本科生科研入门学习指南（更新时间：2026.02.11）

前言

• 课题组负责人：郭兰哲 (南京大学智能科学与技术学院，准聘助理教授，博士生导师)
• 研究方向：Neuro-Symbolic Learning、LLM/MLLM Reasoning & Planning、Agent in Digital and Physical World、AI for Open Problems
• 招生对象：直博生、硕士生、科研实习生（支持 Remote）
• 联系方式：欢迎感兴趣的同学联系 guolz@nju.edu.cn。
  • 邮件标题建议注明：[科研实习/保研/直博申请] 姓名-学校-年级-专业

学习目标

本学习大纲面向从 0 到 1 入门的本科生，目标是在 6-8 周 内，帮助同学建立对课题组研究方向的整体认知、核心技术理解与基础科研能力，为后续参与真实科研项目打下基础。

• 基础夯实：了解人工智能、大模型、智能体基础知识，能够自主检索并读懂前沿论文与代码。
• 领域认知：理解什么是大模型/多模态推理、AI Agent、Neuro-Symbolic Learning。
• 科研素养：具备“提出问题 -> 文献检索 -> 代码复现 -> 实验分析”的完整科研闭环能力。

说明：在申请进组之前，你应当具备一定的机器学习、大模型、智能体基础知识，自测标准：

1. 了解提升大模型推理能力的常用后训练算法：如SFT、GRPO
2. 能够加载某个开源大模型或者调用闭源大模型API，在某个评测数据上完成性能评估
3. 了解智能体基础知识，能够基于ReAct实现一个简单工具调用的Agent

如果你觉得自己能力已经达标，便可通过邮件约时间进行交流（线下或线上会议），无需准备PPT等材料，交流方式为面试提问，通过后即可作为科研实习生加入课题组；如果你觉得自己还没有掌握相应知识，可以参考如下提供的学习资料进行学习

---

学习资料：人工智能与大模型基础

1. 神经网络与深度学习基础

学习目标：

• 掌握神经网络的基本原理，能够理解前向传播与反向传播的数学推导与代码实现
• 掌握 CNN/ResNet、RNN 等机器学习基础模型架构
• 掌握 Pytorch 核心组件的使用，例如 Dataloader、损失函数、模型搭建、优化器等

参考资料：(仅作为学习的参考，不是要完全读完)

• 动手学深度学习
• Neural Networks: Zero to Hero (Andrej Karpathy)
• PyTorch Tutorial

2. 大语言模型（LLMs）

学习目标：

• 掌握 Transformer 的核心机制 (Self-Attention, Positional Encoding, Decoder-only vs Encoder-Decoder 等)
• 了解 GPT 系列、LLaMA 系列等典型大语言模型

参考资料：

• Happy-LLM (Datawhale)

3. 视觉与多模态大模型

学习目标：

• 了解 Vision Transformer (ViT) 的基本原理
• 了解 LLaVA、Qwen-VL 系列等前沿多模态大模型

参考资料：

• 多模态大模型论文串讲：上，下
• ViT 论文 | 代码库
• LLaVA 论文
• Qwen3-VL Technical Report

4. 大模型/多模态推理(LLM/MLLM Reasoning)

学习目标：

• 掌握基础的Prompt Engineering (Zero-shot, Few-shot, etc) 及 API 调用方式
• 掌握Chain-of-Thought等大模型推理机制
• 掌握SFT、PPO、DPO、GRPO等提升基座模型推理能力的后训练方式
• 了解GSM8K、MATH等常用的benchmark

参考资料：

• Prompt Engineering Guide
• DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
• SFT or RL? An Early Investigation into Training R1-Like Reasoning Large Vision-Language Models
• SFT Memorizes, RL Generalizes: A Comparative Study of Foundation Model Post-training

5. 智能体(Agent)

学习目标：

• 理解大模型Agent的基本概念与核心架构，能够区分Agent与普通对话型LLM的差异
• 掌握ReAct等基础Agent框架的原理与实现
• 了解Agent的记忆机制与规划方法
• 了解大模型Agent背景下，Mutli-Agent系统的基本概念

参考资料：

• LLM Powered Autonomous Agents --经典必读
• 《从零开始构建智能体》 --偏工程视角

入门培训：文献阅读与代码实践

说明：在面试通过后，你便可以正式开始科研训练。本阶段重点在于论文调研、阅读、复现与思考

核心流程：

1. 了解方向：了解本组的主要科研方向（Neuro-Symbolic Learning，LLM Reasoning，Agent）。
2. 选择题目：结合自己的兴趣，选择一个方向
3. 实践汇报：完成相应的论文阅读以及代码实践，并形成 PPT 汇报

本训练计划并非考核某个固定答案，而是帮助你判断： 你是否真正享受分析问题、阅读论文、调试代码和反思实验的过程。 如果你对“研究问题本身”感到兴奋，那么欢迎加入我们。

研究方向初步认知 (建议阅读)

• 神经符号学习 (Neuro-Symbolic Learning)
  • Neuro-Symbolic Learning in the era of Large Models
  • Neuro-Symbolic Artificial Intelligence: Towards Improving the Reasoning Abilities of Large Language Models
• 大模型推理与规划 (LLM/MLLM Reasoning & Planning)
  • Towards Reasoning Era: A Survey of Long Chain-of-Thought for Reasoning Large Language Models
  • Perception, Reason, Think, and Plan: A Survey on Large Multi-Modal Reasoning Models
• 智能体 (Agent)
  • Agent AI: Surveying the Horizons of Multi-Modal Interaction
  • A Survey on Agentic Multi-Modal Large Language Models
  • Agentic Reasoning for Large Language Models
• 符号回归 (Symbolic Regression)
  • Tutorial: https://symbolicregression2025.github.io/

选题实战（任选其一）

请结合个人兴趣选择一个方向，检索并阅读相关论文并完成代码实践

⚠️ 注意事项：

• 不要求完整复现论文全部实验，但需要在至少 1 个数据集上跑通完整算法流程，并得到结果
• 尽量复用开源框架（如 LLaMA-Factory, TRL, LangChain 等），重点在于掌握算法流程以及分析实验结果，而非重复造轮子
• 若算力受限，请优先使用 PEFT (LoRA/QLoRA) 或小参数量模型（如 Qwen-2.5-1.5B/3B）
• 如果在实践过程中未能复现论文中的性能结果，并不视为失败；请尝试定位问题来源、分析原因并给出合理解释
• 如果要复现自行查找的论文，请优先选择近两年 (2025年后) 在顶会 (ICML/NeurIPS/ICLR) 上发表的，或具有较高影响力 (Citation>100) 的文章

---

方向 1：大模型逻辑推理

LLM很擅长“看起来有道理但实际错误的回答”，在需要严格逻辑推导的任务上容易出错，本方向的主要目标是提升大模型严谨的逻辑推理能力。如果你对数理逻辑、形式化方法感兴趣，或者喜欢一步步推导结论的严谨感，可以关注这个方向。

• Logic-LM: Empowering Large Language Models with Symbolic Solvers for Faithful Logical Reasoning
• Faithful Logical Reasoning via Symbolic Chain-of-Thought
• VeriCoT: Neuro-symbolic Chain-of-Thought Validation via Logical Consistency Checks

🎯 实践任务

基于上述提供的论文，调研结合Formal Language与Symbolic Solver提升LLM逻辑推理能力的工作，在至少1个逻辑推理benchmark中进行1篇论文复现

目标：体会结合形式化语言与求解器提升LLM逻辑推理能力的思想

方向 2：数学、几何推理

数学推理是检验LLM推理能力的经典战场，从小学应用题到IMO竞赛题，模型的表现差异巨大。本方向主要目标是提升大模型的数学推理能力，其中涉及到的算法思路也可以迁移到司法、医疗等其他垂直领域场景。如果你对数学、或者垂域大模型训练感兴趣，可以关注这个方向。

• Neuro-Symbolic Data Generation for Math Reasoning
• NeSyGeo: A Neuro-Symbolic Framework for Multimodal Geometric Reasoning Data Generation (一作是智科院 2023 级本科生，大二期间完成)

🎯 实践任务：

复现上述论文数据合成的方法，并基于SFT或GRPO算法微调一个开源大语言模型或者多模态大模型，在一个数学推理数据集（例如GSM8K、MATH、MathVista、WeMath等）进行评测，分析合成数据与训练算法对模型推理性能的影响

目标：体会SFT与RL作为两种常用post-training范式的区别，并学会使用两种方式提升base model推理能力；SFT为必选任务，GRPO如果跑不起来，可以只掌握原理/代码实现

方向 3：视觉图像推理

给定一幅图像和对应的问题，如何完成相应的推理任务？人类在处理图像推理时会在脑海里思考，例如“画辅助线”、“放大局部”等，但现有的多模态大模型只能被动地看一眼图片然后回答，这个方向探索如何让模型在推理过程中主动生成、修改和利用中间图像，实现边想边看。

• DeepEyes: Incentivizing "Thinking with Images" via Reinforcement Learning
• Thyme: Think Beyond Images
• TIR-Bench: A Comprehensive Benchmark for Agentic Thinking-with-Images Reasoning
• WebWatcher: Breaking New Frontier of Vision-Language Deep Research Agent
• Thinking with Images for Multi-Modal Reasoning: Foundations, Methods, and Future Frontiers

🎯 实践任务：

调研 "Think with Images" 方向的论文，尝试在一个视觉推理数据集上，复现一种方法，并进行结果分析

目标：体会think with images这一方向的主要研究问题和常见范式；如果算力不允许可以优先选择Training-Free的方法

方向 4：抽象视觉推理

ARC-AGI-Challenge是一个专门设计来测试AI泛化能力的视觉谜题，每道题会给你若干个输入输出的图案样例，需要归纳出背后的抽象规则，并预测新的输入。这是一个难度很高的谜题，被认为是实现AGI的重要挑战。基于该数据集，每年都会举办奖金超过100万美元的比赛。

• ARC Challenge
• NSA: Neuro-symbolic ARC Challenge

🎯 实践任务：

了解什么是 ARC Challenge，调研相应的论文与解决方案，并尝试实现至少一种方法，分析其结果和瓶颈

目标：了解ARC Challenge这一任务，熟悉已有的方法范式

方向 5：Travel Agent (Tool-Use & Planning)

给定一个复杂的用户旅行需求，例如，“预算5000元，从南京出发，三天游云南，需要满足xxx偏好”，如何让Agent自动调用工具、查询信息、并生成一个满足约束的合理方案？这个方向的核心挑战在于如何让LLM真正可靠的完成复杂的约束满足和规划任务，比较贴近实际应用场景。

• TravelPlanner: A Benchmark for Real-World Planning with Language Agents
• ChinaTravel: An Open-Ended Benchmark for Language Agents in Chinese Travel Planning
• Mind the Gap to Trustworthy LLM Agents: A Systematic Evaluation on Constraint Satisfaction for Real-World Travel Planning (AAAI 2026 Trust Agent Workshop Best Student Paper, 前两位作者均为智科院本科生)

🎯 实践任务：

基于 ReAct 框架构建一个简单的 Agent，分析其在上述两个数据集中的性能表现

目标：体会Travel Planning这一任务的关键挑战（约束可满足的复杂规划能力）以及潜在解决方案

方向 6：Game/Embodied Agent

这个方向尝试探索让Agent在模拟或真实的环境中行动，比如在Minecraft中自主探索、采矿、建造，或者在家居场景中，让机器人完成具身任务，这里的挑战在于环境是动态的、反馈是稀疏的、任务是长程的，Agent需要具备记忆、技能积累和自我反思的能力。如果你对游戏智能体、具身智能体感兴趣，这个方向会比较有意思。

• Voyager: An Open-Ended Embodied Agent with Large Language Models
• WALL-E 2.0: World Alignment by NeuroSymbolic Learning improves World Model-based LLM Agents
• InstructFlow: Adaptive Symbolic Constraint-Guided Code Generation for Long-Horizon Planning
• Agent Workflow Memory
• Inducing Programmatic Skills for Agentic Tasks
• Training-Free Group Relative Policy Optimization
• Re2 Agent: Reflection and Re-execution Agent for Embodied Decision Making (NeurIPS 2025 EAI Challenge Most Innovative Approach)

🎯 实践任务：

参考上面的论文，在我的世界 (MineCraft) 环境或具身数据集 ALFWorld 或者Web Agent环境WebShop中进行实验，并汇报性能结果。 (注：MineCraft 相对来说环境更为复杂，且对模型能力要求较高，请根据自身工程能力选择)

目标：了解Agent Skill、Agent Memory等相关内容，熟悉相关的benchmark

方向 7：Symbolic Regression

给你一批科学家的观测数据，能否发现背后隐藏的科学规律？比如从物理实验数据中自动发现牛顿定律，这就是符号回归的目标。传统方法依赖演化计算等搜索策略，而近年来LLM的引入带来了新的思路，如果你对AI4Science感兴趣，这个方向值得关注。

• Tutorial: https://symbolicregression2025.github.io/

🎯 实践任务：

基于上述 Tutorial，阅读相关论文，尝试复现论文 LLM-SR: Scientific Equation Discovery via Programming with Large Language Models，根据论文给出的 Github 仓库跑通代码，并对比原文中的结果

目标：了解Symbolic Regression任务，常见的benchmark以及LLM时代的主流方法

---

💡 自定义方向 如果你对其他隶属于 Neuro-Symbolic Learning、Agent、LLM Reasoning 领域的研究方向感兴趣（比如多模态医学推理、遥感图像推理、Chart QA、智慧司法、或者我的世界之外的其他游戏场景等），也可以提前进行沟通，得到允许之后，可以自行发挥查阅相关文献，按对等要求完成（即复现至少 1 篇论文算法在 1 个数据集上的实验结果）

---

3. 汇报要求

完成上述任务之后，需要准备一份 PPT 进行汇报，内容应包含：

1. 领域背景简介：该方向主要解决什么科学问题？为什么重要？
2. 代表方法介绍：有哪些代表性的方法，核心思路是什么？（尽量用自己的语言简洁叙述，不要照搬原文）
3. 实验结果分析：实验设置、实验结果、分析讨论等
4. 未来思考：基于你的实践，你认为该方向下一步可以做什么？

PPT 制作基本原则：

• PPT 可以用中文或英文制作
• 不需要设置动画，导出为 PDF 格式
• 字体建议：中文使用微软雅黑，英文使用 Times New Roman
• 涉及到参考文献的需要添加引用，参考文献放在本页PPT的最下方
• 可以使用 Powerpoint，也可以使用 LaTeX，以文档排版美观、易于阅读为最终目标

---

关于本文档的任何问题或者建议，欢迎留言或邮件咨询~~