Följa forskningsfronten

Hundratals ML-papper publiceras varje dag. Att «följa fältet» är därför inte att läsa allt, utan att ha ett filter.

Ett flöde som håller:

Källa	Frekvens	Vad du gör
arXiv-bevakning (cs.CL, cs.LG) på nyckelord	dagligen, 5 min	läs titlar, spara 1–3
Konferensernas accepterade papper (NeurIPS, ICML, ACL)	per konferens	skumma listan, plocka 5–10
Ett fåtal utvalda personer och labb	löpande	de gör urvalet åt dig
Modellkort och release notes	vid release	det som faktiskt påverkar din produkt
Reproduktionsrapporter, negativa resultat	månadsvis	här står det som inte höll

Regel: läs abstract på många, metod på få, reproducera ett i kvartalet. Det sista är vad som faktiskt bygger kunnande.

Hype-filter — sex frågor som sållar snabbt:

1. Jämförs det mot en tunad baslinje? Otunad baslinje = resultatet säger inget.
2. Hur många frön, och rapporteras spridning? Ett frö = anekdot.
3. Kan benchmarken vara kontaminerad? Publicerad före modellens träningsdata?
4. Finns kod och exakt konfiguration? Om inte: behandla som hypotes.
5. Är förbättringen större än bruset mellan frön?
6. Vem har replikerat det? Ett papper är en hypotes; två oberoende replikeringar är ett resultat.

Signaler som ofta betyder lite: ny SOTA med några tiondelar, demonstrationer utan kvantitativ utvärdering, «emergent» beteende mätt med tröskelmått, och resultat som bara finns i ett blogginlägg.

Signaler som ofta betyder mycket: metoder som förenklar (färre delar, inte fler), resultat som håller över flera datamängder och skalor, negativa resultat som motbevisar något etablerat, och verktyg som andra snabbt börjar använda.

Praktisk rytm: 20 minuter om dagen på titlar, två timmar i veckan på ett papper i tre pass, ett kvartal per reproduktion. Skriv läskort (nod läsa-papers) och spara dem sökbart — annars glöms allt.