1. 周一早上的固定流程：我是怎么刷cs.AI新论文的
周一早上刷arxiv的cs.AI分类，已经成了我过去两年雷打不动的习惯。原因很简单，每周一的更新量通常是一周里最大的，很多组喜欢赶在同一批放出工作，所以周一不花点时间把新论文过一遍，后面几天就更容易漏东西。cs.AI这个分类现在每天新增早就过了三位数，真要一篇篇点进去读，根本不可能，靠的是一套稳定的过滤流程：先看标题，再看摘要，最后按需下全文。
我知道很多人是直接打开arxiv网站，按时间排序，从第一条翻到第五十条，看到感兴趣的再点开。这个办法不是不行，只是效率有点低，而且容易把真正该看的漏过去。我自己的习惯是先让工具把范围缩到某个量级，再做人工判断。具体来说，我用arXiv官方RSS订阅cs.AI分类，再加上一个关键词过滤脚本，每天早上能把当天的论文先筛一遍，过滤后的结果直接汇总到邮件里。这个流程看起来简单，但能省下的时间非常可观，相当于多了一个不会累的助教帮你把作业先过了一遍。
1.1 一套花十分钟就能跑起来的过滤脚本
先说工具部分。很多人一听"脚本"就头大，但这里真不需要复杂东西。最基础的做法是用Python加feedparser库读arxiv官方的RSS，然后按关键词、按标题、按摘要做一次粗筛。代码大概是这样的：
import feedparser keywords = ["reasoning", "agent", "bias", "efficiency", "alignment"] rss_url = "https://arxiv.org/rss/cs.AI" feed = feedparser.parse(rss_url) for entry in feed.entries: text = entry.title + " " + entry.summary if any(k.lower() in text.lower() for k in keywords): print(entry.title) print(entry.link) print("---")这段代码没有任何运行依赖上的难点，能跑Python的地方都能跑。需要说明的是，arxiv官方RSS是合法的公开接口，完全不需要借助任何第三方镜像或非官方渠道，直接订阅官方源就行。关键词列表根据你关注的研究方向随时调整，不用写得过于复杂，粗筛阶段宁可多留一些，也别把相关论文误杀了。
如果你完全不想写代码，arxiv站内搜索本身就支持保存检索式，把关键词组合成查询链接，每次打开就是按条件排好序的结果。实测下来，官方RSS加脚本的方式更适合批量追踪，站内搜索则适合做临时性回溯，两者可以搭配使用。
1.2 先标题后摘要的两轮筛选法
工具筛完之后，剩下的论文数量仍然不少，这时需要人工判断。我的判断分两层：第一层只看标题，第二层只看摘要。
只看标题时，我会刻意快一点，每个标题停留时间不超过两三秒。这个阶段主要排除三类：一是明显离题的，虽然挂在cs.AI下，但实际内容偏向纯数学或者纯系统工程；二是标题里有大量堆叠关键词的，这类论文经常是综述或者凑热点的，先放一边；三是标题和摘要明显对不上号的，这种情况虽然不常见，但一旦出现，基本说明写作态度有问题。
过了标题这一关，再进入摘要精读。摘要精读不是逐字读，重点抓三块：作者声称解决了什么问题、方法的核心思路是什么、实验最大的提升标在哪里。这三块在摘要里通常占两三句话，扫一遍就能抓到。如果摘要看完之后，这三点里有任何一点不清晰，那这篇论文要么表达有问题，要么方法本身就不够聚焦。我会再考虑是否值得下载全文。
1.3 今天这期列表的整体观感
今天刷完当天的cs.AI新论文，我的整体观感是：推理、对齐、效率仍然是三个最大的山头，但和半年前比，明显感觉到大家开始从"刷榜"转向"抠细节"。越来越多的工作不再只关心榜单上多了几个点，而是关心模型在推理过程中到底哪里容易错、多智能体系统的成本到底怎么控制、偏见指标是不是真的可落地。这种趋势对实际做项目和做产品的人来说是好事，毕竟论文里再漂亮的方法，落地的时候还是得面对一堆具体问题。
2. 今天刷到的几个值得展开说的方向
接下来把今天扫到的几个方向展开聊一聊。先说清楚，下面这些不是严格意义上的"论文推荐清单"，而是我今天看完之后觉得有代表性、有讨论价值的工作方向。对我来说，一个方向的长期价值比某一篇论文的两三个点提升重要得多。
2.1 推理模型的不确定性与自我校正
今天我在cs.AI分类下看到好几篇工作，主题都不约而同地撞到了"推理过程的不确定性"上。过去一年，大家习惯了让模型输出长思维链，认为推理步骤变长就能提高正确率。但今天这些工作开始正视一个问题：思维链越长，中途犯错的概率也越高，而且模型通常意识不到自己已经偏了。
有个工作提出了一种轻量级的方案，在解码阶段加一个小的判断模块，让模型在推理的每个关键节点输出一个置信度。这个置信度不是模型自己随便说说的，而是通过一个小型回归头校准过的，用来决定当前推理是一个节点继续走下去，还是回到上一步重新规划。作者在数学推理和多跳问答上做了实验，整体正确率提升不算夸张，但最吸引我的地方是，它能把模型犯错的节点精准定位到推理链条的某一段。这个信息在Agent落地的场景里特别值钱，因为上层规划器可以据此判断"这条路到底适不适合继续走"。
另一篇工作做的方向更偏分析：它对同一个问题做多次采样，得到多个候选答案，然后研究这些答案之间的分歧程度和最终正确率之间的关系。结论不算意外——分歧越大，正确率越低——但他们把这个关系做成了一个可用的校准函数。也就是说，不用非得跑大量评测，只要观测到模型在某个问题上的采样分歧，就能大致估计回答的可信度。这对上线后没法随时跑评测的环境中很有用。
这两类工作要说多惊艳，谈不上，但它们的共同点是：不再一味追求"让模型想得更久"，而是想着"让模型和调用方都知道自己想到哪一步了"。这种能力在严肃场景里比单纯准确率更有用。我把它们记在今天的清单里，主要是因为这个思路有长期延续性，未来半年应该还会看到更多变体。
2.2 多智能体协作的收敛与评估
多智能体方向今天也有几篇值得聊的。前一段时间，市面上有大量"丢一群Agent进去开会，任务就自动完成了"式的文章，现在这类文章明显少了，大家开始反思一个问题：Agent之间来回对话，真的能把问题越辩越明吗？还是只是产生了更多的tokens？
今天有一篇工作做了个有意思的观察：多个Agent轮番发言之后，观点会趋向一致，但这个一致的结论并不一定是正确的。越强的说话者，对最终结论的影响力越大，有时候哪怕它的判断是错的，也会把整个群体带偏。作者专门对比了几种投票和汇总策略，最终结论是，谁来汇总观点比谁在里面说话更重要。换句话说，多智能体系统的瓶颈往往不是单个Agent的能力，而是系统的决策机制。
另一篇工作把这层反思往前推进了一步，把多智能体协作当成一个优化问题来处理。他们的思路是，不让Agent靠纯对话形成共识，而是用类似群体智能的方式去迭代更新每个Agent的决策策略。模拟环境里的结果不错，但我个人对这类工作的落地持保留态度：真实系统里，每个Agent背后都对应着真实API调用，延迟和费用是论文里很难建模的变量。所以看多智能体类论文时，我建议不要只看成功率，还要专门统计系统攒了多少轮对话、烧了多少token、失败之后能不能恢复。这些指标在实际部署中往往比那点任务成功率更致命。
2.3 偏见量化与修正：从抽象担忧到可操作指标
"人工智能偏见"这个主题已经火了不止一两年，但今年的变化在于，大家不再只停留在伦理讨论里，而是开始提供可操作的量化指标。今天的几篇相关工作都把偏见拆成了几个不同层面：数据层面、训练层面、推理层面，并为每个层面设计了对应的代理指标。
数据层面最常见的方法是统计语料里不同群体相关词汇的分布差异；训练层面则观察模型在不同群体样本上的loss差异；推理层面更直接，给同一个问题换上不同群体相关的名字或属性，再分析输出的倾向变化。今天有一篇工作做了一个很细致的实验，只改变输入中的人名性别，观察回答的用词差异，然后用一个小的探测分类器去量化这种偏移。整个流程很轻，成本不高，复现起来也不用太多算力，适合直接拿来做团队内的模型安全评估标准项。
不过要提醒一句：这类指标能告诉你"存在差异"，但不能告诉你"这个差异一定是恶意造成的"。模型输出会因为训练数据里的真实分布产生差异，这不等于模型存心歧视。所以在做偏见评估时，最好把自动化指标当成初筛，人工复核仍然不可替代。今天我把这个方向单列出来，是因为"能源源不断地产出可落地的量化工具"比"偶尔出一篇振聋发聩的伦理宣言"对行业发展更有实打实的推动。
2.4 面向真实场景的效率优化
效率优化方向今天的几篇论文都比较务实。其中一篇做了注意力机制的稀疏化，作者声称在长序列场景下能省下30%以上的显存，同时保持绝大部分效果。另一篇做的是量化调度，不是整个模型统一用一种精度，而是按层动态选择量化位宽，让计算量和精度需求高的层保留更高精度，其他层用更低精度。这类工作的好处是，它不只在理想的单卡环境下测数据，而是考虑了真实服务负载。
评估效率优化类工作，我一般只看两个东西：第一，加速比是不是在贴近真实负载的条件下测出来的，是不是端到端的时间，而不是只测某一个算子；第二，论文有没有给出"精度损失和资源节省"之间的完整曲线。只给一个点上的数据，通常意味着作者在刻意规避一些不好看的区间。今天这几篇在这两点上都做得还行，但也没有哪篇让我觉得能直接用到生产环境。它们更大的意义是提供了值得尝试的切入角度，具体效果还得在自己场景里复现了才知道。
2.5 零星扫描：生成式AI在辅助工作流中的新角色
除了上面几个大方向，今天还扫到几篇比较零散的论文。有的在讨论怎么把生成式模型接入科研辅助流程，比如自动从文献里抽取实验设置、对比不同论文的实验差异。这种工作技术难度不算特别高，但想法很实用，尤其是在论文阅读和综述整理场景下，如果真能做好，能替研究人员省不少时间。还有一篇讨论生成式AI辅助制作工作型PPT的排版流程，标题听起来很"应用"，但内容其实涉及到版面结构理解和指令跟随能力，不能算灌水。这类工作不一定能入选顶会，但对普通从业者的日常工作有直接帮助，我一般在汇总时也会给它们留一个位置。
3. 看完摘要之后，我会追问的三个问题
一篇论文被我收进汇总清单，只说明它值得记录，不代表它经得起信任。从"收藏"到"真正消化"，中间还有一道坎：对论文做批判性追问。我给自己定了三个必问的问题，每个问题都对应着一个常见的坑。
3.1 这个提升是benchmark特异性的吗？
第一个问题是：论文里的效果提升，到底是对特定榜单有效，还是在通用场景下有意义？现在很多工作专门为了刷榜单设计方法，从数据构成到评价指标都被优化过，换一个分布效果就断崖式下降。我的习惯是看到某个亮眼指标的提升后，去查一下作者在这同一个榜单之外是否还做了跨数据验证。
最典型的反例是只在某个测试集上做文章，却不敢碰更通用的自然任务集或来自不同时间段的数据。如果论文只报了自己改过的子集，代码和数据又没公开，那它在我这里最多算一个"趋势信号"，提醒我这个方向有人在碰，但不值得花整块时间去精读。反过来，如果一篇论文愿意在两个以上差异较大的数据集上做对比，哪怕提升幅度没那么夸张，反倒更值得信任。
3.2 为了这点提升，付出了多少算力代价？
第二个问题是成本账。有些论文为了在某个精度指标上提升两个百分点，动用了数百张GPU，做了大量蒸馏、搜索或多次采样。这种工作在学术上有其意义，但对我们这种资源有限、做实际产品的团队来说，参考价值有限。所以我会特意把论文里提到的训练规模、推理成本、采样次数这些信息找出来，估算一下复现它大约需要花多少计算资源。
如果复现成本超过一周的单卡GPU时间，我通常不会安排复现，只做思路摘录；如果成本在一个合理范围，我会认真考虑跑一遍最小验证。这并不代表我用资源多少去判断论文好坏，而是论文的价值本来就应该结合场景来看。一篇方法精巧、成本极低的论文，很多时候比那种靠堆资源堆出来的高分论文更值得深入读。
3.3 数据采集过程有没有在细节里藏风险？
第三个问题针对数据。尤其是涉及人类偏好、群体评价、安全对齐的论文，数据采集环节非常容易埋雷。今天的几篇偏见相关工作里，就有论文专门讨论标注者的人口统计学特征对标注结果产生的影响，这提醒了我一个问题：所谓"人类偏好数据"，本质上是某一群人的偏好，不是所有人的偏好。
如果一篇论文把数据采集过程写得含糊其辞，说不清楚标注者怎么招募、任务怎么设计、质量控制怎么做，那它的结论就值得打一个大大的问号。我遇到过一些论文，模型效果看着挺好，结果一看数据采集流程，问题一堆，结论自然就立不住。所以在做汇总时，数据来源是否干净这块我会专门盯一眼，算是这几年踩坑踩出来的习惯。
4. 从收藏到复现：论文清单的落地方法
论文汇总最怕变成收藏夹吃灰。我的做法是，每筛选完一天的论文，就把值得做的那些落到一个轻量清单里，然后明确给出三个后续动作：定位、找结合点、定复现优先级。
4.1 一句话定位与结合点标记
给一篇论文做一句话定位，看似简单，真做起来需要一点提炼能力。这句话要能清楚地回答三个问题：它解决什么问题、用的是什么方法、达到了什么效果。比如对今天那篇推理置信度校准的工作，我的定位是"给推理过程增加可校准的置信度信号，用回归模型预测回答可信度，以便在问答场景提前拦截低置信度结果"。这样一句话写下来，即使三个月后回头翻笔记，也能在十秒内回忆起来。
定位写完之后，我会再标一条"结合点"。如果当前手头有项目，就写清楚这篇论文里的方法可以从哪个角度用进项目；如果没有直接结合点，就写下这篇论文里哪个单点想法值得借鉴。比如今天那篇多智能体收敛性分析的工作，虽然我不打算完整复现，但它"实证对比不同汇总策略"的思路可以直接参考，以后设计Agent系统时，我知道要留一个专门的模块去做汇总策略的评估，而不是简单用投票。
4.2 复现优先级与最小复现策略
复现论文这件事，很多人一上来就想完整复现所有数字，结果被庞大的实验量劝退。我的习惯不是这样。我会先看这篇论文的核心机制是什么，然后只复现这个核心机制。今天那篇稀疏注意力的论文、那篇置信度校准的论文，我都会安排复现，因为它们不需要超大集群，一个人几天内就能跑出最小验证结果。
最小复现的策略是：先把作者公开代码跑通，然后只改最核心的那个变量，观察影响有没有如论文所说出现。如果核心机制生效了，再考虑是否完整跟进；如果没生效，就先记录"复现失败"，而不是花更多时间去调参。用这种策略，单篇论文的消耗能控制在合理范围内，同时还能积累一批"哪些方法可信、哪些方法需要验证"的认知，这种认知积累起来非常有用。
我还会给每篇论文打一个"五年后是否还值得看"的标记。听起来有点玄学，但实际操作起来很简单：如果这篇论文的核心思想在未来五年还可能有持续影响力，就标精读；如果只是在某个具体技巧点上优化了几个百分点，属于会快速过时的细节改动，标泛读就够了。今天这批论文里，我认为推理过程的不确定性校准和多智能体收敛性分析属于前者，而单纯在特定榜单上提分的那些工作大多属于后者。
5. 关于arxiv提交与onhold状态，容易被误解的几件事
做论文汇总的人，往往自己也投稿，所以最后这部分聊聊arxiv本身。在网上看到很多关于投稿流程和onhold状态的讨论，有些说法存在明显误解，这里结合自己的使用经验把几个关键点说透。
5.1 从提交到可见，中间发生了什么
arxiv不是期刊，不做同行评审，但这不代表它没有审核。提交一份论文后，系统会先跑自动检查，主要看格式是否合法、内容是否过短、分类是否合理、是否和已有论文重复度过高。自动检查通过之后，还会根据规则进入人工处理队列，分配到对应领域的管理员那里做人工放行。所以论文提交后并不会立刻可见，通常要等一段时间。
很多人第一次提交时，看到状态不是"已发布"就开始焦虑，其实没必要。正常的排队时间内，状态会显示为Processing或类似状态，只要没有收到补充材料的通知，就说明系统正在走流程。这个等待期里不用反复登录刷状态，一般过半天到一天再看即可。
5.2 onhold究竟是怎么回事
onhold这个状态被很多人说得很玄，甚至有人怀疑是不是论文内容踩了红线。实际上，onhold只是意味着论文被系统标记为需要人工复核。常见触发原因包括：作者身份信息不一致、源文件存在编译问题、摘要和正文内容明显不符、同一个稿件被同时投到多个分类、参考文献里有大量未定义标签等。这些基本都属于流程或格式问题，并不代表学术上出了问题。
遇到onhold不用慌。我建议做三件事：第一，打开论文提交页面，仔细看有没有未完成的事项；第二，对照官方格式要求逐项检查源文件，特别是论文能否在官方源码检查器里顺利编译；第三，如果状态持续两天以上没有变化，通过arxiv官方联系页面说明情况，问一下是哪个环节需要补充。整个过程不需要走什么特殊渠道，正常沟通即可。千万不要在onhold状态下去重复提交同一篇论文，那反而会把情况搞复杂。
5.3 投稿cs.AI最容易踩的几个格式细节
结合自己和身边朋友的经历，投稿cs.AI分类时最容易在几个格式细节上翻车。我把它们列出来，算是给大家提个醒。
- LaTeX编译必须在官方源码检查器里通过。本地编译器能过，不代表官方那边能过，尤其是用了比较老的宏包时容易出事。
- 参考文献用BibTeX的话，要确认所有引用的key都有定义，任何一条未定义引用都会导致编译失败，而且报错信息经常很不直观。
- 图表文件路径里不要有空格、中文或特殊字符，这是个很基础但很多人会忽略的问题。
- 作者信息在提交前要确认清楚，特别是姓名拼写、单位名称和ORCID绑定。提交后虽然可以在修改期调整，但能早做就别拖。
- 分类选择上，如果你确定文章属于cs.AI，就直接选这个主分类，不要同时勾选一堆看起来沾边的分类。跨分类提交更容易触发额外的人工审核，对速度没好处。
这些细节处理好了，整个投稿过程会顺畅很多，也能减少因为格式问题导致的onhold或退回修改。
6. 关于追踪论文这件事，我的真实感受
最后聊点个人体会，不算总结，更像是一个坚持做论文汇总两年多的人的碎碎念。
定期做arxiv论文汇总，最大的好处不是把清单整理得多完整，而是逼着自己持续保持对前沿方向的敏感度。最初几个月，我经常盯着一个方向看，觉得每天都有人在产出新工作，焦虑感很重，担心自己漏掉什么。坚持半年之后，焦虑感反而降下来了，原因是判断力上来了：我越来越能分辨哪些工作是短期噪音，哪些工作在两三年后还会有回响。这种判断力不会凭空出现，只能靠一次次地浏览、对比、追问来积累。
今天这批cs.AI论文看下来，我的感觉是领域依然热闹，但研究的颗粒度明显变细了。大家开始关心那些"更便宜、更可靠、更清楚自己在做什么"的问题，而不是一味追求某个榜单上的虚高数字。这对于真正想把AI技术落地到实际场景的人来说，是个积极的信号。
如果你也想建立自己的论文追踪习惯，我的建议很简单：从每周固定一个时间段开始，不需要太久，两小时足够；先不要追求全，先追求稳定的节奏。一个月后回头看，你会发现自己对这个领域的感知能力和记忆力都比以前好了不少。
