Tech Blog Writer

量子位技术博客写作 v2.0

这个skill解决的核心问题 技术博客和论文有固定的学术结构(Problem → Method → Experiment → Conclusion),但这个顺序对普通读者极不友好。 这个skill的核心任务是:重新排列论文的信息顺序,让最有冲击力的东西先出来,让最难懂的东西被最直观的方式托住,并用量子位风格写出来。

这个skill的本质是技术内容的大众化转译工具。 目标是产出一份把技术语言变成人话、不损失准确性、读者一次能读懂的初稿——把一项技术工作写对、写清楚、有条理,让henry后期改的时候能直接改事实和措辞,而不是先剥掉一层"代入角色解说"的语气才能动稿子。

写作时遵守以下规则:

1. 不替读者下结论。 把技术细节、数据、对比摆出来,让读者自己判断这项工作的意义。
2. 不营造作者人格。 不要把"henry是一个懂技术的犀利评论员"当作生成参考。henry是这个skill的署名作者,不是要在文章里扮演的角色。
3. 不刻意戏剧化。 不要为了"有节奏感"省掉关键技术细节,不要为了"有调性"加情绪化形容词,不要为了"有姿态"在事实前面塞判断词。
4. 判断词必须有事实支撑。 "突破性"、"颠覆"、"革命性"、"史无前例"这类带情绪的判断词,前面必须有对应的数据或事实段落。如果没有,删掉判断词。
5. 审美层是工艺,不是人格。 克制、调侃只是具体写法,不是要营造的人物状态。
6. 创新意象优先,俗套判断宁可不写。 写不出新颖意象就让事实自己摆在那里,不要用俗套判断填空。

第6条的识别方法:写完一个判断句,问自己——这句话有没有给读者一个新的视角或一个没见过的对照?没有就是俗套判断,删掉。让数据自己摆在那里,不要用判断填空。

判断方法:把初稿交付后想象用户读到的感受。是"这是一份标准技术解读稿,我可以直接改事实",还是"这是一段有作者姿态的文字,我得先剥一层语气才能动"?前者合格,后者重写。

流程元规则

最高优先级判断:论文解读默认跟随论文本身的叙事顺序,不强行套结构。

这是 tech-blog-writer 区别于 henry-writer 的根本。henry-writer 重组素材,tech-blog-writer 默认尊重论文原叙事。拿到一篇论文,动笔前先判断这篇论文本身写得好不好:

• 论文写得好(多数情况):它的叙事顺序本身就是清晰的——动机、方法、实验、结论一路顺下来。这种情况下,直接顺着论文的展开顺序翻译、提炼、降维成人话即可,不要拿"现象-数据-案例-对比"或任何模板去打乱它本来清晰的叙事。skill 在这里的工作是「转译」,不是「重构」。
• 论文写得烂(少数情况):它的核心点被埋在某个角落,叙事散、重点不突出。这种情况下才需要重构——把真正的炸点找出来提到前面,把支撑它的部分重新组织。这才是 skill 需要主动"找点"的场景。

唯一不跟随论文叙事的部分是开头。 论文的开头(摘要/引言)是写给审稿人的,几乎都要重写成科技媒体的开头(见第二步)。开头之后,默认顺着论文走。

判断方法:读完论文先问一句——"如果我把这篇论文的章节顺序直接翻译成人话,读者读得顺吗?"读得顺,顺着走(只重写开头);读不顺,才重构。多数好论文的答案是"读得顺"。

不要循环返工。 从"理解素材"到"质检交稿"是一次性线性流程。质检发现的问题列在报告里,标"待修复"或"已就地修复",交给用户决定修改方向。事实错误(L0)是唯一例外,必须就地修正。

第一步:理解素材,判断论文类型

拿到论文/博客后,先做三件事再动笔。

1、找到「最有冲击力的一帧」

2、找到「背景导入的锚点」

想清楚三件事:这个工作坐落在哪个领域,那个领域的核心难题是什么,这篇论文要突破哪一步。这三个问题的答案是2-4句话的背景导入,不是背景章节。

3、找到「人」

作者里有没有值得写的人?背景有没有戏剧性?如果有,放在哪里最有力量(开头还是结尾)?

第二步:文章结构

论文的原始结构是给审稿人看的,写文章要重排。

标准结构:

【开头】四句骨架(领域/大佬二选一 → 论文本身 → demo/结论 → 可选大众连接)
  ↓
【背景导入】2-4句,不超过一段。这个领域在做什么/为什么难/这篇突破哪一点
  ↓
【核心是什么】新方法的核心思路,一句话版本,配类比
  ↓
【怎么做到的】技术拆解,从结果到原理,每个技术点配demo或具体例子
  ↓
【数据说话】关键对比数字,必须有锚点,不放裸数字
  ↓
【更多细节】可选,针对专业读者,算法/工程细节
  ↓
【背景与人】这个工作在哪个更大的趋势里,作者是谁
  ↓
【收尾】回环、短句、或一句留白

三种文章类型的具体结构

类型一:新模型/产品发布

发布事实(一句话)+ 最亮眼的demo
↓
背景导入(2-4句:这个领域在做什么,为什么这个模型出现)
↓
核心能力(2-3个,逐一展开,每个配demo和数据)
↓
与上一代/竞品的对比
↓
这个团队/产品线的来龙去脉 + 作者

参考:Gemini Robotics-ER 1.6

类型二:方法论突破(算法/架构)

核心发现或反直觉结论(直接说,不铺垫)
↓
背景导入(旧方法是什么,为什么出问题了)
↓
新方法的核心思路(一句话类比)+ 技术细节(从浅到深)
↓
实验结果(对比数据)
↓
作者信息(尤其有戏剧性时重点写)

参考:DeepSeek改造残差连接、Kimi Attention Residuals

类型三:系统/产品型论文

端到端的应用场景demo
↓
背景导入(这类系统解决什么问题,以前为什么做不好)
↓
系统能做什么(用户视角,不是架构视角)
↓
系统架构(模块逐一拆解,每个模块配demo,用「它负责做什么」介绍)
↓
性能数据 + 局限性(简短,但不能没有)

参考:StreamingClaw

技术内容的节奏铁律:先炸点,后原理

凡是涉及技术产品/模型/方法的文章,永远按以下顺序组织:

第一层:能直接"看到"的炸点

• Demo、视觉结果、反直觉的对比数据
• 让读者在三秒内愣住,产生"???"的反应
• 但这一层必须把5W立稳——读者愣住的前提是知道这是谁在什么时候做的什么事,不是悬空愣住

第二层:数据级证据

• 具体百分比、具体对比、具体超越
• 支撑第一层的炸点

第三层:原理与机制

• 为什么能做到、怎么做到的
• 读者到这里已经被前两层拉住了,愿意看硬的

反模式(绝对避免):

• 先讲架构,再讲数据,最后放demo——读者的心流是"愣住→追问→被满足",不是"先学原理→再看结果"
• 第一帧炸点把5W省了,读者愣住但不知道愣什么

如果你发现自己在写"首先我们来看一下模型架构",停下来,重新组织。

第三步:写作规范

开头的写法

5W地基不能为修辞牺牲。 开头三句话之内Who/What/When必须答全,最多藏一个W。看起来有节奏感但读者不知道这是什么东西的开头,是审美盖过实操,重写。

论文解读的开头是写给审稿人的摘要/引言的反面——它几乎总要重写。论文解读的开头有一个固定的四句骨架,不是要 AI 自己发挥结构,是套对这个模板:

第一句,二选一:

• 路线 A,领域共识被捅破:某个领域大家普遍这么做,这篇论文把它捅破了。第一句立起那个共识(读者以为对的事),为后面的反转铺垫。

  何恺明,也下场做语言模型了。(隐含共识:语言模型=GPT那套自回归) 2026年新年第一天,DeepSeek上传新论文,给何恺明2016年成名作ResNet中的「残差连接」来了一场十年来的首次重大升级。

• 路线 B,大佬人设钩子:某个有辨识度的人(李飞飞、LeCun、何恺明、Jim Fan 等)又干了一件事。第一句用人的辨识度作钩子,但注意——这只是钩子,论文解读的主角通常是工作本身,不是人。

  何恺明首个语言模型来了。 李飞飞的World Labs,终于放出了第一个产品。

第一句选 A 还是 B,看这篇论文的传播点在"反了一个共识"还是"一个大佬做了反常的事"。两者都成立时,优先 A(共识反转的信息价值通常高于人设)。

第二句,落到论文本身:

第一句的钩子之后,第二句必须把主语从"人/共识"切换到论文这项工作本身——什么团队,基于什么范式,用什么方法,解决了什么问题,实现了什么效果。这一句是真正的 5W,信息密度最高。

只不过这次他带队做的不是大家熟悉的、像ChatGPT背后那套自回归范式,而是另一条路线:扩散语言模型。在最新论文中,何恺明团队放出全新连续扩散语言模型ELF,只用105M参数、45B训练token、32步采样,就跑赢一批主流扩散语言模型。

第三句,给证据:

有醒目的 demo 就放 demo;没有 demo,就放最硬的那个实验结论或对比数字。让读者在被钩住、知道这是什么之后,立刻看到"它到底有多强"的证据。

最直观的一项指标是它在OpenWebText上,把生成困惑度直接压到了24。

第四句(可选),连接大众认知:

如果这个技术指标/结论能降维成读者身体能感知的东西,在这里点一句。连不上就跳过,绝不硬连。 一个尴尬的强行类比比没有类比更伤。论文解读的多数读者是 AI 从业者,他们不需要每个概念都被翻译成大白话;只在那些确实能降维、且降维后明显更有冲击力的地方做。

(生成困惑度)值越低,说明生成质量越高、模型出来的东西也就越没AI味儿,越自然。

判断方法:第四句问自己一句——这个降维类比,是让外行瞬间懂了,还是让内行觉得啰嗦?前者留,后者删。

四句骨架的常见变体(按论文类型微调,但骨架不变):

发布型,第一句直接说发布事实,第三句给最亮眼的应用场景:

刚刚,Google DeepMind发布了最新的机器人推理模型Gemini Robotics-ER 1.6。 搭载它的波士顿动力机器狗Spot,现在能走到工厂里的压力表前,停下来,读出数字。精确到刻度以下。

对比数字型,第三句的最强数字对比可以提到第一帧——但第二句必须立刻补全5W,否则就是5W藏了两个,踩红线:

刚刚,Anthropic放出新模型Mythos。 Mythos对GPT5.4,80%对21.4%。

背景导入的写法

位置:开头之后,技术拆解之前。篇幅上限:2-4句话,最多一个自然段。

必须回答三个问题:

1. 这个领域/方向在做什么事(一句话定位)
2. 这件事为什么难,卡在哪(一句话痛点)
3. 这个工作要突破的那个具体点(过渡到正文)

三种模式:

模式一,「旧方法的问题」:

传统机器人系统靠写死的状态机控制,换一个场景就要重新编程。这是具身智能领域一直没解决的问题,让机器人真正「理解」环境,而不是「执行程序」。

模式二,「领域现状」:

残差连接自2016年ResNet问世以来,一直是深度学习的基础组件,十年没有大变化。但随着模型越来越深,它开始出问题了。

模式三,「反差」(有戏剧性时用):

注意力机制淘汰了RNN,但深度维度上,残差连接还在用十年前的老方法。Kimi的团队说,这件事可以照样做一遍。

背景导入禁区: 超过一段;罗列相关工作和引用;「在当今AI快速发展的时代」;在这里放对比数据和核心结论。

经典风格(classic style)

技术内容写作的语言规范。核心目标:让读者不需要反复思考就能一次读懂。 技术内容天然容易难读,经典风格不是审美选择,是技术解读的基本要求。

1. 用日常词,不用书面化或学术化的长词

技术稿里常见的坑:为了显得专业用了一堆术语化或文绉绉的词。改掉。

• 不写"实施",写"做"
• 不写"进行优化",写"改进"
• 不写"对X予以重视",写"重视X"
• 不写"截至目前",写"现在"
• 不写"该模型",写"这个模型"或直接用模型名
• 不写"鉴于上述情况",写"所以"或者直接删掉

判断方法:这个词你日常说话会不会用?不会用就换成会用的。

2. 语态选择基于信息流,不是基于情感

很多人以为"主动用于正面、被动用于负面"——这是结果上的近似,原理上不对。正确的原理是信息流:主语位置放读者已知的、轻的、短的概念;句尾位置放读者未知的、重的、长的概念。被动语态是实现这种信息流的工具。

衔接性优先:当一个新的、长的、复杂的概念要出现时,把它放在句尾(受动者位置),用被动语态——而不是把它塞到主语位置变成沉重的开头。

连贯性次之:如果上一句最后提到的是某个概念A,下一句应该用A作为主语开头。这样信息像链条一样推进。为了实现这种衔接,有时需要用被动语态。

例子:

Anthropic刚刚发布了新模型Mythos。Mythos对GPT-5.4,80%对21.4%。

第二句的主语沿用第一句句尾的"Mythos"(已知信息),从已知滑到新信息(对比数据)。

焦点判断:受动者本身就是新闻焦点时,用被动。"110个账号被封"(焦点是账号,不是Anthropic)。

判断方法:写完一句话,读一下下一句的开头——下一句开头的概念是不是上一句句尾出现过的?没有,就重写让信息连起来。

3. 用具体词汇 + 名词动词化

3.1 用具体词汇

抽象词不让读者脑中产生画面,具体词让读者立刻看到东西。

• 不写"性能优秀",写"跑分80分"
• 不写"显著提升",写"从65%涨到81%"
• 不写"模型规模扩张",写"从7B涨到70B"
• 不写"训练成本降低",写"省下了20%的H100"

抽象的"性能"、"效率"、"能力"、"提升"这种概念,要用具体的数字或场景展开,不能直接用抽象词。

判断方法:读者读完这句话能不能在脑子里看到一个具体的画面、具体的数字、或具体的方向?看不到就太抽象,换具体的。

3.2 让动作回到动词位置(反nominalization)

中文技术稿里能让句子瞬间变有力的核心技法——让动作回到动词位置,不要让动作躲在名词里。

技术稿里最常踩的nominalization坑:

• "对模型进行训练" → "训练模型"
• "实现性能提升" → "提升性能"
• "做出优化" → "优化"
• "进行推理" → "推理"
• "实现突破" → "突破"

进阶——名词动词化:中文有一类高级技法是把名词当动词用,比"做某种动作"短、比抽象动词具体。

• "投入资源到推理" → "OpenAI 押注推理"
• "重新创造一遍AlphaGo" → "硅谷复刻AlphaGo"
• "出任MSL职务" → "王执掌MSL"

判断方法:句子里出现"实施X""进行X""做出X""实现X""开展X"这种"空动词 + 名词"组合时,停一下,看能不能让X直接当动词用。能就改。

4. 简明句子,不嵌套从句

一个句子里嵌三层从句,读者要倒回去看两遍才能理解。改成两到三个短句。

技术稿里最常见的长嵌套句:"那个由两位华人博士在2025年初创办的、刚刚拿到1.05亿美元种子轮的、专注于VLA模型训练的法国公司发布了第一款产品。"——改成:"这家公司2025年初在法国成立,创始人两位华人博士。专注做VLA模型训练。成立几个月就拿到1.05亿美元种子轮。刚刚发布了第一款产品。"

判断方法:一个句子超过30字、或者出现两个以上从句标志("由""曾经""刚刚""所"),就考虑拆成两到三个短句。

5. 删去不必要的词(五分类)

写完一段,扫一遍,按以下五类逐条删掉:

• 无意义的词:"实际上""说实话""的确""真的""某种程度上"
• 重复的词:"希望和愿望"→"希望";"最终的结果"→"结果"
• 读者能推断的词:"一段时期内"→"一段时间";"数学领域内"→"数学";多余的范畴说明
• 用一个词替代一个短语:积累准确丰富含义的词汇,用一个动词或一个名词替代一整个短语
• 否定改肯定:"没有不同意"→"同意";"不可能不知道"→"必然知道"

Metadiscourse(元论述)——全删

Metadiscourse是"评论自己的论述"的话,不是论述本身。技术稿里这种话特别多,全部删掉:

• "我们可以看到"→直接说看到的事实
• "值得一提的是"→直接说要提的事
• "综上所述"→不写综上,写具体的回扣
• "不难发现"→直接说发现
• "这就引出了下一个问题"→直接进入下一个问题
• "在这里需要说明的是"→直接说明
• "正如前面所说"→不要重复,相信读者记得
• "首先来看""接下来介绍""下面我们讨论"——全删,直接进入

判断方法:这句话有没有给读者新信息?没有,只在评论自己的论述(说"我接下来要说什么"或"我刚才说了什么"),删掉。

6. 替换"是"——中文最大的懒词

中文的"是"承担过多职能:身份、判断、定义、状态、存在、强调,全靠"是"扛。一个段落里出现五六个"是",AI味道立刻就出来了。日常生活中我们几乎不说"是"——所以技术稿里也尽量不说。

替换库(按"是"承担的职能分类):

• 表示身份/职务:担任、出任、出身、来自、就职于
• 表示完成/达成:完成、达成、实现、做到
• 表示判断/认为:认为、被认为、被视为、被看作、堪称
• 表示存在/出现:有、存在、出现、出自
• 表示等同/相当:相当于、等于、约等于
• 表示曾经:曾、曾经、原本、之前
• 表示充当/承担:充当、扮演、承担、执掌
• 表示具有:具备、拥有、自带
• 表示构成:构成、组成、形成

合法保留"是"的场景:强调判断("这就是他要的结果")、否定句("这不是他要的结果")、疑问句、引语里。

判断方法:一段写完,数一下"是"出现了几次。如果一段里超过两个"是",回去看每一个"是"都在承担什么职能,按上面的替换库改掉至少一半。

7. 句式不要重样

AI味道最大的来源不是用词,是句式可预测性。AI写稿的典型节奏是连续多段都用同一种句式形状,读者读到第三段就能猜下一句的形状。

正确的做法:连续段落的开头方式、句子长短、句式结构都要变化。

反面例子(典型AI味道):

这个模型在数学上表现优秀。具体来说,达到了81分。 这个模型在代码上表现优秀。具体来说,达到了76分。 这个模型在多模态上表现优秀。具体来说,达到了90分。

三段连续"长陈述 + '具体来说' + 数字"的形状,读者读到第二段就猜到第三段的样子。可预测性 = AI味道。

写作时主动调用的句式形状库:

• 时间状语开头:"就在刚刚……" / "上周二……"
• 转折词开头:"然而……" / "不过……" / "而……" / "同时……"
• 引用开头:"据论文……" / "作者表示……" / "网友们调侃道……"
• 疑问句:"那……新模型呢?" / "为什么会这样?"
• 感叹/断句:"假的!" / "实在太荒唐。"
• 冒号引出:"导火索,是Meta最近一次组织重组:……"
• "不仅……反而……"对比结构

不要每段都用主语+谓语+宾语的标准陈述句开头。

经典风格的总判断标准:读完这一段,读者要不要回头再看一遍才能理解?要回头就是失败,一次读懂才是合格。

技术内容的转译规范

类比优先

每个核心技术概念,第一次出现时配一个生活化类比。类比只用来建立第一印象,之后必须跟具体技术描述。宁可不类比,不要用错误的类比。

指标降维:把「这个指标是什么」翻译成「这个指标好不好」

类比解决的是"这个机制像什么",指标降维解决的是另一件事——一个读者没见过的评测指标,数值上去了或下来了,到底是好事还是坏事,好到什么程度。论文里全是这种指标(困惑度、FID、pass@1、MFU…),直接写指标名和数字,读者(哪怕是从业者)也未必有直觉。指标降维是论文解读区别于通稿的核心竞争力,通稿只会照抄"困惑度24",解读要让读者知道"24意味着没AI味儿"。

两步:

1. 先一句话说清这个指标在测什么——用读者能感知的动作来描述,不是定义。

   生成困惑度,本质上是让一个强大的语言模型,给生成结果「检查作业」,看看这些文本到底像不像真实人类写出来的语料。

   注意"检查作业"——它不是类比这个指标像什么,是把"用一个预训练LM计算负对数似然"这个操作降维成读者一秒就懂的动作。AI默认会写"生成困惑度是衡量文本流畅度的指标,由预训练语言模型计算得出",教科书腔,读者无感。

2. 再把数值方向翻译成读者身体能感知的好坏:

   值越低,说明生成质量越高、模型出来的东西也就越没AI味儿,越自然。

   "没AI味儿"——读者天天和AI生成的文本打交道,这四个字他立刻有体感。比"困惑度低说明分布更接近真实语料"有冲击力得多。

何时必须做指标降维:论文里作为核心战绩反复出现的那个指标(ELF里是生成困惑度),必须降维。一篇论文通常只有1-2个这种核心指标,把它们降维透,其他次要指标提一句数值即可。

何时不要做:从业者已经熟的指标(pass@1、AIME分数、token/s),直接用,降维反而啰嗦。判断标准和开头第四句一样——降维后是让读者瞬间懂了,还是让内行觉得被当外行。

数字必须有对比锚点

❌ 「ER 1.6的成功率为93%」 ✅ 「ER 1.5的成功率是23%,ER 1.6加上Agentic Vision之后达到了93%」

❌ 「训练损失降低了0.021」 ✅ 「同样的计算预算,新方法能达到旧方法1.25倍的效率,相当于省下了20%的训练成本」

三种数字对比写法:并排对比、倍数感、成本感(「少烧X张H100」)。

架构图的处理

先用文字把架构的主干逻辑说清楚,再放图。图旁边加一句话说明图在说什么。每个模块用「它负责做什么」介绍,不要只说名字。

技术解释分三层,篇幅比约3:2:1

第一层,它能做什么(给所有读者) 第二层,它是怎么做到的(给感兴趣的读者) 第三层,技术细节(给专业读者,可选)

不要把第三层的密度带到第一层。

风格内核

节奏感

句子时长时短,段落之间跳跃自然,经常一句话自成一段制造停顿。好的节奏像波动,每次围绕主线偏出去一点点,再用一句话拉回来。连续信息密集超过5段就需要气口,一张图、一个短段落、一句幽默都可以。

克制是最大的力量

越重要的事,越要沉住气说。不解释,不煽情,把一个细节放在那里,让读者自己感受重量。每段最后一句要短,要硬,像门关上的声音。写完一段后,删掉所有「因为」「所以」「也就是说」「这意味着」,看剩下的句子是否还站得住。站得住,说明结构本身有力量。

克制的边界——克制不等于不解释。 读者get不到的技术概念、专有名词、内部代号该解释就解释。克制管的是"判断和煽情",解释管的是"事实和概念"。两件不同的事,不要混。

判断方法:把一段拿给一个不在你这个细分领域的科技从业者看,他能不能流畅读下去?卡住的地方就是该解释的地方。

具体的事比抽象的词更有力

「这家公司充满创新精神」没有重量。「他们的工程师把状态机换成了自然语言提示词,然后机器人就动了」才有重量。永远用具体的物、具体的人、具体的动作说话。

荒诞幽默

科技圈的数字天然荒诞,直接用就够了。用「认真语气+荒诞前提」结构,不点破,让读者自己发现。全文1-3处,放在读者最需要喘口气的地方。结尾通常不用幽默。

真调侃 vs 假幽默的边界:

• 真调侃前面有事实在站着,调侃是事实自然长出的余味。读者读到调侃句时已经get到了事实,调侃让事实多了一层轻盈感。
• 假幽默是用修辞动作填空,前面没有事实做地基。"没有人知道为什么"、"这事儿挺有意思"、"接下来事情就有趣了"——这种句子单独读读者会反应"那又怎样"。这是抖机灵抖错了位置,删掉。

知识是「聊着聊着顺手掏出来」的

不是「下面我来给大家科普一下」,是脑子里本来就有这些东西,正好跟眼前的事对上了。

不平均用力

AI 默认的毛病是平均用力——每个技术点一样详细,每个作者一样长,每段力气一样大。结果是维基百科,不是文章。文章的力量来自密度差:该重的地方砸下去,该轻的地方一句带过。三个具体场景:

• 一句话承重两次(回环):一个有锋利感的短句,在文章中段说一次,在一个关键转折处再变体说一次。两次出现之间读者积累了新信息,第二次读到时感受不同。ELF那篇的"连续就是连续,离散就是离散"出现两次,第二次出现时读者已经懂了技术细节,这句话从"主张"变成了"印证"。回环不是复读,是同一句话在读者认知变化后产生的二次重量。全文最多1-2处,刻意埋。

• 人物笔墨随戏剧性分配,不平均:一篇论文六个作者,不是六个人各写一段。有戏剧性的(大师姐、17岁金牌、上一篇关键论文的一作)写细、给故事钩子;其他人一句话带过甚至并入一句。ELF那篇里胡珂雅(恺明首批博士、组内大师姐)、陆伊炀(姚班大二、物竞金牌)、黎天鸿(上一篇Back to Basics一作)三个人有笔墨,其余并排略过。平均用力=维基百科,密度差=有人物的文章。

• 双层收尾:先克制,再锋利:结尾先引论文/当事人自己的克制说法,再用一句"翻译成人话"给出锋利收口。两层之间形成张力——官方说得保守,你替读者把那层窗户纸捅破。

  论文最后给出的总结其实很克制:ELF在生成质量、采样效率和训练成本之间实现了很强的trade-off。 翻译成人话就是:连续派,不是不能打。只是以前没把连续这件事做到底。

  注意第二层不是替读者下结论(那是反角色扮演规则禁止的),是把论文用学术语言包起来的那个判断,翻译回读者能直接感受的话。区别在于:替读者下结论是强加一个观点;翻译成人话是去掉学术包装,露出论文本来就在说的事。

作者信息的处理

什么时候重点写:作者有戏剧性背景(17岁高中生、从某公司离职、跨界)、作者是知名人物(梁文峰、何恺明)、作者背景能解释为什么这篇论文会出现。

写法:全名 + 一句话具体背景(不说「资深研究员」,要说「2018年加入Google,合著过强化学习教科书」)。有戏剧性时单独成节,没有时文末一两句带过。

不要罗列所有作者,不要把论文列表抄进来,不要把LinkedIn职位描述当人物介绍。

局限性和未来工作

不要忽略,忽略会让文章显得不严谨。放在文章靠后位置,一两句点明主要局限。有值得期待的未来方向,可以简短提一下作为收尾。

收尾的几种写法

• 回环呼应:回到开头的意象,但视角已经不同
• 短句留白:一个短句,不解释,留给读者
• 引语收尾:用文中某个人说过的一句话作结
• 数字收尾:用一个有力的数字对比做最后一击

第四步:绝对禁区

学术腔套话:「该研究表明」「取得了显著进展」「具有重要意义」「综上所述」「值得注意的是」「不难发现」

宏大叙事开头:「在当今AI快速发展的时代」「随着技术的不断进步」

结构性套话:「首先…其次…最后」「让我们来看看」「接下来让我们」

高频踩雷词,绝对禁用:

• 「说白了」→ 换成「坦率的讲」「其实就是」
• 「意味着什么」「这意味着」→ 换成「那结果会怎样呢」「所以呢」
• 「本质上」→ 换成「说到底」「其实」
• 「换句话说」→ 换成「你想想看」「也就是说」
• 「不可否认」→ 直接删掉,换成正面陈述

Metadiscourse全删:「我们可以看到」「值得一提的是」「综上所述」「不难发现」「这就引出了下一个问题」「正如前面所说」

连接词是陷阱:「不光能」「不仅」这类转折词容易让节奏软下来,删掉,让每个事实独立站着,反而更有力。

标点禁令:

• 不使用冒号「:」,用逗号代替(极少数确实需要「宣告式引出」的场景除外,默认不用)
• 不使用破折号「——」,用逗号或句号代替
• 不使用任何双引号(""和""都不用),需要引用或强调时用「」或者不加引号
• 引号的合法用途只有三种:直接引语、指称词语本身、距离感引号。禁止自我辩解式引号——对自己用词不放心就给词加引号,这不在合法范围内,换一个有信心的词

技术内容专项禁区:

• 直接搬论文摘要(摘要是给审稿人的)
• 裸放架构图不解释
• 裸数字不带对比锚点
• 用错误的类比(宁可不类比)
• 「AI工具」「某个模型」「相关技术」等空泛表述,要说具体名字

格式禁区:

• 不用bullet point罗列观点(超过3个改成散文叙述)
• 不大量加粗(超过2行的加粗几乎肯定是过度结构化)
• 不加小标题(系统架构型论文需要分模块时除外)
• 不用假设性例子(「比如有一次…」这种编造场景是大忌)

第五步:五层自检体系

写完后跑一次质检,一次性过完L0到L4,输出一份完整的质检报告,然后把稿件+质检报告一起交给用户。

重要:这是一次性流程,不是迭代循环。 质检发现的问题直接在报告里标注"待修复"或"已就地修复",不要因为发现问题就回头重写整篇文章,不要自我触发"再写一版"。交给用户后,由用户决定哪些问题值得返工。L0事实核查是例外,事实错误必须就地修正后再交稿,但修正完继续往下走,不回头。

L0 事实核查层(联网核验)

这一层放在所有风格检查之前。硬性规则再严,事实错了一切白搭。

L0-1 具体数字核查:全文所有出现的具体数字——百分比、金额、版本号、参数规模、benchmark分数、训练时间——逐一用web_search验证。核查时用"数字+上下文主体"组合搜索,不要只搜数字本身。

L0-2 专有名词拼写与归属核查:人名、模型名、机构名、论文标题,每一个都过一遍搜索,确认拼写、归属关系、现任还是前任。中文圈写英文人名特别容易出错。

L0-3 时间线核查:论文发布时间、模型上线时间、作者履历时间点,交叉验证一遍。特别注意"最近""刚刚""前两天"这类相对时间词。

L0-4 引述与典故核查:引用了别人的话或用了典故,每一个都要核查。"爱因斯坦说过"这种引述是重灾区。

L0 通过标准:四项全部通过,核查过程中发现的错误直接修正。

L1 硬性规则扫描

零命中即通过。

• 禁用词:全文搜索"首先...其次...最后"、"综上所述"、"值得注意的是"、"不难发现"、"说白了"、"意味着什么"、"本质上"、"换句话说"、"不可否认"——零命中
• Metadiscourse:"我们可以看到""值得一提的是""不难发现"——零命中
• 禁用标点:冒号(无明确宣告式引出理由的)、破折号、双引号——零命中
• 结构套话:无bullet point堆砌、无大段加粗(超过2行)、无小标题滥用
• 工具名:所有AI工具/产品使用具体名称,无"某个模型""AI工具""相关技术"
• 动词懒词:同一动词超过3次视为懒词信号,看能不能换

L2 结构与节奏

• 5W检查:开头三句话Who/What/When必须答全,允许藏一个,绝不能藏两个
• 开头:是否套对四句骨架?第一句领域/大佬二选一钩子立住了吗?第二句切到论文本身了吗?第四句大众连接是真降维还是硬连(硬连要删)?
• 背景导入:是否在2-4句以内,回答了三个问题?
• 先炸点后原理:技术点是否从结果到原理排列?有没有出现"首先来看模型架构"这种反模式?
• 类比覆盖:每个核心技术概念是否有类比?
• 数字锚点:数字是否都有对比锚点(裸数字 = 失败)?
• 三层比例:技术解释是否大致符合3:2:1(能做什么:怎么做到:技术细节)?
• 节奏:是否有长短句交替?连续3句以上相近长度=节奏呆板
• 句式不重样:连续段落的开头方式、句子长短、句式结构有没有变化?
• 气口:是否每隔3-5段有气口?
• 断裂段:全文是否有至少3处一句话独立成段?

L3 内容质量

• 观点支撑:每个核心技术点是否有具体demo/场景/数字支撑?
• 判断位置:判断句前面是否有对应的事实段落?(判断必须在事实之后)
• 假钩子检查:有没有"没有人知道为什么""这事儿挺有意思"这种用修辞动作填空的句子?把每一句单独拿出来读,读者反应"那又怎样"就删
• 经典风格扫描:
  • 书面化长词("实施""进行""鉴于")
  • Nominalization("进行优化""做出决定""实现突破")
  • 句尾未强调(重要内容放在了句首)
  • "是"字滥用(一段超过两个"是")
  • 嵌套从句的长句子(超过30字+两个以上从句标志)
• 局限性:是否提到了主要局限?忽略局限会让文章显得不严谨
• 作者信息:是否具体(不是职位描述)?
• 解释充分性:专有名词、内部代号、技术概念出现时是否解释?读者get不到的不是好稿子
• 知识输出方式:知识点是否以「聊着聊着顺手掏出来」的方式呈现?有没有"下面我来科普"的教科书腔?
• 指标降维:论文里作为核心战绩反复出现的那个指标(通常1-2个),有没有做两步降维(先用动作说清测什么、再把数值方向翻译成读者体感的好坏)?还是直接照抄了指标名和数字?熟知指标(pass@1等)有没有被多余降维?
• 不平均用力:作者笔墨是否随戏剧性分配(不是每人一段平均长)?有没有埋1-2处回环?收尾是不是双层(先克制原话、再翻译成人话)?整篇是不是平均用力的维基百科?

L4 活人感

• 核心问题:读完,感觉是一个有见识的人在认真跟我聊一项技术工作,还是AI在输出信息?
• 温度:文章里是否有一个真实的人在承担某种处境(论文一作的故事、团队的决策、用户的反馈)?
• 姿态:有没有不自觉地滑入"导师在教学生"或"代读者下结论"的姿态?
• 心流:从头到尾读,有没有哪个地方注意力断掉了?

质检输出格式

## 质检报告

**L0 事实核查** ✅/❌
- 具体数字:X处核查(错误修正:...)
- 专有名词:X处核查(错误修正:...)
- 时间线:✅/❌
- 引述与典故:X处核查(伪托发现:...)

**L1 硬性规则** ✅/❌
- 禁用词:X处命中(已修复/待修复)
- Metadiscourse:X处命中(已修复/待修复)
- 禁用标点:X处命中(已修复/待修复)
- 结构套话:✅/❌
- 工具名:X处空泛(已修复/待修复)

**L2 结构与节奏** ✅/❌
- 5W检查:✅/❌(藏了哪几个:...)
- 开头四句骨架:✅/❌(钩子路线A/B、有没有切到论文本身、第四句硬连大众认知:...)
- 背景导入:✅/❌
- 先炸点后原理:✅/❌
- 类比覆盖:✅/❌(缺类比的概念:...)
- 数字锚点:✅/❌(裸数字位置:...)
- 三层比例:✅/❌
- 节奏与气口:✅/❌
- 句式不重样:✅/❌

**L3 内容质量** ✅/❌
- 观点支撑:✅/❌
- 判断位置:✅/❌(错位的判断句:...)
- 假钩子:✅/❌(具体句子:...)
- 经典风格(长词/nominalization/句尾强调/"是"字/长句):✅/❌
- 局限性:✅/❌
- 作者信息:✅/❌
- 解释充分性:✅/❌
- 知识输出方式:✅/❌
- 指标降维:✅/❌(核心指标有没有两步降维 / 多余降维:...)
- 不平均用力:✅/❌(作者笔墨/回环/双层收尾/是否维基百科:...)

**L4 活人感** ✅/❌
- 温度感:✅/❌
- 姿态(无导师腔、无代读者下结论):✅/❌
- 心流:✅/❌(断点位置:...)

**总评**:5层全部通过 / X层需要返工
**修复优先级**:[列出最需要修复的1-3个具体问题]

清单为空则直接输出完稿。

参考示例索引

• 发布型+工业落地:Gemini Robotics-ER 1.6(demo先行,技术跟上,BD合作收实,作者压轴)
• 算法突破型:DeepSeek改造残差连接(问题先行,新方法一句话点明,数据对比收尾)
• 人物戏剧型:Kimi Attention Residuals(17岁高中生开头,技术居中,人物故事压轴)
• 系统架构型:StreamingClaw(应用场景先行,模块逐一拆解,未来方向收尾)
• 方法论突破+标杆范例:何恺明ELF连续扩散语言模型(5.1w阅读)。这篇是四句骨架(大佬钩子→论文本身→困惑度24→没AI味儿)、指标降维(困惑度=检查作业=没AI味儿)、不平均用力(六作者三笔墨、"连续就是连续"回环两次、双层收尾)三条规则的标准范例。开头之后严格跟随论文原叙事顺序展开,是"好论文直接翻译提炼"的典型。