干我们这行，每天早上的固定动作之一就是刷 arXiv 的 cs.LG 分类。到了 2026 年，这个分类一天新增的机器学习论文数量已经到了让人头疼的程度——几百篇起步，高峰时七百篇也见过。你不做汇总，根本不知道今天该往哪儿看。我从研究生阶段养成每天过一遍标题流的习惯，后来慢慢摸索出一套从粗筛到精读的完整流程。这篇文章就围绕 2026.09.29 这一批 cs.LG 论文，把我是怎么汇总、怎么筛选、怎么把论文落到自己项目里的经验完整讲一遍。内容偏实操，适合研究生、算法工程师，以及所有想系统追踪机器学习前沿的人。
1. 先看清楚：cs.LG 的每日增量到底有多大
1.1 从每天一两百篇到高峰七百篇：这个分类为什么越来越猛
cs.LG 这个分类，覆盖面其实比“机器学习”四个字给人的感觉宽得多。深度学习的各个子方向、强化学习、优化算法、模型压缩、时序预测、图神经网络、扩散模型，全都往里投。早期的时候，整个分类一天新增一两百篇已经算高产，现在常态就是四百到六百篇，偶尔一天能冲到七百篇以上。我印象里这个增速从 2022 年之后就基本没停过。
你可以自己算一笔账：假设每篇论文只花 2 分钟读摘要和标题，400 篇就是 13 个小时。别说是学生，就算全职研究员也不可能这么耗。更现实的情况是，大多数人的时间只能覆盖一天增量里的 1% 到 3%。所以问题其实不在于“怎么读完”，而在于“怎么在几百篇里用最短时间定位那几篇真正值得读的”。
如果你正在准备考试、复习这类场景，同一个逻辑也成立。期末复习时资料堆成山，直接按章节从头啃，效率一定低；先把所有材料过一遍目录，标出和自己的考点最相关的小节，再决定精读哪里，这套方法跟论文汇总本质上是同一个思路。
1.2 信息过载的真正麻烦：不是“读不完”，而是“不知道该读哪篇”
读不完不是最要命的，最要命的是时间碎片化投入之后，从不形成可以沉淀的积累。很多人每天刷论文是随缘式的：今天看同事转了一篇，明天被推荐算法推了一篇，断断续续翻了很多，但三个月后回想起来，脑子里一片空白，既说不清每篇的核心贡献，也不知道它跟自己的项目有什么关系。
我自己的经验是，汇总的核心动作不是把标题抄一遍，而是同时完成三件事：粗筛、定向、归档。粗筛是把当天几百篇压到几十篇；定向是按自己的研究方向给这些论文打上标签；归档是让每篇论文都进入一个明确状态——精读、泛读还是仅记录。做完这三步，论文才从“刷过去的信息流”变成你自己知识库里随时可以调用的条目。
2. 汇总之前，先把“测绘体系”建好
2.1 追踪词不是越多越好，五六个方向足够撑起日常更新
做任何汇总之前，先回答一个基本问题：我现在到底在做什么方向？关心哪几个问题？这个列表一定要短，五六个关键词以内。比如我有一段时间的主线是时间序列预测、图神经网络、大模型高效微调、扩散模型，那是四条线，汇总的时候就围绕这四条展开。
为什么不能把列表扩到几十个？因为追踪词一旦多，筛选系统就失去了焦点。你会发现自己每天花在排除噪声上的时间比看论文还多。而且，人的精力是有限的，真正的深度理解来源于对少数方向的持续跟踪，而不是对一堆方向的三分钟热度。我建议每个季度做一次追踪词的复盘，看看这个季度的项目落在哪里，把不再关心的方向从列表上剔除，把新冒出来的兴趣加进来。
2.2 一条从 arXiv 到本地库的自动化链路
我自己的工具链比较“复古”，但胜在稳定：arXiv API 拉数据，本地脚本做粗筛，Zotero 存文献，再加一个简单看板维护追踪列表。打开浏览器一页页翻网页当然也能用，但等你试过 API 批量拉数据，就再也不想回到一个个标签页里翻页的状态了。
批量获取当天列表的最简单方式是直接用 arXiv 的官方 API，下面这段代码是我常用的一种调用方式：
import feedparser # 取 cs.LG 分类最近提交的 100 条论文 url = ( "http://export.arxiv.org/api/query?" "search_query=cat:cs.LG&" "start=0&max_results=100&" "sortBy=submittedDate&sortOrder=descending" ) feed = feedparser.parse(url) for entry in feed.entries: print(entry.updated, "|", entry.title.replace("\n", " "))跑一下，你就能在终端里看到按时间倒序的论文标题和更新时间。再在这个基础上加自己的词簇过滤，就直接完成了从几百篇到几十篇的第一轮压缩。如果你懒得自己写脚本，用 RSS 订阅 arXiv 的关键词搜索结果也能达到类似效果，但灵活度不如 API。
2.3 词簇：核心词、近义词、排除词的配合
关键词设定这件事，新手最容易犯两个错误，一是太宽，二是太窄。太宽的例子：搜一个 “graph”，出来的结果一半是图论题，一半是知识图谱，跟你想做的图神经网络完全是两回事。太窄的例子：只搜 “LSTM”，很可能把一批同样在解决时序问题但方法完全不同的论文漏掉。
我自己的习惯是维护一个“词簇”，每个方向由三部分组成：核心词、近义词、排除词。拿时间序列预测举例：
- 核心词：time series, forecasting
- 近义词：temporal, sequence model, long-term prediction
- 排除词：survey, review（比如某天我只想看新方法，不想看综述）
组合出来的查询类似这样：
cat:cs.LG AND (abs:"time series" OR abs:"forecasting" OR abs:"temporal") AND NOT abs:survey这样筛出来的结果，跟你的方向相关度会明显上升。词簇不是一成不变的，看到新论文里更容易命中方向的表达方式，我会顺手加进近义词里。维护三个月之后，这套词簇基本就是一张精准的行业地图。
3. 2026.09.29 批次汇总实操：从标题流到 A/B/C 三分类
3.1 先过标题流：1-2 秒扫一个标题，十分钟建立全局地图
拿到当天批次的数据之后，我的第一个动作是只读标题，不点正文、不看摘要、不看作者。标题流的阅读速度要做到每篇 1 到 2 秒，目的只有一个：判断“今天哪些子领域有货”。比如一眼扫过去，我大概能得出“时间序列方向出现了五篇，图网络方向四篇，高效大模型方向三篇，剩下二十几篇是别的内容”这样的结论。这一步不过滤质量，只做方向索引。
顺带说一下这个批次命名。像 p2 这种编号，通常意味着同一天的数据被拆成了多个批次发布。第一天太早的论文是一批，晚些时候又更新一批，编号自然变成 p1、p2。所以看到 p2 不用太纠结，它只是告诉你这是当天的第二批更新，直接按自己的流程过就行。
标题流阶段我习惯用本地脚本把所有标题摊在一屏里，按时间倒序排列。因为标题是作者自己提炼的贡献点，光看标题就能猜出七八成内容的大方向。一个标题如果连“做什么任务、用什么方法”这两件事都看不出来，那这篇论文大概率沟通能力有限，精读价值也会打个问号。
3.2 摘要精读与三分类：A 类精读 / B 类泛读 / C 类存档
标题流过完之后，我会把候选论文筛出来，进入摘要层。摘要精读不是每篇都从头读到尾，而是做一次三分类判断。我把这件事的判定标准和动作写成了一个小表，方便对照执行：
| 类别 | 判断标准 | 处理动作 | 时间预算 |
|---|---|---|---|
| A 类 | 问题、方法、贡献都很清楚，且与手头项目直接相关 | 加入本周精读清单 | 每篇 2-3 小时 |
| B 类 | 方向相关但不确定能否落地，或方法还比较偏探索 | 泛读图表和结论 | 每篇 10 分钟 |
| C 类 | 相关性弱但有一点追踪价值 | 存入库中，标注备注 | 每篇 1 分钟 |
实际操作中，一天几百篇论文经过标题流筛选后，进入摘要层的通常只有几十篇；再经过摘要精读，A 类一般只剩下三五篇，B 类十到二十篇，剩下的直接归入 C 类或者丢弃。这个比例其实很健康——真正需要你花大块时间精读的论文，一周能凑出三五篇已经很不错了。
摘要精读本身也有技巧。我会在摘要里快速定位三要素：要解决的问题是什么、提了什么方法、效果和意义在哪里。如果读完整段摘要还说不清这三个要素，这篇的沟通质量就不高，哪怕方向很热，我也会把它降级到 B 类。
3.3 泛读只做三件事：看图表、看对比、看代码链接
对 B 类里比较亮眼的论文，我会做一步泛读。泛读不是从头到尾读一遍，而是直接翻图表和结论部分。重点看实验对比表：跟哪些基线做比较、提升幅度是多少、用了多少数据集、代码有没有公开。
深度学习论文的叙述套路大家应该都有体会，很大一部分篇幅其实是在铺垫背景和讲故事，真正有价值的信息往往压缩在摘要、实验图表和结论这三处。方法部分当然重要，但那属于 A 类精读时才需要啃的硬骨头。B 类论文用十分钟建立“这篇大概做了什么、效果如何、能不能用”的印象就够了。
我个人的习惯是，泛读之后在备注里写一句话，要么是“方法可借鉴，后续细看”，要么是“方向相关但落地困难”，这行备注是给自己以后检索用的，不是写给别人看的。
4. 从“汇总”到“理解”：论文最终要瘦身成你的知识骨架
4.1 一周至少一篇 A 类精读，精读的产出必须“可复述”
汇总做得再好，如果只看标题和摘要，知识库也只是浮在表面。我的底线是每周至少完整精读一篇 A 类论文。这里的“精读”不是看一遍就叫精读，而是有一个硬性验收标准：合上屏幕，用三句话讲清楚这篇论文解决了什么问题、用了什么方法、主要局限在哪里。如果你讲不出来，那说明还没真正读进去。
为了让精读有产出，我会顺手写一篇阅读笔记，内容包括：问题定义、方法流程图、关键公式的直觉解释、实验结论、与手头项目的关系、可以借鉴的动作。前几项是反推作者的想法，后两项是把别人的工作变成自己的弹药。这个习惯对考试或者写综述也很有用——平时积累的论文笔记就是现成的素材库，等到要组织材料时基本不用从零开始。
4.2 用这个筛选清单决定“精读还是泛读”二选一
拿不准一篇论文该精读还是泛读时，我有一套快速打分清单。不是数学意义上的严格打分，而是六个问题快速过一遍，凭直觉累计来判断：
- 是否与当前项目直接相关，相关度越高越值得精读
- 有没有公开代码，没代码的论文复现成本高，精读收益会打折
- 实验是否包含多个数据集和强基线对比，对比充分代表作者做了扎实验证
- 方法本身是否拆成可复用模块，哪怕不用整篇方法，也能借一个局部思路
- 作者团队是否长期活跃在这个方向，熟悉背景的团队往往后续工作更有延续性
- 摘要里有没有“首个”“最优”“大幅提升”这类可疑描述，这类词出现时反而要冷静
六个问题走一遍，基本一分钟内就能判断。如果一个论文相关度一般、没代码、实验只有一个数据集，那我就会把它从 A 类降到 B 类，不给自己留太多犹豫空间。
4.3 一个有意思的思路：用机器学习管机器学习论文
有一段时间我觉得纯人工筛选太累，索性把“筛选论文”本身当成一个小的机器学习项目来练手。思路其实不复杂：把论文的标题加摘要当成文本特征，把我自己历史收藏和跳过的论文当成标签，做一个简单的分类器来预测“这篇值不值得精读”。
这里给一个非常简化的代码骨架，用的工具就是 scikit-learn：
from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.linear_model import LogisticRegression # 假设 docs 是论文标题+摘要文本列表，labels 是 1/0 标签 # 1 代表当年精读了，0 代表当年跳过了 vec = TfidfVectorizer(max_features=5000, stop_words="english") X = vec.fit_transform(docs) model = LogisticRegression().fit(X, labels)训练好之后，每天拿到新论文列表，可以先让模型打个分，把排序靠前的几十篇放到人工确认列表里。这类做法现在也有很多现成工具，比如 arxiv-sanity 这类学术工具，本质就是先按关键词召回、再按相似度排序。但说实话，最后那几十篇里挑哪几篇真正精读，还是得靠人。因为我自己的“是否跟手头项目相关”这个标签，只有我自己能打得准。模型负责把五百篇压缩到五十篇，人负责把五十篇收束到三篇。
5. 每天汇总论文，我踩过的几个坑
5.1 囤了上千篇论文却从不打开
有一阵子我特别爱囤论文，看到标题觉得未来可能有用的就全存进 Zotero，分类建得比目录书还细。结果呢？存了一千多篇，真正打开过的不到十分之一，每次打开 Zotero 都感觉像在逛图书馆，翻两页就累了，转头又去看新的，形成恶性循环。
后来我给自己立了规矩：每个研究方向只允许保留最多三十篇候选论文。新进来一篇，就必须从旧论文里踢掉一篇。这个强制做减法的动作很难受，但特别有效。它逼着你去想每篇论文的保留理由，而不是靠“以后也许会用上”来自我安慰。经过几轮淘汰留下来的论文，几乎每篇都有明确的位置。
5.2 只追最新，把地基丢了
还有一段时间我只看新出的 arXiv 论文，觉得老论文已经过时了，经典方法讲来讲去没什么新意。结果某个项目里需要做一个非常基础的时间序列特征分析，我发现自己连底层的原理都讲不太清楚，只能一边翻文档一边补课，当时确实有点打脸。
那次之后，我每年会专门安排一点时间，回读几篇经典老论文。你会发现一个普遍规律：很多看起来特别花哨的新方法，本质上都是在解决老问题的新场景。把经典地基补稳，再去看最新论文里的改进点，理解深度完全是两个级别。
5.3 关键词太宽或太窄，筛选器都会失准
关键词设置的教训我讲过一遍，但值得单独拿出来说，因为这直接影响每天的筛选质量。太宽的例子是早年搜 “graph”，结果大量不相关的图论论文混进来，浪费了很多时间；太窄的例子是只搜 “LSTM”，可能漏掉不少用注意力机制或状态空间模型处理时序问题的好论文。
现在我的组合已经调整成类似这样：核心概念保留两三个，近义词补充两三个，再通过排除词过滤综述类文章。每次筛出来的结果如果第一眼感觉很乱，我会先检查词簇而不是硬着头皮往下看。关键词失准是这个环节最容易出错、也最容易被忽略的地方。
5.4 工具链过重，维护成本高过收益
有一年我想搭一套全自动的论文工作流，每天自动抓数据、自动同步 PDF、自动打标签、自动生成日报，看起来非常酷。结果实际跑起来，光维护就花掉一个多小时：服务器上的脚本偶尔会挂，PDF 同步偶尔会断，标签规则得每天调整。最后我发现自己花在维护工具上的时间比看论文的时间还长，这件事从本质上就本末倒置了。
后来我把工具砍到最少：一个 API 脚本、一个 RSS 订阅、一个 Zotero、一个简单看板。工具越少，出问题的概率越小，真正留下来的时间越多。我的体会是，工具链的价值在于稳定省事，不在于功能多酷炫。如果你的论文管理流程需要每天花时间“伺候”它，那这个流程就该被重构了。
最后再说一个心态上的调整。每天汇总论文时，我会刻意把“我在看论文”切换成“我在看地图”这个状态。先看清今天这片领域里大家往哪儿走，再回头想自己的项目有没有跟上、有没有偏航。这样论文就不再是每天压在头上的任务，而变成了校准方向的参考系。如果你也经常被 arxiv 追着跑，建议你先别急着找新工具，把“你究竟为什么而读”这个问题想清楚，比用什么工具都重要。汇总不是终点，筛选和吸收才是。
