附录C：推荐阅读与资料来源（2024–2026）

书海潮头三两卷，先把路标立得全。
读文不怕新招怪，只怕没纲乱翻篇。

本附录基于全书各回“引用与溯源”的链接做整理与推荐，目标有三：

• 把 2024–2026 的主线资料按主题收拢，避免“东一篇西一篇”
• 给出“必读/选读/备查”的阅读优先级，并写明推荐理由与适用场景
• 对一些常见误读与评测陷阱做提醒，减少“看完更糊涂”

0. 怎么读最省力（先给三条路）

路一：只想把主线读顺（推荐）

1. 先读两篇总览/综述：RAG 总览、RLHF 总览
2. 再各挑一篇“代表性实证/基准”去看方法怎么落地
3. 最后再回头补细分招式（如 GraphRAG、SAE、Steering 的评测）

路二：你要做系统上生产（偏工程）

1. RAG 评估与隐私（别把风险留到上线后）
2. 工作流/代理执行与失败分析（能审计、能回滚）
3. 最后再看“更前沿的能力提升路线”（如 test-time compute、SAE、steering）

路三：你想追学术前沿（偏研究）

1. 先读“综述 + 基准”厘清问题定义与评测协议
2. 再读“方法论文”看新贡献
3. 最后读“评论/反驳/复现”校准结论边界

1. 推理与测试时计算（慢思考主轴）

• 必读：Snell, C., et al. Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters https://arxiv.org/abs/2408.03314
  推荐理由：把“推理时多算几步”的收益放到可优化视角里讨论，适合作为 test-time compute 的入口。
  提醒：不同任务/预算下的最优策略可能不同，别把某一套曲线当通用真理。

• 必读：Zelikman, E., et al. Quiet-STaR: Language Models Can Teach Themselves to Think Before Speaking https://arxiv.org/abs/2403.09629
  推荐理由：围绕“先想再说”给出清晰设定，适合把“慢思考”从口号拉回机制。
  提醒：对外可见的“思路”不等于可验证推理；更要关注任务与评测如何定义“更会想”。

• 选读：The Art of Scaling Test-Time Compute for Large Language Models https://arxiv.org/abs/2512.02008
  推荐理由：作为“操作手册类”材料，适合把多采样/搜索/自检的工程组合讲清。
  提醒：此类文章往往对具体系统细节依赖大，迁移时要先做小规模对照实验。

• 选读：Setlur, A., et al. RL on Incorrect Synthetic Data Scales the Efficiency of LLM Math Reasoning by Eight-Fold https://arxiv.org/abs/2406.14532
  推荐理由：把“合成数据”“错误信号”“强化学习”放在一起讨论，适合校准“数据并非越干净越好”的直觉。
  提醒：标题里强调的倍率收益通常依赖特定设定；阅读时紧盯数据生成与评测协议。

• 必读（边界校准）：Shojaee, P., et al. The Illusion of Thinking https://arxiv.org/abs/2506.06941
  推荐理由：用问题复杂度作为镜子讨论推理模型的优势与极限，能帮助读者避免“作文式推理”的误判。
  提醒：结论边界与任务集合强相关。

• 选读（评论与质疑）：The Illusion of the Illusion of Thinking: A Comment on Shojaee et al. https://arxiv.org/abs/2506.09250
  推荐理由：学习“怎么读推理评测”：哪些失败是模型问题，哪些是任务/约束/评测问题。
  提醒：评论文章的价值在于指出方法论风险，不一定给出最终定论。

• 必读（过程监督）：Luo, L., et al. Improve Mathematical Reasoning in Language Models by Automated Process Supervision https://arxiv.org/abs/2406.06592
  推荐理由：把“只看最终答案”推进到“监督中间过程”，是从快刀走向慢剑的关键一环。
  提醒：自动化监督本身也会引入偏差，必须看其监督信号如何生成、如何验证。

• 选读（树搜索自训）：Zhang, D., et al. Rest-MCTS*: LLM Self-Training via Process Reward Guided Tree Search https://arxiv.org/abs/2406.03816
  推荐理由：把“推理当搜索”落到可操作的树搜索与自训练流程，适合与第20回对照阅读。
  提醒：树搜索的收益常被预算与剪枝策略主导，比较时必须统一计算量口径。

• 备查：OpenAI. Introducing OpenAI o1 https://openai.com/index/introducing-openai-o1-preview/
  推荐理由：作为产业路线公开表述，帮助理解“推理时多算”在产品层面的叙事。
  提醒：博客不是论文；关键处仍要回到可复现实验与基准比较。

• 备查：OpenAI. Learning to reason with LLMs https://openai.com/index/learning-to-reason-with-llms/
  推荐理由：与上条配套阅读，用来把“慢思考”与评测提升联系起来。
  提醒：关注其展示的任务类型与评测选择，避免以偏概全。

2. 强化学习与偏好对齐（RLHF 主线）

• 必读（总览）：Kaufmann, T., et al. A Survey of Reinforcement Learning from Human Feedback https://arxiv.org/abs/2312.14925
  推荐理由：把 RLHF 的组件、训练范式与常见问题梳理成地图，适合作为“先立框架”。
  提醒：综述覆盖面大但深度不一，遇到关键细节要回原论文。

• 必读（经典流水线）：Ouyang, L., et al. Training language models to follow instructions with human feedback https://arxiv.org/abs/2203.02155
  推荐理由：SFT→RM→PPO 的工业范式代表，是读懂后续 DPO/IPO/KTO 的参照物。
  提醒：不同实现细节会显著影响稳定性与安全性。

• 必读（经典应用）：Stiennon, N., et al. Learning to summarize with human feedback https://arxiv.org/abs/2009.01325
  推荐理由：人类偏好学习的早期标杆场景之一，能帮助理解“偏好 ≠ 标准答案”。
  提醒：任务相对单一，不应直接外推到所有对齐问题。

• 必读（PPO 原典）：Schulman, J., et al. Proximal Policy Optimization Algorithms https://arxiv.org/abs/1707.06347
  推荐理由：理解“步子别迈大”的理论与实现来源。
  提醒：语言模型上的 PPO 与传统 RL 环境差异很大，读时要把“环境”换成“生成与评分闭环”。

• 选读（TRPO 原典）：Schulman, J., et al. Trust Region Policy Optimization https://arxiv.org/abs/1502.05477
  推荐理由：帮助理解“KL 约束”精神从何而来。
  提醒：更偏理论与连续控制背景，读到要点即可。

• 必读（实现细节复现）：Huang, S., et al. The N+ Implementation Details of RLHF with PPO https://arxiv.org/abs/2403.17031
  推荐理由：工程读者的止坑指南：很多“论文没写但你踩了就炸”的细节在此类工作里会被系统整理。
  提醒：结论常依赖具体训练栈与默认超参，迁移时仍需对照实验。

• 选读（异步 RLHF）：Noukhovitch, M., et al. Asynchronous RLHF https://arxiv.org/abs/2410.18252
  推荐理由：把 RLHF 从“单机炼丹”推到“流水线工程”，适合关心吞吐与效率的读者。
  提醒：异步/离策略会引入新不稳定源，需关注其稳定化技巧。

• 必读（偏好优化代表）：Rafailov, R., et al. Direct Preference Optimization https://arxiv.org/abs/2305.18290
  推荐理由：理解 DPO 系列的核心直觉：把“偏好学习”写成更直接的优化目标。
  提醒：不同实现与数据质量对效果影响极大，别把“无需 RL”误解为“无需工程”。

• 选读（理论范式）：Azar, M. G., et al. A General Theoretical Paradigm to Understand Learning from Human Preferences https://arxiv.org/abs/2310.12036
  推荐理由：给出更统一的理论视角，帮助把多种偏好优化方法放到同一框架下思考。
  提醒：偏理论，读者可先抓“假设-结论-适用边界”。

• 选读（前景理论对齐）：Ethayarajh, K., et al. KTO: Model Alignment as Prospect Theoretic Optimization https://arxiv.org/abs/2402.01306
  推荐理由：把行为经济学的“损失厌恶”等直觉引入对齐目标，适合用来扩展“偏好并非线性”的视野。
  提醒：读时要分清“建模偏好”与“实际可控收益”，别被新术语迷住。

• 选读（偏好式 RL 工程）：Bai, F., et al. Efficient Preference-based RL via Aligned Experience Estimation https://arxiv.org/abs/2405.18688
  推荐理由：偏好学习在 RL 框架下的效率改进尝试，适合做“方法库补充”。
  提醒：与语言模型对齐并非一一对应，注意问题设定差异。

• 选读（经验回放多样性）：Efficient Diversity-based Experience Replay For Deep Reinforcement Learning https://arxiv.org/abs/2410.20487
  推荐理由：从“采样与多样性”角度理解训练稳定性，能与本书第14回形成呼应。
  提醒：更偏通用 RL；与 LLM 对齐要看映射关系。

• 备查（前景理论经典源头）：Kahneman, D., Tversky, A. Prospect Theory https://link.springer.com/article/10.1007/BF00992696
  推荐理由：KTO 等方法背后的心理学/经济学根基。
  提醒：这是行为科学论文，不是机器学习实现指南。

3. 检索增强生成（RAG）：方法、评估与隐私

• 必读（RAG 总览）：Gao, Y., et al. Retrieval-Augmented Generation for Large Language Models: A Survey https://arxiv.org/abs/2312.10997
  推荐理由：把 RAG 演进分层（朴素/高级/模块化等），是本书第三篇的总地图。
  提醒：综述对“最佳实践”的表述会随时间变化，读时注意版本与时间点。

• 必读（另一份总览）：Huang, Y., et al. A Survey on Retrieval-Augmented Text Generation for Large Language Models https://arxiv.org/abs/2404.10981
  推荐理由：与上条互补，适合交叉验证概念与模块划分。
  提醒：两份综述在术语命名上可能不同，建议以本书附录B做对齐。

• 必读（评估总览）：Yu, H. Evaluation of Retrieval-Augmented Generation: A Survey https://arxiv.org/abs/2405.07437
  推荐理由：RAG 的成败一半在评测；这份材料适合把“召回/忠实度/引用”统一到可测指标。
  提醒：评估指标多且互相牵制，不能只盯一个分数。

• 必读（幻觉语料）：Niu, C., et al. RAGTruth https://arxiv.org/abs/2401.00396
  推荐理由：以更细粒度（片段级）视角讨论幻觉与忠实度问题，适合作为“幻觉不是一个分数”入门。
  提醒：语料与标注定义决定了你能测到什么，迁移到别的领域要谨慎。

• 必读（纠错式 RAG）：Gu, J.-C., et al. Corrective Retrieval Augmented Generation https://arxiv.org/abs/2401.15884
  推荐理由：把 RAG 从“一次检索一次生成”推到“检索评估—纠错—再检索”的闭环。
  提醒：闭环系统容易被延迟与成本打败，上线要同时看效果与代价。

• 选读（HyDE）：Gao, L., et al. Precise Zero-Shot Dense Retrieval without Relevance Labels https://arxiv.org/abs/2212.10496
  推荐理由：查询变换方向的重要代表，适合把“先生成再检索”的技巧看明白。
  提醒：HyDE 的效果常依赖生成质量，遇到领域偏差要先看“假文档”写成了啥。

• 必读（长上下文对照）：Li, Z., et al. RAG or Long-Context LLMs? https://arxiv.org/abs/2407.16833
  推荐理由：把“长上下文是否会淘汰 RAG”这道争论题拉回实证比较，适合做决策参考。
  提醒：不同模型/上下文窗口/成本约束下结论会变；关注其“混合方案”的工程启示。

• 必读（隐私风险）：Zeng, S., et al. The Good and The Bad: Exploring Privacy Issues in RAG https://arxiv.org/abs/2402.16893
  推荐理由：生产读者必须读：它把检索与生成串起来后的隐私面讲清，适合做风险建模。
  提醒：隐私问题常被“看似无害的证据片段”触发，别只防敏感字段。

• 选读（差分隐私 RAG）：Koga, T., et al. Privacy-Preserving RAG with Differential Privacy https://arxiv.org/abs/2412.04697
  推荐理由：给出“想在机制上更硬一点”的路线图。
  提醒：DP 往往带来效果与成本折衷，读时要把参数与预算当成核心。

• 选读（Agentic RAG 总览）：Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG https://arxiv.org/abs/2501.09136
  推荐理由：把 RAG 升级成“能办事”的工作流系统，适合承接本书第三、四篇。
  提醒：agentic 叙事容易泛化；阅读时抓“可执行节点、验证、记账”三件事。

• 备查（产业 embedding 更新）：OpenAI. New embedding models and API updates https://openai.com/index/new-embedding-models-and-api-updates/
  推荐理由：理解产业侧 embedding/检索能力迭代的现实背景。
  提醒：接口与模型会更新，适合作为背景材料而非理论依据。

4. 知识图谱与 GraphRAG（第四篇主轴）

• 必读（KGC 方法论）：Zhang, B., Soh, H. Extract, Define, Canonicalize (EDC) https://arxiv.org/abs/2404.03868
  推荐理由：把“从文本到 KG”的三段流程讲得清晰，适合作为 KG 构建的工程化起点。
  提醒：信息抽取与规范化高度依赖领域与 schema，务必看其错误类型分析。

• 选读（KGC 总览）：Bian, H. LLM-empowered knowledge graph construction: A survey https://arxiv.org/abs/2510.20345
  推荐理由：给出 LLM 赋能 KGC 的谱系与问题清单。
  提醒：综述类材料适合“建地图”，落地还得回到具体管线与评测。

• 必读（GraphRAG 总览）：Peng, B., et al. Graph Retrieval-Augmented Generation: A Survey https://arxiv.org/abs/2408.08921
  推荐理由：把“图+检索+生成”的主要路线系统化，适合做第四篇的总入口。
  提醒：GraphRAG 的“图”可以是 KG、段落图、实体共现图等，阅读时先分清图的定义。

• 选读（GraphRAG 具体路线）：Han, H., et al. Retrieval-Augmented Generation with Graphs (GraphRAG) https://arxiv.org/abs/2501.00309
  推荐理由：与综述配套阅读，帮助把抽象框架落到可操作模块。
  提醒：注意其检索与聚合步骤的复杂度与可扩展性。

• 备查（KGE 综述）：Cao, J., et al. Knowledge Graph Embedding: A Survey from Representation Spaces https://arxiv.org/abs/2211.03536
  推荐理由：理解“向量化 KG”的几何直觉与方法族谱，适合作为第33回的旁证资料。
  提醒：KGE 研究跨度长，和 LLM 系统结合时要重点看“接口设计”而非单点指标。

• 选读（LLM for Graph 总览）：Ren, X., et al. A Survey of Large Language Models for Graphs https://arxiv.org/abs/2405.08011
  推荐理由：帮助理解“LLM↔图”融合的几种典型范式。
  提醒：此领域概念多、命名多，建议对照本书第34–35回的分类阅读。

• 选读（伪代码提示图推理）：Skianis, K., et al. Graph Reasoning via Pseudo-code Prompting https://arxiv.org/abs/2409.17906
  推荐理由：用“程序式中间表示”把图推理变得更可控，适合与第38回的工作流直觉合看。
  提醒：提示法对鲁棒性敏感，需要看其对不同图结构/规模的泛化。

• 备查（知识图谱与语言技术综述/背景）：https://link.springer.com/article/10.1007/s44163-024-00175-8
  推荐理由：作为背景材料理解 KG 在更大知识工程语境中的位置。
  提醒：不同出版物对 KG/语义网的口径可能更偏传统知识工程。

5. 智能体、工作流与多智能体（第四篇到第五篇的桥）

• 必读（工具学习综述）：Qu, C., et al. Tool Learning with LLMs: A Survey https://arxiv.org/abs/2405.17935
  推荐理由：把“工具调用/选择/执行”从技巧汇总成路线图，适合做第21–23回的补强。
  提醒：工具学习的评测常受环境与任务定义影响，读时要抓“可验证协议”。

• 选读（工作流综述）：Yu, C. A Survey on Agent Workflow https://arxiv.org/abs/2508.01186
  推荐理由：帮助把“agentic”从泛概念落到工作流架构层面。
  提醒：综述里对术语的定义可能与别处不同，建议固定一套口径。

• 必读（工作流基准）：Xiao, R., et al. FlowBench https://arxiv.org/abs/2406.14884
  推荐理由：用基准把“工作流规划”落地，可用于验证系统改动是否真有提升。
  提醒：基准覆盖的工具与任务有限，上线前仍需自建回归集。

• 选读（可靠执行）：Ro, Y., et al. Sherlock: Reliable and Efficient Agentic Workflow Execution https://arxiv.org/abs/2511.00330
  推荐理由：关注“执行层”可靠性，适合系统工程读者。
  提醒：要对照其假设：工具错误率、环境约束、审计能力等。

• 必读（多智能体机制综述）：Multi-Agent Collaboration Mechanisms: A Survey of LLMs https://arxiv.org/abs/2501.06322
  推荐理由：把多智能体的协作结构、通信与分工讲成框架。
  提醒：多智能体的收益常来自“并行与验证”，而非“多说几遍就更对”。

• 必读（挑战与开放问题）：Han, S., et al. LLM Multi-Agent Systems: Challenges and Open Problems https://arxiv.org/abs/2402.03578
  推荐理由：用问题清单校准预期，适合做研究选题与系统设计的“反面清单”。
  提醒：开放问题类文章的价值在于界定难点，不提供现成答案。

• 必读（失败分析）：Cemri, M., et al. Why Do Multi-Agent LLM Systems Fail? https://arxiv.org/abs/2503.13657
  推荐理由：把失败模式系统归类，有助于工程止血与评测设计。
  提醒：失败模式不止“模型能力”，更常见是系统设计与验证缺失。

• 选读（长期记忆系统）：Multiple Memory Systems for Enhancing Long-term Memory of Agent https://arxiv.org/abs/2508.15294
  推荐理由：讨论“记忆模块”分型，适合做个性化/长期任务。
  提醒：记忆系统容易与隐私/合规冲突，必须配套治理。

• 选读（立场文）：Position: Episodic Memory is the Missing Piece for Long-Term LLM Agents https://arxiv.org/abs/2502.06975
  推荐理由：帮助形成“情景记忆”的直觉与问题意识。
  提醒：Position 类文章偏观点，读时要把“主张”与“证据”分开。

• 备查（自省代理原典）：Shinn, N., et al. Reflexion https://arxiv.org/abs/2303.11366
  推荐理由：作为“反思循环”的代表性早期工作，便于理解后续工作流/代理的谱系。
  提醒：反思有效性高度依赖验证信号与任务结构。

6. 后 Transformer：高效架构与注意力机制

• 必读（Mamba 原典）：Gu, A., Dao, T. Mamba https://arxiv.org/abs/2312.00752
  推荐理由：理解“线性时间建模 + 选择性”的核心动机。
  提醒：不同实现与硬件细节会影响实际收益，读时区分理论复杂度与工程吞吐。

• 必读（SSM 统一视角）：Dao, T., Gu, A. Transformers are SSMs https://arxiv.org/abs/2405.21060
  推荐理由：把注意力与 SSM 的关系讲得更统一，适合作为“为什么它们能合流”的解释材料。
  提醒：偏方法论与算法视角，读者可先抓“大图景”。

• 选读（混合模型）：Lieber, O., et al. Jamba https://arxiv.org/abs/2403.19887
  推荐理由：理解“Transformer+SSM+MoE”等混合路线的工程折中。
  提醒：混合结构的优势常在特定长上下文与吞吐目标下体现。

• 选读（高效注意力综述）：Li, Z., et al. Efficient Attention Mechanisms for LLMs: A Survey https://arxiv.org/abs/2507.19595
  推荐理由：把“线性注意力/稀疏注意力/近似注意力/硬件优化”等路线放到同一张地图里，适合做技术选型前的入口。
  提醒：综述里方法众多，关键是找与你的序列长度、硬件与精度需求匹配的子类。

• 备查（FlashAttention-3）：Shah, J., et al. FlashAttention-3 https://arxiv.org/abs/2407.08608
  推荐理由：硬件与算子层面的关键进展，关心推理/训练吞吐者可重点看。
  提醒：实现细节强相关 GPU 代际与精度设定。

7. 原生多模态：统一 token 空间的路线

• 必读（早融合模型）：Chameleon: Mixed-Modal Early-Fusion Foundation Models https://arxiv.org/abs/2405.09818
  推荐理由：理解“文本与图像共用 token 空间”的设计直觉与训练挑战。
  提醒：多模态的“对齐”不等同于“理解”，评测与数据覆盖是关键。

• 必读（下一 token 即一切）：Wang, X., et al. Emu3: Next-Token Prediction is All You Need https://arxiv.org/abs/2409.18869
  推荐理由：把多模态统一到 next-token 预测叙事，适合与本书第42回一起读。
  提醒：统一叙事不代表统一难度；不同模态的 token 化方式会决定上限。

• 选读（多模态情感综述）：Yang, H., et al. Large Language Models Meet Text-Centric Multimodal Sentiment Analysis: A Survey https://arxiv.org/abs/2406.08068
  推荐理由：作为应用侧入口，帮助理解“多模态+语言模型”在任务定义上的细节。
  提醒：情感分析与通用多模态推理差异较大，不建议直接当通用结论。

8. 机械可解释性（SAE）与“拆念头”

• 必读（SAE 特征发现）：Bricken, T., et al. Sparse Autoencoders Find Highly Interpretable Features in Language Models https://openreview.net/forum?id=F76bwRSLeK
  推荐理由：以较清晰的方式展示“用 SAE 在残差流里找可解释特征”的核心图景。
  提醒：可解释性结论需要强基线与复现实验支撑，阅读时关注其验证协议。

• 必读（SAE 综述）：Shu, D., et al. A Survey on Sparse Autoencoders https://arxiv.org/abs/2503.05613
  推荐理由：把训练策略、解释方法、评估与应用做系统归纳，适合作为第44回的总地图。
  提醒：综述中对“未来方向”的判断是观点，价值在于问题清单。

• 必读（谨慎立场）：Use Sparse Autoencoders to Discover Unknown Concepts, Not to Act as Concept Detectors https://arxiv.org/abs/2506.23845
  推荐理由：学习“如何给新工具降温”：强调 SAE 更适合发现而非直接当检测器/方向盘，适合做方法论护栏。
  提醒：看其与简单基线的对照方式，别只看口号。

• 备查（产业案例）：Anthropic. Evaluating Feature Steering https://www.anthropic.com/research/evaluating-feature-steering
  推荐理由：作为产业侧公开案例，帮助理解“特征操控”如何被拿来讨论偏见缓解与副作用。
  提醒：博客不是完整学术评测；读时把它当“案例”，而非“定论”。

9. 表征工程（Steering）与安全评测（第45回主轴）

• 必读（总体框架）：Wehner, J., et al. Taxonomy, Opportunities, and Challenges of Representation Engineering https://arxiv.org/abs/2502.19649
  推荐理由：把 steering/ablation/干预方法放进分类学框架，适合做安全讨论的共同语言。
  提醒：分类学的价值在“统一术语”，不是给出万能最优解。

• 必读（评测与基线）：Wu, Z., et al. AxBench https://arxiv.org/abs/2501.17148
  推荐理由：强调“强基线”与系统化评测的重要性，能有效抑制“新方法幻觉”。
  提醒：评测覆盖范围决定它能否代表你的场景，读时要对照其任务集合。

• 选读（系统安全评估框架）：SteeringSafety https://arxiv.org/abs/2509.13450
  推荐理由：把“训练外 steering 的安全风险”体系化地测量，是工程落地前的关键检查表候选。
  提醒：不同 threat model 下的结论会变，阅读时先锁定你的威胁模型。

• 选读（风险提示）：The Rogue Scalpel: Activation Steering Compromises LLM Safety https://arxiv.org/abs/2509.22067
  推荐理由：明确指出“能操控就可能破坏安全”，适合与第45回的护栏设计对照。
  提醒：此类工作往往依赖特定攻击流程，重点学其“攻击思路与防守口径”。

10. 基础底座与“老武功”（用于对照与补课）

• 必读（扩展定律）：Kaplan, J., et al. Scaling Laws for Neural Language Models https://arxiv.org/abs/2001.08361
  推荐理由：理解“规模与性能”的宏观关系，是读懂第10回与后续资源配置讨论的底座。
  提醒：扩展律不是永恒常数，数据分布与训练配方会改变曲线。

• 必读（算力最优）：Hoffmann, J., et al. Training Compute-Optimal Large Language Models https://arxiv.org/abs/2203.15556
  推荐理由：把“数据量与参数量如何配比”讲清楚，是训练配方讨论的核心参考。
  提醒：最优点依赖预算与训练目标，读时注意其假设。

• 选读（小模型高效）：Abdin, M., et al. Phi-3 Technical Report https://arxiv.org/abs/2404.14219
  推荐理由：作为“能力/成本折中”的产业路线代表之一。
  提醒：技术报告更像工程总结，关注其配方与评测覆盖。

• 选读（Llama 3 报告）：Grattafiori, A., et al. The Llama 3 Herd of Models https://arxiv.org/abs/2407.21783
  推荐理由：理解开源大模型配方与评测策略的现实样本。
  提醒：报告里很多技巧是系统工程组合，读时抓“关键瓶颈与取舍”。

• 选读（MoE upcycling）：Vavre, A., et al. Llama 3 Meets MoE: Efficient Upcycling https://arxiv.org/abs/2412.09952
  推荐理由：理解“从 dense 到 MoE”的一种工程路线。
  提醒：MoE 的收益常伴随路由/负载均衡等工程复杂度。

• 备查（注意力解释性警惕）：Jain, S., Wallace, B. C. Attention is not Explanation https://arxiv.org/abs/1902.10186
  推荐理由：提醒读者别把“注意力权重”误当因果解释，适合与第44–45回的可解释性讨论对照。
  提醒：这是方法论警示，解决方案要回到更严格的因果与对照。

• 选读（ViT registers）：Darcet, T., et al. Vision Transformers Need Registers https://arxiv.org/abs/2309.16588
  推荐理由：作为“架构小改动带来行为变化”的案例，适合多模态读者拓宽视野。
  提醒：与语言模型并非同设定，读时抓机制类比即可。

• 选读（xLSTM）：Beck, M., et al. xLSTM https://arxiv.org/abs/2405.04517
  推荐理由：作为 RNN/序列建模路线的 2024 延伸，用于与 SSM/Transformer 做对照。
  提醒：序列模型谱系复杂，读时抓“解决了什么瓶颈”。

• 备查（补充链接）：https://arxiv.org/abs/2305.13048 ，https://arxiv.org/abs/2410.01201 ，https://arxiv.org/abs/2405.00172 ，https://arxiv.org/abs/2412.09871
  推荐理由：这些链接在本书早期章节作为补充材料出现，建议读者按正文语境对照阅读。
  提醒：若你希望把它们纳入系统阅读路线，建议先在对应回目复核其引用上下文与作用点。

• 备查（Nature 背景资料）：https://www.nature.com/articles/nature14236
  推荐理由：作为更广泛科学传播语境下的背景材料，用于建立跨领域直觉。
  提醒：非专门面向 LLM 的技术论文，读时以背景理解为主。

11. 读后评语：把 2024–2026 的“新武功”归成三条主线

主线一：从“会说”到“会过关”（可验证推理）

• 2024–2025 的能力跃迁，很多时候来自“把推理当成可控流程”：多尝试、会回看、能校验。
• 但推理评测极易被任务定义与约束条件误导，所以“评论/复现”类材料在这一段格外重要。
• 对工程读者而言，最值钱的不是更长的思维链，而是更可审计的验证节点。

主线二：从“查资料”到“能办事”（RAG→工作流→智能体）

• RAG 的终点不是把上下文塞满，而是让系统能决定“何时查、查什么、查错了怎么办、证据够不够”。
• 评估与隐私不再是附加题，而是上线第一天就会遇到的主问题。
• 多智能体的收益通常来自“并行 + 交叉验证 + 明确止血机制”，而不是“多嘴就更真”。

主线三：从“外部对齐”到“内部可控”（SAE/Steering 与新风险）

• SAE 等方法让我们第一次有机会把内部表示拆成更稀疏的“念头字典”，但它也会制造新的“可解释性幻觉”。
• Steering/表征工程像旋钮：能快速改变行为，也可能破坏安全护栏，因此评测与强基线是必备护法。
• 能力越强，护栏越贵：这不是口号，而是系统工程的现实税。

12. 来源说明（你该如何看待这些链接）

• arXiv 论文版本会更新：结论与图表应以你阅读时的版本为准。
• 博客/技术报告用于理解“产业路线与叙事”，不应替代可复现实验。
• 综述用于“立地图”，基准用于“定尺子”，方法论文用于“出新招”，评论/复现用于“画边界”。