1. 从一条每日更新帖说起我为什么要做 ArXiv 计算机视觉论文追踪每天早上八点半我端着咖啡坐到工位第一件事不是打开代码编辑器而是刷一遍 ArXiv 上 cs.CV 分类的新论文列表。这个习惯从读研那会儿就养成了到现在工作几年依然没断过。原因很简单计算机视觉这个方向变化太快了你三个月不跟进可能连别人论文里的模块名都认不全。尤其是这两年 Transformer 架构全面渗透到视觉任务里从分类、检测、分割到多模态对齐几乎每隔几天就有新的变体冒出来。如果只靠零散地刷社交媒体或者等别人搬运信息滞后不说还容易被二手解读带偏。所以我从去年开始给自己定了一个规矩每天花二十分钟把 ArXiv 上 cs.CV 当天的新论文过一遍筛出跟 Transformer、多模态相关的条目记录标题、核心思路和代码链接。时间一长积累了不少筛选和快速阅读的经验。后来有朋友问我能不能把这个过程分享出来我就干脆做成了一个每日更新的系列标题格式就是“[分享][每日更新][日期][ArXiv CV Paper]”。今天这篇算是把这个系列背后的方法论、工具链和踩过的坑完整地摊开来聊一聊。这个内容适合谁看如果你是刚进实验室的研一学生面对每天上百篇新论文不知道从哪下手那这套筛选逻辑能帮你省下大量时间。如果你是在职的算法工程师需要快速判断某个新方法值不值得跟进这里面的速读技巧和判断标准也能直接拿去用。哪怕你只是对计算机视觉感兴趣想了解这个领域每天都在发生什么这套流程同样能让你建立起自己的信息过滤系统。核心关键词就几个ArXiv、计算机视觉、Transformer、多模态、论文筛选。下面我按自己实际操作的顺序一步步拆开讲。2. 整体筛选思路为什么我不建议你逐篇精读2.1 信息过载下的取舍逻辑ArXiv 上 cs.CV 分类每天的新论文数量少的时候七八十篇多的时候能到两百篇以上。如果每一篇都点开看摘要光浏览一遍就得花掉两三个小时更别说精读了。我试过一段时间结果是每天上午基本报废而且看到后面注意力严重下降前面看过的内容也记不住。后来我调整了策略把“筛选”和“精读”彻底分开筛选阶段只做快速判断精读阶段只针对筛出来的少数几篇。筛选阶段的目标不是理解论文的全部细节而是回答三个问题这篇论文解决什么问题用了什么核心方法有没有开源代码这三个问题在摘要和引言的前两段里基本都能找到答案。如果摘要读完还判断不出来那说明这篇论文要么写得不够清晰要么跟我的研究方向关联不大直接跳过也不可惜。这个逻辑听起来简单但实际操作中最大的障碍是“怕错过”。我一开始也总觉得万一漏掉了一篇重要的呢后来想通了真正重要的论文一定会在接下来几天的社区讨论、公众号推送或者组会里反复出现你不可能错过。反而是那些需要你费力去判断的论文大概率跟你的核心关注点没那么匹配。2.2 关键词过滤与优先级排序我的筛选流程分两层。第一层是关键词过滤第二层是优先级排序。关键词过滤主要看标题和摘要里有没有出现我关注的核心术语。以当前阶段为例我的关键词列表大致是这样的第一优先级Transformer、Vision Transformer、ViT、Swin、多模态、multimodal、vision-language、CLIP第二优先级目标检测、语义分割、图像生成、扩散模型、自监督学习第三优先级3D 视觉、点云、视频理解、医学图像第一优先级的论文我会重点看哪怕摘要写得一般也会点进去扫一眼方法和实验部分。第二优先级的论文如果标题里同时出现两个以上相关词我也会看。第三优先级的基本上只在时间充裕的时候扫一下标题。这个优先级不是固定的会根据我当前的项目需求动态调整。比如前段时间在做多模态检索相关的东西那 vision-language 和 CLIP 就排在最前面如果最近在优化检测模型那目标检测和 Transformer 结合的论文就会提上来。注意关键词列表不要设得太长超过十五个词之后过滤效果会急剧下降因为几乎每篇论文都能命中一两个词等于没过滤。我的经验是控制在十到十二个词并且定期根据项目方向更新。2.3 每日更新的节奏控制“每日更新”听起来很勤快但实际操作中最大的敌人是持续性。我见过太多人一开始热情满满每天写一大段分析结果两周之后就断更了。所以我在设计这个系列的时候刻意把单日的输出控制在可承受的范围内每天只挑三到五篇最有代表性的论文每篇写一段简短的点评重点说清楚它解决了什么问题、方法上有什么新意、跟已有工作是什么关系。不追求面面俱到也不做全文翻译。这个节奏的好处是单日投入时间控制在四十分钟以内长期坚持不会觉得是负担。而且因为每天只写几篇反而会逼着我去做更严格的筛选把真正值得说的论文挑出来。时间一长这个系列本身就成了一份经过人工过滤的论文索引回头翻看的时候比直接去 ArXiv 列表里翻要高效得多。3. 核心工具链与实操配置从抓取到归档的完整流程3.1 ArXiv 订阅与抓取RSS 和 API 怎么选获取 ArXiv 新论文的方式主要有三种网页手动浏览、RSS 订阅、官方 API 抓取。我三种都用过最后稳定下来的是 API 抓取为主、RSS 为辅的组合。网页手动浏览适合偶尔看看但每天做的话效率太低而且容易漏掉。RSS 订阅的好处是简单ArXiv 每个分类都有对应的 RSS 地址比如 cs.CV 的订阅源用任意 RSS 阅读器添加就行。但 RSS 的问题是更新有延迟而且只能看到标题和摘要没法做更细的过滤。官方 API 则灵活得多可以按分类、日期、关键词来查询返回的是结构化的数据方便后续处理。我用的抓取脚本是基于 Python 的核心是调用 ArXiv 的查询接口。这里不展开完整代码只说关键参数。查询的时候分类限定在 cs.CV排序方式选“submittedDate”降序每次拉取最近一天的数据。返回结果里我主要提取这几个字段标题、作者、摘要、发布时间、ArXiv ID、PDF 链接、代码链接如果有的话。提取出来之后存到一个本地的 JSON 文件里按日期命名方便后续检索。# 抓取逻辑示意非完整可运行代码 import urllib.request import xml.etree.ElementTree as ET base_url http://export.arxiv.org/api/query? query search_querycat:cs.CVsortBysubmittedDatesortOrderdescendingmax_results200 # 实际使用时需要处理分页和请求间隔提示ArXiv API 对请求频率有限制建议每次请求之间间隔三秒以上否则容易被临时限制。我一般是在早上跑一次拉取过去二十四小时的数据不会频繁请求。3.2 关键词过滤脚本的写法抓取到原始数据之后下一步是用关键词做初筛。我写了一个简单的 Python 脚本把每篇论文的标题和摘要拼成一个字符串然后逐个匹配关键词列表。匹配的时候不区分大小写但要注意一些缩写词容易误命中比如“CV”本身在很多摘要里出现所以我把“CV”从关键词里去掉了直接用“computer vision”或者具体的任务名。匹配逻辑上我给每个关键词设了权重。第一优先级的关键词权重是 3第二优先级是 2第三优先级是 1。一篇论文的得分就是所有命中关键词的权重之和。得分超过阈值的论文进入候选列表然后按得分从高到低排序。这个阈值我设的是 3也就是至少命中一个第一优先级关键词或者命中两个第二优先级关键词。实际跑下来每天两百篇论文里能进入候选列表的大概是十五到二十五篇再从中挑三到五篇精读工作量就合理了。keywords { transformer: 3, vision transformer: 3, vit: 3, multimodal: 3, vision-language: 3, clip: 3, object detection: 2, semantic segmentation: 2, diffusion: 2, self-supervised: 2, 3d: 1, point cloud: 1, video: 1, medical: 1 } def score_paper(title, abstract): text (title abstract).lower() score 0 for kw, weight in keywords.items(): if kw in text: score weight return score这个脚本很简单但非常有效。我试过用更复杂的语义匹配比如用句向量算相似度结果反而不如关键词加权稳定因为语义模型容易把一些不相关的论文也拉进来。关键词加权虽然粗糙但可控性强调整起来直观。3.3 归档与检索本地知识库的搭建筛选出来的论文我会归档到一个本地目录里按“年份/月份”组织文件夹每篇论文一个子文件夹里面放三样东西摘要文本、PDF 文件如果值得下载的话、以及我自己的速读笔记。速读笔记用 Markdown 写格式固定一句话总结、核心方法、实验结论、与我当前工作的关联。这个笔记不追求完整关键是写下当时的判断方便以后回顾。归档的好处是半年之后你再回头看能清楚地知道自己当时关注了什么、判断对不对。我翻自己半年前的笔记经常发现当时觉得一般的方法后来火了或者当时觉得惊艳的方法其实有硬伤。这种复盘对提升判断力非常有帮助。检索方面我用的是本地的全文搜索工具直接搜关键词就能定位到相关笔记和摘要比在 ArXiv 网站上搜要快得多而且不受网络影响。4. 论文速读方法二十分钟判断一篇论文值不值得看4.1 摘要和引言的读法拿到一篇候选论文我第一眼看的是标题第二眼看的是摘要。摘要的读法有讲究先看第一句通常是在陈述问题背景再看中间两句一般是方法的核心描述最后看最后一句通常是实验结论或者代码链接。如果摘要里出现了“we propose”“novel”“state-of-the-art”这类词不用太当真这是标准套话关键还是看它具体做了什么。引言部分我只看前两段和最后一段。前两段交代问题和已有方法的不足最后一段列出本文的贡献点。贡献点通常有三条如果三条里有两条跟我的关注点相关我就会继续往下看方法部分。如果贡献点都是“我们在某某数据集上提升了零点几个点”这种那基本可以判断是增量工作除非数据集本身很关键否则我就跳过了。实操心得很多论文的贡献点写得含糊这时候可以去看它的图表。方法部分的框架图往往比文字更直观一眼就能看出它是在哪个环节做了改动。如果框架图跟已有工作长得差不多只是多了一个模块那大概率是增量改进。4.2 方法部分的快速定位方法部分不需要逐字读。我的做法是先看框架图理解数据流向然后找公式看核心模块的数学表达最后看实现细节比如损失函数、训练策略。对于 Transformer 相关的论文我会特别关注几个点注意力机制是怎么设计的、位置编码怎么处理的、跟标准 Transformer 有什么区别。这几个点基本决定了一篇论文的技术含量。举个例子如果一篇论文说它提出了一个新的注意力模块我会先看它的计算复杂度跟标准自注意力比是高了还是低了再看它在哪些维度上做了近似或者稀疏化。如果复杂度没降效果提升又有限那实际应用价值就不大。反过来如果它在保持复杂度的前提下提升了效果或者在大分辨率输入下显著降低了计算量那就值得仔细看。4.3 实验部分的判断标准实验部分我主要看三样数据集、对比方法、消融实验。数据集要看是不是领域内公认的基准如果是自己构造的数据集那结论的可信度就要打折扣。对比方法要看有没有跟最新的强基线比如果只跟两三年前的方法比那提升再大也没意义。消融实验要看是不是把每个模块的贡献都拆清楚了如果只给一个总的提升数字那说明作者自己可能也没搞明白哪个模块在起作用。还有一个细节看实验部分的表格时注意有没有标注方差或者多次实验的结果。只报一个最好结果的论文复现起来往往有惊喜。我踩过好几次坑论文里说提升了两个点自己复现的时候怎么都达不到后来发现人家是挑了最好的随机种子。5. Transformer 与多模态当前最值得关注的两个方向5.1 Transformer 在视觉任务中的演进脉络Transformer 从自然语言处理进入计算机视觉标志性工作是 Vision Transformer也就是 ViT。它把图像切成固定大小的 patch当成序列输入到标准 Transformer 编码器里。这个思路刚出来的时候很多人觉得它缺乏卷积的归纳偏置在小数据集上效果不好。但后来 Swin Transformer 通过引入层次化结构和滑动窗口注意力把计算复杂度降了下来同时在检测和分割任务上超过了卷积网络。再往后各种变体层出不穷有的改注意力机制有的改位置编码有的把卷积和注意力混合起来用。我在筛选论文的时候对 Transformer 相关的条目会格外留意但也会区分对待。如果只是把标准 Transformer 套到一个新任务上没有针对该任务做结构上的调整那价值有限。真正值得关注的是那些针对视觉任务特点重新设计注意力机制的论文比如处理高分辨率输入时的稀疏注意力、处理多尺度特征时的跨窗口连接、以及降低内存占用的线性注意力近似。5.2 多模态融合的几种典型范式多模态是另一个热点。简单说就是把图像、文本、音频等不同模态的信息融合起来完成检索、问答、生成等任务。当前的融合范式大致分三类早期融合、晚期融合、以及基于注意力机制的中间融合。早期融合是在输入层就把不同模态拼在一起晚期融合是各自编码之后再合并中间融合则是通过交叉注意力让不同模态在编码过程中就交互。CLIP 是中间融合的一个典型代表它用对比学习把图像和文本映射到同一个特征空间训练出来的模型可以直接用于零样本分类和检索。后续很多工作都是在 CLIP 的基础上做扩展比如加入音频模态、加入视频时序信息、或者针对特定领域做微调。我在看多模态论文的时候最关注的是它怎么处理模态之间的对齐问题。如果两个模态的特征空间没有对齐好融合之后反而会互相干扰效果还不如单模态。5.3 值得跟踪的细分方向结合我最近的观察有几个细分方向值得持续跟踪。一是多模态大模型的高效微调如何在不大幅增加参数量的前提下让模型适应新任务。二是视觉-语言预训练中的数据效率问题很多工作开始关注怎么用更少的配对数据达到更好的效果。三是 Transformer 在医学图像分割中的应用这个方向对精度要求高而且数据标注成本大所以自监督和少样本学习的方法比较活跃。四是视频理解中的时序建模如何用 Transformer 有效地捕捉长距离时序依赖同时控制计算量。这些方向不是我拍脑袋想的而是从每天筛选的论文里慢慢浮现出来的。当你连续几周看到同一个关键词反复出现而且不同团队都在从不同角度切入那这个方向大概率在升温值得投入时间。6. 常见问题与排查技巧实录6.1 抓取失败或数据缺失怎么办最常见的问题是 API 请求超时或者返回空数据。我遇到过一次连续几天抓取结果都是空的后来发现是查询参数里的日期格式写错了。ArXiv API 对日期格式比较敏感建议用标准的 ISO 格式并且在代码里加异常处理抓取失败的时候记录日志第二天补抓。另一个问题是数据缺失比如某篇论文的摘要字段是空的。这种情况通常是 ArXiv 那边元数据还没更新完过几个小时再抓就有了。我的做法是先把能抓到的存下来缺失的标记一下第二天再补。不要因为个别数据缺失就中断整个流程。6.2 关键词误命中太多怎么调关键词误命中是筛选阶段最头疼的问题。比如“transformer”这个词在电力领域的论文里也经常出现因为电力变压器也叫 transformer。如果你的关键词列表里有这个词就会混进来一堆不相关的论文。解决办法是加限定词比如用“vision transformer”或者“transformer architecture”来替代单独的“transformer”。另外可以加排除词比如排除“power transformer”“electrical”这些词。还有一种情况是某个关键词突然命中大量论文比如某天“diffusion”相关的论文特别多。这时候不要急着调关键词先看看是不是这个方向确实在集中爆发。如果是那说明值得关注如果只是巧合那第二天就恢复正常了。6.3 速读笔记写了没时间回顾这个问题我也遇到过。一开始我写笔记很详细结果积累了几百篇之后根本没时间回头看。后来我调整了策略笔记只写三行第一行一句话总结第二行核心方法第三行我的判断。这样写起来快回顾的时候也快。另外我每周会花半小时把这一周的笔记快速过一遍把真正重要的标记出来其他的就让它沉在归档里。需要的时候能搜到就行不需要每篇都记住。6.4 常见问题速查表问题现象可能原因排查方法解决建议抓取结果为空查询参数错误或 API 限制检查日期格式和分类名用标准格式加请求间隔关键词误命中多关键词过于宽泛查看命中论文的领域分布加限定词或排除词摘要字段缺失元数据未更新完检查 ArXiv 页面是否正常标记后次日补抓笔记回顾困难笔记过于详细统计笔记平均长度压缩到三行以内筛选耗时过长关键词列表太长统计每日候选数量控制在十二个词以内最后再分享一个小技巧如果你的筛选流程稳定下来了可以把它做成一个定时任务每天早上自动跑结果发到你的邮箱或者保存到指定目录。这样你只需要在有空的时候处理结果就行不用每天手动触发。我用的是系统自带的定时任务工具设置很简单跑起来之后基本不用管。这个每日更新的系列说到底就是一套信息过滤系统。工具和脚本都是辅助核心还是你对这个领域的理解和对自身需求的判断。我做了这么久最大的体会是不要追求覆盖所有论文那是不可能的关键是建立起自己的筛选标准然后坚持下去。时间长了你会发现自己对什么工作值得关注、什么工作可以跳过越来越有感觉。这种判断力比任何工具都值钱。