我们需要怎样的前沿信息
Published:
上一篇写 FrontPost 的方法论 时，我想讨论的是如何看待期刊名次、引用数、机构声誉、社交热度和 GitHub star。这些指标都有一点信息量，但作用有限：它们可以帮助我们决定先看哪里，无法单独说明一项研究是否重要、严谨、可复现，或者是否真的带来了新东西。
我后来又想了一步：研究不只存在于论文里。 论文是一种重要的交流形式，代码、数据、实验日志、博客、论坛、比赛和社区协作同样会留下研究过程。评价体系还催生了不少二级问题：怎样包装更像创新，榜单高零点几能不能再发一篇，什么故事更讨审稿人喜欢。这些问题影响发表，未必帮助人把事情做成。
做事的人通常更关心：它有没有用，原来的方法哪里不行，换个环境还能不能工作，自己能不能接着做下去。
研究发生在很多地方
Keller Jordan 解释自己没有为 Muon 写正式 arXiv 论文时，大意是：一篇优化器论文能否做出许多漂亮结果，与这个优化器是否真的有效，并没有必然关系；他更信任 speedrun。1
我不把这句话当真理，只把它看作一个实干者的观点。Muon 最初通过公开讨论、博客、代码和训练竞速传播，社区随后不断复现、改进和质疑。modded-nanogpt 的成绩表连着代码、日志和贡献者：谁改了优化器，谁优化了注意力，效果如何，都可以继续检查。2
llama.cpp 也是类似的例子。它先是一个 GitHub 项目，却很快让本地运行大模型从少数人的演示变成真实的工程生态。OpenFold 由社区把蛋白质结构预测能力做成可训练、可审计的开放基础设施。LAION 的开放数据支持了许多多模态项目，也在外部审查发现严重问题后撤下、清理和重新发布。3
博客和 GitHub 也会出错，论文同样如此。它们提供了另一种公开工作的方式：别人可以验证、改进，也可以证明它不对。
我想把 FrontPost 做成什么样
传统报业判断一件事是否值得上版面，会看新鲜、影响、相关和反常，也会看发布者之外的现场信息。4 前沿采编可以借鉴这一点。
名校、榜单和热度可以让一篇 SOTA 论文值得先打开，但打开之后仍然要看：它到底比已有工作多了什么，指标稳不稳，成本和限制在哪里。相反，一个没有论文的仓库，如果提供了方法、代码、日志和限制，也可能更接近真实进展。
FrontPost 可以先从一条简单的采编链路开始，论文摘要只是其中一环：
先从一句人话开始。 用户说“我在做端侧多模态模型，想关注推理优化和真实设备测试”，FrontPost 再展开主题、人物、项目、社区、排除项和时间范围。
别只盯着论文。 论文、官方文档、博客、代码仓库、issue、release、比赛、论坛和 newsletter 都可以是线索。系统记录来源、复现、反例和版本变化，也避免推荐范围越用越窄。
先弄清楚它到底说了什么。 研究 Agent 把内容拆成可检查的陈述，区分原文事实、作者观点、工具自述和模型推断，再查代码、数据、实验条件和独立复现。期刊名、机构、引用数、star 和社交热度只能帮助找线索，不能替代证据。
让另一个 Agent 专门挑刺。 它要追问：相比已有工作多了什么，基准公平吗，成本在哪里，结论能否外推，有没有反例和负面结果。
最后写成读得下去的东西。 说清楚发生了什么、为什么相关、证据多强、哪里不确定，以及接下来能读什么或试什么。重要变化放前面，原始链接保留。
Agent 可以分别负责找线索、整理证据和挑刺，最后由人决定是否相信、是否继续追。
我最近也在看 AI4Science Agent、PaperQA2 和 ARIS 这类工作流。它们提供了一个参考：FrontPost 可以持续跟踪一个问题，补充新来源、记录反例、定期复查，再交给人一份可继续追踪的进展。这里借鉴的是工作方法，FrontPost 还没有同类能力。567
我还在想什么才算 AI-native。给旧报纸接一个大模型，每天生成一版“AI 早报”，只是把编辑工作搬到后台，读者仍然被动接收一堆信息。
旧报纸的基本单位是“一期”，FrontPost 可以从一个问题或研究线索开始。新项目、反例和相关领域的来源持续补进来，用户可以追问、收藏或跳过。
FrontPost 更值得解决的问题，是把算力转化成更多人找得到、看得懂、用得上的前沿信息。摘要和报告只是形式，线索、反例和值得继续追的问题才是交付结果。这是一个方向，具体价值还要靠产品验证。
接下来还可以怎么做
如果继续做下去，我想留下的是一张信源图谱和一套主张记录。一个神秘总分解决不了来源判断的问题。
根据用户的收藏、跳过、纠正和实际使用，FrontPost 可以逐步识别有效来源、可靠复现者和重复公关话术。同一个主张有新证据时，直接更新原记录，避免生成一篇孤立摘要。
精准推荐也要留出少量空间，放进邻近领域、反常识和未上榜的工作。
刚入门的人不该先花几年混圈子，才知道前沿在哪里。传统社交媒体需要和推荐系统磨合；FrontPost 可以从一句话开始，根据反馈调整来源。
我不想继续转发空洞的“重大突破”、名次崇拜和术语门槛。我想找准确、有趣、有新意、值得继续追踪的信息。FrontPost 要做的是让有价值的来源更容易被找到。
Keller Jordan 的说明由 Varun Neal 在 Muon in Modded NanoGPT 中引用。这里按其含义转述，不把个人观点当作普遍结论。 ↩
Keller Jordan，Muon: An optimizer for hidden layers in neural networks；实现和后续资料见 KellerJordan/Muon，公开训练竞速见 KellerJordan/modded-nanogpt。 ↩
相关项目见 ggml-org/llama.cpp、OpenFold、LAION 的 DataComp 发布说明 与 Re-LAION-5B 清理说明。开放项目同样会犯错，这里关注的是公开复现和纠错机制。 ↩
Tony Harcup 与 Deirdre O’Neill 对新闻价值的研究列出了 surprise、magnitude、relevance 等常见因素，见 What is News? News Values Revisited (Again)。 ↩
Google Research，Accelerating scientific breakthroughs with an AI co-scientist；Skarlinski 等，Language agents achieve superhuman synthesis of scientific knowledge；ARIS 项目仓库 Auto-claude-code-research-in-sleep 及其早期技术报告 ARIS: Autonomous Research via Adversarial Multi-Agent Collaboration。前两者有公开论文或评测，ARIS 的具体工作流和能力边界仍应按开源项目与报告理解，不代表 FrontPost 已具备同类能力。 ↩
Google Research，Towards a science of scaling agent systems: When and why agent systems work。该研究报告多 Agent 在可并行任务上收益明显，但在顺序任务上可能退化。 ↩
Buchmann 等，Evaluating and Guarding Citation Faithfulness in Agentic Scientific Synthesis。论文报告同一批输出在不同验证器下测得的不受支持引用比例约为 3%–18%，说明验证器本身也需要校准。 ↩