什么组成了一篇好的论文？

核心观点：先了解做研究无非几种套路，再有目标地选择 Idea 的方向。不同的领域都有可借鉴学习之处。

科学研究的几种范式

经验范式（Empirical Science）：强调基于经验观察以总结规律。
理论范式（Theoretical Science）：运用数学工具对物理或数字规律进行描述和严格推演。
计算范式（Computational Science）：通过计算机模拟和仿真，对模型和数据进行计算和分析。
数据驱动范式（Data-driven Science）：基于海量数据挖掘其中的规律与模式。
AI for Science：利用人工智能算法赋能传统科学（如生物、化学、物理等）的探索与发现。

几种文章套路类型

Well-defined（定义明确）问题的优化（俗称“刷点工作”）

在已有的经典基础模型和数据集（如 ImageNet、CoCo）上进行技术突破。
在相同参数量 / 计算资源等限制条件下，追求更佳的性能或效率。

独特问题定义 / 技术层革新

提出或改进一个前人未解决的问题，或挖掘并建立一个“挖坑型”（开创性）的工作。
展示独特的学术洞察力和创新性（例如何恺明 Kaiming He 的多篇开创性论文）。

技术应用扩展

将成熟的技术应用到新的领域或具体的数据集（例如：将通用的图像分割技术应用到不同类型的肿瘤医学图像分割中）。
必须展示出明确的临床价值或实际应用场景。

数据与基准测试（Benchmark）工作

设计全新的研究任务和大规模数据集（如 ImageNet 的扩展）。
建立客观的基准测试标准，用以验证现有主流方法的有效性。
类似于“Reflection（反思）”性质的工作，系统性地评估某个领域的进展。

Empirical Study（实证研究）

通常是回顾性或观察性的研究。
例如：研究开源社区开发者的协作行为，或者研究医生在实际场景中是如何使用 AI 医疗辅助（AICare）系统的。

阅读文献时的反思提示

读文章时，务必搞清楚“它为什么能被录用”：是工作量充分、Insight 独特、问题重要，还是性能提升显著？不要只复述方法，要判断真正支撑录用的贡献与证据。

两种宏观领域梳理示意

AUTORESEARCH AI：按 Workflow 梳理	扩散模型：按 Taxonomy 梳理
Concept & Scope：从 L0 纯人工到 L4 AI 完全自主研究	Algorithms：采样、似然估计、特殊结构数据
Technical Foundations：文献、假说、实验、验证、汇报	Connections：VAE、GAN、Autoregressive Models
Evaluation：Novelty、Validity、Impact、Reliability、Provenance	Applications：视觉、语言、多模态、时序、跨学科
Domain：计算、物理 / 工程、化学 / 材料、生物 / 医学	Future Directions：未来方向
Discussion：泛化、安全、可审计性、伦理与社会影响	从中心节点向不同演化分支展开

这两种结构说明：宏观领域梳理既可以按研究工作流组织，也可以按方法的演化分支组织。

继续阅读 Idea 的定位与生成和论文写作套路。