来源
本文全部由Gemini 3.0 pro生成
📌 通用切入口（适用于任何论文）
1. 问题 (Problem / Motivation)
-
论文到底在回答哪个问题？
-
现有方法的痛点是什么？（数据不够、泛化差、延迟大…）
-
为什么这个问题重要？
👉 这是论文写作的“立意”，如果没搞清楚，很容易看完只剩下“细节堆砌”。
2. 思路 (High-level Idea)
-
作者采用了什么核心思路/假设去解决问题？
-
可以一句话概括吗？（比如：“H-RDT 用人类视频预训练 + 机器人微调，实现人机迁移。”）
👉 这一步要用“抽象语言”总结，而不是陷在网络结构或公式里。
3. 方法 (Approach)
-
输入是什么？输出是什么？
-
模块是如何串起来的？（画流程图/数据流图）
-
哪些是创新点？哪些是沿用已有工作？
👉 这一步推荐自己画图（哪怕手绘），比反复读文字快得多。
4. 实验 (Evaluation)
-
用了什么 benchmark / 数据集？
-
对比了哪些 baseline？结果好在哪些任务上？
-
消融实验（Ablation）揭示了什么？
👉 实验部分回答的是“这个方法是不是靠谱”，不是“所有指标都无敌”，所以要注意它在哪些地方没效果。
5. 结论与不足 (Conclusion & Limitations)
-
论文承认了哪些不足？（小数据集、推理慢、硬件依赖强…）
-
你自己还能想到哪些？（比如：能不能推广到更复杂场景？）
👉 这是你在组会/讨论里最能加分的部分。
📌 阅读顺序（推荐流程）
-
先看图表和摘要：先抓住问题和方法大意。
-
读 Introduction + Related Work：弄清楚研究背景。
-
跳到实验图表：看看结果大概怎样，心里有个“是不是靠谱”的底。
-
再看 Method：带着结果回头看方法细节，重点是输入/输出/关键模块。
-
最后读 Discussion/Conclusion：总结贡献与不足。
⚡ 小技巧：不要一开始就盯着公式，而是先弄清楚数据流和模块图；公式可以当“补充说明”，而不是“入门钥匙”。
📌 输出方式（保证有效吸收）
-
一句话总结（自己写，强迫抽象）：
“这篇论文解决了 __，方法是 __，结果显示 __，但不足在 __。” -
画图：自己画一遍流程图/模块依赖，哪怕很简陋。
-
对照代码（如果开源）：找
model.py/train.py，确认论文图里的模块在代码里对应哪部分。 -
写批判性问题：比如“如果机器人动作空间不一样，这方法还有效吗？”
✅ 总结：
读论文时的通用切入口就是 “问题 → 思路 → 方法 → 实验 → 不足”。
顺序是 先抓大意（摘要/图表）→ 看背景（Intro）→ 看结果（实验）→ 回头啃方法（Method）。
输出时要能用一句话复述，并且能画出流程图。