机器学习
问题形式：在基准上更好/更快/更省；证据：多基准多种子的对比与消融；文化：arXiv 先行、迭代极快、顶会规模巨大。本章讲 ML 研究的特有问题（基准过拟合、算力不平等、复现危机）与应对。
问题形式：在基准上更好/更快/更省
Section titled “问题形式：在基准上更好/更快/更省”ML 研究的主流问题形式：在某个基准上比已有方法更好、更快、或更省（数据、算力、标注）。证据的标准形态：多基准、多种子的对比与消融——一组基准上的主表、消融表、方差报告（见假设、基线与消融、统计显著性与效应量）。
文化：arXiv 先行、迭代极快
Section titled “文化：arXiv 先行、迭代极快”ML 是 CS 里迭代最快的方向：arXiv 先行（结果先占坑再投稿）、会议规模巨大（NeurIPS 数千篇投稿）、热点半年一换。这个节奏的两面：
- 优势：反馈快，复现与跟进的成本低（代码开源是惯例，见开源、复现包与 Artifact 评估）；
- 风险：热点拥挤（同一个 future work 有几十个组在做）、结果未经充分检验就被大量引用、arXiv 版与最终版的差异大。
特有问题与应对
Section titled “特有问题与应对”- 基准过拟合：社区在同一组基准上迭代多年，改进可能是对基准的记忆而非泛化（Goodhart 定律的领域版）。应对：新基准的提出与验证本身是贡献；报告在更新基准上的结果；
- 算力不平等：算力差距使小组需要选择不同的问题——大组能做的 scaling 竞赛，小组打不起。应对：选择不靠算力取胜的问题（数据效率、小模型、分析性工作、评测与理解类工作，见评估问题的可行性）；
- 复现危机：单次运行、未报告方差、代码不完整是常态化的历史问题（见实证研究的常见错误）。应对：多种子、方差、开源现在是顶会的隐性标准。
新的贡献类型：理解为什么有效
Section titled “新的贡献类型：理解为什么有效”基准分数的边际提升越来越难以说明问题——当所有人都涨点时，涨点本身不再构成贡献。理解为什么有效正成为新的贡献类型：解释性分析（什么机制让方法有效）、失效条件的刻画（何时失效、为什么）、规模与涌现的实证规律（见研究空白与"增量"的边界的贡献类型学）。
ML 与其他范式的交叉见三种范式；ML 的文化背景见学术生态。
- 基准分数的边际提升越来越难以说明问题
- 算力差距使小组需要选择不同的问题
- 理解为什么有效正成为新的贡献类型