把大模型研究，展开成一张持续生长的地图

大模型正在重塑我们理解智能、训练模型与构建系统的方式，也重新定义着研究本身的边界。论文提出新的可能，代码赋予它具体的形态，实验留下证据，工程实践则不断修正我们对方法与边界的认识。

这里沿着模型、训练、推理、Agent 与系统展开，收集那些值得被留下的研究线索：已经得到验证的结论，实验中反复出现的现象，真实研发积累的经验，以及仍然没有答案的问题。因为研究从来不是答案的陈列，而是理解不断形成、被检验，再被重新书写的过程。

Knowledge Architecture

知识节点沿着问题之间的依赖关系展开，而不是按照热点堆叠。这里从学习与表示的基础出发，经过模型结构、训练过程与推理系统，最终抵达工具、Agent 和真实任务；每一层既回答自身的问题，也为下一层提供理解的起点。

研究材料先在工作台中保留它们各自的语境，再在相互对照中逐渐形成判断。论文提出问题与方法，源码展示方法如何成为系统，实验检验假设在具体条件下是否成立，工程记录则补足真实约束与反复试错留下的经验。

学习路线不是必须线性完成的课程，而是几条可以往返的理解路径。面对一个新的现象，可以向下追溯它所依赖的机制，也可以从基础概念出发，沿着模型、训练与系统逐步观察能力如何显现。

阅读的终点不是复述材料，而是留下能够被重新检查的判断：问题从哪里开始，证据如何支持结论，结论又在哪些条件下需要被修正。

LOCATE

从问题或任务出发，界定需要理解的机制与证据范围，先找到真正值得追问的地方。

RELATE

将新材料放回知识体系，与相关理论、源码和实践记录建立可以回溯的联系。

SYNTHESIZE

提炼经过验证的机制、结论与适用边界，让一次阅读成为后续研究可以继续调用的认识。