从读论文到做实验

论文阅读常见两种低效方式：逐句翻译，却不知道结论依赖什么；快速收集摘要，却从未检验方法是否有效。更扎实的路径是建立学习闭环：提出问题、提取可验证主张、实现最小实验、分析偏差，再将结果写回自己的知识结构。

围绕主张阅读

首轮阅读先回答四个问题：论文解决什么问题，与什么基线比较，核心改动是什么，证据是否支持结论。随后建立“主张—证据表”，把重要结论对应到实验、指标和数据集。

若一句结论找不到直接证据，就标记为待验证，而不是凭作者语气判断可信度。阅读的目的不是记住全部细节，而是找出值得用实验检验的因果链。

• 主张——方法声称改善了什么。
• 条件——数据规模、训练预算与使用限制。
• 证据——表格、消融、基线和误差分析。
• 疑问——缺失比较、异常样本和未解释变量。

先复现最小因果链

不要一开始重建完整系统。选择论文最关键、最容易被证伪的一项主张，设计最小实验。例如论文认为一种采样策略提升小样本表现，就固定模型、数据和训练预算，只替换采样策略。

开始前记录环境、随机种子、数据版本、指标实现和预期方向。预期方向比预期数值更重要：不同硬件与实现很难得到完全相同的数字，但趋势相反通常意味着实现、条件或原主张中至少有一处需要重查。

用对照实验解释差异

当结果与论文不一致时，不要立刻断言论文错误。先建立可信基线，再一次只改变一个变量。检查数据预处理、评估口径、训练步数、超参数搜索范围和依赖版本。

报告均值之外，也保留多次运行的波动与失败样本。只有差异大于随机波动，才值得提出机制解释；否则更诚实的结论是证据仍不足。

• 正对照——证明实验管线能检测到已知提升。
• 负对照——检查提升是否来自无关变量。
• 消融——逐项移除方法组件。
• 错误分析——按样本类型寻找收益与损失来源。

把结果写回知识系统

实验结束后，交付物不应只有代码和一张结果表。写一页实验卡：问题、假设、改动、结果、限制和下一步。明确区分“论文中的事实”“本次实验观察”和“自己的推断”。

最后做一次迁移测试：如果换数据集、指标或规模，结论是否仍可能成立？能回答适用边界，才算真正理解了方法。当新增实验不能改变当前判断时，先整理结论，再决定是否投入更大预算。

• 记录——保存数据、预算、指标、基线与运行波动。
• 边界——标出失败样本与结论适用范围。
• 下一步——只提出能够改变当前判断的新实验。

复现不是把一个数字抄到自己的机器上，而是把结论拆成能够被自己推翻的步骤。