早上七点我照例先打开 arXiv 的新论文推送把 9 月 23 日这一整天的论文清单过一遍。这不是心血来潮而是我坚持了三年的固定动作每天一篇arXiv 论文分析报告记录我看到了什么、哪些值得精读、哪些只是蹭热点。写这篇的目的有两个一是把 9 月 23 日这天的真实阅读记录做一个整理二是最近总有人问我arxiv 怎样订阅我就把订阅方法、筛选流程和踩过的坑一起写清楚。如果你也是研究生、算法工程师或科研团队里负责盯前沿的人这篇应该能帮你省下不少时间。这篇记录不是论文综述也不是官方统计只是一名普通从业者每天和信息流搏斗的一手经验。我把它完整摊开把当天的热点方向、三篇值得细读的工作、订阅的完整步骤以及我踩过的坑都放在一起希望能给你一个可以直接照抄的作业。1. 为什么每天刷 arXiv值得做成一条固定流水线1.1 信息过载是研究者的第一生产力杀手这几年 arXiv 上的论文量涨得离谱。尤其是 cs.LG、cs.AI、cs.CL 几个方向单日新增经常冲到几百篇碰上投稿节点更是夸张。一个人哪怕全天什么都不干也没办法把当天所有论文读完。更扎心的是大部分人刷 arXiv 的方式是打开首页 → 随便点几篇 → 收藏 → 关闭结果收藏夹越来越长真正读过的没有几篇。我最早也是这样。后来发现问题不在于论文太多而在于我没有一套固定流程。信息过载不是靠意志力解决的而是靠流程解决的。每天固定时间、固定入口、固定筛选标准把刷论文变成处理论文你才不会在信息流里溺水。我在 9 月 23 日这天大概扫了 200 多篇标题和摘要真正精读的只有 3 篇。这个比例看起来很浪费但其实是最健康的。每天花 40 分钟做流水线处理比周末花一整天补课要高效得多。1.2 我的工作流拼图订阅入口、筛选漏斗、笔记归档我的每日 arXiv 工作流由三块拼成缺一不可。第一块是订阅入口。我用 arXiv 官方的邮件订阅 自建的 API 关键词追踪两条线保证每天新论文不会漏。第二块是筛选漏斗。从邮件标题到摘要再到 PDF 全文每一层都用不同的时间预算不平均用力。第三块是笔记归档。每天生成一个 markdown 文件记录标题、分类、链接、我的判断和一句原因。归档模板大概长这样# 2026-09-23 arXiv 报告 ## 精读3篇 - [方向1] 标题关键词 | 为什么值得读 | 一句话结论 - [方向2] 标题关键词 | 为什么值得读 | 一句话结论 - [方向3] 标题关键词 | 为什么值得读 | 一句话结论 ## 值得关注12篇 - 标题关键词 | 分类 | 关注原因 ## 已排除约200篇 - 规则1标题与我的研究问题无关 - 规则2摘要里只有 benchmark 刷点没有方法增量 - 规则3同一问题下的同质化工作这个模板看起来简单但坚持下来之后你会拥有一份属于自己的前沿地图。三个月后回头看哪些方向在快速升温、哪些团队在连续产出一目了然。2. 2026-09-23 论文大盘哪些方向在放量哪些在退烧2.1 我订阅的 12 个分类当天的热度分布先说明一下下文所有数字都是我当天根据自己的订阅源标记出来的不是 arXiv 官方统计也不是决定性的。它的意义在于看相对分布而不是当绝对真理。分类当日标记数热点信号cs.AI约 40 篇智能体与多智能体协作仍然是大头但同质化明显cs.LG约 60 篇训练后压缩、高效推理、小模型蒸馏占主流cs.CL约 35 篇长上下文、合成数据、评测基准都在放量cs.CV约 30 篇3D 生成与具身感知回温传统识别任务相对安静stat.ML约 20 篇不确定性量化、因果推断开始出现在更多应用场景其他交叉方向约 40 篇包括科学计算、机器人、音频、多模态等这个分布和我半年前看到的明显不同。半年前 cs.CV 还能占到差不多三成现在已经被 cs.LG 和生成类工作挤到后面了。cs.AI 里的智能体方向虽然量大但很多工作换汤不换药真正值得读的没有表面看起来那么多。这个判断非常重要——数量多不代表有效信息多反而意味着你需要更强的过滤机制。2.2 三个放量信号以及我的解读第一个信号是高效推理。当天我在 cs.LG 里至少看到了十几篇围绕推理成本优化的工作包括量化、剪枝、稀疏化、推测解码、小模型蒸馏。这个方向放量的逻辑很直接模型的能不能用问题已经差不多解决了用不用得起变成更关键的问题。很多团队开始把目标定为在固定算力预算下尽量提升精度而不是单纯追求越大的模型越好。对做工程落地的人来说这是比刷 SOTA 更值得跟踪的信号。第二个信号是合成数据。大量工作从清洗真实数据转向主动构造数据——用模型生成困难样本、模拟极端场景、把领域知识编码进数据分布。甚至有种说法开始流行数据不再是收集来的原料而是代码写出来的程序。这个转向的影响会很深远因为评估一个模型的能力边界正在从它见过什么慢慢变成它能生产什么。第三个信号是评估基准的内卷。新 Benchmark 一个接一个每个都说自己更全面、更抗作弊但同时也出现了大量只在自己的基准上有效的模型。基准越来越多不代表模型越来越强反而意味着你要花更多时间去判断这个基准本身是否可信。3. 三篇让我停下来细读的论文以及它们背后的趋势3.1 训练后压缩这条路上有人在认真补精度9 月 23 日这天cs.LG 里让我第一个停下来的是几篇训练后压缩的工作。过去我们聊 PTQ训练后量化习惯的说法是8-bit 精度损失可接受、4-bit 要小心。但现在有一批工作在做的是两件更难的事一是把量化和结构化剪枝联合起来做而不是各自为战二是把压缩本身当成一种微调手段一边把模型塞进小一点的存储和带宽一边把被量化挤掉的分布信息补回来。这几篇吸引我不是因为他们秀出了多低的困惑度或者多高的准确率而是他们开始认真讨论一件事压缩后的模型在分布外数据上的行为。这对生产环境太重要了。很多模型在验证集上压完精度不掉一上线遇到真实流量就崩问题往往出在压缩过程放大了尾部特征的处理偏差。如果你做部署侧推理优化这类工作值得跟紧。3.2 把程序执行轨迹喂给推理链另一篇让我停下来的工作做的是让推理过程真的跑一遍。大致思路是模型在推理一个数学问题或者代码任务时不是只靠内部状态想而是会生成一段中间表示然后丢给一个外部执行器去算再把执行结果作为下一步推理的输入。听起来简单但和传统的 chain-of-thought 有本质区别——后者是从 token 到 token 的文本推理前者是让模型和外部符号系统做循环交互。我特别关注这类工作因为它在数学验证、代码生成、数据分析这些结果可校验的领域有天然优势。模型可以在一个分支上算错了、立刻读回错误值然后换一条路径继续而不是在幻觉里越滚越远。说实话这种推理执行的混合架构可能会是接下来一两年最值得投入的方向之一。3.3 局部注意力 显式记忆长上下文的新折中第三篇让我细读的工作是在长上下文建模里做局部注意力 显式记忆的路子。全局注意力在长文本上的成本大家都清楚O(n²) 不是开玩笑。线性注意力省了复杂度但在复杂推理任务上经常表现不稳。局部注意力又往往顾此失彼跨段信息一律丢失。这种局部注意力负责精准读相邻片段外部记忆库负责存关键信息的折中设计思路我很喜欢它把记住什么从隐式参数里拆出来变成显式可读写、可更新的模块。这和给模型配了个外部工作台差不多。我判断这类工作接下来会大量出现在长文档分析、Agent 多轮对话、代码仓库理解这些需要记得住也能随时翻旧账的场景里。它的上限可能不是最强但落在工程可用的区间内会很早。4. 热搜里的答案arXiv 到底怎么订阅才能不被邮件淹没4.1 官方邮箱订阅五分钟搞定很多人都问过arxiv 怎样订阅其实官网自带的邮件订阅完全够用关键是别选错频率和分类。具体步骤打开 arxiv.org先注册一个账号并完成邮箱验证。登录后进入个人设置找到邮件订阅Mailing List相关入口。在分类列表里勾选你关心的方向。新手最容易犯的错是把能勾的全勾上第二天邮件直接爆炸。选择发送方式。我强烈建议选每日摘要而不是每次更新立即推送。前者一天一封信后者真的会把你打断到怀疑人生。提交后系统会发一封确认邮件点一下确认链接即可。就这么简单。头一周你会收到一份按分类排列的论文清单标题和摘要都有正好用来喂筛选漏斗。4.2 进阶玩法用 arXiv API 搭一个自己的每日报告脚本官方邮件再好也只给一个新论文池。如果你想按自己的关键词追踪比如quantization long context agent 这些直接用 arXiv 的公开 API 写个脚本就行不需要爬网页very 稳定。打个比方官方邮件像是给你送来一整个菜市场的进货清单API 脚本则能帮你在清单里只挑自己爱吃的几样。一个很简单的 Python 示例import urllib.parse import urllib.request import feedparser base_url http://export.arxiv.org/api/query params { search_query: cat:cs.LG AND abs:quantization, sortBy: submittedDate, sortOrder: descending, max_results: 20, } url base_url ? urllib.parse.urlencode(params) feed feedparser.parse(urllib.request.urlopen(url)) for entry in feed.entries: print(entry.title, entry.link)你可以把它放进定时任务里每天跑一次生成一份 markdown 放进归档目录。需要注意两点一是查询参数里的abs:quantization表示在摘要里搜关键词换成ti:就在标题里搜二是别把请求频率设得太离谱每隔几小时请求一次足够了我们要做的是信息筛选不是给服务器制造压力。4.3 从看邮件到主动选题的过渡订阅只是第一步更难的是从被动接收变成主动选题。我的经验是前一个月老老实实看官方邮件训练自己对标题和摘要的敏感度。一个月之后你要慢慢变成一个提问者我这周到底在研究什么问题如果我只能读三篇论文我该选哪三篇这时候分类订阅就不够用了。我通常会给每个核心问题建一个独立的搜索规则比如long context memory quantization outlier每天只跑这几个输出直接进报告。别小看这一步从看别人有什么论文到看我需要的论文有没有出现是整个工作流价值跃迁的开始。5. 订阅三年后我改掉的几个习惯5.1 关键词订阅不是越细越好我刚入坑的时候给自己设了一堆关键词订阅恨不得把每个喜欢的子方向都单独拉一条。结果呢配置文件长到自己也看不懂每天报告重复率超高。后来我砍到只剩三组核心关键词每组都对应我当下的研究问题而不是对应某个模糊的技术名词。关键词越细确实越精准但也越容易错过边界上的好工作。你要的是既能抓到重要工作又能容忍噪声的平衡。5.2 SOTA 是最不值得信任的两个词如果摘要里出现 state-of-the-art我的第一反应不是兴奋而是去找它对比了哪些基线。绝大部分 SOTA 都是有前置条件的某个数据集、某个模型规模、某种评估设置。你把条件一换它可能连第二名都算不上。所以我在标记精读的时候会多看一个问题这篇工作的提升到底来自方法本身的增量还是来自更大的计算预算或更长的训练步数如果是后者我会把它打回值得关注而不是值得精读。5.3 同一天冒出相似工作不一定是撞车刚开始看 arXiv 时看到同一天出现两三篇思路几乎完全一致的工作我的第一反应是这算不算抄袭。后来见多了才明白独立并行发现是科研里的正常现象。大家在同一时间读到了同样的技术缺口用相近的路径去填最后同时挂出预印本。真正值得关注的不是谁先挂出来而是谁的推导更完整、谁的实验更扎实、谁的分析更能帮你理解问题的边界。5.4 放下一篇都不能漏的执念我必须承认很长一段时间里我都处于一种漏读焦虑中觉得自己每漏掉一篇就可能错过一个重要的技术转折。后来我认识到这只是一种防御性的错觉。真正推动你前进的是你研究问题本身的进展而不是你读过多少论文。每天扫 200 篇标题、精读 3 篇、然后安心去做自己的实验这个节奏是对的。arXiv 不是用来刷完的它是用来校准方向的。我在 9 月 23 日的这份报告里最后也只精进了那 3 篇。整理完格式、归档、写好一句话评价就把它关了继续做实验。用系统代替记忆用流程对抗噪音这大概是我能在信息洪流里保持产出的真正原因。