企业官网建设流程全解析

1. 为什么每天都有人在追 ArXiv CV 论文

我每天早上打开电脑，第一件事不是回消息，而是先扫一眼当天的 ArXiv CV 论文列表。这个习惯从 2021 年坚持到现在，说实话，刚开始是被导师逼出来的，后来慢慢变成了刚需。

很多入行深度学习、计算机视觉的朋友问过我同一个问题：论文天天更新这么多，我又不看，为什么还要天天追？这就要先说清楚 ArXiv 到底在扮演什么角色。

ArXiv 是目前全球学术界和工业界最常用的预印本平台，尤其是 cs.CV 这个分类，几乎涵盖了计算机视觉领域从经典方法到前沿探索的全部论文。什么叫预印本？简单说，就是论文在正式期刊或会议录用之前，作者先把最终版本放到网上公开，让大家免费看、免费引用、免费讨论。这样做的好处非常明显：研究进展不用等会议周期，比如 CVPR、ICCV、ECCV 每年一到两次的截稿和评审，等正式发表可能要半年到一年，而 ArXiv 可以做到当天投稿、当天公开。

所以你看到的 ArXiv CV 论文每日更新，本质上就是全球做计算机视觉的人，今天又往公共池子里扔了哪些新想法。这个池子的更新速度有多快？每天少则几十篇，多则上百篇，赶上各大会议截稿后的集中投稿期，一天两三百篇都很常见。

为什么追这个有用？我有三个实际体会。

第一个体会是把握研究方向。做研究最怕什么？最怕自己以为的创新点，其实别人三个月前已经发出来了。每天扫一遍标题和摘要，基本就能建立一个大致概念：现在大家在做多模态、在做大模型、在做 3D 生成、在做什么新的损失函数。这个趋势感不是看综述看出来的，是日积月累刷出来的。

第二个体会是给工作提供灵感。我在工业界做算法落地，很多工程问题其实学术界已经给了一半答案。比如某个业务场景需要做小目标检测，有天正好看到一篇关于新特征金字塔结构的论文，思路刚好能迁移过来。这种“正好遇到”不是玄学，就是因为你每天都在看，碰到匹配的概率当然比一个月翻一次大得多。

第三个体会是积累人脉和同行的动态。计算机视觉圈子说大不大，天天更新榜单的人、经常发高质量论文的团队，看多了你自然知道谁是活跃的，哪些组在做哪些方向。后面找工作、找合作、去开会聊天，这些都是话题。

所以，这篇“每日更新 ArXiv CV Paper”的分享，与其说是一个内容栏目，不如说是我给自己立的规矩——每天花二十分钟，强迫自己站在计算机视觉的最前沿，哪怕只是看个标题和摘要，也比完全不看强太多。

当然，光知道“要追”没用，关键是怎么追、追什么、怎么从海量论文里筛出值得读的。这一套方法我踩了不少坑，下面详细聊聊。

2. 我如何整理和筛选每日 ArXiv CV 论文

刚开始追 ArXiv 的时候，我犯过一个很蠢的错：把每天更新的论文标题全部刷一遍，试图每篇都看摘要。结果是什么？每天早上刷完手机，一个小时过去了，脑子却一片空白，什么都记不住。后来我才慢慢意识到，追论文和找资料一样，核心不是“全”，而是“准”。

现在我每天用的一套流程，大概分成四步：抓取、粗筛、精读、归档。

第一步是抓取。ArXiv 本身支持 RSS 订阅，你只要找到对应分类的 RSS 链接，比如 cv.CV 分类的更新源，放进阅读器里就能自动抓取每天的新论文列表。这个 RSS 链接是 ArXiv 官方提供的，安全性没有问题，也不需要注册什么额外账号。我的习惯是同时订阅两个入口，一个是 cs.CV 主分类，一个是 cs.AI 和 cs.LG，因为视觉领域现在跟自然语言处理、多模态结合非常紧密，只看 cv 会漏掉很多交叉内容。

不过 RSS 有个问题，标题和摘要都有了，但关键词匹配太死板，遇到“图像分割”这种写法五花八门的主题，靠订阅词只能筛掉一大半。所以我还会用 Google Scholar 的关键词跟踪，设置几个长期关注方向，比如 diffusion、3D reconstruction、visual-language model，每个方向每周看一次学者页面的新引用。这个月就要靠这套组合，RSS 负责广撒网，Scholar 负责抓重点。

第二步是粗筛。这一步我会把当天全部标题过一遍，时间控制在十五分钟以内。用什么标准粗筛？我给自己定了三条硬规则。

第一，标题里有明确任务词，比如 detection、segmentation、tracking、generation、representation，这类直接进入待读清单。反过来，那种标题写得太玄、什么 “Towards ...”、“A Note on ...”，除非作者是圈内熟人，通常优先级最低。

第二，标题里出现热门方法词，比如 diffusion、transformer、large language model、world model、3D gaussian splatting，会额外提高优先级。因为这些词往往意味着方法创新，读起来信息量更大。

第三，如果标题是某个数据集的发布，或者某个 benchmark 的总结，直接进精读清单。数据集和基准是稀缺资源，这类论文往往影响整个子领域，不读可惜。

这三条规则看着简单，实际用下来能把每天一百多篇筛成二十篇左右。

第三步是精读摘要和图表。二十篇再过一遍摘要和首页图，最后能留下五篇进入全文阅读就算成功。摘要怎么看？重点看三处：这篇文章解决了什么问题（motivation）、方法核心思路（method）、在什么数据集上验证了效果（experiment）。如果三处都清楚，这篇就值得花四十分钟到一小时精读。如果摘要写得含糊，图表也看不出新东西，直接跳过，不要有心理负担。

我自己有个习惯，精读之前会先看论文的图片，尤其是方法框架图。一张图画不清楚的论文，八成方法也好不到哪里去，这个判断方法虽然粗暴，但在 CV 领域命中率很高。

第四步是归档。每篇读过的论文我会做一张简单的卡片，markdown 格式存到本地笔记里，内容包括：一句话概括、解决了什么问题、方法核心、实验结果、跟我的工作的关联点。这个过程不用很长，五分钟一篇就够，但坚持一年下来，你会拥有一张完全属于自己视角的文献地图，比任何现成的综述都更有价值。

我上面这套流程，最核心的思想其实是用“语义”而不是“数量”来管理注意力。刷一百篇标题不如精读五篇，但完全不刷又会漏掉关键信息。每日更新的意义就在于，用固定频率的低成本扫描，换取长期积累的方向敏感度。这个账怎么算都是划算的。

3. 2026 年 9 月这期更新里值得关注的方向

写这篇分享的时间是 2026 年 9 月 16 日，我照例把这几天的 cv.CV 更新过了一遍，挑出几个我认为值得展开说说的方向。注意，我不是在推荐某一篇具体论文，而是帮大家梳理规律：当下的 CV 研究都在往哪些地方集中发力。

第一个方向是多模态理解与生成的深度融合。这个趋势其实从两年前开始就很明显了，但 2026 年的论文里体现得更彻底。以前的“多模态”更多是给视觉模型配一个文本编码器，本质上还是视觉为主；现在的论文更倾向于把图像、视频、语音、文本放在同一个表示空间里做联合推理，有的团队直接把输入层和输出层统一成 token 序列，整个模型就是一个大一统的接口。这么做的代价是训练成本高得惊人，但效果也确实好，zero-shot 能力明显提升。如果个人电脑没那么强的算力，读这类论文时重点关注的是框架设计和数据组织方式，这些是可以在小规模实验里迁移验证的。

第二个方向是 3D 生成与实时渲染。3D Gaussian Splatting 出现之后，三维重建和渲染领域几乎被重新洗了一遍牌，到现在热度不减。现在的新论文主要集中在几个子问题上：一是如何让 3D 重建更稳定，少依赖精确的相机位姿；二是如何把动态场景重建做到实时，比如人体、动物的运动重建；三是如何跟大语言模型结合，文本里说一句“把茶壶放到桌上”，直接生成一个可交互的 3D 场景。这些方向对游戏、自动驾驶、具身智能都有直接价值，工业界关注度很高。

第三个方向是长视频理解。视频理解一直是 CV 里的难点，过去几年主要做短视频分类、时序动作检测，但 2026 年的论文开始大量挑战“长视频”，也就是五分钟、十分钟甚至更长的视频内容理解。难点在于你怎么在有限算力里对长时序做高效建模，怎么处理长时间跨度的依赖关系。这类论文跟视频监控、内容审核、短视频平台推荐都有结合点，值得做业务的人多看一眼。

第四个方向是高效方法与轻量化部署。这不是新方向，但每隔一段时间都会被重新激活。2026 年的高效方法论文跟早几年有个明显区别：以前主要是做剪枝、量化、蒸馏这类压缩手段，现在更多是直接在模型结构和训练策略上做文章，比如训练时就用稀疏结构、推理时自适应选择计算路径。读这类论文时我建议顺手记录一下论文里报的 FLOPs、延迟、吞吐量这些数字，做工程方案选型的时候直接拿来当参考基线，非常管用。

第五个方向是具身智能与机器人操作。机器人、机械臂、自动驾驶这些词在 ArXiv CV 论文里出现的频率越来越高，而且不再是挂在摘要里蹭热点，很多论文直接给出完整的感知-决策-控制闭环方案。尤其是基于大模型拆解任务、视觉反馈闭环控制的论文，一篇比一篇工程化程度高。如果你所在的团队以后要往机器人方向走，现在开始积累这个方向的阅读习惯，时机正好。

不过我也得提醒一句：方向热不代表你就要跟进。我见过不少研究者，看几篇热门方向论文就冲动换方向，最后半年过去了什么都没做出来。追每日更新的价值是让你知道哪里有矿，但真正该挖哪个矿，要根据你自己的资源和团队的情况决定。

4. 给新手的实操建议：从零开始建立论文阅读习惯

看到这里，可能有些刚开始接触 ArXiv 的读者会想：这些方法我听都听不懂，怎么追每日更新？很正常，我刚入门的时候也这样，标题里每个单词都认识，连在一起完全不知道论文在说什么。所以这一章专门写给还没建立起阅读习惯的新手，给你一套可以直接照做的操作路径。

第一步，先别订阅一堆工具，先用最笨的方法。每天固定时间打开 ArXiv 的官网，找到 cs.CV 分类，网站会自动按时间排序，你只需要看当天的列表即可。第一次看会觉得很吓人，这很正常，不要试图全看，给自己定一个目标：今天只看十篇标题，选其中一篇点进去读摘要。连续坚持两个星期，你就对标题里那些高频词有感觉了，比如什么 segmentation、self-supervised、adapter、benchmark，基本都能混个脸熟。

第二步，把“读摘要”变成你的基本动作。新手不要急着啃全文，先读懂摘要。摘要一般包括背景、问题、方法、结果四个要素，你读完能用自己的话说出“这篇论文用 X 方法解决了 Y 问题，在 Z 数据上效果如何”就算合格。这个能力练一个月，后面再看论文会轻松很多。

第三步，找一篇跟你手头任务有直接关系的论文精读。怎么找？最简单的办法是搜关键词。比如你在做一个车牌识别项目，就去 ArXiv 搜 license plate recognition，按时间排序，找最近三个月的论文里引用量最高的两三篇，认认真真精读。精读不是从头读到尾，看三样东西就行：方法框架图、损失函数或者核心模块的设计、实验表格里的对比数据。

第四步，建一个“论文卡片本”。这个本子不用精美，甚至一个笔记软件里的纯文本文件就行。每读完一篇，写固定格式的几句话：论文标题、一句话问题、方法一句话、效果一句话、跟我的关系。我自己的经验是，坚持五十篇之后，你的“论文卡片本”就会变成一个非常有价值的工具，以后再遇到技术方案选型，先翻卡片本，省下大量重复检索时间。

第五步，给自己一个节奏感。每日更新当然可以天天看，但人的精力有限，我更建议新手把目标定成“每周三次，每次二十分钟”，比每天都刷但什么都记不住强得多。等阅读速度上来之后，再逐渐加量到每天。频率稳定的习惯，效率永远高于三分钟热度的猛冲。

新手还有一个常见误区，就是狂囤论文。看到好标题就存进文件夹，号称“以后看”，结果囤了一千篇一眼没看过。这种囤积行为除了增加焦虑没有任何作用，我自己的经验是：当天不读的论文，以后大概率也不会读。所以你现在看到这篇每日更新的分享，只要觉得有感兴趣的论文，不要只收藏，立刻花十分钟把摘要读掉，把一句话笔记做掉。十分钟的投资，回报率远超你想象。

5. 常见问题与排查技巧实录

跟不少读者和同行聊过追 ArXiv 的各种坑，这里把出现频率最高的五个问题整理出来，每个都附上我自己的解决办法，供你参考。

第一个问题：明明订阅了 RSS，为什么某天发现漏了重要论文？

我遇到过这种情况，排查之后发现原因很简单：ArXiv 的 RSS 更新存在一定的延迟，并不是投稿当天立刻出现在 RSS 里，有时候会晚几个小时甚至一天。如果你订阅的阅读器不主动刷新，漏更就很容易发生。解决办法是不要把 RSS 当作唯一信源，至少保留每周两次的官网手动浏览作为兜底。另外，不同分类之间也有交叉，比如一篇论文可能同时属于 cs.CV 和 cs.LG，RSS 里可能只在其中一个分类下出现，多订阅几个相关分类能降低漏看概率。

第二个问题：每天更新的论文太多了，感觉时间完全不够用，怎么破？

这本质上不是时间问题，是筛选标准问题。我前面说过，你要先建立自己的粗筛规则，把“全看”降到“看标题再选择”。如果还是觉得多，就再收窄方向。比如你只关心检测，那标题里没有 object detection、few-shot detection、open-vocabulary detection 这类关键词的，直接略过。方向收窄不是视野变窄，而是在有限精力内把每一篇都读懂读透，长期下来反而比泛泛而看更有优势。

第三个问题：摘要写着效果 SOTA，但复现的时候完全跑不出来，是论文有问题吗？

要分情况看。有些论文的实验设置跟你不一样，它用的数据预处理、训练策略、显卡配置没在摘要里写清楚，效果出不来很正常，不代表论文是错的。另一种情况是部分论文确实存在报告不完整的问题，比如隐藏了不合适的对比基线，或者只在特定数据集上表现好。我的建议是：先看论文附带的代码仓库有没有提供训练配置，有的话先按它的配置跑通，再谈迁移；没有代码的话，复现优先级降低，重点读方法思路就好。

第四个问题：看论文的时候很多公式看不懂，要不要先去补数学基础？

我的观点是：不要被公式拦住。CV 论文里的公式很大一部分是形式化的表述，比如把图像特征写成 x，把标签写成 y，把损失函数写成 L，这些符号你只要理解它在做什么就行，不需要每一步推导。真正需要细看的通常是损失函数的具体形式和新模块的结构定义，遇到这种地方，配合代码一起看，比单纯啃公式效率高得多。如果某个公式反复出现在你关注的领域里，比如注意力机制的缩放点积公式，那你专门花半小时吃透它就很值。

第五个问题：ArXiv 论文满天飞，怎么判断哪些才是真正有分量的工作？

我给一个比较好上手的标准：看这篇论文有没有被后面反复引用。论文刚出来的时候谁都说不准好坏，但半年一年之后，它在后续论文中的引用情况基本能说明影响力。另外一个信号是看作者团队，活跃在某个子领域的知名团队、实验室，他们发的工作即使不是每一篇都引爆，平均水平也比较可靠。当然，这个判断标准不是让你搞“唯出身论”，只是给新手在筛选时提供一个概率参考，最终还是要自己去读去判断。

还有一个我反复跟人强调的小技巧：读论文的时候，顺手把附录、代码链接、数据集链接都存进笔记里。ArXiv 论文页面上通常会有源码仓库地址，有些论文还有项目主页，这些东西是最容易找到也最容易被忽略的资产。存下来之后，以后你要复现某个方法或者想找同类数据集，直接翻笔记就行。

6. 结合工程实践去消化每日更新的心得

职业方向不同，追论文的方式确实应该不一样。我自己一直在工业界做视觉算法相关的工作，所以追 ArXiv 从来不是为了发论文，而是为了把论文里的思想变成能落地的东西。这个视角怎么操作，我说点实际的。

在工业界，你不需要理解每一篇论文的数学细节，但你需要快速判断一个方法适不适合当前业务。怎么判断？三个问题就够了。第一，这个方法对数据的要求是什么，需不需要大规模标注、需不需要特殊传感器；第二，方法的计算开销如何，实时场景能不能扛得住；第三，方法有没有开源代码，没有代码的方案在工程里的成本会高很多。读摘要的时候带着这三个问题去读，效率会大幅提升，因为你的筛选标准从“好不好”变成了“能不能用”。

举个我自己的例子。有一段时间我在做工业质检项目，缺陷检测一直用的传统检测网络，小缺陷召回率上不去。那阵子 ArXiv 上连续出现几篇关于多尺度特征复用的小目标检测论文，很多是拿无人机视角做的。论文用的训练数据当然跟产线完全不一样，但其中有篇提出的特征搭接思路，结构上可以直接移植到我现有的模型里，不需要重训整个网络，只改颈部结构就行。我花了一个周末把那篇论文的代码跑通，然后用一个小的产线数据集微调测试，小缺陷的召回提升了大概五个点。这个提升在学术论文里不算什么，但在产线上可能就是合格率从 97% 到 98.5% 的差别。

这件事给我的启发是：读论文不一定非要复现完整流程，有时候只需要抓住某一个模块的思想，结合自己的工程场景去改造。所以我现在读论文，重点笔记里会专门加一项“可迁移点”，也就是这个工作里有没有哪一环是能抽出来，用到我当前的项目结构里的。这个记录比泛泛而谈的方法总结有用手倍，也是我强烈建议工程岗同行试试的做法。

另外，工业界还需要关注论文里报告的时间开销和部署条件。很多人会忽略实验细节里的“花了几张卡训练了多久”，但这两个数字直接影响你对项目周期的估算。我自己接项目做排期的时候，经常拿论文里的训练资源配置作为参考基线，再根据我们团队的 GPU 情况换算，心里就有个大概数。这个习惯帮我避过不少“以为两个月能做完、实际要大半年”的坑。

还有一点，也是让我坚持每日更新最重要的收获：它防止我在一个方向上钻进牛角尖。算法工程师很容易陷入局部最优，眼下这个方案调来调去效果就是不涨，人也越来越烦躁。这个时候去扫一眼 ArXiv 上的新论文，往往能看到完全不同的切入视角。视野一打开，思路就通了。对我来说，追论文不只是信息输入，更像一种定期给大脑做“算法复位”的操作。

7. 分享论文时要养成的版权和引用规范

既然这篇分享定位于“每日更新 ArXiv CV Paper”，我必须要认真聊一聊转载和引用的规范问题。这几年 ArXiv 的生态越来越繁荣，但很多人转发论文摘要、图片的时候不太讲究，留下不少隐患。

先明确一件事：ArXiv 是预印本平台，论文的版权一般还在作者手里，ArXiv 只是一个分发渠道。这意味着你可以自由阅读、下载、链接到论文页面，但不能随意把论文全文转载到别的地方。尤其是里面的大图、表格、公式推导，作者可能还没有授权第三方使用。

我做每日更新的原则是：只提供论文标题、论文页面链接、摘要的大意转述，不放全文，不放高清图片。摘要也不是直接复制粘贴，而是用自己的话概括。这样一来，既达到了分享和讨论的目的，也避免了对原作者权益的影响。如果哪篇论文我觉得特别重要，直接引导大家去 ArXiv 的原始页面或者在官网下载 PDF，这才是对作者真正的尊重。

引用的时候也要注意格式。ArXiv 论文没有固定的期刊卷号和页码，一般用 ArXiv 编号来引用，比如 arXiv:2609.xxxxx 这种格式。如果你在写博客、写报告要引用 ArXiv 论文，最好把论文 ID 写全，方便别人检索。同时在第一次引用某个作者的工作时，最好带上作者姓名和单位信息，这是学术交流的基本礼貌，也能帮读者判断工作的背景和可信度。

另外还有一个容易被忽略的点：很多 ArXiv 论文会有更新版本。作者投稿之后，可能会因为评审意见补实验、改结构，同一个编号下会出现 v1、v2 甚至更多版本。分享的时候注意看一下当前页面展示的是哪个版本，尽量以最新版为准。我自己每天整理论文时，会标注一下版本情况，特别是那些跟几个月前同一编号不同内容的情况，避免分享出去的信息过时或者互相冲突。

下面整理一个我自己用的分享格式模板，你可以直接拿来参考：

• 论文标题：原英文标题（不加翻译，防止歧义）
• 论文链接：ArXiv 页面地址或者官方 PDF 地址
• 一句话简介：用自己的话概括问题、方法、结果
• 相关方向：从属于哪个子领域
• 版本状态：v1 / v2 / 更新日期
• 个人短评：两到三句话，说明这篇论文为什么值得看，或者有什么局限性

这套格式也不复杂，但它把重点信息和引用规范都框住了，长期坚持下来，你的分享会越来越专业，也更容易赢得读者的信任。

还有一个细节，有些论文作者会在项目主页提供演示视频和补充材料，这些链接在 ArXiv 论文页面不一定有，但在论文摘要下方的“Submission history”附近或者作者主页可以找到。分享的时候如果加了这些补充材料的链接，对读者帮助非常大，很多时候一篇论文看静态图完全看不懂，但一看作者提供的 demo 视频，思路立刻清晰了。

最后提醒一下，所有分享都尽量基于你自己的理解和评价，不要凭空制造名声或者贬低别人的工作。学术圈和开源社区的信息传播很快，一个不客观的评价一旦发出去，对原作者声誉的影响是实实在在的。我自己的做法是：对于没把握判断的论文，就如实说“我没仔细读，无法评价”，这比装懂乱带节奏强一百倍。

8. 关于工具选型的一些坦诚建议

前面对话里我提到了 RSS 订阅和 Scholar 跟踪，这里专门说说工具选型。工具不在多，顺手最重要，而且没有哪个工具是绝对正确的，关键看你的使用习惯和场景。

ArXiv 官方订阅是最稳的基础。有个别人问我要不要用第三方聚合平台，我的回答是：可以用，但别完全依赖。第三方平台确实做了很多分类、去重、推荐的工作，界面也更友好，但第三方意味着你需要信任平台方的维护和筛选逻辑，一旦平台停止更新或者调整推荐规则，你的信息源就会受影响。相比之下，ArXiv 官方 RSS 是最原始、最可靠、最简单的一手信源，任何时候都能访问。

阅读器方面，手机端我常用支持 RSS 的阅读应用，电脑端就用浏览器自带的书签加一个 RSS 扩展，够用了。不需要追求多复杂的自动化流程，真正的瓶颈永远是你的阅读时间，而不是抓取工具。

文献管理工具我用过几个，最终固定为一个基于纯文本的笔记方案。为什么不用商业软件？因为商业文献管理软件功能虽然丰富，但自带了很多我不需要的结构，比如复杂的标签体系、数据库同步、浏览器插件联动，这些功能在日常阅读节奏里反而成了干扰。我只保留了一个最核心的动作：把论文卡片追加到同一个 markdown 文件里，最多再用文件夹分一下年份。这套方案没有学习成本，也不会被平台绑定，将来想换工具，直接导出文本就行。

代码复现的工具链倒是值得认真配置。现在的主流做法是 Docker 或者虚拟环境，保证复现实验的依赖隔离。很多论文提供的代码仓库依赖版本不同，一股脑装进同一个环境，冲突几乎是必然的。我自己的原则是：每一篇要复现的论文开一个独立环境，记录好 Python 版本、CUDA 版本和关键包的版本号。这样即使某篇文章的环境坏了，也不会影响其他项目的实验。

还有一个工具是固定用的：一个基于关键词的自动搜索脚本，每天定时去抓 ArXiv 的新论文，按关键词过滤出最近一天的更新，推到一个固定的目录里。这个思路本质上就是 RSS 的升级版，只不过搜得更精。写脚本本身不复杂，Python 几十行就能搞定，通过 ArXiv 的 API 接口就能实现查询，每天把结果追加到一个文本文件里。这样我早上打开电脑，就能直接看到经过筛选的清单，不用再打开网站手动点来点去。

不过工具用久了也要定期复盘。每隔两三个月，我会花半天看一下自己的读论文流程里，哪个环节最费时间、有没有更顺手的替代方案。这个过程不是折腾，而是保证我把有限的精力花在读论文本身，而不是花在和工具的缠斗上。工具是手段，论文内容才是核心，这个主次关系任何时候都不能颠倒。

9. 我把这两年的坚持整理成了一份可复用的清单

写了这么多，最后把最重要的经验浓缩成一份清单，就算你前面什么都没记住，拿着这份清单也能立刻上手。

第一，追踪源要“一手加二手”。ArXiv 官方 RSS 和官网是一手源，学者的社交账号、技术自媒体是二手源。一手源保证信息不漏，二手源节省筛选时间，两套并行最稳。

第二，每天固定一个时间段。我的经验是清晨效果最好，脑子清醒，二十分钟内完成，不用多，形成肌肉记忆。

第三，粗筛标准要“按词找人”。标题出现方法热词加任务词，优先级最高；标题太抽象又没有熟人背书，优先级最低。这个方法每天能把百篇论文压缩到二十篇以内。

第四，精读抓“一图一表”。方法框架图加实验对比表，这两样看懂比看完全文更有用。看不懂框架图，说明论文写作有问题，或者这篇对你来说难度过高。

第五，必做论文卡片。形式随意，但必须做。一句话问题、一句话方法、一句话结果、可迁移点。坚持五十篇，你的文献脉络感会比大多数啃综述的同行强得多。

第六，注意引用规范。分享以标题加链接加自己的话概括为主，不放全文，不明抄摘要，不贬低不吹捧。

第七，定期复盘工具链。别让工具消耗时间，每两三个月审视一次流程，该简化就简化。

第八，带业务视角去读。如果你是工程岗，多问自己三个问题：数据要求高不高、计算开销大不大、有没有开源代码。这三个问题能过滤掉八成对你无用的论文。

第九，别囤论文，当天不读的以后基本不会读。看到有趣的立刻花一分钟存卡片，十分钟内把摘要读完。

第十，享受过程，别焦虑。论文看不过来是常态，不是你的问题。每天吸收一点点，长期坚持，你在这个领域的感知力会明显超过那些只在需要时才去查资料的同行。

这两年最大的变化是什么？不是论文读了多快多少，而是我慢慢建立了一种“领域直觉”——看到问题的第一反应是想起自己读过哪些相关工作，知道去哪个方向查资料，也大概知道什么方案在当前技术背景下是靠谱的。这个直觉，就是每天日拱一卒最好的回报。用这套方法，希望你也能一边追着最新的 ArXiv CV 论文，一边在属于自己的方向上一步步向前走。