想搞大模型算法，到底做什么方向比较好？我自己更看重这两点：技术能力能不能迁移，以及这个方向还有没有创新窗口。

如果按这两个标准来看，目前比较值得关注的方向，可以分为三档（下分11个切入点）：

这里也说下我最近梳理了很多大模型相关工作，按实战价值做了6大归类，筛掉水文，整理成了一份LLM前沿论文合集（264篇）。下文我提到的方向，在合集里都有对应的代表性工作，这样先看方向逻辑，再看论文参考，更有助于你找到最佳创新点。

全部资料需要的同学看文末

第一：推理训练、Agentic Search、Agent训练

这几个方向我觉得可以优先考虑。

尤其是推理训练，本身就是很多大模型算法能力的交汇点，RL、Reward设计、训练稳定性、数据构造等经验都能迁移到其他方向。

Agent方向则更看重模型能力+任务闭环，如果还能结合搜索、工具调用和RL，竞争力会更强。

这档对应合集“LLM后训练与智能体决策”和“LLM知识增强与检索增强”两类。

第二：RM/Judge、对齐与安全、多模态后训练、数据工程

这几个方向性价比很高。

尤其是数据工程，容易被低估。模型训练越来越成熟以后，单纯换个算法带来的提升可能越来越有限，数据质量、数据筛选和Reward数据构造反而会直接影响最终效果。

这块合集里专门归在“LLM可信增强与因果推理”和“多模态融合与行业大模型”下。

第三：Memory、Deep Research、Code Agent、生成式搜推

这几个方向共同特点是：很多问题还没有标准答案，正处于窗口期。

Memory、Deep Research还在快速演进；Code Agent增长很快，但对软件工程能力要求也更高，不是单纯懂ML就够了。

所以如果是为了找论文创新点，我会重点关注第三档：问题新、方案还没完全收敛，更容易找到自己的切口。

当然，这档在合集里也是最值得翻的部分，我归类在“时间序列基础模型与预测大模型”和“大模型驱动科学计算与优化”。

最后还有一个变化值得注意：

现在大模型算法不只是拼八股了，而是看能不能把一个问题从训练、实验做到上线，再根据结果继续迭代。

所以与其堆很多零散知识，不如真正做几个有结果的项目、Benchmark、开源工作。方向可以变，但训练、数据、评测和工程这些底层能力，才是不会过时的东西。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部资料

码字不易，欢迎大家点赞评论收藏