项目实战：独立完成一个研究项目

这里不是零散代码示例，而是一条可以自己推进的 project lab。你会从一个明确问题出发，把数据、推理、受控实验、评测和报告组织成可复现作品。

开始项目 01 先查看 12 周课程

先选对入口

只想快速跑通一个案例，请进入动手教程；希望形成可以提交、复现和答辩的完整作品，再从本页开始。

项目学习卡与进入条件

字段	项目 01 约定
适合谁	已完成一次模型推理，愿意把数据、代码、配置、结果和解释组织为完整项目的学生
推荐进入条件	有公开/授权样例；能运行一个 baseline；愿意记录版本、失败和下一步
唯一入口	项目 01 控制台，按七关顺序推进
预计总投入	最小路线 12–18 小时；标准路线按 Week 4–7 节奏完成；进阶路线另设资源上限
算力与成本	最小路线可使用小模型、公开样例和免费/可控资源；不要求购买 GPU
统一证据	使用课程的Evidence Manifest
完成后去向	Week 8–10 后训练、Week 11 最小复现或 Week 12 Capstone

路径	项目范围
最小	3–5 个公开样例、一个模型、baseline、一次 Prompt/参数对照、原始输出和一个失败案例
标准	完成七关、至少两组受控实验、有效指标、错误分析和项目报告
进阶	在标准证据基础上增加第二模型/工具 baseline、切片评测或稳健性实验

教程与项目的交接

教程只要求你完成单个可验证动作；进入项目时，先把教程中的版本、输入、输出和失败案例放入 Evidence Manifest。若还没有固定样例、baseline 或评测问题，先返回Document AI补齐。

怎样独立完成

每一关都按同一节奏推进：

1. 确认本关输入和唯一核心任务。
2. 完成一个最小动作，保存原始证据。
3. 对照“本关通过条件”自检。
4. 提交一次 Git，再进入下一关。

你不需要一次理解全部内容。只要每关都留下可运行文件、原始结果或研究记录，七关结束时，它们会自然组成最终项目。

卡住时

先核对本关给出的官方入口、版本和输入格式；再缩小到 1 个样例、1 次运行；最后把错误信息、已尝试方法和当前环境写入实验日志。不要手工修改模型输出制造“成功结果”。

当前项目

项目 01：文档理解与评测

• 状态：可开始
• 适合阶段：Week 4–7
• 项目最小路线：12–18 小时（不等同于 Week 4–7 的全部学习时间）
• 最终成果：推理 pipeline、Prompt 对照、小规模评测与项目报告

核心问题：同一个文档理解模型在不同输入与 Prompt 设置下表现如何？这些观察能否被固定样例、原始输出和评测结果支持？

进入项目控制台

目前只有项目 01 达到可学习状态。其他方向只有在指导书、代码入口、预期产出和自主检查齐全后，才会显示为可用项目。

七关路线

1. 确定目标：写出研究问题、范围和成功标准。
2. 创建仓库：建立可协作、可追踪的研究项目。
3. 组织目录：分开代码、配置、数据、输出和记录。
4. 准备数据：选择 3–5 个有来源、有差异的公开样例。
5. 完成推理：固定模型与配置，保存首次原始输出。
6. 受控对比：一次只改变一个变量，解释结果差异。
7. 评测总结：用合适指标和失败案例回答最初问题。

最终要交付什么

• 一个结构清晰、可从 README 启动的 GitHub 项目；
• 可追溯的数据来源、模型 revision、配置与运行命令；
• 至少两组可比较的 Prompt 或参数实验；
• 原始输出、指标结果和代表性失败案例；
• 一份区分事实、结果、解释与限制的项目报告。

这些材料共同构成项目的 Evidence Manifest；每一项关键结论都必须能回到其中的版本、输入、配置和原始结果。

真正练到的能力

• 不只是跑通模型，还能把版本、输入、配置与输出组成证据链。
• 不只是尝试 Prompt，还能控制变量，完成可以解释的对照实验。
• 不只是得到分数，还能判断指标是否回答了原来的问题。
• 不只是写 README，还能让另一位同学复现并质疑你的结论。

完成标准

陌生同学能够按 README 复现至少一组结果；报告中的关键结论能回到具体输入、配置和原始输出；仓库中没有密钥、私人文档或未授权数据。

课程中的位置

项目 01 可以作为 Week 4–7 的主线成果，并继续扩展为 Week 12 Capstone。证据整理与自主判断以自主评估与证据指南为准。

后续项目将围绕 Document AI pipeline、VLM evaluation、模型后训练与视频理解逐步建设。