手把手教AI科研入门-3 | 论文搜索及阅读顺序 AI论文的获取指南 首先,我们需要知道从哪些网站能找到最全面的AI论文。在这里,我推荐大家使用DBLP网站。DBLP是一个针对计算机和电子领域的专业搜索库,不仅可以通过关键词搜索论文,还可以根据年份、会议或期刊轻松筛选。同时,它提供完整的下载链接,方便逐篇下载。与Google Scholar相比,DBLP对学习AI的同学更为友好。 另外,还有一个小工具推荐给大家,那就是CCF会议和期刊评级插件,叫CCF Rank。安装在浏览器上后,能帮助大家标记每篇论文的CCF评级,更方便地找到顶级会议或期刊的论文。 论文阅读的策略与建议 有了这些论文资源后,我们如何选择去阅读,并且在科研初期有效利用这些资源呢?以下是我为大家总结的四步策略: 1)精读综述论文:首先,选择领域内引用量最高的1到2篇综述论文。这些论文能帮助你全面了解领域定义、研究意义、应用方向以及经典方法。通过综述的精读,你能快速了解选择领域的全貌。 2)精读和复现近一年内的Top论文:选择近一年内的顶级会议或期刊论文进行精读,尤其是那些提供公开代码的框架式论文。最新的论文能够反映当前的前沿技术,而有代码支持的论文复现难度较低,能帮助同学快速熟悉领域的模型架构。例如,计算机视觉领域的CVPR、ICCV等会议,或者NLP领域的ACL、EMNLP等期刊。 3)精读经典工作:在实验过程中,可以选择领域内常被提及的经典工作进行精读。这些经典工作的作者往往对该领域有深刻见解,阅读这些论文可以加深对领域的理解。 4)粗读近5年的Top论文:为了进一步了解领域的基本技术或方法,可以选择近5年的顶级会议或期刊论文进行粗读。这不仅有助于技术的掌握,也为未来撰写论文的相关工作部分打下基础。#人工智能 #读研 #读博 #研究生 #科研入门
00:00 / 06:32
连播
清屏
智能
倍速
点赞31
00:00 / 02:16
连播
清屏
智能
倍速
点赞83
论文《CL-bench》:「下半场」先搞上下文学习 腾讯混元团队和复旦大学的专家们最近搞了个新研究,发现现在最牛的AI模型,其实有个大短板:它们不会“现学现用”。 简单来说,你给AI模型一本全新的“说明书”(比如一个没见过的编程语言规则、一套复杂的法律条文,或一堆实验数据),里面已经把解决任务的所有信息都写得明明白白了。但即使这样,最顶尖的AI模型能根据这份“说明书”正确完成任务的概率,平均也只有17.2%,最好的一个也不过23.7%。 问题出在哪儿?AI主要靠的是“死记硬背”的训练数据,而不是像人一样,能实时地从眼前的资料里学习新知识并灵活应用。这导致它们经常犯两种错: 无视说明书:直接忽略你给的新规则,用自己过去学的东西瞎答。 用错说明书:虽然读了,但理解或应用错了。 为了系统地暴露这个问题,研究团队造了个叫 CL-bench 的测试平台。里面有500个完全虚构或精心修改过的复杂场景(比如虚拟法律、新游戏规则、实验数据),确保AI绝对没见过。测试结果给整个行业敲了警钟:模型光会“理解长文本”和“听话”是不够的,真正的“上下文学习能力”才是关键短板。 未来的趋势是,如果AI能学会这项能力,人类的角色就会从“准备海量训练数据”变成“提供高质量的任务说明书(上下文)”。更进一步的挑战是,如何让AI把从这次任务中学到的经验记住,变成持久的知识,而不是关掉对话就忘了。 总之,这项研究指出了一个核心方向:让AI从“知识复读机”变成真正的“现场学习者”,是让它能在真实世界可靠工作的下一道关键门槛。
00:00 / 07:46
连播
清屏
智能
倍速
点赞3