- 博客(23)
- 收藏
- 关注
RSS订阅原创 Codex疑似悄悄换模型：同样的指令，结果为什么变了
修改后，用 fixed_sample 目录下的数据运行一遍，把关键输出与 baseline_output.txt 逐项对比，列出所有差异。但对科研党来说，它碰到的是可复现性：论文里的预处理脚本、评估代码如果是 AI 参与写的，背后的模型变了你却不知道，结果对不上时就很难查。周五让 Codex 写的数据处理脚本，跑得好好的。周一用同一条指令让它再改一版，代码风格变了，输出的行数也对不上。变量越少，越容易看出是模型变了，还是你的话变了。这件事说明了一点：你选的模型，不一定就是你实际用到的模型。
2026-11-03 09:54:25
120
原创 ChatGPT和Codex共用额度：怎么写论文更省额度
12 月起，ChatGPT 与 Codex 将共用一个额度，Instant 聊天不占额度，Fast 模式按 2.5 倍消耗。额度变紧后，最费额度的用法往往也是效果最差的用法。本文总结改论文时最费额度的 4 个习惯及改法，并附一份可直接照抄的论文项目 AGENTS.md 模板。
2026-11-02 10:07:31
201
原创 GPT-6.1换进 Codex 别急着让它一口气写完整篇论文
能塞进去的材料确实更多了，但有一件事没变：上下文长，不等于它懂你的实验。你没交代清楚的地方，模型不会停下来问你，而是用很流畅的话自己补上：多补一个你没做过的对比设置，把"提升 0.8%“写成"显著提升”，替你总结一个实验里根本没有的结论。请先用自己的话复述实验设置，列出你认为缺失或矛盾的信息，等我确认后再写正文。新模型一出来，上下文又变长了，干脆把代码、实验数据、草稿全扔给它："帮我写完整篇论文。错一处，就说明材料还没喂对，先补材料再写。先让它列出这一节的大纲，你确认每个小点都有证据对应，再让它写正文。
2026-10-30 10:14:32
204
原创 审稿人说创新性不够，先别急着改 idea：用 Codex 拆解审稿意见
除了前面提到的逐条道歉、盲目补实验，还有两个常见误区值得注意：态度对抗，在回复中反驳审稿人的专业判断，即使意见有误解，也应该用证据和逻辑说明，而不是情绪化辩解；以及回复和实际修改不一致，回复里写"已补充实验X"，但正文里没有真正加进去，这种"说了但没做"一旦被发现，后果比原来的问题更严重。审稿人质疑"这个模块为什么要加"“这和之前的方法有什么本质区别”，这类意见往往最难处理，因为它指向的不是某个实验缺失，而是创新点在最初就没有想清楚。同样一句"建议补充实验"，背后可能是完全不同的诉求，回应方式也完全不同。
2026-09-16 14:49:19
139
原创 跑了 20 次实验，却说不清最优结果怎么来的？用 Codex 建实验台账
如果你的实验文件夹已经出现了 final_v7_real_final，可以留言“台账”。后续我会分享实验记录模板，用于真实实验梳理、对照设计和论文实验部分辅导；更有价值的用法是，把日志、配置、代码改动说明和结果文件交给它，建立一份实验台账。但一组结果真正有价值，不只在于数值高，还在于它能不能回溯、比较、复现和解释。但至少要保证：以后看到一个数字时，你能在几分钟内找到它对应的设置与来源。请基于我提供的实验日志、配置文件、结果表和代码修改说明，不要挑选“最高分”，不要编造缺失配置、实验记录或结论。
2026-09-11 15:34:35
104
原创 你的题目不是研究问题：用 Codex 把“我想做 XX”拆成可验证的问题
面向某场景的高光谱分类方法研究”，已经像是一个论文题目，但仍然没有说明：为什么这个问题值得研究？如果缺少“证据路径”，所谓创新往往只是一个暂时无法证明的想法。如果缺少“现实约束”，所谓问题往往只是泛泛的性能目标。这时，你才从“我想做分类”走到了一个值得研究的问题。它们更像是：一个研究方向，加上一种你想尝试的工具。“我想做高光谱分类”，只能说明你选择了一个领域。请不要直接帮我编造创新点，而是通过连续追问，“我想做 XX”，为什么还不算研究问题？真正的研究问题，需要进一步进入具体条件。
2026-09-10 10:57:04
61
原创 相关工作不是逐篇摘要：用 Codex 画出你的方法谱系图
如果你现在已经看了不少论文，却还是写不出相关工作、找不到研究位置，可以留言“谱系”。后续我会分享文献卡片模板和方法谱系梳理框架，用于真实科研阅读、研究设计和论文结构辅导，不编造文献结论。它真正要证明的是：你知道自己的研究从哪里来，已有方法解决了什么，又为什么还需要继续做。下载了几十篇论文，做了很多标注，甚至把作者、年份、网络结构、实验指标都记得很清楚。这里尤其要注意：论文明确写出的局限，和你自己推断出的潜在限制，不是一回事。而是从一开始，你就在按论文编号做笔记，而不是按研究问题做阅读。
2026-09-09 10:57:25
216
原创 代码跑通了，论文方法还是写不出来？用 Codex 先读懂你的代码
尤其是继承开源代码、接手师兄师姐项目、或者在原始框架上改过多个版本之后，最危险的情况就是：论文里写了一套方法，代码里实际跑的是另一套流程。而不是看到项目里有 fusion.py、attention.py、loss.py，就默认它们全部构成了你的创新方法。因为在代码中，“定义了一个模块”“训练时调用了这个模块”“实验验证了这个模块有效”，是三件完全不同的事。如果没有确认这些事实，直接让 AI 写方法，很容易写出一段看上去专业、实际却无法复现的内容。代码跑通了，训练日志也有，模型权重也保存了，甚至指标还不错。
2026-09-08 11:28:44
156
原创 开题不是把 3 个创新点排成目录：用 Codex 画出研究递进图
先用一页材料卡说明每个工作的任务、数据、方法、结果和限制。这样 Codex 才更容易发现你真正缺的是“实验”，还是“研究问题之间的连第一，两个章节任务定义完全一样，只是换了模型部件。很多同学开题时，手里已经有几个工作：开题答辩最怕被问的一句话，往往不是“你的创新点是什么”，而是“你这三章之间到底是什么关系”。以高光谱分类这类任务为例，很多工作的差别看上去是“模型不同”，但真正决定章节关系的，往往是任务条件有没有变化。它最适合做的是：把你已有的材料盘点清楚，逼着你把“我做了什么”变成“我解决了什么问题”。
2026-09-07 15:35:39
176
原创 高光谱分类论文完全没思路？先别急着加模块：新手先把这 4 步做对
高光谱分类论文写不出来，往往不是缺少新模块，而是缺少一条清晰、可验证的研究逻辑。新手应先明确任务问题，再搭建公平的 baseline，通过每类精度、混淆矩阵和分类图定位模型失败原因，最后设计对应机制并用消融实验验证。这样才能把真实实验组织成可信的论文创新点。
2026-09-04 11:10:39
284
原创 HyperSIGMA论文解读：高光谱分类需要追大模型吗？
高光谱分类研究不必盲目追随大模型趋势。高光谱图像具有空间和光谱双重特性，传统模型泛化性较差。HyperSIGMA等大模型通过预训练学习通用表征，采用空间-光谱分离建模和稀疏注意力降低计算成本。但研究者需根据课题需求选择：多场景任务适合探索基础模型，单数据集小样本研究则应先确保baseline可靠性。实验可信度比模型规模更重要，建议先验证数据划分合理性，再考虑是否采用大模型方案。高光谱分类应注重问题本质而非盲目追求参数规模。
2026-08-24 16:54:04
234
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人