算法与研究路线

目标是理解设计动机、推导与实验边界，而不是只记论文结论。前置要求：线性代数、概率、自动微分、PyTorch 和训练基本流程。缺口可从 必备数学 补起。

四个阶段，建议四至八周

阶段	读什么	研究产出	应能回答
原理复算	Transformer、Attention、位置编码	张量形状、复杂度和数值稳定性的推导记录	等变性与不变性有什么区别？
训练闭环	预训练、反向传播、训练内部机制	小模型训练曲线与异常实验	loss 下降能证明泛化更好吗？
对齐实验	LoRA、RLHF / DPO、评估	固定数据切分、随机种子和资源预算的对照	收益来自算法还是数据与算力？
前沿判断	FlashAttention、Agentic RL、推理模型	论文卡：贡献、假设、消融、局限与开放问题	哪个实验能推翻论文最强的主张？

里程碑自测

• 从公式到代码逐项解释，不把工程近似当成理论等式。
• 对复现记录数据、实现差异、硬件和软件版本；不声称未做过的复现成功。
• 给出至少一个混杂因素和一项必要的消融实验。

常见卡点

算力不够时先做机制验证并声明规模边界；只报最好结果时补充不同种子与失败运行。L4 是阅读目标，不是「刚更新」标签，前沿页仍需对照原论文。