PaperBridge 长尾问题
有哪些真正适合 AI 小白读的论文？
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。
如果完全没有方向：先读 ResNet
ResNet 讨论的是一个具体问题：网络变深后，训练误差反而可能变差。它提出残差连接，并用对照实验说明更深网络因此更容易优化。
第一遍只回答三件事：普通堆层为什么退化、shortcut 做了什么、表格里哪组对照支持作者的解释。
如果想理解 ChatGPT 一类模型：读 Transformer
先看编码器—解码器总图、缩放点积注意力和多头注意力，再看机器翻译主结果。位置编码和每个公式可以放到第二遍。
需要注意：原论文验证的是机器翻译质量和训练效率，不是直接证明聊天、工具调用或今天所有大模型能力。
如果想做知识库问答：读 RAG
RAG 的核心问题非常产品化：模型参数中的知识难以更新，也难以追踪来源。论文把检索器、外部文档和生成器连接起来。
重点区分“找到了错误文档”和“拿到正确文档却生成错了”两种失败，这比背 RAG-Sequence 与 RAG-Token 的公式更重要。
如果想低成本训练模型：在 Transformer 后读 LoRA
LoRA 冻结原模型权重，只训练注入的低秩更新。论文的工程动机、参数量对比和延迟讨论都很明确。
它不适合作为第一篇，因为低秩更新为什么有意义，需要先知道 Transformer 权重矩阵和全量微调在做什么。
如果想理解图像生成：从 VAE/GAN 直觉再到 DDPM
DDPM 的直觉是逐步加噪，再学习逆过程逐步去噪。先理解过程图和采样，再补概率推导。
如果一上来就被公式卡住，可以先对比 GAN 的生成器—判别器博弈和扩散模型的迭代去噪，理解它解决了什么训练问题。
不建议新手把 GPT-3 或最新模型系统卡当第一篇
这些文档重要，但篇幅长、默认知识多，而且一个结果往往同时受到规模、数据、提示和评测设计影响。它们更适合在建立 Transformer、预训练和评测基础后阅读。
新手的目标不是读完最多页，而是能准确说出：论文解决什么问题、改了什么、证据是什么、边界在哪里。
一篇论文是否适合你入门
- 你能用一句话说出它要解决的问题。
- 主方法图里每个输入和输出都能解释。
- 至少有一组清楚的基线或消融对照。
- 公开代码或复现资料容易找到。
- 读完后可以做一个小实验，而不需要集群。
- 你能指出论文没有证明什么。
原论文、研究与官方文档
以下来源用于核对事实；流程与比较建议是 PaperBridge 对研究、官方文档和工程实践的综合。