暑假协助实验室的师兄做论文工作，大概干了两周，DDL8月2日，属实感受到了要做出一篇像样的工作的难度。过程中出现了很多重复劳动的地方，也有很多值得反思之处，我也深刻体会到了各种繁杂的事情扑面而来时内心的压力和紧张。
我在其中主要负责复现3篇文章，一篇21年单模态的论文，两篇25年AAAI的多模态论文，后续也负责各种画图和跑实验分析的工作。在整个实验过程中，我有一些体会，希望写下来为后面自己的工作作参考。
关于复现
AI相关论文的复现最好需要基于作者原有的代码进行。AI的论文，分为代码闭源和代码开源。
- 对于闭源的，如果不是和自己工作高度相关或者没有具有稀有性和必要性，就不要选这篇工作当我们的Baseline了，后续复现的效果很有可能一落千丈，也有可能太好。
- 对于开源的，我们尽量就找这类文章。开源的大部分情况下都是可复现可运行的，只要环境不是太老基本都能复现。复现时我们需要保证数据集的相同，有时候数据集和他们的数据集根本不适配，就需要将他们的模型套过来，更难的时候是还需要修改他们的模型（减少某个输入），我这篇工作就是这样，因为复现的论文是适配3模态的，而我们是双模态的，所以需要对整个模型结构做修改，但还需要保证模型结构和论文方法是一致的。
复现的时候有些体会，出了各种各样的bug，我不断解决过来，也修改了很多地方。感觉主要在几点：
- 在修改代码的时候，最好做好日志管理功能（如Git的修改显示），训练日志的生成最好不要覆盖，多次训练不受影响。
- 如果需要添加自己的评估方法或者其他代码，注意代码的可复用性和良好结构，如果后面需要重新用这些方法，可以快速迁移。
- 对于比较完整的版本，如修改了那些功能，添加了哪些功能，做好日志的管理，哪个日志对应哪次实验
关于AI
后续我进行了大部分的模态对齐分析的实验以及对应的画图分析，涉及到大量的代码编写，一个文件基本都是四五六百行，如果没有AI，这样的工作将让我寸步难行。这些代码大部分是工程性质的，主要聚焦于功能实现，我用的AI有ChatGPT、Grok 3、Gemini 2.5Pro、Claude Pro，国外的AI相比于国内的指令遵循能力更强，而且代码编写能力要高不少，需要改代码的地方很少。
现在是一个AI时代，以后AI参与生产生活的频率将会越来越高，在学习中，如何使用AI辅助工作也需要成为一个自我学习的方向。用AI不代表自己能力很差，可能会用AI才更能在这个AI频现的时代脱颖而出，应该拥抱AI。
关于画图
科研画图是一个频繁迭代的过程，一定需要注意把数据提前保存下来，不然后面每次微调图片都需要跑一次数据，这样会很拖延时间。这次赶论文的时候，我每次跑数据都要十几分钟，太慢了，后面才意识到这个问题，提前把数据保存下来，但还是浪费了很长时间。事实证明提前保存的策略是有效的，在临截止时，我们的图片需要进行修改，添加各种注释，如果没有提前保存下来的数据，根本没办法一点点调整验证。
