Datawhale经验 

作者：Datawhale团队

首先，祝每位 25 考研的同学明天都有好成绩！

此文章，送给每一位想了解考研的同学

零、 前言

本次交流会旨在为同学们提供一些通用性的考研知识。我们邀请了多位嘉宾进行分享，其中包括刚刚结束考研初试的同学，他们将为大家详细讲解考研的基本流程和相关注意事项。例如，从什么时间点开始准备，需要关注哪些事项，以及在不同时间节点应该完成哪些任务。此外，我们还邀请了多位研究生和博士生，他们将从不同视角分享自己的经验。这些嘉宾中，有的专注于大模型相关研究，有的则涉足交叉领域。他们将结合自身经历，为大家提供关于学校选择、初试复试准备、专业和导师选择等方面的实用建议。希望通过这些分享，帮助大家更清晰地规划考研路径。　
本次分享主要包括五个部分：　
1.考研流程扫盲　
2.学校选择　
3.初试和复试准备　
4.专业和导师　
5.大模型研究方向　
这一阶段的主要任务是收集考研信息和资料和基础阶段复习以及强化阶段复习。获取信息的渠道包括：　
    中国研究生招生信息网（研招网）：这是官方发布考研信息的权威平台，涵盖了全国各高校的招生政策、专业目录等重要内容。
    学校研究生官网：各高校的研究生院官网会发布具体的招生简章、专业介绍、报考要求等信息。
    直系学长学姐：向已经考过研的学长学姐咨询，他们的经验往往更具针对性和实用性。
    网络平台：如B站、知乎、QQ群等，这些平台上有大量考研相关的经验分享和资料整理。但需要注意的是，网络信息可能存在夸大或不实的情况，需谨慎甄别。
在收集信息的同时，还需要初步确定自己的目标专业和学校。可以通过以下途径了解相关信息：　
    学校研究生官网：查看招生简章、专业目录、报考要求等。
    研招网：获取全国范围内的招生信息。
    院校官网：例如，以北京大学研究生院为例，其官网会详细展示招生工作安排、专业目录、报考点要求等内容。
在确定目标时，需要重点关注以下内容：　
    招生人数：了解目标专业的招生规模。
    学费：确认目标专业的学费标准。
    报录比：了解竞争激烈程度。
    往年复试分数线：作为参考，评估自己的实力与目标之间的差距。
在确定目标学校和专业后，下一步是明确考试科目（也可以先选择适合的考试科目再选择合适的学校）。考试科目通常包括公共课和专业课两部分：　
    公共课：
      政治：所有考生必考科目，内容涵盖马克思主义基本原理、毛泽东思想和中国特色社会主义理论体系等。
      英语：分为英语一和英语二，两者的难度和题型有所不同。英语一通常难度较高，适合学术型硕士；英语二相对简单，适合专业型硕士。
      数学：根据专业不同，分为数学一、数学二和数学三，难度和考查范围也有所差异。
    专业课：
      统考（408）：包括数据结构、计算机组成原理、操作系统和计算机网络四门课程。
      自命题：各高校自主命题，考查内容和形式因学校而异。例如，有的学校可能只考数据结构，有的则可能考查数据结构加计算机网络等。
      对于计算机专业，专业课主要分为统考和自命题两种形式：
在制定复习计划时，可以参考上岸学长学姐的经验，同时结合自身的学习习惯和时间安排。选择教辅资料时，不必追求高价或热门，而是要根据自己的实际情况选择适合的资料，确保复习的针对性和高效性。　
核心工具：研招网的正确使用方式　
功能　
    1. 考研大纲查询：每年9月发布最新考研大纲，变动幅度通常不超过5%（如2023年英语一新增图表作文题型，此前十年均为图画作文）
    2. 报名系统入口：全国硕士研究生招生唯一官方通道（网址：https://yz.chsi.com.cn）
    3. 数据验证平台：提供各院校历年报录比、推免生占比等关键数据查询
阶段1：预报名　
（预报名与正式报名具有同等效力！）　
    双重作用：① 报名系统压力测试 ② 考生操作演练（建议所有考生参与）
    注意事项：✓ 成功标志：生成9位报名号+完成缴费（支持支付宝/银联） ✓ 证件照要求：JPG格式、白底免冠、文件大小100KB以内（建议9-10月拍摄）
阶段2：正式报名　
特别提醒：逾期不接受补报，建议在10月20日前完成最终确认　
关键信息提取表　
可通过院校研招办电话复核关键信息　
材料准备清单　
    1. 身份证明：手持身份证照片（需露出双臂，身份证信息清晰可辨）
    2. 学历证明：应届生提交《教育部学籍在线验证报告》，往届生提供学位证编号
    3. 属地证明：非户籍地考生需上传社保缴纳记录/居住证（具体要求见报考点公告）
    4. 审核时效：提交后48小时内反馈结果，建议至少预留2次修改机会
    准考证打印：12月中旬下载PDF文件（建议保存电子版备份）
    考场确认：
      报考点为非本校考生需提前预定考场周边住宿
      考前1天实地确认考场位置与交通路线
    考试时间：12月倒数第二个周末（每天8:30-11:30/14:00-17:00）
    成绩公布：次年2月下旬可通过研招网/省级教育考试院官网查询
    分数线发布：✓ 34所自划线院校：2月下旬公布（通常高于国家线） ✓ 国家线：3月上旬由教育部统一划定
复试准备：　
    1. 考核形式：
    常见组合：机试+专业课笔试+综合面试
    特殊要求：部分院校取消机试和笔试，只有综合面试（以复试通知为准）
2. 必备材料：中英文简历、科研成果证明、导师联系邮件模板
调剂系统操作：　
    开放时间：国家线公布后1周（约3月中下旬）
    填报规则：✓ 同时填报3个平行志愿 ✓ 锁定时间不超过36小时
    1. 拟录取确认：收到通知后24小时内需回复确认
    2. 入学审查：
    3. 档案调取：5月通过EMS机要通道转递（应届生延至7月）
    唯一志愿制：考研仅允许填报1所院校的1个专业（与保研/调剂的三平行志愿形成对比）
    决策前置性：需在备考初期完成精准择校
    1. 研招网（优先级★★★★★）
    查询内容：历年招生简章、实际录取人数、推免生占比
    覆盖范围：全国院校的完整数据
2. 学院研究生官网（优先级★★★）
    补充查询：专业课程设置、导师研究方向
    预警信号：信息更新频率低于年更/数据不全的院校需谨慎
    1. 分数线趋势
    重点观测：近三年国家线与院校线的分差变动
    风险提示：连续两年涨幅＞15分的专业慎报
2. 报录比解析
    计算公式：实际统考录取人数/当年报考人数
    警戒阈值：超过1:20的竞争比需重新评估自身实力
3. 政策变动监测
    关注重点：教育部学科评估结果（C-以下专业存在停招风险）
    典型案例：某985院校软件工程专业因学科评估未达标，2024年实际录取人数归零
    1. 政策风向标：定期查看教育部官网「学位管理与研究生教育司」公告
    2. 院校动态：订阅目标院校研招办微信公众号获取实时通知
    1. 职业规划导向
    科研/高校教职：必选学硕（博士申请通过率有加成）
    央国企/公务员：优先学硕（岗位要求明确标注）
    民营企业就业：专硕性价比更高（节省1年时间成本）
2. 经济成本核算(举例)
    3. 深造路径选择
    硕博连读：仅学硕可申请（部分院校允许专硕转博）
    海外读博：学硕科研成果更受认可（SCI论文权重高）
一、备考阶段划分　
（1）时间规划原则 　
常规备考周期建议从3月持续至考试前，但跨专业考生（如土木转计算机）需提前1-2个月进行专业基础补足，重点加强编程能力（如C语言）与算法题训练。需注意备考周期过长可能导致后期动力不足，建议根据个人基础弹性调整。　
（2）三阶段复习体系　
① 基础阶段（3-6月）　
    重点完成学科知识框架搭建
    数学科目需系统梳理基础知识点
    日均学习时长6-8小时（兼顾在校课程）
② 强化阶段（7-9月中旬）　
    暑期黄金期保持每日10小时高效学习
    核心任务：真题训练/错题整理/加深知识点理解
    专业课重点突破代码实践能力
③ 冲刺阶段（9月下旬-考前）　
    侧重模考训练与重难点知识强化
    协调毕业设计等校务安排
二、作息管理方案　
① 标准时间表（可随学业进度动态调整） 　
08:00-12:00 攻坚数学（含20分钟间歇） 　
14:00-18:00 攻坚专业课（建议午休后冷水醒神）　
19:00-23:00 攻坚英语、政治以及对白天学习知识的整理　
② 特殊时期调整 6月需协调期末考试与考研复习，建议：　
    优先保证考研核心科目每日3小时学习
    利用碎片时间进行知识点记忆
    考试周适当减少考研复习强度
注：本方案需结合个人学习效率、专业基础及院校课业要求灵活调整，避免机械照搬。关键在保持可持续的学习节奏，切忌前期过度消耗导致后期倦怠。　
三、冲刺阶段专项规划（考前100天）　
数学科目攻坚策略 （1）科目难度分级　
    数学一：涵盖高数/线代/概率论，建议数学基础薄弱者慎选
    数学二：侧重高数与线代，适合工科跨考生
    数学三：经济类专用，注重计算能力训练
（2）三阶段复习要点　
    基础阶段：确保知识点100%覆盖，允许查阅教材完成基础题型
    强化阶段：建立知识网络图谱，严格闭卷完成《660题》等经典题库
    冲刺阶段：每日3小时限时模考（推荐李林4/6套卷+超越共创），重点分析2010年后真题
（3）名师课程配置方案　
英语科目突破路径　
    英语考试一共100分，阅读理解占40分，所以得阅读者得天下，阅读的基础是词汇，所以要坚持背单词。
（1）阶段任务分解　
政治科目高效攻略 （1）三类考生备考方案　
    冲刺型（10月启动）：肖八选择+肖四大题+腿姐押题班
    稳健型（7月启动）：徐涛强化班+肖1000题+冲刺背诵手册
    高分型（3月启动）：核心考案系统学习+真题分类训练
（2）学科模块优先级　
四、专业课备考方法论 统考科目（以计算机408为例）　
    基础阶段：知识点记忆并刷王道单科书选择题
    强化阶段：二刷知识点并进行大题专项训练
    冲刺阶段：近15年真题限时模考+模拟卷查漏
自命题科目（以854数据结构为例）　
    信息战策略：
      收集近5年真题（校研招办/考研论坛）
      获取本校本科期末试题（目标院校打印店）
      分析考纲变更规律（对比近3年大纲变动）
    应试技巧：
      针对简答题建立标准化答题模板
      代码题重点刷一刷leetcode，主要锻炼代码思路
五、复试准备前瞻建议　
    1. 成绩等待期关键动作：
    完善毕设项目（可能成为面试提问素材）
    持续英语口语训练（每日跟读TED演讲20分钟）
2. 核心能力储备清单：
    专业前沿动态追踪（关注顶会论文摘要）
    科研潜力证明材料（整理竞赛/专利成果）
    压力面试模拟训练（组队进行全真mock）
    1. 有效信息筛选原则
    目标院校研究生院官网复试细则（含机试大纲）
    近3年录取考生简历模板（通过学术社交平台联系在读研究生获取）
    优先渠道：知乎/CSDN目标院校上岸经验贴（重点阅读3年内高赞帖）
    避坑指南：警惕以"复试题库"为名的付费资料（实测60%内容与真题无关）
    核心资源：
    Kaggle实战路径：① 选择Getting Started级别竞赛（如Titanic） ② 复现TOP10方案并改进特征工程（需在GitHub构建完整项目） ③ 形成技术报告（含EDA/模型对比/可视化）
    课程设计升级法：例如将数据库课程设计重构为"高并发场景下的Redis缓存优化实践"
    项目薄弱环节："在开发过程中，我们发现当数据量超过10万条时模型推理速度下降40%，通过引入模型剪枝技术将延迟降低到原水平的75%，这个教训让我们更重视生产环境的性能优化"
    知识盲区："关于您提到的联邦学习隐私保护机制，我在课程设计中主要聚焦于模型优化方向，面试结束后我会立即研读《Federated Learning》第三章相关内容"
    主要熟悉C语言代码，并通过leetcode锻炼代码思维
    参考资料：《算法导论》、《代码随想录》、《C语言程序设计》
    遇到未知算法题时，先写出暴力解法确保基础分
    复杂代码先写伪代码注释，避免思路中断
DataWhale开源项目　
    机器学习基础：《南瓜书》公式推导逐行精解
    深度学习实战：《深入浅出PyTorch》配套Notebook
    算法强化：《LeetCode》高频题型分类解析
    官方渠道：① 目标院校研究生招生网（关注招生简章/推免比例/新增研究院） ② 教育部学位中心（查询第四轮学科评估结果） ③ 军校招生信息网（部分专业面向普通考生开放）
    隐蔽机会点：
      新成立学院（如智能工程学院/未来技术学院）首年招生竞争较小
      交叉学科项目（如生物信息学/金融科技）更易实现专业转型
      不同学院的联合培养（如医学院和计算机学院），特别是首次招生时竞争小
    概念混淆：区分"研究方向"（如大模型应用）与"学科专业"（计算机科学与技术）
    校区差异：同一学校的不同校区相同专业，招生分数可能不同，并且侧重方向不同，例如：哈工大本部和哈工大深圳
    显性渠道：① 学院官网导师名录（标注"硕士生、博士生导师"身份） ② 当年研究生招生目录（附导师联系方式）
    隐性渠道：
      新引进人才（查看学校人事处公示）
      跨学科导师（关注交叉研究院招聘公告）
    学术型路径：选择IEEE Fellow/杰青（注重顶刊发表记录、有无帽子和重大基金项目）
    就业型路径：优选有企业顾问经历的导师（关注横向课题数量）
    创业型路径：锁定科技园孵化项目负责人（查询工商注册信息）
    人品评估：
      使用"导师评价网"、"知乎"、"小红书"等渠道数据交叉验证（注意筛选近3年评价）
      实地考察实验室氛围（通过视频会议观察师生互动）
      不要只通过老师给本科生上过课来判断一个老师是否合适做导师，这是一种不靠谱的操作
    延毕预警：
      统计近5年毕业生学制（超过标准学制30%需警惕）
      关注课题组博士转硕比例（高于20%谨慎选择）
人工智能（AI）的核心目标是利用计算机解决现实问题。根据处理对象的不同，AI研究方向主要分为以下五类：　
    结构化数据处理：以数字为对象，例如股票价格预测；
    自然语言处理（NLP）：针对文本数据，如对话系统、文本分析；
    计算机视觉（CV）：处理图像信息，应用于自动驾驶、目标识别等场景；
    音频处理：如语音识别、同声传译等技术；
    时序数据处理：分析时间序列数据，例如天气预测。
    监督学习：基于“问题-答案”数据集训练模型，例如通过“1+1=2”等示例让模型学习数学规律；
    无监督学习：从无标注数据中自主挖掘规律，典型应用如通过海量文本训练语言模型；
    强化学习：通过环境反馈优化决策，例如AlphaGo通过不断试错提升围棋水平。
    符号主义阶段：早期基于语法规则处理文本，类似传统语言学的分析方法；
    语义表征与统计学习：将文本转化为数字向量（如词频统计、词嵌入），结合决策树等模型提取规律；
    深度学习时代：神经网络实现端到端学习（如机器翻译），2017年Transformer架构的提出成为关键转折点；
    预训练+微调范式：模型先通过海量文本预训练学习通用知识，再针对特定任务微调，类似人类“先广泛学习再专项突破”；
    大模型时代：以GPT-3、Llama系列、Qwen系列等为代表的大规模预训练模型，在语义理解、生成能力上实现质的飞跃，推动NLP进入全新发展阶段。
总的来说，大模型本质是NLP技术演进的产物，其突破性能力源于深度学习架构创新与海量数据训练。当前，大模型已在多领域展现出强大的应用潜力，成为AI发展的重要方向。　
当前大模型研究主要聚焦三大方向：　
    1. 基座研究（底层技术突破）
    2. 衍生研究（性能优化与安全增强）
    3. 应用研究（场景落地实践）
    1. 新型模型架构探索
    MOE架构（混合专家系统）：如DeepSeek-V3等模型采用分治策略提升推理效率
    端侧推理小模型：MiniCPM-MoE等可在手机/平板运行的轻量化多模态模型
2. 预训练数据配比优化
    通过数据筛选与配比提升训练效率（参考DeepSeek-R1报告，500万美元训练出对标GPT-4的模型）
3. 偏好对齐技术
    主流方法：PPO（近端策略优化）、DPO（直接偏好优化）等强化学习技术
    学习资源：开源教程easy-rl、TRL仓库技术博客
研究门槛提示　
    算力需求：预训练需数十张A100级显卡支持
    研究主体：集中于头部985高校（如清华、北大）及大厂研究院
    择校建议：需重点考察导师团队是否具备基座研究能力
    1. 数据合成技术
    利用大模型生成垂类数据（如生物、医学、化学、物理领域），训练专用小模型
2. 可信AI研究
    防御提示词攻击（如"奶奶病危需激活码"等诱导漏洞）
3. 模型轻量化技术
    知识蒸馏：将大模型能力迁移至小模型
    量化压缩：FP32→INT8等精度转换技术
    推理加速框架：ollama、vLLM、lmdeploy等开源方案
    1. 垂直领域应用
    典型案例：法律大模型、金融财报分析模型、医疗诊断大模型
2. 多智能体系统
    应用场景：顺丰物流智能调度（7类Agent协同）、智慧城市管理
    开源框架：Swarm、Qwen-Agent、CamelAI、MetaGPT等
3. 提示词工程
    优化技巧：结构化指令、思维链（CoT）等Prompt设计方法
4. 智能体编排
建议　
    1. 学术向：优先选择清北/头部985的基座研究团队
    2. 工程向：聚焦模型压缩、多智能体等衍生技术
    3. 应用向：从提示词工程、垂类模型开发切入

转给你身边需要的人吧
一起“转发”三连↓

内容中包含的图片若涉及版权问题，请及时与我们联系删除