1. 这个每日更新系列到底在解决什么问题每天早上刷ArXiv的CV板块大概是每个做视觉研究或者工程落地的人雷打不动的习惯。但说实话真正坚持下来的人都知道这件事的体验并不好——论文数量爆炸、标题党泛滥、方向分散刷半小时可能只筛出一两篇真正值得读的。我这个“每日更新”系列就是从这种痛点里长出来的把当天ArXiv上计算机视觉相关的论文做一轮粗筛和精读笔记重点盯Transformer、LLM与CV交叉的方向用尽量短的时间把值得看的东西挑出来附上我自己的判断。这个系列适合三类人一是做CV算法、需要持续跟进前沿但没时间逐篇读的工程师二是刚入门、想通过读论文建立方向感的学生三是做多模态、大模型应用、想把视觉能力接进LLM系统的开发者。它不追求覆盖全部论文而是追求“今天这几篇为什么值得看、能用在什么地方、有什么坑”。核心关键词就几个ArXiv、CV、Paper、Transformer、LLM所有内容都围绕这几个词展开。我自己的背景是做了七八年视觉算法从传统检测分割一路做到现在的多模态大模型落地踩过的坑足够多所以这个系列里我会尽量把“论文说了什么”和“工程上能不能用”分开讲。前者是事实后者是我的判断读者可以各取所需。2. 为什么我坚持用“每日更新”这种笨办法2.1 信息过载下的筛选逻辑ArXiv的CV板块每天新增论文数量在几百篇量级节假日稍微少一点工作日基本是刷不完的。如果按标题逐条看一小时能过完就算快的但真正打开PDF读摘要的可能不到二十篇。这个效率对于需要持续跟进的人来说是不可接受的。我的做法是分三层过滤。第一层是标题和关键词匹配把当天所有论文标题拉下来用一组预设关键词做初筛比如transformer、llm、multimodal、diffusion、detection、segmentation这些。第二层是摘要速读对初筛出来的论文只看摘要的前三句和最后一句判断它解决的是什么问题、用了什么方法、结论是否明确。第三层才是精读通常一天能筛出三到五篇值得细看的再从中挑一到两篇写笔记。这个流程听起来简单但关键词表是需要持续维护的。比如前两年diffusion相关的工作井喷关键词表里就得加上diffusion、score-based、denoising这些今年LLM和CV结合的工作变多agent、vision-language、instruction tuning这些词又得补进去。关键词表不是一成不变的它反映的是你当前关注的方向。2.2 为什么不做“周报”而做“日报”有人问过为什么不攒一周发一次这样信息密度更高。我试过结论是周报的时效性太差。CV这个领域现在迭代速度极快一篇有意思的工作出来可能两三天内就有follow-up一周后你再看讨论的热度已经过去了。日报的好处是你能在第一时间看到原始工作而不是等别人嚼过的二手信息。另一个原因是日报的写作压力反而更小。每天固定花四十分钟做筛选和记录形成肌肉记忆之后并不累。周报则需要一次性处理大量信息容易拖延而且回顾的时候很多细节已经忘了。这个经验可能因人而异但对我这种需要持续输出的人来说高频低强度的节奏更可持续。2.3 这个系列不做什么需要明确的是这个系列不做论文翻译不做全文精读也不做方向综述。它做的是“筛选加判断”告诉你今天有哪些值得看的工作它们大概在做什么以及我从工程角度怎么看。如果你需要的是完整的论文解读那应该去看原文或者专门的解读文章如果你需要的是方向性的梳理那应该去看综述。这个系列的定位是帮你省掉第一层筛选的时间把精力留给真正重要的论文。3. 2026年9月26日这批论文里我关注了什么3.1 Transformer在视觉任务上的新动向当天有几篇工作值得注意。一篇是关于视觉Transformer的token压缩核心思路是在浅层用轻量模块做token合并深层再恢复分辨率。这个思路不算新但它的实现方式比较巧妙把合并和恢复做成了一个可学习的双向过程而不是简单的池化和上采样。从工程角度看这种方法的吸引力在于它可以直接插到现有ViT架构里不需要重新训练整个模型对于已经部署了ViT的团队来说迁移成本很低。另一篇是做Transformer的注意力稀疏化针对的是高分辨率输入下的计算瓶颈。它的做法是用一个轻量的打分网络预测哪些token对最终结果贡献大只对这些token做完整注意力计算。这个思路和之前的一些工作类似但它的打分网络设计得更轻额外开销控制在5%以内。实测下来在分割和检测任务上精度损失很小但推理速度有明显提升。这类工作对于需要在边缘设备上跑ViT的场景很有参考价值。还有一篇是关于Transformer做时序预测的虽然不完全是CV但它用的方法可以迁移到视频理解任务上。它把正弦位置编码换成了可学习的频率编码在长序列上的表现更稳定。这个改动很小但效果提升明显说明位置编码这个看似已经解决的问题其实还有优化空间。3.2 LLM与CV结合的工作当天最让我感兴趣的是几篇LLM与视觉结合的工作。一篇是做视觉指令微调的核心贡献是构建了一个更大规模、更多样化的指令数据集覆盖了检测、分割、描述、问答等多个任务。它的数据构建流程值得细看特别是如何用现有模型自动生成指令数据再用人工筛选保证质量。这个流程对于想自己做指令微调但缺乏标注资源的团队来说很有参考价值。另一篇是做LLM驱动的视觉agent让模型能够根据自然语言指令自主调用视觉工具完成复杂任务。它的框架设计比较清晰把视觉工具封装成可调用的APILLM负责规划和调度。这个方向现在很热但实际落地时最大的问题是工具调用的可靠性——模型可能会调用错误的工具或者传错参数。这篇工作在这方面做了一些约束设计比如工具调用的前置条件检查和后置结果验证这些工程细节比模型本身更值得关注。还有一篇是关于多模态模型的容错控制的讨论的是当视觉输入有噪声或者缺失时模型如何保持稳定输出。这个问题在实际部署中很常见比如摄像头遮挡、光照突变等情况。它的做法是在训练时引入扰动让模型学会在输入不完整时给出保守但可靠的输出。这个思路和传统的鲁棒性训练有相似之处但它更强调“容错”而不是“抗干扰”侧重点不太一样。3.3 值得关注的工具与资源当天还看到几个工具类的更新。一个是某个开源LLM推理框架增加了对视觉模型的支持可以在本地跑多模态模型。另一个是某个论文复现仓库更新了Transformer的完整实现包括训练和推理代码注释比较详细适合用来学习。这类资源虽然不算论文但对于实际动手的人来说价值很高。我特别留意到一个关于Transformer手写实现的教程更新它从零开始实现了一个完整的Transformer包括多头注意力、位置编码、残差连接等所有组件并且用正弦数据做了预测实验。这个教程适合想深入理解Transformer内部机制的人比直接看论文更容易上手。4. 怎么读这些论文才不浪费时间4.1 先看图表再看正文一篇论文的信息密度最高的地方是图表不是正文。我的习惯是先看框架图搞清楚输入输出和模块之间的关系再看实验结果表看它在哪些数据集上做了对比、提升幅度多大最后才看正文重点看方法部分和实验设置。这样读的好处是你能快速判断这篇工作是否值得细读避免在无关的论文上浪费时间。具体来说框架图要看三个东西输入是什么、经过哪些模块、输出是什么。如果框架图和正文描述对不上那这篇论文的质量就值得怀疑。实验结果表要看对比基线是否合理、数据集是否主流、指标是否全面。如果只在一个数据集上做了实验或者对比的方法明显过时那结论的可靠性就要打折扣。4.2 带着问题读读论文之前先问自己三个问题它解决的是什么问题现有方法为什么解决不好它的方法为什么能解决得更好如果读完摘要和引言你能回答这三个问题那这篇论文的核心就抓住了。如果读完之后还是模糊的那要么是论文写得不好要么是你对这个方向的基础知识还不够需要先补背景。这个方法听起来简单但实际操作时很多人会跳过这一步直接从头读到尾结果读完了也不知道重点在哪。我的建议是强迫自己在读正文之前先用三句话总结这三个问题的答案写下来然后再去验证。这个习惯能显著提高读论文的效率。4.3 区分“知道”和“能用”读论文和用论文是两回事。很多论文的方法在实验环境下表现很好但实际部署时会遇到各种问题计算资源不够、数据分布不匹配、工程实现复杂等。所以我在读论文时会刻意区分两类信息一类是“知道就行”的比如某个新数据集、某个新指标另一类是“可能能用”的比如某个模块设计、某个训练技巧。对于“可能能用”的部分我会额外关注它的实现细节和计算开销。比如一个注意力模块如果它的额外参数量很大或者推理速度很慢那即使精度提升明显在实际项目中也可能不划算。这些判断需要工程经验读多了自然就有感觉了。5. 实操我是怎么搭建这套每日更新流程的5.1 信息获取与初筛信息获取这块我用的是ArXiv的API加一个简单的脚本。每天定时拉取当天CV板块的新论文列表包括标题、作者、摘要、链接。然后用关键词表做初筛把匹配的论文存到一个待读列表里。关键词表是放在一个文本文件里维护的方便随时增删。初筛之后是人工速读。我会把待读列表里的论文摘要快速过一遍每篇大概花十到十五秒判断是否值得进一步阅读。这个阶段主要看摘要的前两句和最后一句前两句通常说明问题和动机最后一句通常是结论。如果这两部分信息足够明确那这篇论文就值得进入下一轮。这个流程的关键是关键词表的质量。我的关键词表分三档核心词transformer、llm、multimodal等、扩展词detection、segmentation、diffusion等、排除词survey、review等。核心词匹配的论文优先看扩展词匹配的次之排除词匹配的直接跳过。这个分档策略能帮我在有限时间内优先处理最重要的论文。5.2 精读与笔记精读阶段我会打开PDF按照前面说的“先图表后正文”的顺序读。读的过程中会记笔记笔记分三部分论文解决什么问题、方法的核心思路、我的判断。判断部分包括这篇工作是否值得跟进、有没有可以借鉴的地方、有什么潜在问题。笔记的格式我固定用三段式这样后续回顾的时候容易检索。比如“问题高分辨率ViT推理慢方法token稀疏化加轻量打分网络判断思路可行但打分网络的训练稳定性需要验证”。这种格式看起来简单但坚持下来能积累大量可检索的信息。笔记我存在本地的一个Markdown文件里按日期组织。每周会做一次回顾把值得深入跟进的工作挑出来单独建一个跟踪列表。这个跟踪列表是我后续做项目时的重要参考。5.3 输出与分享输出这部分我每天会写一段简短的总结包括当天最值得看的几篇论文和我的判断。这个总结不追求完整只记录我认为有价值的信息。写总结的过程其实也是二次筛选的过程因为要写出来就必须想清楚很多模糊的判断在写作过程中会变得清晰。分享的渠道我试过几种最后固定在几个技术社区。分享的内容和笔记略有不同笔记是给自己看的可以更随意分享是给别人看的需要更严谨。但核心信息是一致的今天有什么值得看的工作为什么值得看我从工程角度怎么看。6. 常见问题与避坑经验6.1 论文太多看不过来怎么办这是最常见的问题。我的建议是不要试图看完所有论文那是不可能的。把目标定为“每天筛出三到五篇值得看的”而不是“每天看完所有论文”。筛选的标准可以因人而异但核心是找到适合自己方向的论文而不是追求覆盖面。另一个技巧是善用ArXiv的订阅功能。你可以订阅特定关键词或者特定作者的更新这样每天收到的就是经过初步筛选的列表比手动刷全站效率高很多。订阅的关键词可以随着你的方向变化而调整不需要一次设好就不动。6.2 读了记不住怎么办记不住是因为没有带着问题读也没有做笔记。我的经验是如果一篇论文你读完能用自己的话把它的核心思路讲出来那基本就记住了如果讲不出来那说明没读透。做笔记是强迫自己讲出来的好方法哪怕只写三句话也比不写强。另外定期回顾笔记也很重要。我每周会花半小时翻一遍这周的笔记把重要的内容标记出来。这个回顾过程能帮你把零散的信息串起来形成方向感。没有回顾的笔记就是死数据回顾之后才能变成自己的知识。6.3 怎么判断一篇论文是否值得跟进我的判断标准有三个一是问题是否重要二是方法是否有新意三是结果是否可靠。三个都满足的论文很少通常能满足两个就值得跟进。如果只满足一个那就要谨慎可能是标题党或者实验不充分。具体来说问题重要但方法一般的论文可以关注它的实验设置和数据集方法有新意但结果一般的论文可以关注它的思路是否可以改进结果很好但问题不重要的论文可以关注它的技巧是否可以迁移到其他任务。这些判断需要经验积累读多了自然就有感觉。6.4 常见问题速查表问题可能原因解决思路论文读不完目标设定过高改为每天筛三到五篇不追求全覆盖读完记不住没有带着问题读先问三个问题读完做三句话笔记不知道哪些值得跟进缺乏判断标准从问题、方法、结果三个维度打分笔记太多找不到没有固定格式用三段式笔记按日期和关键词组织方向感模糊缺乏定期回顾每周回顾一次标记重要工作7. 几个我踩过的坑第一个坑是贪多。刚开始做这个系列的时候我试图每天覆盖所有CV论文结果坚持了不到一周就放弃了。后来把目标降到每天精读三到五篇反而能长期坚持。这个教训是可持续比全面更重要。第二个坑是只读不写。有段时间我只读论文不做笔记结果读过的论文过两周就忘了等于白读。后来强迫自己每篇至少写三句话虽然花的时间多了但效果完全不一样。写的过程就是思考的过程不写等于没思考。第三个坑是只看精度不看开销。早期我容易被高精度的结果吸引忽略了大模型的计算开销。后来在实际项目中踩了几次坑才明白精度提升5%但推理速度慢一倍的方法在很多场景下是不可接受的。现在读论文时我会特别关注计算开销和参数量这两个指标和精度同样重要。第四个坑是追热点不追问题。有一阵子diffusion很热我读了很多相关论文但后来发现自己的项目根本用不上。这个教训是读论文要围绕自己的问题而不是围绕热点。热点会变问题相对稳定。8. 这个系列后续可以怎么扩展目前这个系列主要是文字形式后续可以考虑加入一些可视化内容比如用简单的示意图解释论文的核心思路。另外可以针对特定方向做专题整理比如把一段时间内所有关于Transformer高效推理的论文汇总起来做对比分析。这种专题整理比单篇笔记更有参考价值。另一个扩展方向是加入代码复现的内容。对于特别有价值的工作可以尝试复现核心模块记录复现过程中遇到的问题和解决方案。这部分内容对于实际动手的人价值很高但工作量也大需要权衡。还有就是可以建立一个公开的论文跟踪列表把每天筛出来的论文按方向分类方便读者按需查阅。这个列表可以持续更新形成一个可检索的资源库。不过维护成本不低需要找到合适的工具和流程。最后再分享一个小技巧如果你也在做类似的事情建议从自己最熟悉的方向开始不要一开始就铺得太开。先把一个方向的论文跟踪做扎实形成习惯之后再逐步扩展。这个系列能坚持下来靠的不是意志力而是流程化——把筛选、阅读、笔记、输出变成一套固定的动作减少决策成本才能长期做下去。
