PaperBridge AI 问题库
这里不追逐宽泛的“AI 是什么”，而是回答读者真正会搜索、会在社区里提问的问题。每篇先给短答案，再说明方法、边界和原始来源。
没有一个工具在所有环节都最好。找陌生论文先用 Semantic Scholar；从几篇种子论文扩展引用网络用 ResearchRabbit；针对一组自带资料问答用 Gemini Notebook（原 NotebookLM）；逐段解释 PDF 可看 SciSpace；批量筛选、提取和系统综述更接近 Elicit 的强项；引用、标注和写作回链交给 Zotero。PaperBridge 适合把一篇关键论文做成带证据边界的视觉解释，但它不是文献搜索引擎或引用管理器。如果目标是系统综述，不要让生成式 AI 代替数据库检索：先固定并验证检索式，再让 AI 帮助排序和筛选，由人复核高风险排除项。
查看完整回答把 AI 当阅读伙伴，不当证据来源。先自己读摘要、图表和结论，写下论文的问题、核心主张与不懂之处；再让 AI 只回答有明确边界的问题，并要求它给出页码、章节、公式或原文证据位置。每个关键数字、引用和推导都回到 PDF 核对。最后关掉 AI，用自己的话复述一条核心结论或重推一步公式。做不到这一点，说明你得到的是顺畅的解释，不是可靠的理解。
查看完整回答不要先比较哪段摘要更顺。准备 5–10 篇你能核对的论文，至少包含正文为主、关键结果藏在表格、公式密集和扫描质量较差的样本。对每个工具使用同一提示，要求输出一句核心主张、精确页码或章节、作者明确写出的最大局限，以及证据不存在时回答“未找到”。逐条评分主张是否被原文支持、位置是否正确、关键方法是否遗漏、缺失信息时能否克制回答。若结果出错，再用干净文本做一次对照，区分 PDF 抽取失败和模型推理失败。
查看完整回答不要边读边决定每句话要不要保存。打开 PDF 前，先写下“这篇论文要帮我回答什么问题”；第一遍只看标题、摘要、章节、图表和结论；第二遍只填四格：核心主张、最强证据、最大局限、对当前工作的影响。每格最多一到两句，并附页码、章节、表格或公式位置。一个细节如果不会改变这四格，就留在 PDF 里，需要时再回查。最后关掉论文，用自己的话复述四格；复述不了的部分才值得重读。
查看完整回答不要从第一页顺着读到最后一页，也不要把“推完所有公式”当成读懂。第一遍只找问题、贡献、主结果和限制；第二遍沿主图追踪输入、变换和输出，再读关键实验；第三遍只攻克决定方法的那一两个公式。对多数产品判断和技术入门，先读懂问题—方法—证据—边界，比完整推导更有价值。
查看完整回答不要从“最强模型”或最长的技术报告开始。第一篇论文应该只有一个容易复述的核心改动、一个看得懂的主图和一组能验证这个改动的实验。没有方向时可从 ResNet 开始；想懂大模型就读 Transformer；想做知识库产品就读 RAG；理解 Transformer 后再读 LoRA；对图像生成感兴趣再进入 DDPM。
查看完整回答没有一条适用于所有世界模型的“清洗脚本”。真正可靠的做法是先定义模型要预测的状态和动作，再依次处理可解码性、时间同步、重复与泄漏、语义质量、安全与授权、场景分布，最后用一个小模型验证每条筛选规则是否真的改善预测或控制。对于视频世界模型，最容易被忽略的不是画面清晰度，而是相邻帧是否连续、镜头切换是否被误当成物理运动，以及训练集和测试集是否来自同一段长视频。
查看完整回答如果问题是“模型不知道最新或私有事实”，先做 RAG；如果问题是“模型知道信息但总是不按要求做”，考虑微调。RAG 更容易更新、撤回和展示来源，微调更适合稳定改变输出格式、语气、分类边界或任务行为。很多生产系统最终两者都会用：RAG 提供事实，微调规范模型如何使用这些事实。
查看完整回答先复现同模型、同题目、同解码设置下的 Chain-of-Thought 基线，再同时报告正确率和每个正确答案消耗的 token。最实用的主指标是 `tokens per correct answer = 总输出 token ÷ 正确答案数`。还要把简单题与困难多步题分开，重复运行，并记录失败、延迟和实际价格。只说“少了 74% token”并不能证明生产成本下降：一次关键失败带来的重试、人工复核或错误动作，可能抵消全部节省。
查看完整回答不要假装合成数据能够预测未来用户分布。先围绕每一条产品承诺和每一种高代价失败，建立一个小而可解释的 launch gate。每个案例至少写清初始状态、用户目标、允许工具、成功后的环境状态、禁止动作和评分方法；能用数据库、文件、API 返回值或测试判断时，不要只让另一个模型打分。上线后把真实失败 trace 按类型加入，同时保留原始种子案例作为回归集。它不是永久的“金标准”，而是上线前最低可接受行为的合同。
查看完整回答不要把语音 Agent 当成“先转写、再跑聊天机器人”。至少同时测试原始音频、ASR 转写、规范化文本、安全判断、工具参数和最终语音输出。用口音、语言、背景噪声、压缩、重叠说话、中断、TTS 注入和多轮施压组成测试矩阵；每次都核对安全层与动作层是否基于同一份版本化输入。最终评分看 Agent 是否执行了越权动作、泄露信息或在状态不确定时继续操作，而不只看回复文本有没有拒绝。
查看完整回答Prompt 负责告诉模型“想完成什么、下一步怎么判断”，harness 负责让这件事在多轮工具调用、上下文压缩和失败恢复后仍然成立。最小 harness 应把任务目标、当前状态、允许工具、权限、预算、停止条件、可执行验收和恢复点放在模型上下文之外，并在每次动作后读取真实环境结果。更长的 prompt 可以改善一次决策，却不能单独持久化状态、阻止越权、证明工具真的成功，或让下一次会话从正确位置继续。
查看完整回答问题来自公开社区的重复需求和 PaperBridge 读者的实际困惑。答案由 PaperBridge Editorial 整理，以原论文或公开研究资料为主要来源；产品经验会明确写成建议，而不会伪装成论文结论。