如何拆解一篇方法论文：任务定义、假设、模块和训练目标

封面图

系列：AI 论文盘点 / 技术趋势
日期：2026-07-25
适合读者：AI、NLP、机器学习方向研究生；准备复现方法论文、写 reading note、做 ablation 或从论文局限发展选题的科研新人；希望把“看懂论文”提升为“能拆、能复现、能质疑”的工程型读者
检索日期：2026-07-25

摘要

方法论文是 AI 研究训练中最容易“读懂表面、漏掉关键”的类型。你可能看完摘要，知道作者提出了一个新模块、一个新训练目标或一个新推理流程；也可能记住了实验表格里某几个高分结果。但如果你不能回答四个问题，这篇论文其实还没有被拆开：它到底定义了什么任务，核心假设是什么，方法由哪些模块组成，训练目标如何把假设变成可优化信号。

这篇文章给出一套面向复现和选题的拆解框架。它不把论文当成一段叙事，而是当成一个可运行、可替换、可反驳的研究系统：输入、输出、约束、模块、loss、数据流、训练流程、推理流程和证据链。我们会用 Transformer、LoRA、QLoRA、DPO、Mamba、DeepSeek-R1、Kimi K2 等代表性论文和技术报告作为参照，说明怎样从论文文本、公式、算法框、实验设置和开源代码中还原方法的真实结构。重点不是背论文结论，而是训练一种科研动作：把一篇方法论文拆成可以复现的最小单元，再从这些单元里找到自己的 follow-up idea。

为什么方法论文不能只读“方法介绍”
方法论文的四层骨架
第一步：重写任务定义
第二步：找出核心假设
第三步：画出模块边界和数据流
第四步：拆训练目标和优化流程
代表论文路线图
关键论文精读示例
方法 / 实验对比表
复现实操：从伪代码到最小可运行版本
常见误区
适合研究生继续做的选题
总结
参考资料

为什么方法论文不能只读“方法介绍”

很多研究生读方法论文时，会自然地把注意力放在 Method section：作者提出什么结构，公式长什么样，图里有哪些模块，算法框写了几步。这当然重要，但只读方法介绍会造成一个严重错觉：你以为论文的贡献在“新模块”，实际上贡献可能在任务定义、训练数据构造、损失函数权重、推理时搜索策略、baseline 选择或实验协议里。

方法论文通常有两套结构。第一套是作者写出来的结构：Introduction 讲问题，Related Work 讲背景，Method 讲模型，Experiments 讲结果。第二套是研究系统的结构：任务定义决定输入输出，假设决定为什么这个方法可能有效，模块决定信息如何流动，训练目标决定模型被奖励什么，评测协议决定 claim 是否被证据支撑。精读方法论文时，你要从第一套结构里还原第二套结构。

这种能力在 2025-2026 年尤其重要。当前 AI 方法论文越来越像系统工程：一个大模型技术报告可能同时包含预训练数据、MoE 架构、长上下文、强化学习、工具调用数据和安全评测；一篇 reasoning 论文可能同时改变数据、奖励、采样和验证器；一篇 efficient training 论文可能把显存优化、量化格式、低秩适配和实验配置绑在一起。如果只问“作者提出了什么模块”，很容易把多个变量混成一个贡献。

更实际地说，复现失败经常不是因为你看不懂公式，而是因为你没有拆清楚系统边界：作者是否固定 backbone，是否用了额外数据，loss 是主目标还是 auxiliary objective，训练分几阶段，推理时是否用了更高 compute budget，baseline 是否共享同样的数据和调参预算。拆方法论文的目的，就是在动手之前把这些问题显式化。

方法论文拆解图

方法论文的四层骨架

拆一篇方法论文，可以从四层开始。

第一层是 任务定义。它回答“论文解决的到底是什么问题”。这里不要只抄任务名，而要写成输入、输出、约束和成功标准。例如，machine translation 不是只有“翻译”，还包括输入语言、输出语言、训练语料、解码条件和评测指标；preference optimization 不是只有“让模型更符合偏好”，还包括偏好对的来源、reference model 是否固定、是否需要 reward model、优化目标是否稳定。

第二层是 核心假设。方法论文必然暗含一个假设：某种归纳偏置、训练信号、数据组织方式或推理过程能带来更好泛化。Transformer 的关键假设之一是 attention 可以替代循环和卷积来建模序列依赖；LoRA 的关键假设是大模型适配更新存在低内在秩；DPO 的关键假设是可以把偏好学习重写为直接优化策略而不显式训练 reward model；Mamba 的关键假设是 selective state space 机制能在长序列建模中兼顾线性复杂度和内容选择能力。你要把这些假设用自己的话写出来，因为它们决定后续 ablation 应该测什么。

第三层是 模块边界。方法论文里的模块不是图上画了几个盒子，而是哪些参数被训练，哪些参数被冻结，哪些信息流可微，哪些步骤只在训练时存在，哪些步骤只在推理时存在。模块边界一旦拆错，复现就会变成“看似实现了论文，实际实现的是另一个系统”。

第四层是 训练目标。训练目标不是公式装饰，而是论文把假设转化成优化压力的地方。一个方法可能看起来是架构创新，真正起作用的是辅助 loss；也可能看起来是 RL 创新，真正敏感的是 reward normalization、KL 约束、采样数量和数据过滤。拆训练目标时，要问主 loss、辅助 loss、正则项、约束项、采样策略和训练阶段分别在优化什么。

这四层可以形成一张最小拆解表：

拆解层	你要重写的问题	最终产物
任务定义	输入是什么，输出是什么，约束是什么，成功标准是什么	一段形式化 problem statement
核心假设	作者认为哪个机制会改善哪个失败模式	1-3 条可证伪 hypothesis
模块边界	哪些组件产生、变换、筛选或验证信息	模块图和数据流图
训练目标	每个 loss、reward 或 objective 在压什么行为	objective 表和训练阶段表

第一步：重写任务定义

拆方法论文时，第一步不是看公式，而是重写任务定义。一个好的任务定义至少包含五个元素：输入空间、输出空间、训练信号、约束条件和评测标准。

以 Transformer 为例，如果只说“做机器翻译”，粒度太粗。更有效的写法是：给定源语言 token 序列，模型通过 encoder-decoder attention 生成目标语言 token 序列；训练使用并行语料上的 next-token maximum likelihood；推理使用自回归解码；评测使用机器翻译指标和速度 / 可并行性分析。这样写之后，你会立刻看到论文的关键不只是“attention”，还有“去掉循环结构后是否仍能保持翻译质量，同时提升训练并行度”。

以 DPO 为例，任务定义也不能写成“对齐大模型”。它更具体：给定 prompt 和成对偏好回答，优化一个 policy，使其相对 reference policy 更偏向 chosen response 而远离 rejected response；它试图替代 RLHF 中先训练 reward model、再做 policy optimization 的多阶段流程。这样重写之后，后续问题就清楚了：reference model 如何选择，偏好数据来自哪里，chosen/rejected 的质量差是否足够，beta 等超参数怎样改变行为。

以 DeepSeek-R1 这类 reasoning 技术报告为例，任务定义还要区分“训练任务”和“展示任务”。论文可能在数学、代码和通用问答上展示能力，但训练中涉及 cold-start data、reinforcement learning、rejection sampling、distillation 等阶段。你不能把最终 benchmark 上的 reasoning ability 直接等同于某一个模块的贡献，而要追踪每个训练阶段面向的行为：格式稳定性、长链推理、可读性、答案正确性、对齐风格还是小模型蒸馏。

重写任务定义时可以用这个检查清单：

输入是否明确到数据格式、上下文长度、模态和采样来源。
输出是否明确到生成对象、预测标签、动作序列或检索结果。
训练信号是否明确到监督标签、偏好对、reward、self-play 反馈或合成数据。
约束是否包括计算预算、参数冻结、数据可用性、推理时间和安全限制。
评测标准是否真的对应论文声称解决的问题。

如果这五项写不清楚，先不要急着读公式。因为公式只是在某个任务定义内部有意义。

第二步：找出核心假设

方法论文的假设通常不会用“Hypothesis”作为标题写出来。它藏在 Introduction 的痛点、Method 的设计选择和 Ablation 的对照组里。找假设的方法是把作者的贡献句改写成因果句：

“如果我们引入 X，那么 Y 会改善，因为 Z。”

例如，LoRA 可以改写为：如果只训练低秩矩阵来近似权重更新，那么在冻结预训练模型主体的情况下仍能高效适配下游任务，因为适配过程中的权重变化具有低内在秩。这个假设直接导出复现实验：不同 rank 的表现如何，哪些层需要 LoRA，参数量和性能如何权衡，低秩更新是否在不同任务上都成立。

QLoRA 可以改写为：如果用 4-bit 量化存储冻结的大模型权重，并通过低秩适配训练少量参数，就能在有限显存上微调大模型，同时尽量保留全精度微调效果。这里要检查的不是“4-bit 很省显存”这一句，而是量化格式、paged optimizer、rank、数据质量和任务规模如何共同影响结果。

Mamba 可以改写为：如果 state space model 具备内容依赖的选择机制，就能在长序列中保留线性时间推理优势，同时改善传统 SSM 对离散 token 内容选择不足的问题。这个假设导出的问题是：优势来自 selective scan、整体架构、训练规模，还是比较对象的设置。

DPO 可以改写为：如果偏好学习目标可以从 reward modeling 推导为一个直接的分类式 objective，那么无需显式 RL 训练也能让 policy 学会偏好方向。这个假设要通过与 RLHF、PPO、IPO、KTO 等方法在同等偏好数据和 reference 设置下比较，而不是只看最终胜率。

假设拆解的关键是“可证伪”。一句“我们的方法更有效”不是假设；一句“模块 X 在长依赖场景中通过 Y 机制降低 Z 误差”才有可实验检验的形状。你在阅读时可以用三色标注：

绿色：论文明确验证过的假设。
黄色：论文部分验证，但实验设置不足以隔离变量。
红色：论文声称了效果，但没有直接证据或只有间接结果。

这种标注会自然变成你的 follow-up idea 来源。黄色和红色区域，往往比作者强调的亮点更适合研究生继续做。

第三步：画出模块边界和数据流

方法论文里的图通常是“讲故事的图”，不是“复现用的图”。复现需要你重画一张更朴素的系统图：数据从哪里来，经过哪些可训练模块，产生哪些中间变量，loss 回传到哪里，推理时哪些模块仍然存在。

你可以把模块分成六类。

输入处理模块：tokenizer、视觉编码器、检索器、prompt template、数据过滤器、增强器。很多论文看起来是模型创新，实际敏感点在输入构造。例如 instruction tuning 和 preference optimization 中，prompt 格式、system message、response 清洗和数据混合比例都会改变结果。

主体模型模块：encoder、decoder、attention block、SSM block、MoE layer、adapter、router、memory bank、tool policy。这里要标注哪些参数初始化自预训练模型，哪些从零训练，哪些冻结。

中间表示模块：retrieved documents、latent state、scratchpad、chain-of-thought、program、tool call、reward feature、hidden activation。中间表示是否可见、是否可监督、是否被过滤，会影响复现和解释。

训练信号模块：label、preference pair、reward model、verifier、self-consistency vote、teacher model、synthetic data generator。训练信号模块常被论文写得很短，但它决定上限。

优化与调度模块：optimizer、learning rate schedule、batching、gradient checkpointing、precision、seed、stage transition。工程实现不是论文的附属物，在大模型方法中常常是方法有效性的前提。

推理策略模块：greedy / beam / sampling、temperature、top-p、reranking、search、tool verification、majority vote、KV cache 或 speculative decoding。很多 reasoning、agent 和 code 论文的性能差异来自 inference-time compute，而不是训练结构本身。

画图时，建议每个模块旁边写三类标签：trainable / frozen / external，train-only / inference-only / both，claimed contribution / support component / evaluation component。这三个标签能帮你快速识别论文里的核心变量和辅助变量。

第四步：拆训练目标和优化流程

训练目标是方法论文最值得慢读的部分。公式不需要你一眼记住，但你要能回答它在奖励什么、惩罚什么、约束什么。

对于 supervised fine-tuning，主目标通常是 token-level maximum likelihood。但这不意味着所有 SFT 论文都一样。数据来源、样本权重、sequence packing、loss mask、assistant-only loss、multi-turn 格式和拒答样本都会改变训练压力。

对于 preference optimization，要拆 chosen/rejected pair、reference model、KL 或隐式 KL、temperature / beta、response 长度偏差和偏好数据噪声。DPO 的公式背后有一个重要研究问题：它把偏好学习变成了直接目标，但这个目标是否足以处理多轮偏好、过程偏好、verifier 反馈和分布外 prompt，需要具体实验支持。

对于 RL reasoning，要拆 reward 的可验证性和采样过程。数学和代码任务常有相对明确的答案验证器，开放式任务则困难得多。DeepSeek-R1 这类论文提示我们，reasoning 能力的训练不是单一 loss，而是数据、冷启动、RL、蒸馏和格式控制共同作用。阅读时要把每个阶段的目标写成表格，而不是把它们合并成“用了 RL”。

对于架构论文，loss 可能看似普通，但训练流程仍然关键。Transformer 原论文使用 sequence-to-sequence 翻译任务验证架构；Mamba 类论文通常会在语言建模、长序列任务和不同规模设置中验证架构假设。你要问：如果 loss 没变，为什么结构变化会带来收益；如果数据和规模也变了，实验是否能隔离架构贡献。

拆训练目标可以用这张表：

项目	阅读问题	复现记录方式
主目标	最终优化的 loss / reward 是什么	写出公式和代码入口
辅助目标	是否有 auxiliary loss、KL、entropy、router loss	标注权重和启停阶段
数据采样	每个 batch 如何构成	记录数据混合比例和过滤规则
参数更新	哪些参数被更新	保存 trainable parameter list
训练阶段	是否多阶段训练	每阶段单独记录 checkpoint
推理耦合	训练目标是否依赖推理策略	固定 decoding / search 配置

代表论文路线图

下面不是“必读全集”，而是训练拆解能力的一条路线。每类论文都适合练习不同拆法。

论文类型	代表论文	适合练什么
架构方法	Transformer、Mamba	从模块边界和复杂度假设拆贡献
参数高效微调	LoRA、QLoRA	从冻结参数、低秩假设和显存预算拆贡献
偏好优化	RLHF 系列、DPO	从 reward / preference objective 拆训练信号
推理训练	DeepSeek-R1 等 reasoning 技术报告	从多阶段训练和可验证 reward 拆系统
大模型技术报告	Kimi K2 等 MoE / agentic LLM 报告	从架构、数据、后训练、评测和代码说明拆证据
复现规范	NeurIPS、ICLR、AAAI、ACL checklist	从实验披露要求反推论文应提供的信息

这条路线的重点是横向比较。不要把每篇论文孤立读完，而要问：它改变的是任务定义、模块、objective、数据，还是推理预算。相同 benchmark 上的分数只有在这些变量可比时才有解释力。

关键论文精读示例

Transformer：先拆任务，再拆架构

Transformer 最容易被读成“Attention is All You Need，所以核心就是 self-attention”。这句话没错，但精读时还要拆三个层次。

第一，任务背景是 sequence transduction，原论文主要通过机器翻译实验展示效果。第二，核心假设是 attention 机制可以替代 recurrent / convolutional 结构，并通过并行化改善训练效率。第三，模块包括 multi-head attention、position-wise feed-forward network、positional encoding、residual connection、layer normalization、encoder-decoder attention 和自回归 decoder。第四，训练目标仍是常规序列生成目标，所以架构贡献要通过与 RNN/CNN baseline、训练成本和翻译质量共同判断。

复现时，你不需要一开始就重写一个现代大模型。更好的训练是用小规模 translation 或 language modeling 任务实现 minimal Transformer，然后逐项关掉 positional encoding、multi-head、feed-forward width、residual path，观察 failure mode。这比直接跑大模型更能理解方法。

LoRA / QLoRA：模块小，变量不少

LoRA 的论文很好练“参数边界”。它的核心不是“加两个矩阵”这么简单，而是冻结预训练权重，只训练低秩更新，并把可训练参数插入到特定线性层。阅读时要记录 rank、alpha、插入层位置、dropout、任务类型、baseline、全量微调对照和训练预算。

QLoRA 则进一步提醒我们：方法论文可能由多个工程变量组成。4-bit quantization、NF4、double quantization、paged optimizer、LoRA adapter、数据集选择和指令微调设置都可能影响结果。你要把“显存可行性”和“质量保持”分开记录。前者可以通过峰值显存和 batch size 复现，后者需要同数据、同模型、同评测的对照。

DPO：公式背后的数据和 reference

DPO 的吸引力在于把偏好优化写成相对简洁的目标。但拆解时要从公式外部开始：偏好数据怎样构造，chosen/rejected 是否只差一个维度，reference policy 如何选择，beta 如何控制偏离程度，训练后是否出现长度偏差或安全行为变化。

对于研究生，DPO 的好训练不是复述推导，而是做一个小实验：固定基础模型和偏好数据，比较 SFT-only、DPO、不同 beta、不同数据噪声比例和不同 evaluation prompt。你会发现 preference optimization 的效果不只来自目标函数，还来自偏好数据的可学习性。

Mamba：复杂度 claim 要和任务 claim 分开

Mamba 类论文适合训练“不要把效率 claim 和效果 claim 混在一起”。线性时间序列建模是复杂度 claim，语言建模或长上下文表现是任务 claim，selective state space 是机制 claim。三者相关，但不是同一件事。

阅读时，先拆 selective mechanism 解决什么失败模式，再看实现是否需要特定 kernel 或硬件优化，最后看实验是否覆盖了足够任务和规模。复现时可以先跑小模型的序列任务验证功能正确，再比较吞吐和显存，最后才谈大规模结果。

DeepSeek-R1 / Kimi K2：技术报告要按阶段拆

2025 年以来，大模型技术报告越来越重要，但它们常常不是单一方法论文。DeepSeek-R1 这类 reasoning 报告涉及强化学习、冷启动数据、蒸馏和推理行为；Kimi K2 这类 MoE / agentic LLM 报告则会同时覆盖模型结构、训练系统、agentic 数据、工具调用和评测。

读这种报告时，最危险的做法是把所有结果归因到一个名字。更好的做法是按阶段拆表：预训练阶段解决什么，后训练阶段解决什么，RL 阶段优化什么，蒸馏阶段迁移什么，推理设置又额外提供了什么。对于代码仓库、模型权重、benchmark 数字和数据细节，要以论文官方页面、arXiv 版本、项目主页和仓库当前状态为准；本文检索日期为 2026-07-25，后续发表版或仓库内容可能已经变化，发表前应再次人工核验。

方法 / 实验对比表

读完一篇方法论文后，建议强制输出一张对比表。下面是一种模板。

维度	本文方法	关键 baseline	需要核验的问题
任务定义	输入、输出、约束是否改变	baseline 是否同任务	是否存在任务定义漂移
数据	训练数据、过滤、合成、偏好来源	baseline 是否同数据	是否用了额外不可见数据
模型	新模块、冻结模块、外部模块	baseline 参数量和架构	参数量或计算量是否公平
Objective	主 loss、辅助 loss、reward	baseline objective	是否多了额外训练信号
训练预算	steps、tokens、GPU、precision	baseline 预算	是否调参预算不同
推理预算	sampling、search、tools、rerank	baseline 推理设置	是否用了更多 test-time compute
证据	main table、ablation、analysis	对照实验	是否隔离核心变量
可复现性	代码、数据、配置、seed、日志	baseline 复现实作	缺哪项会阻塞复现

这张表的作用不是整理得好看，而是暴露不可比项。只要你发现“本文方法多了额外数据”“baseline 没有同等调参”“推理时用了更多采样”“ablation 没有单独关掉核心模块”，就应该在阅读笔记里标红。

复现实操：从伪代码到最小可运行版本

方法论文复现不要一开始追求完整规模。更稳的路线是四步。

第一步，建立 paper spec。把任务定义、数据、模块、objective、训练阶段、推理设置写成一页 YAML 或 Markdown。不要写感想，只写可执行信息。凡是论文没说清楚的地方，标成“待人工核验”或“需要从代码确认”。

第二步，做 minimal implementation。只实现核心变量，使用小数据、小模型和短训练步数验证代码路径。目标不是复现论文分数，而是确认 forward、loss、mask、梯度和日志都正确。

第三步，做 single-factor ablation。一次只改一个变量：关掉模块、换 objective、改变 rank、去掉 auxiliary loss、固定推理预算、替换数据过滤规则。每个实验要有 seed、config、commit hash、硬件信息和日志路径。

第四步，做 claim-level reproduction。回到论文主 claim，判断哪些 claim 被你复现，哪些只部分复现，哪些无法复现。复现报告应按 claim 写，而不是按实验编号写。

一个实用的复现目录可以这样组织：

reproduce_paper_x/
  paper_spec.md
  configs/
    baseline.yaml
    method.yaml
    ablation_no_module_x.yaml
  scripts/
    train.py
    evaluate.py
  logs/
    2026-07-25_seed1_method/
  notes/
    implementation_questions.md
    reproduction_report.md

如果论文有官方代码，不要急着魔改。先跑官方最小 demo，记录环境、依赖版本、数据下载、checkpoint、默认参数和日志格式。然后再把你自己的实验改动控制在 config 层。很多复现失败来自“还没跑通原始实现就开始重构”。

常见误区

误区一：把论文图当成实现图。 论文图常省略数据预处理、mask、loss 权重、训练阶段和推理策略。复现前必须重画数据流图。

误区二：把新名字当成新贡献。 一个模块有新名称，不代表它改变了核心机制。要追问它相对 baseline 改了什么变量。

误区三：只读 main result table。 方法论文的可信度主要在 ablation、analysis、negative case 和实验协议，而不只在最大表格。

误区四：忽略训练数据。 2025-2026 年很多模型能力差异来自数据筛选、合成、偏好标注、蒸馏和 rejection sampling。只看模型结构会误判贡献。

误区五：把 test-time compute 当成训练方法收益。 如果方法在推理时使用更多采样、搜索、工具调用或 verifier，必须单独记录推理预算。

误区六：复现时只追分数，不追机制。 分数接近不代表机制一致。你还要检查中间行为、失败案例和 ablation 是否支持同一解释。

适合研究生继续做的选题

方法论文拆解基准：选一个小领域，系统标注 30 篇论文的任务定义、模块、objective、数据和推理预算，分析常见不可比变量。
Objective 敏感性复现：选择 DPO、IPO、KTO 或 GRPO 相关方法，在同一偏好数据上比较超参数、噪声和 reference model 的影响。
模块贡献再评估：挑一篇架构或 adapter 论文，复现实验并加入更严格的参数量、训练 tokens 和推理预算控制。
技术报告证据审计：以 2025-2026 年大模型技术报告为对象，比较它们披露数据、训练阶段、评测和安全限制的粒度。
论文到代码一致性检查：构建工具或人工协议，检查论文公式、算法框、配置文件和代码实现之间的不一致。
Ablation report 模板研究：提出一种面向方法论文的复现报告格式，强制按 claim、变量和证据组织，而不是按实验流水账组织。

这些题目都不要求一开始训练大模型。真正有研究价值的是把变量拆清楚，把对照做干净，把结论写得可证伪。

总结

拆解方法论文的核心，不是把 Method section 翻译成中文，而是把一篇论文还原成研究系统。你要先重写任务定义，再抽出核心假设，然后画模块边界和数据流，最后拆训练目标、训练阶段和推理设置。只有这样，论文里的 claim 才会变成可复现、可质疑、可扩展的对象。

对研究生来说，最重要的训练不是“读了多少篇”，而是每读一篇都能产出四个文件：任务定义、假设清单、模块图、objective 表。一个月后，你会发现自己不再只是跟随论文叙事，而是在主动审计论文。科研选题也会从“我想改一个模块”变成“我知道哪个假设还没有被充分验证，以及怎样设计实验验证它”。

参考资料

检索日期：2026-07-25。以下链接优先选择论文、会议官方页面、arXiv、OpenReview 或项目主页。模型权重、代码仓库状态、benchmark 数字、数据集版本和会议规则可能随时间变化，正式发布前应再次人工核验。

Vaswani et al., “Attention Is All You Need”, arXiv, 2017. https://arxiv.org/abs/1706.03762
Hu et al., “LoRA: Low-Rank Adaptation of Large Language Models”, arXiv, 2021. https://arxiv.org/abs/2106.09685
Dettmers et al., “QLoRA: Efficient Finetuning of Quantized LLMs”, arXiv, 2023. https://arxiv.org/abs/2305.14314
Rafailov et al., “Direct Preference Optimization: Your Language Model is Secretly a Reward Model”, arXiv, 2023. https://arxiv.org/abs/2305.18290
Gu and Dao, “Mamba: Linear-Time Sequence Modeling with Selective State Spaces”, arXiv, 2023. https://arxiv.org/abs/2312.00752
DeepSeek-AI, “DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning”, arXiv, 2025. https://arxiv.org/abs/2501.12948
Moonshot AI, “Kimi K2: Open Agentic Intelligence”, arXiv, 2025. https://arxiv.org/abs/2507.20534
NeurIPS 2026 Reviewer Guidelines, official conference page. https://neurips.cc/Conferences/2026/ReviewerGuidelines
ICLR 2026 Call for Papers, official conference page. https://iclr.cc/Conferences/2026/CallForPapers
AAAI-26 Reproducibility Checklist, official conference page. https://aaai.org/conference/aaai/aaai-26/reproducibility-checklist/
ACL 2026 Main Conference Calls and submission information, official conference page. https://2026.aclweb.org/
OpenReview documentation and venue pages for ICLR-style peer review and paper metadata. https://openreview.net/