模型结构基础
AlexNet → ResNet → Transformer → Vision Transformer，理解卷积、残差连接与注意力如何改变模型骨架。
AI 论文学习路径
读懂现代 AI 的 20 篇关键论文
如果只想建立一张可靠的现代 AI 地图，可以先读 AlexNet、ResNet 和 Transformer 理解模型结构，再沿 BERT、GPT-3、RAG、InstructGPT 理解语言模型，最后补上扩散模型、多模态和 Agent。下面不是按引用量机械排名，而是选择真正改变了模型结构、训练方法或产品形态的论文。
按目标选择阅读顺序
大语言模型
BERT → Scaling Laws → GPT-3 → RAG → InstructGPT → Chinchilla，理解预训练、规模、检索和对齐。
生成与 Agent
VAE → GAN → DDPM → Latent Diffusion，再读 Chain-of-Thought 与 ReAct，连接生成、推理和行动。
20 篇论文及其关键变化
每一项都链接到原论文；已有中文图解时，可直接进入 PaperBridge 解读。
- 01
ImageNet Classification with Deep Convolutional Neural Networks
GPU、大数据和深层卷积网络第一次以压倒性优势连成了一条可规模化的视觉路线。
- 02
- 03
- 04
Deep Residual Learning for Image Recognition
残差连接解决了深层网络越深越难训练的问题，今天仍是大量模型的基本结构。
- 05
- 06
BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
把双向预训练加任务微调变成自然语言理解的通用范式。
- 07
- 08
- 09
Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
把参数记忆和可更新的外部检索结合起来，成为企业知识问答的基础架构。
- 10
- 11
An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale
证明把图像切成 patch 后，纯 Transformer 也能在视觉任务上胜过卷积网络。
- 12
Learning Transferable Visual Models From Natural Language Supervision
用海量图文对齐训练出可零样本迁移的视觉模型，连接了图像和语言。
- 13
LoRA: Low-Rank Adaptation of Large Language Models
只训练低秩增量就能适配大模型，大幅降低微调的显存和存储成本。
- 14
High-Resolution Image Synthesis with Latent Diffusion Models
把扩散过程搬到压缩潜空间，让高分辨率文生图在成本上真正可用。
- 15
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
少量带中间步骤的示例就能显著提升大模型的复杂推理表现。
- 16
Training language models to follow instructions with human feedback
把人类偏好反馈用于指令跟随，奠定了现代对话式 AI 的训练路径。
- 17
Training Compute-Optimal Large Language Models
指出许多大模型参数过多、数据过少，并重写了固定算力下的训练配比。
- 18
ReAct: Synergizing Reasoning and Acting in Language Models
让模型交替进行推理与工具行动，成为今天 Agent 工作循环的直接原型。
- 19
- 20
FAQ
关于 AI 必读论文的常见问题
AI 初学者应该先读哪篇论文？
建议先读 Transformer 的《Attention Is All You Need》，再根据兴趣选择 BERT、RAG 或扩散模型。阅读前可先用 AI 论文阅读指南建立问题、方法、证据和局限四个检查点。
需要把 20 篇论文全部读完吗？
不需要。产品读者可以先读摘要、方法图、主结果和局限；工程师再深入公式、训练配置、基线和消融实验。
为什么列表里没有所有热门大模型论文？
这份列表强调研究路线的关键转折，而不是品牌或热度。它优先选择能解释后续大量工作的基础论文。