完整题目
请介绍你近期阅读的一篇或多篇与人工智能、机器学习或大模型相关的学术论文，简要说明其核心思想、创新点以及对你工作的启发。
可核验的论文阅读示例
Kimi k1.5讨论长上下文强化学习、partial rollout和long2short。其long2short不是单一蒸馏流程，论文列出model merging、shortest rejection sampling、DPO和long2short RL等多种路径。启发是把“答案正确”和“推理token效率”分别建模，并验证长度约束带来的质量变化。
InstructGPT通过示范SFT、偏好排序训练奖励模型，再用PPO优化策略。RLHF奖励反映标注者对有用性、真实性、安全性等综合偏好，不应概括成只优化答案正确率。
DeepSeek-V3报告MoE、MLA、负载均衡和FP8混合精度训练。训练时FP8的格式、缩放、累积和通信方案不能直接等价为部署时权重量化；推理还需分别验证权重、激活、KV缓存精度、kernel支持和质量。
面试回答应说清论文问题、方法、证据、局限和对自身工作的可执行启发；不复述未核验的榜单数字，也不把训练技巧自动迁移成推理结论。
继续追问 · 3 个问题
- 这篇论文的实验设计有什么不足，如果是你会怎么改进
- 这个方向最近有什么跟进工作，你怎么看它的发展趋势
- 你提到的启发具体怎么落地，遇到过什么困难
换一种问法，检查是否真正理解
场景切入
假设团队准备复现一篇你确实读过的近期 AI 论文。请选择一篇，说明它解决的问题、核心方法、实验依据、局限，以及你会先验证哪一个可落地启发。
层层追问
最近完整读过哪篇论文？……它的基线和关键创新是什么？……结论由哪些实验支持？……哪些内容是论文没有证明的？……如果迁移到你的工作，会先做什么最小实验？
直球技术
介绍一篇你真实读过的 AI 或大模型论文，按问题、方法、证据、局限和工作启发五部分作答。
练习口述回答 · 约4分钟
- 用三篇论文串起训练和部署
- 准确拆解Kimi long2short
- 说明RLHF偏好目标
- 区分FP8训练与推理量化
- 落到可执行实验
我会选三篇能形成一条工程链路的论文来讲。我选的Kimi k1.5。它关注如何扩展大模型强化学习，包含长上下文训练、partial rollout、策略优化和多模态数据。对我最有启发的是，论文没有把long2short写成单一知识蒸馏，而是列出了多种方法，包括模型合并、最短正确样本的rejection sampling、基于长短偏好的DPO，以及加入长度约束的long2short RL。它说明“把长推理压短”既可以从数据、偏好、强化学习，也可以从权重组合入手，必须同时测正确率和token效率。
另一篇是InstructGPT。流程先用标注者示范做监督微调，再收集多个模型回答的偏好排序训练奖励模型，最后用PPO优化策略并控制相对参考策略的偏离。这里不能说传统RLHF只优化答案正确性。标注偏好通常覆盖是否有帮助、是否真实、是否安全以及是否符合用户意图，奖励模型学习的是这套标注分布。它的局限也很明确：奖励模型可能被利用，标注者偏好不等于客观事实，策略还可能在分布外失效。
还会讲DeepSeek-V3技术报告。它讨论MoE、Multi-head Latent Attention、负载均衡、多token预测和FP8混合精度训练。对部署最重要的边界是，训练FP8不等于推理量化方案已经被证明。训练要处理前向、反向、梯度累积、缩放和通信；推理则要分别决定权重、激活、KV缓存和累积精度，并依赖具体kernel。两者目标和误差传播不同，必须重新做质量、延迟和吞吐验证。
把三篇连起来，我得到的工作启发是：训练目标、推理成本和部署数值格式必须分层验证。若要做短回答模型，我会先建立长推理教师与可靠验证器，再分别试最短正确样本SFT、偏好优化和长度奖励；若要做低精度部署，我不会从论文的FP8训练直接推导线上收益，而会固定硬件和质量门槛做逐层敏感度测试。
面试时我还会明确哪些结论来自论文、哪些是我的实验计划，不背脱离版本的榜单数字。这样才能证明自己真正读懂了问题、方法、证据和限制，而不是只记住模型名称。
读论文时我会保存版本、关键公式和消融表，并尝试复现一个最小实验。若实现结果和论文不一致，先检查数据、评价脚本、精度与硬件，而不是立即否定结论。把可复现部分和仍属作者报告的部分分开，能避免把宣传数字当成普遍规律。