1. 从"学术速递"这个栏目名说起：为什么值得单独做一期拆解做计算机视觉方向的人，大概都有过这样的体验：每天刷预印本平台，新论文像流水一样涌出来，标题扫过去全是"某某某: A Novel Framework for ..."，点进去看摘要，发现跟自己手头的项目八竿子打不着。时间花了不少，真正能沉淀下来的东西却寥寥无几。所以当我第一次看到"学术速递"这种栏目形态时，第一反应不是"又一个资讯搬运"，而是——这东西如果做得好，本质上是在帮读者做信息降噪。"计算机视觉学术速递[9.7]"这个标题，表面上看只是一个日期标记的栏目名，但它背后其实藏着一整套内容生产逻辑：选题范围怎么定、论文怎么筛、速递的颗粒度控制在什么程度、读者拿到之后能用来干什么。这些问题不解决，速递就会退化成"论文标题列表"，读者看一眼就划走了。我自己断断续续做过一段时间的论文追踪和整理，踩过的坑不算少。最开始我天真地以为，把当天所有CV方向的预印本按热度排个序就完事了，结果发现热度高的往往是那些标题起得唬人的，真正有料的工作反而埋在下面。后来我调整了思路，把"速递"重新定义为面向特定读者群的定向筛选，而不是"全网CV论文大杂烩"，效果才慢慢好起来。这篇文章我想聊的不是某一篇具体论文，而是"学术速递"这类内容产品从0到1的搭建思路。包括选题边界怎么划、筛选标准怎么定、速递正文怎么写才能让人愿意读完、以及长期做下去怎么避免内容同质化。如果你也在做类似的技术资讯整理、论文追踪，或者单纯想建立自己的CV论文阅读体系，这篇应该能给你一些可以直接抄作业的方法。2. 速递的选题边界：CV这个大筐里到底该装什么2.1 先搞清楚"计算机视觉"的边界在2024年已经模糊了十年前说计算机视觉，大家脑子里浮现的就是图像分类、目标检测、语义分割这几件套。但现在情况完全不一样了。多模态大模型把视觉和语言揉在一起，具身智能把视觉和机器人控制绑在一起，3D高斯泼溅、神经辐射场这些又把图形学和视觉的界限抹掉了。你在预印本平台上按cs.CV这个分类去筛，会发现里面混着大量"视觉+语言""视觉+强化学习""视觉+图形学"的交叉工作。所以做速递的第一步，不是急着去抓论文，而是先给这一期的"CV"下一个操作性定义。我的做法是画一个三层同心圆：核心层是纯视觉任务（检测、分割、跟踪、识别、重建），中间层是视觉作为主要模态之一的多模态任务（图文匹配、视觉问答、图像生成），外围层是视觉作为工具或验证场景的交叉工作（机器人操作、自动驾驶感知、医学影像分析）。速递的主体放核心层和中间层，外围层只挑那些方法上有普适性的。这个边界不是拍脑袋定的。你想想读者的使用场景：一个做检测的工程师，他关心的是"有没有新的backbone或者新的标签分配策略能让我直接试"；一个做多模态的研究生，他关心的是"视觉编码器这块有没有新的对齐方式"。这两类人的需求都落在核心层和中间层。外围层的工作，除非方法本身能迁移过来，否则对大多数读者来说是噪音。2.2 日期标记"[9.7]"背后的时间窗口设计标题里的"[9.7]"看起来只是个日期，但它其实定义了一个时间窗口。这里有个很容易被忽略的细节：预印本平台上的论文，从提交到公开有一到两天的延迟，而且不同时区的提交时间不一样。如果你严格按"9月7日当天公开"来筛，很可能会漏掉9月6日晚上提交、9月7日凌晨才挂出来的那批。我的经验是，速递的时间窗口应该设成"过去24到36小时"，而不是严格的自然日。具体操作上，我会在每天固定时间（比如上午10点）去拉取过去36小时内更新的论文列表，然后按提交时间倒序排列。这样既能覆盖到前一天晚上的提交，又不会把太旧的内容混进来。如果你要做的是周报而不是日报，那窗口就设成7天，但筛选标准要相应提高，不然一周攒下来的论文量根本读不完。还有一个细节：预印本平台上的论文版本会更新。一篇论文可能9月5日挂出来，9月7日更新了v2版本。这种更新版本要不要收进速递？我的判断是看更新内容。如果只是改了错别字或者补了个实验，不值得单独占一个位置；如果是换了核心方法或者加了重要的对比实验，那可以在速递里用一句话带过"某某工作更新了v2，主要变化是……"，不展开。2.3 哪些论文应该被速递直接过滤掉做速递最痛苦的不是找不到论文，而是舍不得不放。每天刷下来，总觉得这篇也有点意思，那篇也有点新意，最后速递变成了论文列表，读者根本读不完。所以必须有一套硬性的过滤规则。我自己的过滤清单是这样的：第一，纯应用类的工作，如果没有提出新的方法或者新的数据集，直接过滤。比如"我们把YOLO用在了某个特定场景上，涨了两个点"，这种工作对读者的迁移价值很低。第二，增量式改进，如果只是在现有方法上换了个损失函数或者调了个超参，没有本质上的洞察，过滤。第三，纯综述类，除非是领域内公认的大牛写的、覆盖面特别全的综述，否则综述的时效性不如原始论文。第四，实验不充分的，比如只在单个数据集上验证、没有跟足够的baseline对比，这种工作即使想法有意思，也先放一放，等它更新或者被会议接收了再说。这套规则听起来很严，但实际执行下来，每天能留下来的论文大概也就5到10篇。这个量级刚好，读者花10分钟能读完，而且每篇都是真正值得看的。3. 筛选标准：怎么从几百篇里挑出真正值得读的那几篇3.1 第一层筛选：用标题和摘要做快速判断预印本平台每天CV方向的更新量，少则几十篇，多则上百篇。你不可能每篇都点进去看全文，所以第一层筛选必须靠标题和摘要，而且要在几秒钟内做出判断。我的快速判断逻辑是这样的：先看标题里有没有出现新的任务定义或者新的方法范式。比如标题里出现"zero-shot""open-vocabulary""training-free"这类词，说明作者在尝试解决一个更一般化的问题，值得多看两眼。反过来，如果标题是"XX-YOLO: Improved YOLO for XX Detection"，基本可以跳过，因为这类工作大概率是调参或者换模块。然后看摘要的第一句话和最后一句话。第一句话通常交代动机，最后一句话通常交代结果。如果动机是"现有方法在某个特定场景下效果不好"，而结果是"我们在某个数据集上涨了X个点"，那这篇工作的通用性可能有限。如果动机是"现有方法依赖大量标注"，结果是"我们在没有标注的情况下达到了有监督方法的水平"，那这篇就值得细看。这里有个小技巧：摘要里如果出现了具体的数字对比，比如"比之前最好的方法提升了15%"，而且这个提升是在多个数据集上一致的，那可信度会高一些。如果只在单个数据集上提升很大，其他地方提升很小甚至下降，那就要警惕过拟合或者数据集偏差。3.2 第二层筛选：看方法和实验设计有没有硬伤过了第一层，剩下的论文大概还有二三十篇。这时候需要快速扫一遍方法和实验部分，重点看几个地方。方法部分，我主要看核心模块的设计动机。一个好的方法，作者应该能说清楚"为什么这个模块能解决前面提到的问题"。如果方法部分只是把几个现有模块拼在一起，然后说"这样效果更好"，但说不出为什么更好，那这篇工作的深度就有限。另外看方法有没有过度依赖特定假设，比如假设输入图像的分辨率固定、假设场景光照条件可控，这种假设在实际应用中很容易被打破。实验部分，我重点看baseline的选择和消融实验的完整性。baseline如果只跟两三年前的方法比，那说明作者可能心虚；消融实验如果只做了模块有无的对比，没有做超参敏感性分析，那方法的鲁棒性存疑。还有一个容易被忽略的点：看论文有没有报告失败案例或者局限性。好的工作通常会专门用一段话讨论自己的方法在什么情况下会失效，这种坦诚反而增加了可信度。3.3 第三层筛选：这篇工作对读者的实际价值有多大过了前两层，剩下的论文可能只有五到八篇了。这时候要做的最后一个判断是：这篇工作对速递的读者到底有什么用。我会把读者分成三类：第一类是研究者，他们关心的是方法的新颖性和理论深度；第二类是工程师，他们关心的是方法能不能落地、代码好不好复现；第三类是学生，他们关心的是这个方向值不值得跟进、有没有入门的切入点。一篇论文很难同时满足三类人，所以速递里应该标注清楚这篇工作更适合谁看。比如一篇提出了全新理论框架但实验只在玩具数据集上验证的工作，对研究者有价值，对工程师价值有限，速递里就应该写"适合关注理论进展的读者"。反过来，一篇工程性很强、代码开源、在标准数据集上刷到了SOTA的工作，对工程师价值很大，速递里就应该强调"代码已开源，可直接复现"。这个分类看起来简单，但实际做的时候很容易忽略。很多速递只写论文标题和一句话摘要，读者根本不知道自己该不该点进去。加上这个"适合谁看"的标注，读者的决策成本会低很多。4. 速递正文的写法：怎么让读者愿意读完而不是划走4.1 每篇论文的速递条目应该包含哪些信息速递不是论文摘要的搬运，而是二次加工。一篇论文的速递条目，我通常会包含这几个部分：一句话核心贡献、方法的关键设计、实验的主要结果、以及一句个人判断。一句话核心贡献，要求用非专业术语说清楚这篇工作做了什么。比如"这篇工作让模型在没有见过的新类别上也能做检测，不需要重新训练"，而不是"这篇工作提出了一个开放词汇检测框架"。前者读者一看就懂，后者需要读者自己去翻译。方法的关键设计，不需要把整个方法复述一遍，而是挑出最核心的一到两个设计点。比如"核心在于用视觉-语言对齐的方式，把类别名称映射到视觉特征空间，从而支持任意类别的检测"。这样读者能快速判断这个方法跟自己手头的工作有没有关联。实验的主要结果，只报最有代表性的数字。比如"在COCO数据集上，新类别检测的AP比之前最好的方法高了8个点，而且推理速度没有明显下降"。不要把所有数据集的数字都列一遍，读者记不住。个人判断这部分，是速递区别于论文摘要的关键。我会写"这个方法的设计思路比较简洁，但依赖一个预训练的视觉-语言模型，如果读者手头没有合适的预训练模型，迁移成本会比较高"。这种判断来自实际经验，是读者在摘要里看不到的。4.2 语言风格：说人话，但不要牺牲准确性速递的语言风格，我倾向于口语化但不随意。口语化是为了降低阅读门槛，不随意是为了保持专业可信度。举个例子，描述一篇关于扩散模型加速的工作，我会写"扩散模型生成一张图要跑几十步，这篇工作把它压到了四步，而且画质没有明显下降"，而不是"该工作通过蒸馏采样过程实现了扩散模型的高效推理"。前者读者能直接感受到"快了多少"，后者需要读者自己去换算。但口语化不等于可以模糊。比如"画质没有明显下降"这种表述，如果论文里其实在某些数据集上FID涨了不少，那就不能这么说。准确的做法是"在某某数据集上FID基本持平，但在某某数据集上有轻微下降"。这种细节不能省，因为读者可能会根据你的描述去做技术选型。还有一个原则：不替读者做决定。速递的职责是提供信息，不是告诉读者"这篇工作你一定要看"。我会写"如果你在做开放词汇检测，这篇值得细看"，而不是"这篇工作是开放词汇检测的必读之作"。前者是建议，后者是判断，速递应该提供前者。4.3 排版和节奏：让读者能快速扫读速递的读者通常是在碎片时间看的，所以排版要支持快速扫读。我的做法是每篇论文的速递条目控制在150到250字，用加粗标出核心贡献和关键结果，用列表列出方法要点和实验数据。具体格式上，我会这样组织：论文标题（保留英文原标题，方便读者去搜）核心贡献：一句话说清楚做了什么方法要点：两到三个关键设计实验结果：最有代表性的数字适合谁看：研究者/工程师/学生个人判断：一句话点评这个格式不是固定的，但核心是让读者在10秒内能判断"这篇我要不要细看"。如果读者扫完速递条目还得点进论文才能做判断，那速递的价值就大打折扣了。5. 长期做速递的可持续性：怎么避免内容同质化和审美疲劳5.1 速递做久了容易变成"论文标题复读机"这是所有做技术资讯的人都会遇到的问题：刚开始做的时候，每篇论文都觉得新鲜，写起来很有劲；做了两三个月之后，发现每天看到的论文都差不多，写出来的速递条目也开始重复，读者慢慢就不看了。问题的根源在于，CV领域的热点是有周期的。某个方向火了之后，接下来几个月会涌现大量跟进工作，这些工作的核心思路大同小异，只是换了数据集或者换了应用场景。如果你只是被动地跟着热点走，速递就会变成"今天又有三篇做开放词汇检测的"，读者看第一篇的时候觉得新鲜，看第三篇的时候就腻了。我的应对策略是主动设置议题。不要只做"今天有什么论文"的被动速递，而是每隔一段时间做一期"专题速递"，比如"开放词汇检测这个方向，最近三个月有哪些值得关注的工作"。专题速递的好处是，你可以把分散在不同日期的相关工作串起来，讲清楚这个方向的演进脉络，读者能获得比单篇论文更大的信息量。5.2 建立自己的论文追踪体系，而不是依赖平台推荐预印本平台的推荐算法，本质上是按热度排序的。热度高的论文不一定质量高，可能只是标题起得好、作者名气大、或者正好踩中了某个热点。如果你完全依赖平台推荐来做速递，那你的速递就会跟其他做速递的人高度同质化。我的做法是建立自己的论文追踪列表。具体来说，我会关注一批活跃的研究者和研究组，定期看他们有没有新工作挂出来。这些人的工作不一定每篇都是精品，但至少质量有底线。另外，我会订阅几个领域内的邮件列表和讨论组，看看大家在讨论什么。这些渠道的信息比平台推荐要早一到两天，而且讨论中会暴露论文的优缺点，对筛选很有帮助。还有一个技巧：看论文的引用和代码仓库。一篇论文如果挂出来一周内就有开源代码，而且代码质量不错，那说明作者对这项工作有信心，值得重点关注。如果论文挂出来一个月了还没有代码，或者代码仓库是空的，那就要谨慎对待。5.3 速递的更新频率和内容长度怎么定速递的更新频率，取决于你的内容生产能力和读者的阅读习惯。日更的速递，每期内容要短，控制在5到8篇论文，读者花10分钟能读完。周更的速递，每期内容可以长一些，10到15篇，但要有专题性的组织，不能只是把一周的论文堆在一起。我自己的经验是，日更的速递更适合做"信息降噪"，周更的速递更适合做"趋势分析"。如果你做速递的目的是帮读者节省时间，那日更更合适；如果你做速递的目的是帮读者理解某个方向的发展脉络，那周更更合适。内容长度上，每篇论文的速递条目不要超过250字。超过这个长度，读者就会开始跳读。如果一篇论文确实很重要，值得展开讲，那可以单独写一篇深度解读，而不是在速递里塞一大段。6. 从速递到知识体系：读者怎么把速递内容真正用起来6.1 速递只是入口，不是终点速递的价值不在于"读过了"，而在于"用上了"。读者看完速递之后，如果只是知道了"今天有几篇新论文"，那速递的价值就浪费了。真正有用的做法是，把速递当作论文阅读的入口，看到感兴趣的工作，顺着去读原文、跑代码、做实验。我自己的习惯是，每周从速递里挑两到三篇最相关的工作，精读原文，然后把核心思路整理成笔记。笔记不需要很正式，但一定要用自己的话写一遍。这个过程能帮你发现"速递里说的"和"论文里实际做的"之间的差距，也能帮你判断这篇工作到底值不值得跟进。6.2 建立自己的论文分类体系速递里的论文是按日期组织的，但你的知识体系应该按主题组织。我建议读者在积累了一段时间的速递内容之后，建一个自己的分类体系，比如"检测""分割""生成""多模态""3D重建"等，把速递里看到的论文归类进去。这个分类体系不需要很精细，但一定要你自己用起来顺手。比如你做的是自动驾驶感知，那分类里可以单独设一个"自动驾驶"类，把相关的检测、分割、跟踪工作都放进去。这样当你需要调研某个具体问题时，可以直接从分类里找，而不是去翻历史速递。6.3 从速递里发现研究空白速递看多了，你会慢慢发现一些反复出现但一直没有被很好解决的问题。比如某个任务在特定场景下效果一直不好，或者某个方法一直依赖某种昂贵的标注。这些反复出现的问题，就是潜在的研究空白。我自己的经验是，当你连续几周在速递里看到"某某方法在某某场景下效果下降"的时候，就可以认真想想这个问题值不值得做。速递的好处是，它帮你把分散在不同论文里的问题集中呈现出来了，你不需要自己去读几百篇论文才能发现这个模式。7. 一些实操层面的小技巧和踩过的坑7.1 论文标题的翻译和保留速递里要不要翻译论文标题？我的做法是保留英文原标题，但在后面用括号加一个简短的中文说明。比如"Open-Vocabulary Detection via Vision-Language Alignment（开放词汇检测：用视觉-语言对齐实现任意类别检测）"。保留英文是为了方便读者去搜原文，加中文说明是为了让不熟悉这个方向的读者也能快速理解。但中文说明不要直译，要意译。直译出来的标题往往很拗口，比如"基于视觉语言对齐的开放词汇检测"就不如"开放词汇检测：用视觉-语言对齐实现任意类别检测"来得清楚。7.2 实验数据的呈现方式速递里报实验数据，最容易犯的错误是只报最好的那个数字。比如论文在三个数据集上做了实验，只在其中一个上刷到了SOTA，速递里就只写那个数据集的结果。这种做法短期能吸引眼球，长期会失去读者信任。我的做法是，如果论文在多个数据集上结果不一致，就如实写出来。比如"在A数据集上比之前最好的方法高了5个点，但在B数据集上基本持平"。这种诚实的呈现方式，反而能让读者更信任你的速递。7.3 怎么处理有争议的论文CV领域偶尔会出现一些有争议的论文，比如实验结果无法复现、方法涉嫌抄袭、或者结论过于激进。速递遇到这类论文时，我的做法是不回避，但也不站队。可以写"这篇工作提出了某某方法，但社区对其实验结果的可复现性有讨论，建议读者谨慎参考"。这种处理方式既尽到了告知义务，又避免了速递本身卷入争议。读者看到这种提示，会自己去判断要不要跟进。7.4 速递的存档和检索速递做久了，历史内容会积累很多。如果不做存档和检索，这些内容就浪费了。我的做法是，每期速递发布后，把内容按主题标签归档，比如"#检测""#分割""#多模态"。这样当读者想找某个方向的速递内容时，可以直接按标签检索。标签体系不需要很复杂，但一定要保持一致。不要这期用"目标检测"，下期用"物体检测"，再下期用"detection"，这样检索的时候会漏掉很多内容。8. 关于速递这个内容形态的一点个人体会做速递这件事，说到底是在做信息的筛选和翻译。筛选是把噪音去掉，留下真正有价值的工作；翻译是把论文里的专业表述转换成读者能快速理解的语言。这两件事都不难，但都需要持续投入。我自己的体会是，速递的质量不取决于你读了多少论文，而取决于你敢不敢舍。每天刷到几十篇论文，最后只留五篇，这个取舍过程是最考验判断力的。舍少了，速递变成论文列表；舍多了，读者觉得信息量不够。找到那个平衡点，需要做一段时间之后才能慢慢有感觉。还有一个体会是，速递的读者反馈很重要。如果某期速递里某篇论文的解读被读者指出有问题，那说明你的筛选或者翻译出了偏差。这种反馈是改进速递质量的最好机会，不要回避，要认真对待。最后，速递这个形态本身也在演化。从最早的邮件列表，到后来的公众号，再到现在的各种技术社区，载体在变，但核心需求没变：帮读者在信息过载的环境里，找到真正值得看的东西。把这个核心需求抓住，形式怎么变都不怕。
1. 从"学术速递"这个栏目名说起：为什么值得单独做一期拆解做计算机视觉方向的人，大概都有过这样的体验：每天刷预印本平台，新论文像流水一样涌出来，标题扫过去全是"某某某: A Novel Framework for ..."，点进去看摘要，发现跟自己手头的项目八竿子打不着。时间花了不少，真正能沉淀下来的东西却寥寥无几。所以当我第一次看到"学术速递"这种栏目形态时，第一反应不是"又一个资讯搬运"，而是——这东西如果做得好，本质上是在帮读者做信息降噪。"计算机视觉学术速递[9.7]"这个标题，表面上看只是一个日期标记的栏目名，但它背后其实藏着一整套内容生产逻辑：选题范围怎么定、论文怎么筛、速递的颗粒度控制在什么程度、读者拿到之后能用来干什么。这些问题不解决，速递就会退化成"论文标题列表"，读者看一眼就划走了。我自己断断续续做过一段时间的论文追踪和整理，踩过的坑不算少。最开始我天真地以为，把当天所有CV方向的预印本按热度排个序就完事了，结果发现热度高的往往是那些标题起得唬人的，真正有料的工作反而埋在下面。后来我调整了思路，把"速递"重新定义为面向特定读者群的定向筛选，而不是"全网CV论文大杂烩"，效果才慢慢好起来。这篇文章我想聊的不是某一篇具体论文，而是"学术速递"这类内容产品从0到1的搭建思路。包括选题边界怎么划、筛选标准怎么定、速递正文怎么写才能让人愿意读完、以及长期做下去怎么避免内容同质化。如果你也在做类似的技术资讯整理、论文追踪，或者单纯想建立自己的CV论文阅读体系，这篇应该能给你一些可以直接抄作业的方法。2. 速递的选题边界：CV这个大筐里到底该装什么2.1 先搞清楚"计算机视觉"的边界在2024年已经模糊了十年前说计算机视觉，大家脑子里浮现的就是图像分类、目标检测、语义分割这几件套。但现在情况完全不一样了。多模态大模型把视觉和语言揉在一起，具身智能把视觉和机器人控制绑在一起，3D高斯泼溅、神经辐射场这些又把图形学和视觉的界限抹掉了。你在预印本平台上按cs.CV这个分类去筛，会发现里面混着大量"视觉+语言""视觉+强化学习""视觉+图形学"的交叉工作。所以做速递的第一步，不是急着去抓论文，而是先给这一期的"CV"下一个操作性定义。我的做法是画一个三层同心圆：核心层是纯视觉任务（检测、分割、跟踪、识别、重建），中间层是视觉作为主要模态之一的多模态任务（图文匹配、视觉问答、图像生成），外围层是视觉作为工具或验证场景的交叉工作（机器人操作、自动驾驶感知、医学影像分析）。速递的主体放核心层和中间层，外围层只挑那些方法上有普适性的。这个边界不是拍脑袋定的。你想想读者的使用场景：一个做检测的工程师，他关心的是"有没有新的backbone或者新的标签分配策略能让我直接试"；一个做多模态的研究生，他关心的是"视觉编码器这块有没有新的对齐方式"。这两类人的需求都落在核心层和中间层。外围层的工作，除非方法本身能迁移过来，否则对大多数读者来说是噪音。2.2 日期标记"[9.7]"背后的时间窗口设计标题里的"[9.7]"看起来只是个日期，但它其实定义了一个时间窗口。这里有个很容易被忽略的细节：预印本平台上的论文，从提交到公开有一到两天的延迟，而且不同时区的提交时间不一样。如果你严格按"9月7日当天公开"来筛，很可能会漏掉9月6日晚上提交、9月7日凌晨才挂出来的那批。我的经验是，速递的时间窗口应该设成"过去24到36小时"，而不是严格的自然日。具体操作上，我会在每天固定时间（比如上午10点）去拉取过去36小时内更新的论文列表，然后按提交时间倒序排列。这样既能覆盖到前一天晚上的提交，又不会把太旧的内容混进来。如果你要做的是周报而不是日报，那窗口就设成7天，但筛选标准要相应提高，不然一周攒下来的论文量根本读不完。还有一个细节：预印本平台上的论文版本会更新。一篇论文可能9月5日挂出来，9月7日更新了v2版本。这种更新版本要不要收进速递？我的判断是看更新内容。如果只是改了错别字或者补了个实验，不值得单独占一个位置；如果是换了核心方法或者加了重要的对比实验，那可以在速递里用一句话带过"某某工作更新了v2，主要变化是……"，不展开。2.3 哪些论文应该被速递直接过滤掉做速递最痛苦的不是找不到论文，而是舍不得不放。每天刷下来，总觉得这篇也有点意思，那篇也有点新意，最后速递变成了论文列表，读者根本读不完。所以必须有一套硬性的过滤规则。我自己的过滤清单是这样的：第一，纯应用类的工作，如果没有提出新的方法或者新的数据集，直接过滤。比如"我们把YOLO用在了某个特定场景上，涨了两个点"，这种工作对读者的迁移价值很低。第二，增量式改进，如果只是在现有方法上换了个损失函数或者调了个超参，没有本质上的洞察，过滤。第三，纯综述类，除非是领域内公认的大牛写的、覆盖面特别全的综述，否则综述的时效性不如原始论文。第四，实验不充分的，比如只在单个数据集上验证、没有跟足够的baseline对比，这种工作即使想法有意思，也先放一放，等它更新或者被会议接收了再说。这套规则听起来很严，但实际执行下来，每天能留下来的论文大概也就5到10篇。这个量级刚好，读者花10分钟能读完，而且每篇都是真正值得看的。3. 筛选标准：怎么从几百篇里挑出真正值得读的那几篇3.1 第一层筛选：用标题和摘要做快速判断预印本平台每天CV方向的更新量，少则几十篇，多则上百篇。你不可能每篇都点进去看全文，所以第一层筛选必须靠标题和摘要，而且要在几秒钟内做出判断。我的快速判断逻辑是这样的：先看标题里有没有出现新的任务定义或者新的方法范式。比如标题里出现"zero-shot""open-vocabulary""training-free"这类词，说明作者在尝试解决一个更一般化的问题，值得多看两眼。反过来，如果标题是"XX-YOLO: Improved YOLO for XX Detection"，基本可以跳过，因为这类工作大概率是调参或者换模块。然后看摘要的第一句话和最后一句话。第一句话通常交代动机，最后一句话通常交代结果。如果动机是"现有方法在某个特定场景下效果不好"，而结果是"我们在某个数据集上涨了X个点"，那这篇工作的通用性可能有限。如果动机是"现有方法依赖大量标注"，结果是"我们在没有标注的情况下达到了有监督方法的水平"，那这篇就值得细看。这里有个小技巧：摘要里如果出现了具体的数字对比，比如"比之前最好的方法提升了15%"，而且这个提升是在多个数据集上一致的，那可信度会高一些。如果只在单个数据集上提升很大，其他地方提升很小甚至下降，那就要警惕过拟合或者数据集偏差。3.2 第二层筛选：看方法和实验设计有没有硬伤过了第一层，剩下的论文大概还有二三十篇。这时候需要快速扫一遍方法和实验部分，重点看几个地方。方法部分，我主要看核心模块的设计动机。一个好的方法，作者应该能说清楚"为什么这个模块能解决前面提到的问题"。如果方法部分只是把几个现有模块拼在一起，然后说"这样效果更好"，但说不出为什么更好，那这篇工作的深度就有限。另外看方法有没有过度依赖特定假设，比如假设输入图像的分辨率固定、假设场景光照条件可控，这种假设在实际应用中很容易被打破。实验部分，我重点看baseline的选择和消融实验的完整性。baseline如果只跟两三年前的方法比，那说明作者可能心虚；消融实验如果只做了模块有无的对比，没有做超参敏感性分析，那方法的鲁棒性存疑。还有一个容易被忽略的点：看论文有没有报告失败案例或者局限性。好的工作通常会专门用一段话讨论自己的方法在什么情况下会失效，这种坦诚反而增加了可信度。3.3 第三层筛选：这篇工作对读者的实际价值有多大过了前两层，剩下的论文可能只有五到八篇了。这时候要做的最后一个判断是：这篇工作对速递的读者到底有什么用。我会把读者分成三类：第一类是研究者，他们关心的是方法的新颖性和理论深度；第二类是工程师，他们关心的是方法能不能落地、代码好不好复现；第三类是学生，他们关心的是这个方向值不值得跟进、有没有入门的切入点。一篇论文很难同时满足三类人，所以速递里应该标注清楚这篇工作更适合谁看。比如一篇提出了全新理论框架但实验只在玩具数据集上验证的工作，对研究者有价值，对工程师价值有限，速递里就应该写"适合关注理论进展的读者"。反过来，一篇工程性很强、代码开源、在标准数据集上刷到了SOTA的工作，对工程师价值很大，速递里就应该强调"代码已开源，可直接复现"。这个分类看起来简单，但实际做的时候很容易忽略。很多速递只写论文标题和一句话摘要，读者根本不知道自己该不该点进去。加上这个"适合谁看"的标注，读者的决策成本会低很多。4. 速递正文的写法：怎么让读者愿意读完而不是划走4.1 每篇论文的速递条目应该包含哪些信息速递不是论文摘要的搬运，而是二次加工。一篇论文的速递条目，我通常会包含这几个部分：一句话核心贡献、方法的关键设计、实验的主要结果、以及一句个人判断。一句话核心贡献，要求用非专业术语说清楚这篇工作做了什么。比如"这篇工作让模型在没有见过的新类别上也能做检测，不需要重新训练"，而不是"这篇工作提出了一个开放词汇检测框架"。前者读者一看就懂，后者需要读者自己去翻译。方法的关键设计，不需要把整个方法复述一遍，而是挑出最核心的一到两个设计点。比如"核心在于用视觉-语言对齐的方式，把类别名称映射到视觉特征空间，从而支持任意类别的检测"。这样读者能快速判断这个方法跟自己手头的工作有没有关联。实验的主要结果，只报最有代表性的数字。比如"在COCO数据集上，新类别检测的AP比之前最好的方法高了8个点，而且推理速度没有明显下降"。不要把所有数据集的数字都列一遍，读者记不住。个人判断这部分，是速递区别于论文摘要的关键。我会写"这个方法的设计思路比较简洁，但依赖一个预训练的视觉-语言模型，如果读者手头没有合适的预训练模型，迁移成本会比较高"。这种判断来自实际经验，是读者在摘要里看不到的。4.2 语言风格：说人话，但不要牺牲准确性速递的语言风格，我倾向于口语化但不随意。口语化是为了降低阅读门槛，不随意是为了保持专业可信度。举个例子，描述一篇关于扩散模型加速的工作，我会写"扩散模型生成一张图要跑几十步，这篇工作把它压到了四步，而且画质没有明显下降"，而不是"该工作通过蒸馏采样过程实现了扩散模型的高效推理"。前者读者能直接感受到"快了多少"，后者需要读者自己去换算。但口语化不等于可以模糊。比如"画质没有明显下降"这种表述，如果论文里其实在某些数据集上FID涨了不少，那就不能这么说。准确的做法是"在某某数据集上FID基本持平，但在某某数据集上有轻微下降"。这种细节不能省，因为读者可能会根据你的描述去做技术选型。还有一个原则：不替读者做决定。速递的职责是提供信息，不是告诉读者"这篇工作你一定要看"。我会写"如果你在做开放词汇检测，这篇值得细看"，而不是"这篇工作是开放词汇检测的必读之作"。前者是建议，后者是判断，速递应该提供前者。4.3 排版和节奏：让读者能快速扫读速递的读者通常是在碎片时间看的，所以排版要支持快速扫读。我的做法是每篇论文的速递条目控制在150到250字，用加粗标出核心贡献和关键结果，用列表列出方法要点和实验数据。具体格式上，我会这样组织：论文标题（保留英文原标题，方便读者去搜）核心贡献：一句话说清楚做了什么方法要点：两到三个关键设计实验结果：最有代表性的数字适合谁看：研究者/工程师/学生个人判断：一句话点评这个格式不是固定的，但核心是让读者在10秒内能判断"这篇我要不要细看"。如果读者扫完速递条目还得点进论文才能做判断，那速递的价值就大打折扣了。5. 长期做速递的可持续性：怎么避免内容同质化和审美疲劳5.1 速递做久了容易变成"论文标题复读机"这是所有做技术资讯的人都会遇到的问题：刚开始做的时候，每篇论文都觉得新鲜，写起来很有劲；做了两三个月之后，发现每天看到的论文都差不多，写出来的速递条目也开始重复，读者慢慢就不看了。问题的根源在于，CV领域的热点是有周期的。某个方向火了之后，接下来几个月会涌现大量跟进工作，这些工作的核心思路大同小异，只是换了数据集或者换了应用场景。如果你只是被动地跟着热点走，速递就会变成"今天又有三篇做开放词汇检测的"，读者看第一篇的时候觉得新鲜，看第三篇的时候就腻了。我的应对策略是主动设置议题。不要只做"今天有什么论文"的被动速递，而是每隔一段时间做一期"专题速递"，比如"开放词汇检测这个方向，最近三个月有哪些值得关注的工作"。专题速递的好处是，你可以把分散在不同日期的相关工作串起来，讲清楚这个方向的演进脉络，读者能获得比单篇论文更大的信息量。5.2 建立自己的论文追踪体系，而不是依赖平台推荐预印本平台的推荐算法，本质上是按热度排序的。热度高的论文不一定质量高，可能只是标题起得好、作者名气大、或者正好踩中了某个热点。如果你完全依赖平台推荐来做速递，那你的速递就会跟其他做速递的人高度同质化。我的做法是建立自己的论文追踪列表。具体来说，我会关注一批活跃的研究者和研究组，定期看他们有没有新工作挂出来。这些人的工作不一定每篇都是精品，但至少质量有底线。另外，我会订阅几个领域内的邮件列表和讨论组，看看大家在讨论什么。这些渠道的信息比平台推荐要早一到两天，而且讨论中会暴露论文的优缺点，对筛选很有帮助。还有一个技巧：看论文的引用和代码仓库。一篇论文如果挂出来一周内就有开源代码，而且代码质量不错，那说明作者对这项工作有信心，值得重点关注。如果论文挂出来一个月了还没有代码，或者代码仓库是空的，那就要谨慎对待。5.3 速递的更新频率和内容长度怎么定速递的更新频率，取决于你的内容生产能力和读者的阅读习惯。日更的速递，每期内容要短，控制在5到8篇论文，读者花10分钟能读完。周更的速递，每期内容可以长一些，10到15篇，但要有专题性的组织，不能只是把一周的论文堆在一起。我自己的经验是，日更的速递更适合做"信息降噪"，周更的速递更适合做"趋势分析"。如果你做速递的目的是帮读者节省时间，那日更更合适；如果你做速递的目的是帮读者理解某个方向的发展脉络，那周更更合适。内容长度上，每篇论文的速递条目不要超过250字。超过这个长度，读者就会开始跳读。如果一篇论文确实很重要，值得展开讲，那可以单独写一篇深度解读，而不是在速递里塞一大段。6. 从速递到知识体系：读者怎么把速递内容真正用起来6.1 速递只是入口，不是终点速递的价值不在于"读过了"，而在于"用上了"。读者看完速递之后，如果只是知道了"今天有几篇新论文"，那速递的价值就浪费了。真正有用的做法是，把速递当作论文阅读的入口，看到感兴趣的工作，顺着去读原文、跑代码、做实验。我自己的习惯是，每周从速递里挑两到三篇最相关的工作，精读原文，然后把核心思路整理成笔记。笔记不需要很正式，但一定要用自己的话写一遍。这个过程能帮你发现"速递里说的"和"论文里实际做的"之间的差距，也能帮你判断这篇工作到底值不值得跟进。6.2 建立自己的论文分类体系速递里的论文是按日期组织的，但你的知识体系应该按主题组织。我建议读者在积累了一段时间的速递内容之后，建一个自己的分类体系，比如"检测""分割""生成""多模态""3D重建"等，把速递里看到的论文归类进去。这个分类体系不需要很精细，但一定要你自己用起来顺手。比如你做的是自动驾驶感知，那分类里可以单独设一个"自动驾驶"类，把相关的检测、分割、跟踪工作都放进去。这样当你需要调研某个具体问题时，可以直接从分类里找，而不是去翻历史速递。6.3 从速递里发现研究空白速递看多了，你会慢慢发现一些反复出现但一直没有被很好解决的问题。比如某个任务在特定场景下效果一直不好，或者某个方法一直依赖某种昂贵的标注。这些反复出现的问题，就是潜在的研究空白。我自己的经验是，当你连续几周在速递里看到"某某方法在某某场景下效果下降"的时候，就可以认真想想这个问题值不值得做。速递的好处是，它帮你把分散在不同论文里的问题集中呈现出来了，你不需要自己去读几百篇论文才能发现这个模式。7. 一些实操层面的小技巧和踩过的坑7.1 论文标题的翻译和保留速递里要不要翻译论文标题？我的做法是保留英文原标题，但在后面用括号加一个简短的中文说明。比如"Open-Vocabulary Detection via Vision-Language Alignment（开放词汇检测：用视觉-语言对齐实现任意类别检测）"。保留英文是为了方便读者去搜原文，加中文说明是为了让不熟悉这个方向的读者也能快速理解。但中文说明不要直译，要意译。直译出来的标题往往很拗口，比如"基于视觉语言对齐的开放词汇检测"就不如"开放词汇检测：用视觉-语言对齐实现任意类别检测"来得清楚。7.2 实验数据的呈现方式速递里报实验数据，最容易犯的错误是只报最好的那个数字。比如论文在三个数据集上做了实验，只在其中一个上刷到了SOTA，速递里就只写那个数据集的结果。这种做法短期能吸引眼球，长期会失去读者信任。我的做法是，如果论文在多个数据集上结果不一致，就如实写出来。比如"在A数据集上比之前最好的方法高了5个点，但在B数据集上基本持平"。这种诚实的呈现方式，反而能让读者更信任你的速递。7.3 怎么处理有争议的论文CV领域偶尔会出现一些有争议的论文，比如实验结果无法复现、方法涉嫌抄袭、或者结论过于激进。速递遇到这类论文时，我的做法是不回避，但也不站队。可以写"这篇工作提出了某某方法，但社区对其实验结果的可复现性有讨论，建议读者谨慎参考"。这种处理方式既尽到了告知义务，又避免了速递本身卷入争议。读者看到这种提示，会自己去判断要不要跟进。7.4 速递的存档和检索速递做久了，历史内容会积累很多。如果不做存档和检索，这些内容就浪费了。我的做法是，每期速递发布后，把内容按主题标签归档，比如"#检测""#分割""#多模态"。这样当读者想找某个方向的速递内容时，可以直接按标签检索。标签体系不需要很复杂，但一定要保持一致。不要这期用"目标检测"，下期用"物体检测"，再下期用"detection"，这样检索的时候会漏掉很多内容。8. 关于速递这个内容形态的一点个人体会做速递这件事，说到底是在做信息的筛选和翻译。筛选是把噪音去掉，留下真正有价值的工作；翻译是把论文里的专业表述转换成读者能快速理解的语言。这两件事都不难，但都需要持续投入。我自己的体会是，速递的质量不取决于你读了多少论文，而取决于你敢不敢舍。每天刷到几十篇论文，最后只留五篇，这个取舍过程是最考验判断力的。舍少了，速递变成论文列表；舍多了，读者觉得信息量不够。找到那个平衡点，需要做一段时间之后才能慢慢有感觉。还有一个体会是，速递的读者反馈很重要。如果某期速递里某篇论文的解读被读者指出有问题，那说明你的筛选或者翻译出了偏差。这种反馈是改进速递质量的最好机会，不要回避，要认真对待。最后，速递这个形态本身也在演化。从最早的邮件列表，到后来的公众号，再到现在的各种技术社区，载体在变，但核心需求没变：帮读者在信息过载的环境里，找到真正值得看的东西。把这个核心需求抓住，形式怎么变都不怕。