AI 必读论文与阅读路径

论文不是按时间顺序背标题。推荐按问题阅读：模型如何建模序列、如何预训练、如何对齐、如何接入外部知识、如何调用工具与评估。

Transformer 与预训练

论文	解决的问题	入口
Attention Is All You Need	用注意力替代循环结构，建立 Transformer	arXiv
BERT	双向预训练如何服务理解任务	arXiv
Language Models are Few-Shot Learners	大规模自回归模型的上下文学习	arXiv
LLaMA	开放权重基础模型的训练配方	arXiv

对齐与高效微调

论文	解决的问题	入口
InstructGPT	人类反馈如何提升指令遵循	arXiv
LoRA	如何用低秩更新降低微调成本	arXiv
Direct Preference Optimization	如何绕开复杂 RL 流程进行偏好优化	arXiv

RAG 与检索

论文	解决的问题	入口
Retrieval-Augmented Generation	将参数化模型与外部检索结合	arXiv
DPR	用双编码器做密集段落检索	arXiv
ColBERT	更细粒度的 late interaction 检索	arXiv

Agent、工具与推理

论文	解决的问题	入口
Chain-of-Thought Prompting	通过中间推理提高复杂任务表现	arXiv
ReAct	将推理轨迹与行动交替结合	arXiv
Toolformer	让语言模型学习何时调用工具	arXiv

怎样把论文读成能力

1. 先写下论文要解决的具体问题和假设。
2. 看方法图与实验设置，确认输入、输出、数据集和指标。
3. 复现实验中的一个最小部分，或在自己的任务上做对照实验。
4. 记录失效条件和未回答的问题；论文结论通常只在特定设置下成立。
5. 对快速发展的方向，结合后续工作、开源实现和官方文档更新理解。

论文阅读优先级

读者目标	建议先读
想理解模型原理	Attention、BERT、GPT-3、LLaMA
想做微调与对齐	InstructGPT、LoRA、DPO
想做知识库	DPR、RAG、ColBERT
想做工具型 Agent	CoT、ReAct、Toolformer

每条路线先精读两三篇代表作即可；不要试图一次读完所有引用链。

读实验时重点看什么

• Baseline 是否公平，是否与强基线比较；
• 数据集与指标是否贴近你的真实任务；
• 消融实验是否真正说明关键设计有效；
• 成本、算力、失败案例和限制是否被披露；
• 开源实现是否复现了论文中的关键设置。

延伸资源

• arXiv：论文预印本与版本更新。
• Papers with Code：任务、论文、代码与排行榜索引。
• Hugging Face Papers：社区讨论与实现线索。

它们适合发现资料；最终判断仍应回到论文原文、补充材料与官方实现。