Reading Papers (论文精读)

Produce a rigorous, critical reading note for one paper. The goal is not to summarize — it is to evaluate. Always look for weaknesses, hidden assumptions, and "smells" (异味), not just merits.

Output Conventions

• Language: 中英双语。正文用简体中文叙述，关键术语 / 方法名 / 指标保留英文（如 attention、ablation、SOTA）。
• Format: 结构化 Markdown 阅读笔记，保存为文件。
• Filename: <short-paper-id>-notes.md（如 transformer-notes.md）。若用户在 paper-reading 仓库中，保存到当前目录；否则保存到工作目录并告知路径。
• Tone: 批判性、有判断力。每个判断都要给出理由，避免复述摘要。

Workflow

1. 获取论文内容：读取用户提供的 PDF / 链接 / 文本。若只有标题或 arXiv ID，先用可用工具获取正文或摘要。
2. 逐维度分析：按下面六个维度填写模板，每个维度都要下明确结论（如「motivation 成立 / 有异味」）。
3. 保存笔记：写入 Markdown 文件，文件头包含标题、作者、年份、出处、链接。
4. 给出总评：在对话中用 2-3 句话给出整体判断（是否值得深读、最大亮点、最大隐患）。

Six Dimensions (六个核心维度)

逐条评估，每条都要有结论 + 理由，不要只描述论文怎么说。

1. Motivation（动机）
   • 论文的 motivation 是什么？
   • 是否站得住脚？逻辑链是否完整？
   • 是否有「异味」：是否为了创新而创新？是否夸大痛点？是否回避了更简单的替代方案？
2. Problem（问题）
   • 论文要解决的核心问题是什么？
   • 这个问题是否广泛存在 / 被社区讨论？还是小众/人造问题？
   • 问题是否重要？解决它的价值有多大？
3. Method & Core Novelty（方法与核心创新）
   • 方法的关键步骤 / 架构。
   • 真正的创新点是什么（与已有工作的 delta）？区分「真创新」与「换皮/组合」。
   • 方法是否能支撑 motivation 与 problem？
4. Related Work（相关工作）
   • 关键的相关工作有哪些（尤其是最直接的 baseline / 前驱工作）？
   • 本文相对它们的定位与区别。
   • 是否有该引而未引的重要工作？
5. Citation / Seed Potential（高引/种子论文潜力）
   • 是否具备成为高引或 seed 论文的潜质？
   • 判断依据：问题普适性、方法可迁移性、是否开辟新方向、复现成本、开源/数据可得性、timing。
6. Future Work & Improvements（改进空间与未来工作）
   • 论文的局限性（方法、实验、假设、泛化性）。
   • 还有哪些可做的未来工作 / 改进方向？
   • 哪些是「跟进性小改」，哪些是「值得自己做的研究机会」？

Note Template

保存的 Markdown 使用以下结构：

# <Paper Title>

- **Authors / Year / Venue**:
- **Link**:
- **One-line summary（一句话概括）**:

## 1. Motivation（动机）
- 动机：
- 是否成立 / 是否有异味（理由）：

## 2. Problem（问题）
- 核心问题：
- 普适性 & 重要性（理由）：

## 3. Method & Core Novelty（方法与创新）
- 方法概述：
- 核心创新点（vs 已有工作的 delta）：

## 4. Related Work（相关工作）
- 关键相关工作：
- 本文定位与区别：
- 缺失的重要引用（如有）：

## 5. Citation / Seed Potential（高引潜力）
- 判断：
- 依据：

## 6. Future Work & Improvements（改进空间）
- 局限性：
- 可做的未来工作 / 研究机会：

## Overall Verdict（总评）
- 是否值得深读：
- 最大亮点 / 最大隐患：

Guidance

• 下结论：每个维度结尾必须有一句明确判断，而不是只罗列论文内容。
• 找异味：主动质疑 motivation 与实验设置（cherry-picked baseline、不公平对比、缺失 ablation、过强假设）。
• 区分创新真伪：警惕「把 A 套到 B 上」「换数据集刷分」「重命名已有概念」这类伪创新。
• 诚实标注不确定：若信息不足（如没读到实验细节），明确写出「未知 / 需补充」，不要臆造。