AAAI 2026会议信息 - 第40届AAAI人工智能会议将于2026年1月20日至1月27日在新加坡召开[2] 蚂蚁集团InTech之夜活动 - 蚂蚁集团将于AAAI 2026会议期间的2026年1月23日18:30-20:30，在新加坡举办“蚂蚁InTech之夜”学术酒会[3][4][6] - 活动旨在汇聚AI领域的杰出青年才俊与产业前沿力量，促进跨越学术与产业边界的深度对话[5] - 参与者有机会与蚂蚁InTech奖组委会核心成员及蚂蚁集团相关技术领域负责人面对面交流，深入了解奖项理念与申报机制[5] - 活动将为现场参与者准备专属伴手礼[9] 蚂蚁InTech奖介绍 - 蚂蚁InTech奖是由蚂蚁集团发起的公益性奖项，面向对计算机领域科研进步有关键推动作用的中国青年学者与青年工程师[3][5] - 奖项分为蚂蚁InTech科技奖与蚂蚁InTech奖学金[5] - 其中InTech奖学金是面向全球高校在读中国青年学生的纯公益奖项[5]

DeepSeek-R1模型论文更新与技术细节 - 模型论文从22页大幅扩充至86页，首次公开了完整的四阶段训练全路径，包括冷启动、训练导向RL、拒绝采样与再微调以及全场景对齐RL [1] - 论文已发表于《自然》期刊（Nature volume 645, pages 633-638 (2025)）[3] DeepSeek-R1模型架构与行业影响 - DeepSeek-R1于2025年1月20日发布，是一个拥有6710亿参数的开源推理大模型，采用MoE架构，单Token激活参数为370亿 [4] - 该模型的高效率架构、训练方法、工程优化和蒸馏方法在发布后已成为全行业的趋势 [5] 英伟达Blackwell平台对DeepSeek-R1的优化成果 - 通过软硬件深度协同，自2025年1月以来，英伟达已将DeepSeek-R1的吞吐量提升了约36倍，使单Token的推理成本降低到了约1/32 [6][18] - 在过去三个月中（去年10月到今年1月），通过TensorRT-LLM软件优化，每个Blackwell GPU在8k/1k序列长度下的Token吞吐量提升高达2.8倍 [17] 英伟达GB200 NVL72系统架构与性能 - NVIDIA GB200 NVL72是一个多节点液冷机架级系统，通过第五代NVLink连接72个Blackwell GPU，提供高达1800 GB/s的双向带宽 [11] - 该架构专为稀疏MoE模型优化，支持NVFP4数据格式硬件加速，并采用解耦服务技术（Prefill与Decode操作分离）以提升效率 [12] - 在运行DeepSeek-R1时，GB200 NVL72在8K/1K及1K/1K输入/输出序列长度下均展现出行业领先的Token吞吐量与单GPU吞吐能力 [13][14][17] 英伟达HGX B200平台性能加速技术 - NVIDIA HGX B200平台由八个Blackwell GPU通过NVLink互连，在风冷环境下提供强大的DeepSeek-R1推理性能 [21] - 多Token预测技术能显著提高各种交互级别下的吞吐量，在测试的多种输入/输出序列组合中均观察到性能提升 [21][24] - 采用NVFP4数据格式能充分利用Blackwell GPU计算能力提升性能并保持精度，在相同平台上可实现更高的吞吐量与交互级别 [24][27][29] 行业背景与英伟达技术战略 - 随着AI模型处理任务日益复杂，用户与AI交互频率增加，生成的Token数量呈指数级增长，推动行业追求极高的每瓦特Token吞吐量以降低每百万Token成本 [8] - 英伟达通过在GPU、CPU、网络、软件、供电及散热方案上的深度协同设计，持续提升每瓦特Token吞吐量，并优化软件栈以挖掘现有平台更强的性能潜力 [8][30]

科学软件部署的现状与瓶颈 - 绝大多数科学软件停留在“被发布过”而非“可直接运行”的状态，部署过程常需数天甚至数周解决编译、依赖和兼容性问题[3] - 这种手工维护、不可移植的模式在结构上限制了科学软件的可复现性、大规模评估和系统性集成[3] - 随着AI for Science兴起，工具是否“真的能跑”从工程细节变为第一性问题，AI系统需与科学工具紧密交互[3] - 在Agentic Science场景中，工具部署就绪问题更加尖锐，成为制约其规模化发展的结构性瓶颈[4][5] Deploy-Master项目的目标与设计 - 项目旨在解决科学软件“部署瓶颈”，核心判断是问题不在于工具不够多，而在于缺乏将工具系统性转化为可执行事实的共享基础设施[5] - 项目围绕“发现、理解、构建、执行”的连续部署链路，设计为以执行为中心的一站式自动化工作流[5] 工具发现与筛选流程 - 从91个科学与工程领域出发构建学科空间，使用语言模型扩展关键词，在GitHub等平台进行大规模检索[8] - 通过依赖、引用等信号迭代扩展初始“锚点”仓库，避免关键词搜索盲区[8] - 通过多阶段漏斗流程，从最初约50万个仓库收敛为52550个进入自动部署流程的科学工具候选[9] 自动化构建与验证机制 - 面对构建信息零散、不完整的现实，Build Agent系统遍历构建线索并生成初始方案[13] - 引入双模型评审与辩论机制，通过模型间多轮交互修正方案，将构建成功率从50%–60%提升至95%以上[13] - 每个工具通过最小可执行命令验证，成功部署的工具被结构化、注册并发布至玻尔与SciencePedia平台[13] 部署规模、成本与可观测性 - 构建时间分布呈现长尾特征，大部分工具可在7分钟左右完成，部分涉及复杂编译的工具耗时显著更长[15] - 在成功部署的50112个工具中，覆盖了170多种编程语言，Python占比最大，其次是C/C++、Notebook、R、Java等[16] - 部署成功率在大部分语言中维持较高水平，少数较低情况集中在依赖复杂编译链或系统级库的语言，如C/C++、Fortran[16] - 在2438次构建失败中，失败原因高度集中，最主要来源是构建流程错误，远多于资源、网络或权限问题[16] - 统一的执行基础设施使“科学软件难以部署”从经验判断转化为可量化、可分析、可改进的工程对象[17] 对Agentic Science与更广泛生态的意义 - 项目为社区Agent与各类Master Agent提供了长期缺失的基础前提，即经过执行验证的稳定行动空间[19] - 使得不同来源的社区Agent可以共享同一批可执行工具能力，无需各自维护脆弱环境[19] - 科学工具被视为自动化部署中最困难的一类，在此“最难场景”的成功表明，核心问题在于是否建立以执行为核心的基础设施[19] - 这一判断适用于更广泛的软件工具生态，只要工具需要被执行，就无法绕开“不完美信息”的现实前提[20] - 在Agentic Science时代，执行不是推理后的附属步骤，而是所有能力得以成立的前提[20]

文章核心观点 - 清华大学研究团队提出的MARSHAL框架，通过在多智能体策略游戏中进行自博弈强化学习，有效提升了大型语言模型在多轮、多智能体交互场景中的博弈决策与推理能力，并且该能力能够显著泛化至通用的多智能体系统，在数学竞赛和专家级问答等一般推理任务中提升整体表现 [2][7][13][19] 背景与挑战 - 尽管可验证奖励强化学习在单轮、单智能体场景中已证明价值，但在多智能体系统的多轮交互场景中应用仍处探索阶段 [5] - 将RLVR拓展至多智能体领域面临两大核心技术挑战：多轮交互的信用分配困难，以及不同智能体因高度异构性导致优势估计基准差异大、训练难以收敛 [5][7] MARSHAL方法介绍 - 框架基于Group-Relative Policy Optimization架构，提出了两项关键算法改进以应对多轮次、多智能体训练的挑战 [12] - **轮次级优势估计器**：针对信用分配问题，摒弃粗糙的轨迹级评估，引入精细的轮次级奖励机制，并采用“先求累计和再归一化”方法进行稳定优势计算 [14] - **分角色的优势归一化**：针对角色异构性，实施严格区分角色的归一化策略，根据角色不同将数据分组计算优势，以解决回报分布差异问题 [14] - 研究团队挑选了六款涵盖从简单到复杂、从竞争到合作多种类型的策略游戏用于训练和测试 [12] 核心实验 - **实验设置**：以Qwen3-4B为基线模型，在三款训练游戏中训练了专家智能体和通用智能体两种类型 [16][18] - **游戏策略能力泛化**：MARSHAL训练出的智能体在测试游戏中展现出出色的泛化性，通用智能体取得了高达**28.7%**的胜率提升，表明模型掌握了通用的博弈逻辑 [13][16] - **通用推理能力泛化**：将MARSHAL模型集成到主流多智能体框架中测试，在一般推理任务中表现显著提升 [18] - 在竞争性多智能体系统MAD中，综合表现最强的MARSHAL通用智能体在数学测试AIME准确率提升**10.0%**，在问答测试GPQA-Diamond准确率提升**7.6%** [13][19] - 在所有基准测试中平均提升**3.5%** [13] - **能力泛化领域对齐**：在竞争性系统MAD中，竞争性游戏训练的模型表现更优；在合作性系统AutoGen中，合作性游戏训练的模型表现更优 [19] - **可扩展性验证**：在扩展到8B模型的实验中，MARSHAL方法依然保持了强劲的增长势头 [20] 推理模式分析 - **定性分析**：游戏训练激发了模型两项关键的涌现能力 [22] - **角色意识**：模型能根据自身角色调整决策策略 [22] - **意图识别**：模型能在不确定信息场景中根据其他智能体的动作判断其意图 [22] - **定量分析**：失败模式分析显示，MARSHAL将**智能体间未对齐**的情况减少了**11.5%**，显著提升了跨智能体的沟通效率和理解能力 [24] 消融实验 - **自博弈 vs 固定对手**：与固定专家对手训练相比，自博弈展现出不可替代的优势，针对固定对手训练的模型容易过拟合，在测试游戏中性能急剧下降 [26][27] - **优势估计算法设计**：逐步移除核心算法组件的实验验证了MARSHAL算法设计的必要性 [28] - **轮次级优势估计**是处理长序列决策的关键 [28] - **分角色归一化**在角色回报差异大的竞争性游戏中影响巨大，而在合作游戏中影响相对较小 [28]

Claude Code 2.1.0版本更新概览 - 核心观点：Claude Code近期进行了从2.0.76到2.1.0的重大版本更新，更新内容异常丰富，引发了开发者社区的广泛关注和讨论[1][4] - 更新规模巨大：此次版本更新共合入了1096个提交，更新日志需要翻好几屏才能看完[2][10] - 社区反应：快速的更新节奏让网友感到惊讶，有人调侃“照这个速度，我们周五早上就能用上新操作系统了”，并建议团队采用滚动发布模式[4][5] 主要新增功能与优化 - 核心功能增强：包括开箱即用的Shift+Enter换行、在agents和skills的前置配置中直接添加钩子、以及支持分叉上下文、热重载和自定义代理的Skills增强[10] - Agent行为与多语言支持：优化了Agent行为，使其在拒绝使用某个工具后不会停止，而是尝试其他方案；增加了可配置模型以指定语言回复的功能[14] - 工具与会话管理：支持工具权限通配符匹配；新增了使用`/teleport`命令将会话转移到claude.ai/code的功能[14] 快速迭代与后续更新 - 持续快速发布：在2.1.0版本发布后，团队又迅速推出了2.1.1和2.1.2版本，修复了bug和安全问题，并增加了一些小改进，呈现“一天一波新发布”的节奏[17] - 后续更新细节：2.1.2版本包含了22项CLI、2项flag和1项提示变更，具体包括为拖拽到终端的图像添加源路径元数据、在支持OSC 8的终端中为工具输出的文件路径添加可点击超链接、支持Windows Package Manager安装、新增计划模式下的Shift+Tab快捷键以快速选择“自动接受编辑”选项等[18] - 问题修复：修复了bash命令处理中的命令注入漏洞、tree-sitter解析树未释放导致WASM内存泄漏的问题，以及在使用`@include`指令时意外将二进制文件包含到内存中的问题[18] 开发方法论与生产力 - 内部深度使用：公司坚持将Claude Code作为内部真正的生产力工具，包括研发模型在内的所有员工都是其重度用户，这有助于快速发现bug并在产品和模型层面进行改进[21] - AI驱动的高效开发：开发负责人Boris Cherny曾提到，在之前的一个月，他提交了259个PR，包含497次提交、4万行代码增加和3.8万行删除，所有这些代码均由AI编写[19] - 开发者反馈：尽管更新频繁且功能丰富，但也有开发者指出更新多但bug也多，且许多新功能不够简洁[21]

AI智能体工业化趋势与效率提升 - 整个科技圈感叹AI工具带来显著效率提升，硅谷工程师表示项目完成时长被大幅压缩[2] - 行业观点认为，若在读博时就有Claude Code、Gemini和ChatGPT等工具，毕业时间可能缩短至一年[5] - 围绕AI智能体技术，全新的工作范式正在形成，开发、数据分析等领域的工作流程已被AI彻底改变[5] 阿里云百炼平台升级概览 - 阿里云百炼在1月7日的发布中，完成了面向智能体开发范式的全面升级，标志着智能体从“手工作坊”时代进入“工业化流水线”时代[6] - 平台升级了“1+2+N”蓝图：底层是模型与云服务，中间层是高代码与低代码开发范式，上层是面向不同任务的开发组件，覆盖生产级智能体构建全生命周期[6] 开发组件与低门槛应用 - 百炼应用广场已出现超过10类聚合主题，包含146个开箱即用模板（如子弹时间特效、会议图文纪要、AI换装等）[10] - 模板在支持即开即用、二次开发基础上，进一步升级支持免登录体验、一键API调用，降低上手门槛[10] - 升级多模态知识库RAG能力，支持文档、图片、音频、视频等数十种文件类型的高精度解析与语义检索[12] - 提供Connector企业级数据连接器，能一键对接钉钉、飞书、语雀等文档系统，以及MySQL、OSS等数据库，通过数十种内置工具让智能体安全检索调用企业内部实时数据[15] 智能体开发框架与架构演进 - 百炼平台提供双模式开发能力，首次实现高代码与低代码并行，使用统一的开发框架和运行时[23] - 专业开发者可用高代码框架灵活定制智能体逻辑，业务人员可通过低代码界面快速配置模型、提示词、知识库与工具，可视化搭建智能体[23] - 两种方式构建的智能体未来将支持双向导出与部署，低代码成果可转换成高代码[25] - 智能体应用能力已升级至Agent 2.0架构，从底层重塑开发逻辑，完成从“简单对话”向“目标导向的自主执行”升级[25] - Agent 2.0引入“规划-执行-反思”链路，实现AI从意图理解到自我优化的全流程可视化[26] - 技术底座AgentScope提供模型能力集成、多智能体编排、智能上下文管理和工具管理四大核心功能[27] 模型服务与云基础设施 - 百炼模型广场已有130余款模型，新增包括Qwen-Image-Max、GLM-4.7、Wan2.6视频生成系列、Qwen3-ASR-Flash多语种识别等[35] - 提供模型单元独占部署选项，为高并发、低延迟业务提供专属算力，相比自建集群使用vLLM、SGLang等开源推理引擎，可实现超过1.3倍的推理能力提升，以及1.5倍以上的并发能力提升[36] - 提供全链路的可观测体系，支持调用审计、推理日志、全周期用量统计与多维度性能指标集成[36] - 提供基于通义全系列模型的原生训练微调能力，支持全阶段Checkpoint、混合数据训练与GRPO/GSPO强化学习算法，实现评测驱动的训练迭代[36] - 机密推理服务基于CPU/GPU TEE可信执行环境，提供高安全等级的模型推理能力[37] 成本优化与任务执行能力 - 面向大模型推理、长视频生成等耗时任务，推出异步调用API，打破同步接口调用5分钟的超时限制，可延长到超过24小时[18] - 结合实时、闲时资源请求动态调度能力，系统可实现任务动态启停，满足不同推理需求[18] - 闲时调度能让AI的推理成本降低50%以上[19] 企业级部署与行业应用 - 发布Agent平台企业版，支持智能体在专有云、本地化与VPC的开发与部署[40] - 新增通用型智能体平台Alias构建数字化助手，AgentZoo提供金融、数据科学、语音、问答等领域的智能体应用[31] - 平台升级让智能体构建变得严谨可靠、可持续迭代，同时降低开发门槛，使新技术能进入更多行业[43]

文章核心观点 - 大语言模型的思维链技术存在推理步骤不可靠的问题，但模型内部激活中隐含对推理正确性的判断，即“隐藏的真伪认知” [2][4] - 合肥工业大学研究团队提出一种新方法，通过探测模型内部激活来构建置信度预测器，并以此引导推理路径搜索，从而提升思维链推理的稳定性和准确性 [2][8][10] - 该方法在多项单模态和多模态推理基准测试中表现优异，验证了利用模型内部信号指导生成的有效性 [22][23][24] 方法与创新 - 核心思想是利用模型内部激活中隐含的“真伪认知”来评估推理步骤的可信度，而非依赖表面的Token生成概率 [10] - 创新方法一：从多层注意力头中探测“真伪敏感性”，发现中间层的特定注意力头能区分正确与错误推理步骤，准确率可达80%以上 [10][11][20] - 创新方法二：基于最敏感的注意力头激活，构建轻量级置信度预测器，输出不依赖Token概率的推理质量评分 [12] - 创新方法三：结合生成概率与内部置信度评分，设计新的推理路径搜索策略，主动避开不可靠步骤并优先扩展有潜力的方向 [13][14][16] 实验结果 - 置信度预测器评估显示，其能从模型内部激活中有效提取真伪判别信号，并在校准指标上优于基线方法 [18] - 在单模态推理任务中，该方法在多个数据集上超越基线，例如在SVAMP数据集上比少样本思维链提升5个百分点 [23] - 在多模态推理任务中，该方法同样表现突出，如在RealWorldQA数据集上实现了10.7个百分点的提升 [23] - 消融实验证实，基于置信度的引导至关重要，若采用随机选择策略，方法性能会显著下降甚至低于基线 [25][27] 研究背景与问题 - 大语言模型在复杂推理任务中依赖思维链技术，但其生成的推理链质量不稳定，存在偏差和累积误差 [2][4][6] - 研究聚焦两个关键问题：模型内部激活是否蕴含推理步骤真伪的有效区分信息；能否构建机制利用这些信息选择更可靠的推理路径 [7][8][15] 论文与作者信息 - 论文标题为“Deep Hidden Cognition Facilitates Reliable Chain-of-Thought Reasoning”，已被AAAI 2026录用为口头报告论文 [2][5] - 论文代码已在GitHub开源 [5] - 第一作者为合肥工业大学博士生陈紫军，通讯作者为该校副教授胡文波 [28]

AI医疗应用趋势 - 全球ChatGPT对话中超过5%与医疗健康相关，每天有4000万人向ChatAI寻求健康问题答案[3] - 用户主要使用AI探索症状（60%）和理解医学术语或临床建议（52%），越来越多的医生在撰写医疗报告时应用AI[3] - OpenAI已发布ChatGPT健康，整合个人健康信息与大模型能力以辅助健康决策[3] 蚂蚁安诊儿医疗大模型(AntAngelMed)概述 - 模型由蚂蚁集团联合浙江省卫生健康信息中心、浙江省安诊儿医学人工智能科技有限公司开源[4] - 总参数量达到1000亿，激活参数为61亿，是迄今为止参数量最大的开源医疗领域专业模型[5] - 在HealthBench、MedAIBench等权威评测中表现超过GPT-oss、Qwen3、DeepSeek-R1等通用模型及现有医疗增强推理模型，达到开源模型第一[5] - 在MedBench中国医疗健康领域LLM权威基准中位列第一，综合得分68.0[7][8] 模型技术架构与训练 - 采用专业三阶段训练流程构建医学能力[12] - 第一阶段为持续预训练，在蚂蚁百灵通用基座模型Ling-flash-2.0-base上引入大规模高质量医学语料以构建完整医学知识结构[13][14][15] - 第二阶段为监督微调，引入高质量医疗指令数据，重点微调模型推理过程表达，使其在真实场景中能更好理解语境并给出符合医疗逻辑的回应[16][17] - 第三阶段为强化学习，采用GRPO算法，通过推理强化学习和通用强化学习双阶段路径，优化模型因果推理清晰度并控制行为边界与风险意识[18][19][20][21][22] 模型性能与效率 - 采用高效混合专家架构，仅激活1/32参数（61亿），相比同等规模Dense架构可实现高达7倍的效率提升[26][29][30] - 仅需6.1B激活参数即能实现约40B稠密模型的性能，资源占用更低、可扩展性更强[30] - 在H20硬件环境下推理速度超过200 tokens/s，约为36B稠密模型的3倍，适合高并发医疗场景[31] - 采用YaRN外推技术将上下文长度扩展至128K，增强处理长病历文档能力[33] - 采用FP8量化结合EAGLE3优化方案，在并发数为32时显著提升推理吞吐量，在HumanEval、GSM8K和Math-500数据集上提升幅度分别为71%、45%和94%[34] 行业影响与展望 - 模型开源将极大降低前沿医疗AI技术应用门槛，使大量机构和研究者可进行下游任务微调[44] - 蚂蚁集团将依托国家平台持续推进“AI+医疗”开源生态与技术创新，普惠更多开发者与用户[45]

IPO认购与市场热度 - 即将于1月9日上市的MiniMax创下港股IPO机构认购历史记录，参与认购机构超过460家，超额认购达70多倍[1] - 国际配售订单需求达320亿美元，最终超460家机构下单190亿美元，剔除基石部分后超额认购约79倍[2] - 暗盘交易显示股价表现强劲，开盘后最高达211.2港元，收盘报205.6港元，涨幅24.6%[3] 投资者结构与基石 - 认购受到众多长线基金及国家主权基金青睐，包括新加坡、南非、中东、加拿大等主权基金，其中多家认购金额超10亿美元[2] - 长线基金认购订单总额超过60亿美元[2] - 基石投资者包括14家机构，如中东阿布扎比基金、韩国未来资产基金等[2] 收入构成与业务模式 - 公司收入主要来自两部分：AI原生产品、开放平台及其他基于AI的企业服务[3] - 截至2025年6月底，AI原生产品收入达3802万美元，占总收入超70%；平台及企业服务收入1541万美元，占比28.9%[3] - 收入结构呈现多元化趋势，具体产品线包括MiniMax应用、Glow AI、MiniMax语音及Talkie/星野等[6] 用户规模与付费情况 - 截至2025年9月底，AI原生产品累计用户达2.12亿，其中付费用户超过177.1万[3] - 各产品变现方式包括应用内充值、订阅及在线营销服务等[6] 财务表现与亏损 - 截至2025年9月底，公司亏损约为1.8亿美元，现金持有超过3.62亿美元[4] - 财务数据显示亏损额逐年扩大，但经调整亏损净额（非国际财务报告准则）在2025年九个月为1.8628亿美元[5] - 部分投资者认为其商业模式清晰且营收方式逐步多元化，对公司未来实现收支平衡抱有信心[5] 历史收入数据 - 公司总收入从2023年的346万美元，快速增长至2024年的3052.3万美元，并在2025年前九个月达到5343.7万美元[4][6] - AI原生产品收入占比从2023年的21.9%大幅提升至2025年前九个月的71.1%[4][6] - 开放平台及企业服务收入占比从2023年的78.1%下降至2025年前九个月的28.9%[4][6]

文章核心观点 - 文章基于加州大学圣地亚哥分校教授Lucy Lai的经验，系统性地阐述了博士申请的全过程，旨在为申请者提供一份详尽的“内部参考指南”，内容涵盖从前期准备、材料撰写到面试技巧及最终择校的各个环节 [1] 一般申请技巧 - 申请前需明确读研决心，若材料不够优秀可考虑休学积累，并咨询研究导师以评估自身竞争力和申请策略 [7] - 申请过程耗时耗力，建议尽早开始，在计划申请季前的夏天就应缩小学校范围并列出感兴趣的导师名单 [8] - 选择课程和学校主要取决于研究兴趣与导师匹配度，专业名称的差异在博士生涯中后期重要性降低，应咨询导师获取项目声誉和导师推荐 [9] - 申请学校数量取决于感兴趣的实验室数量，普遍原则是申请至少有2-3位感兴趣导师的学校，建议申请6到10所，以平衡选择余地与申请负担 [10][11] - 申请费用高昂，例如斯坦福大学申请费为125美元，但大多数学校提供费用减免，可通过搜索政策或联系招生主任节省费用，案例中节省了约600美元 [12][13] - 申请前联系项目负责人（PI）主要对申请者自身有益，可为后续面试带来主观优势，但不应指望其对申请审核有决定性帮助 [14] 申请材料与面试 - 申请后首要目标是获得面试机会，但并非所有项目都有面试环节，例如许多工程系项目直接根据在线申请决定录取 [17] - 面试是双向选择过程，只有排名前5%到15%的申请者能获得面试机会，学校通常会承担所有差旅费用 [18] - 面试时应自信，准备好阐述研究经历、兴趣及择校原因，面试本质是对话，多数导师旨在了解申请者是否适合，通常持续30-40分钟 [18][19] - 核心申请材料包括成绩单、简历、3封推荐信、个人陈述（SoP），部分学校可能要求研究陈述或多元化陈述 [20] - 推荐信极其重要，最佳方案是请三位不同研究经历的导师分别撰写，个人陈述需回答为何读博、研究经验、未来研究计划及择校原因等核心问题 [20] - 面试结构通常包括自我介绍、研究兴趣阐述、了解面试官实验室以及提问环节 [21] 录取考量因素与面试官视角 - 录取决定关键因素包括研究方向的契合度和整体印象 [23] - 拥有受人尊敬且知名的推荐人支持是巨大优势 [27] - 申请者需能清晰阐述自己对研究项目的具体贡献 [27] - 面试官看重申请者能否就科学展开生动有趣的对话，展现积极倾听和深入讨论的能力 [27] - 录取的核心是双向的“匹配度”，即项目与申请者相互评估适应性 [27] - 从面试官角度看，优秀的申请者应具备谦逊、好奇心、创造力、韧性、勤奋、友善和正直等特质 [23] 如何选择学校 - 收到录取通知后，可通过制作评分表格来辅助择校，为科研契合度、院系文化等类别打分（0-10分），以厘清自身看重的方面 [25][26]