原始出处为ICLR2025论文Section 4.2第12页：“We propose training y− simultaneously during SFT to let negative samples depart the low-probability region ahead of time…”，对应Figure 4c。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要在几十份技术文档、会议纪要、实验日志和PDF论文中快速定位“SFT阶段负样本提前离开低概率区域”这一具体策略的原始出处、实现细节及验证图表，而不是靠关键词模糊匹配或人工逐页翻查。
准备多源异构文档集
将待检索的全部文档统一转为纯文本格式：PDF用pymupdf提取（保留公式与表格结构），Markdown保留层级标记，会议纪要清洗掉时间戳与发言人前缀，实验日志按日期切分段落并添加【LOG-20260528】类前缀。这一步不能跳过，M3的跨文档对齐依赖语义块的边界清晰性。
把所有文本文件放入同一本地文件夹，命名为m3_retrieval_corpus，确保路径不含中文和空格。M3在API调用时若读取到编码混乱的路径，会直接跳过该文件而非报错。
构造高精度检索提示词
在MiniMax Code客户端中新建对话，输入以下提示词：
“你是一个跨文档信息检索专家。请严格按以下三步执行：①从全部文档中精准定位‘SFT阶段负样本提前离开低概率区域’策略首次提出的原文段落；②提取该段落所在文档的标题、作者、章节编号；③返回该策略在原始论文中对应的图/表编号（如Figure 3b或Table 2）及上下文描述。只输出结果，不解释过程。”
这个提示词的关键在于用数字序号强制M3执行分步逻辑，避免它因上下文过长而混淆检索目标。如果写成“请找出……并说明……”，M3可能把解释性内容混入结果区，导致后续无法程序化提取。
触发百万上下文级联合解析
点击“上传文件夹”→选择m3_retrieval_corpus→等待状态栏显示“已加载1,042,896 tokens”→点击运行。
系统自动启用MSA稀疏注意力机制，在1M窗口内构建跨文档实体指针网络，将“负样本”“低概率区域”“SFT阶段”三个概念在不同文档中的变体表达（如“negative examples”“low-probability zone”“supervised fine-tuning”）映射到统一语义空间。这步耗时约47秒，期间不可中断或刷新页面。
【中断会导致整个token缓存重置，需重新上传全部文件】
提取结构化结果并验证来源
结果框内直接输出三行内容：
原文段落：“We propose training y− simultaneously during SFT to let negative samples depart the low-probability region ahead of time…”
来源文档：ICLR2025_OutstandingPaper_LearningDynamics.pdf / Section 4.2 / p.12
对应图表：Figure 4c: Probability shift trajectory before/after y− intervention
立即打开原始PDF跳转至Section 4.2第12页，核对引文位置与Figure 4c图注。确认无误后，右键结果框→“复制为CSV”→粘贴至Excel完成归档。
