里面也可以 通过修改来补充,方便的有点新。然后成品就算完成了。你可以先发给导师看一下,如果导师有修改意见,这里有一键改稿功能,把意见放上去就行了。

谁敢信?写论文再也不用频繁请教导师,一站式 sci 写作网站帮你全程搞定,堪称目前最全的 sci 写作指导平台!从摘药方法、结果到讨论逐一精讲详解,文献引用规范与口头汇报技巧、 研究计划、转写方法也全部覆盖,海量优质范文直接参考,手把手教你搭建论文整体框架,内容细致又实用,写论文必备!

有了这个网站,你写论文可能就不需要去找老师了。这是我目前发现的最全面、最详细的学术写作网站摘要怎么写,方法怎么写,结果怎么写,讨论怎么写等都非常的详细。 甚至他还告诉我们应该怎样去引用,怎样进行口头陈述,以及怎样去写研究计划,不仅为我们提供了非常多详细的写作案例,还告诉我们应该怎样去设计整篇文章我觉得真的很全面,写论文的时候一定要看一看。

这个免费的学术网站狂爆了,它有五大核心功能,一站式解决所有科研难题,关键还免费,无需魔法,直接用 研究图谱和文献解锁功能,堪称文献解锁的神器。输入论文的标题或者 diy, 就 能返回它的相似文献,并且可识化引用关系,一眼看清研究脉络。也可以一键查找论文和开源书籍。选刊功能,你只要输入其刊名称, i f g r 分 区、中科院分区一目了然,不用切换多个网页查询。 英文核查功能呢,也非常实用,能交叉对比检测参考文献,告诉你哪条正常,哪条有风险,哪条需要复合,杜绝 ai 编造文献。 还有任务学习卡片,精准推荐领域论文,随时保持学术的感知。整个网站的操作简单免费,还没有套路,我是林哥,关注,带你走进学术的 ai 世界!

这下学术圈真的破访了这款 ai 科研工具刚刚把 sci 从全世界收集来的八千多万篇论文,直接打包成了一个免费的 ai 搜索引擎,几乎包含了学术圈所有的研究成果。只需要你点开这里,输入你想问的问题,它就能免费帮你猎取出一整套的研究结果。不像你问 ai 给你一长段文字和结论, 他给你的是一套完整的研究结果。就像你自己在实验室里花几个月熬出来整理好的一样,原本要翻几十篇文件,查半天资料才能得到的东西,现在几分钟就能搞定,每个结论都能找到对应的参考文献。对于每天都要和海量的学术论文打交道的科研人员和学生党来说,简直是开挂的神器。而且操作简单,搜索结果精准,感兴趣的同学我可以分享给你。