期末项目提案指南
MIT 6.S191 的唯一计分产出是项目提案。本页给出官方结构、选题方法与自查表，让提案不停留在纸面。
一、官方七要素结构
提案按下列七段写，每段都要落到具体的技术选择，而不是泛泛的口号。
1. Motivation（动机）
问题是什么、为什么值得做。 一到两段：现状的痛点 → 现有方法的局限 → 你的切入点。好的动机能一句话说清“谁、在什么场景、遇到什么困难“。
反例：“深度学习很强大，我们想用它做点有用的东西。”（没有信息量） 正例：“家庭机器人抓取非结构化物体时，物体位姿多变、遮挡严重，传统几何方法泛化差；我们想验证预训练语义先验能否在少样本新物体上提升成功率。”
2. Related Work（相关工作）
别人做到哪了、你与他们的区别。 分三类：该问题的经典方法、近年深度方法、与你最接近的工作。必须点出 gap——你的方法相对它们新在哪。
3. Proposed Approach（方法与技术路线）
怎么做。 这是提案的核心，要写清：基础模型/架构、关键改动（含公式或结构图）、损失函数、训练策略。每一个技术名词都是你要能解释的——写进提案就要能答出“为什么选它“。
4. Data & Experimental Setup（数据与实验设置）
用什么数据、怎么评测。 数据来源（公开集 / 自建 / 仿真）、规模、预处理；训练/验证/测试划分；硬件与预算约束。少样本任务要写清每类给多少样本。
5. Evaluation（评价与对照）
怎么知道成了。 主指标 + 辅助指标；必须有对照基线：
| 对照 | 作用 |
|---|---|
| 朴素基线（如最简模型/随机） | 下界 |
| 现有方法复现 | 你的真实对手 |
| 全参数微调（若用 PEFT） | 你的成本优势的上界参照 |
| 消融（你的每个改动去掉一个） | 证明改动有效 |
6. Milestones（里程碑）
按周排，每阶段给可交付物（不是“继续研究“，而是“跑通基线“/“得到成功率表”）。
7. Risks（风险与对策）
诚实列出风险与具体缓解：算力不足→LoRA + 梯度累积；仿真到现实差距→域随机化 + 真机验证性实验；数据不够→公开集 + 脚本采集。
二、选题方法
好的课程项目提案有三个特征：范围小、可评测、有对照。
- 范围小：8 周能做出初步结果。宁可“在一个小数据集上验证一个明确假设“，不要“做一个通用框架“。
- 可评测：指标必须能在你的资源下量化（成功率、IoU、困惑度、精确匹配率…）。
- 有对照：能说出“如果不改进方法，基线的数字会是多少“。
推荐的选题套路（都在课程范围内）：
| 套路 | 例子 | 依赖讲次 |
|---|---|---|
| 换数据、复现一个方法 | 在自建小数据集上复现 diffusion policy | 4 |
| 加一个改动、做消融 | 给注意力加一种位置编码，对比效果 | 2 |
| 迁移一个方法到新场景 | 把 VLA 模型微调到你的机械臂任务 | 6、9 |
| 高效微调一个模型 | 用 LoRA 在受限显存上适配下游任务 | 9 |
三、自查表（提交前逐项核对）
| 检查项 | 状态 |
|---|---|
| 七要素齐全，每段都落到具体技术选择 | ☐ |
| 动机能一句话说清“谁、什么场景、什么困难“ | ☐ |
| 相关工作点出了明确的 gap | ☐ |
| 方法含至少一处公式或结构描述 | ☐ |
| 数据来源、规模、划分写清 | ☐ |
| 有明确的对照基线 | ☐ |
| 里程碑每阶段有可交付物 | ☐ |
| 风险有具体缓解，不是“多加小心“ | ☐ |
| 参考文献格式统一、无虚构 | ☐ |
| 团队分工（若为团队）写清 | ☐ |
四、一份可参考的选题骨架
面向非结构化环境的机器人抓取：基于扩散策略的视觉-语言-动作模型微调
- 动机：家庭/仓储场景物体位姿多变，传统抓取规划泛化受限；
- 相关工作：几何抓取（泛化差）、行为克隆（确定性、多峰动作表达弱）、VLA 模型（微调成本高）；
- 方法：冻结开源 VLA 主干，用 LoRA 注入动作解耦头，以扩散头输出动作块，损失为噪声预测 MSE，语言指令做任务条件；
- 数据：公开示教集子集 + 仿真脚本采集；每类新物体 条示教；
- 评价：主指标抓取成功率，对照“冻结零样本 / 全参数微调（上界）/ 确定性 BC“；
- 里程碑：环境搭建 → 方法实现 → 实验消融 → 失败分析 → 报告；
- 风险：算力→LoRA + 累积；sim2real→域随机化 + 真机验证。
它同时用到课程的四条线：生成建模（第 4 讲的扩散）、序列/多模态（第 2、6 讲）、高效训练（第 9 讲），且在单卡上就能做出初步结果——范围小、可评测、有对照，正好命中好选题的三条标准。
五、评估设计模板（把「评价」写成可执行的东西）
提案里最容易含糊的一段是「评价」。在写提案时就把这张表填满，项目就成功了一半。
| 项 | 你的填写 | 判据 |
|---|---|---|
| 主指标 | （如成功率 / mAP / 困惑度 / 精确匹配率） | 口径与已有工作一致，说明阈值与平均方式 |
| 辅助指标 | （如延迟、显存、成本、拒答率） | 至少一项工程指标，避免「只谈效果」 |
| 基线 1（下界） | 最简模型或随机策略 | 你的结果必须显著优于它，否则说明问题被低估 |
| 基线 2（真实对手） | 复现一个现有方法 | 复现失败也要写进报告（这本身是有价值的结论） |
| 消融 | 你的每个改动去掉一个 | 用同预算对照（同数据、同步数、同种子数） |
| 运行次数 | ≥3 个种子 | 报告均值 ± 标准差，不挑最好的一次 |
| 失败判据 | （如提升 < 2 个点即判无效） | 事先写死，避免事后编故事 |
六、答辩准备（五问 + 三个高频追问）
提案评审与答辩的核心是五问（完整版见竞技场）：问题与成功判据 / 为什么现在 / 怎么做（最不确定的一环）/ 代价（预算减半砍哪一刀）/ 失败预案。
三个高频追问，提前准备：
- 「为什么不用更简单的方法？」——要有答案：先试过什么、为什么不够（哪怕只是推理），并说明你的方法多付出的成本换来了什么。
- 「你的指标能证明你声称的东西吗？」——提前想清楚主指标与结论之间的逻辑链（例如「成功率提升」能否支持「泛化能力提升」？需要什么额外实验？）。
- 「如果结果和预期相反怎么办？」——把「负结果也是结果」写成具体计划：会补哪个实验、会怎么修改假设。
七、八周排期模板（可按周裁剪）
| 周 | 目标 | 可交付物 |
|---|---|---|
| 0 | 先做评估：写评分脚本 + 手工标注 30–50 个样本 | 评估脚本 + 基线分数（用最简方法跑一遍） |
| 1 | 数据与管线跑通（哪怕模型很弱） | 能一键复现的数据加载 + 训练脚本 |
| 2 | 复现一个现有方法作为基线 | 基线结果表（含种子数） |
| 3–4 | 实现你的改动 | 能跑通、不破坏原性能的结果 |
| 5 | 消融与对照 | 每个改动一行结果；一次只改一个变量 |
| 6 | 失败案例分析 | 至少 10 个失败样本的分类与原因 |
| 7 | 报告与复现说明 | 报告 + 一页「如何复现」；准备答辩五问 |
算力预算建议：把 60% 算力留给「复现基线 + 消融」，30% 留给主实验，10% 留作探索——不要把所有算力押在一次「大而全」的实验上。