这里收集科研写作、论文阅读方法和研究路径相关笔记。
如何写 intro？
1.开篇定调：领域背景 + 研究意义 从宏观领域突破切入：以 “多模态 LLM 的重大突破” 为引子，说明其对下游研究（机器人系统）的推动作用。 定义核心研究对象：明确 VLA（Vision-Language-Action）模型的定位 ——“指令驱动机器人操作的新解决方案”。 引用权威文献支撑：嵌入最新相关研究（2024-2025 年文献），增强领域时效性和可信度。 相比于相关工作写的要长一点 2. 深入现状：现有方案 + 核心瓶颈（第 2-3 段） 作用：客观阐述现有研究的进展，重点突出未解决的问题，为本文研究铺垫必要性。 写作技巧： 先讲现有方案的通用逻辑：说明当前 VLA 模型的典型流程（大规模具身数据预训练 VLM→Policy 网络生成动作），引用关键数据集和方法（如 Open X-Embodiment、DROID）。 用 “However” 转折引出瓶颈：聚焦 3 个核心痛点 —— 依赖大尺度 VLM、训练 / 微调效率低、GPU 显存消耗高、推理吞吐量低。 数据 / 图表辅助强化：通过 Figure 1（对比表格）直观展示瓶颈（如 7B 模型 vs 0.5B 模型的显存、吞吐量差异），让问题更具体。 提出核心研究问题：以设问句形式点出本文要解决的关键问题，且强调问题的 “稀缺性”（“most essential but rarely discussed question”）。 To answer this question 3. 给出方案：本文核心方法概述（第 4 段） 作用：简要介绍本文的解决方案，回应前文提出的问题，让读者快速把握研究核心。 写作技巧： 明确方案名称与定位：直接点出 “VLA-Adapter” 是 “新型桥接范式”（novel bridging paradigm）。 提炼方案核心逻辑：说明方案如何解决问题 ——“系统探索不同条件对动作生成的影响→设计带 Bridge Attention 的轻量级 Policy 模块→自主注入最优 VL 条件到动作空间”。 突出方案核心优势：用关键指标初步展示价值（“tiny-scale backbone”“high performance”“fast inference speed”），引发读者兴趣。 4. 总结价值：主要贡献提炼（第 5 段） 作用：明确本文的学术价值和创新点，让读者清晰了解研究的增量贡献。 写作技巧： 分点但不生硬：用 “・” 引导 3-4 个核心贡献，每个贡献聚焦一个维度（创新点、方法价值、实验验证）。 突出 “创新性” 和 “实用性”： 创新点：强调 “首次系统分析”“全新范式” 等稀缺性表述； 方法价值：说明方案如何解决瓶颈（“降低对大模型的依赖”“弥合模态鸿沟”）； 实验价值：强调结果的全面性（“模拟 + 真实场景”“高成功率 + 低成本”）。