欢迎光临
我们一直在努力
        找回密码
当前位置：171主机测评 > 服务器技术 > 正文

计算机顶会怎么查？我把各方向顶会、论文入口和近几年热门研究方向整理成一篇了

2026-06-11 分类：服务器技术 阅读(112) 评论(0)

很多同学一开始接触科研、论文复现或者技术跟进时，最常见的一个问题其实不是“这篇论文怎么读”，而是：

这个方向到底该看哪些会。

再往后一点，又会遇到第二个问题：

除了知道会议名字，我到底去哪里找论文。

再往后，问题还会继续升级：

近几年到底哪些方向最热，哪些论文最值得先看。

所以这篇文章我不准备只给一张“顶会名单”，而是一次性把下面三件事整理清楚：

  • 计算机不同方向常见的顶会有哪些
  • 这些方向常用的论文入口在哪里
  • 近几年哪些研究方向最值得重点跟

    • 这篇文章更适合下面几类人：

    • 刚开始接触科研，不知道怎么按方向找论文的人
    • 想做论文复现、技术整理、CSDN 内容输出的人
    • 想快速建立“不同方向该看哪些会”这套认知的人
    • 想顺便补一批近几年热门论文入口的人

    需要先说明一点：

    “顶会”并不是一张放之四海而皆准的总榜。

    不同研究方向、不同学校、不同实验室，对“顶会”的口径会有细微差异。 所以这篇文章更适合当作一份：

    • 实用导航
    • 常见主线
    • 入门与进阶并用的资料整理

    而不是一份绝对唯一标准。

    一、按方向看顶会，比看“总榜”更有用

    下面我按计算机里最常见的一些方向，把主线会议整理出来。

    二、人工智能 / 机器学习（AI / ML）

    如果你做：

    • 深度学习
    • 大语言模型
    • 强化学习
    • 优化
    • 表示学习
    • 生成模型

    那么最常见的主线是下面这组。

    会议常见定位官网论文入口
    NeurIPS 机器学习、深度学习、优化、生成模型、强化学习 https://neurips.cc/ https://papers.nips.cc/
    ICML 机器学习旗舰会议 https://icml.cc/ https://proceedings.mlr.press/
    ICLR 深度学习、表示学习、LLM、训练机制 https://iclr.cc/ https://openreview.net/group?id=ICLR.cc
    AAAI 广义人工智能旗舰会议 https://aaai.org/conference/aaai/ https://ojs.aaai.org/index.php/AAAI
    IJCAI 国际人工智能联合会议 https://www.ijcai.org/ https://www.ijcai.org/proceedings/

    如果只用一句话理解：

    • NeurIPS / ICML / ICLR 更偏机器学习核心圈
    • AAAI / IJCAI 更偏广义人工智能旗舰会

    如果你做的是大模型、训练机制、生成式 AI，这组会议基本就是绕不开的主线。

    三、计算机视觉（CV）

    如果你做：

    • 图像分类
    • 目标检测
    • 语义分割
    • 视频理解
    • 3D 视觉
    • 多模态视觉

    那么优先看下面这组。

    会议常见定位官网论文入口
    CVPR 视觉方向最核心会议之一 https://cvpr.thecvf.com/ https://openaccess.thecvf.com/
    ICCV 两年一次，视觉旗舰会议 https://iccv.thecvf.com/ https://openaccess.thecvf.com/
    ECCV 两年一次，欧洲视觉旗舰会议 https://eccv.ecva.net/ https://www.ecva.net/papers.php
    WACV 冬季视觉会议，实用性很强 https://wacv.thecvf.com/ https://openaccess.thecvf.com/

    一句话理解：

    • CVPR / ICCV / ECCV 是视觉顶会最常见主线
    • WACV 也很值得看，尤其适合补近年的工程化、应用型工作

    四、自然语言处理（NLP）

    如果你做：

    • 语言模型
    • 信息抽取
    • 机器翻译
    • 文本生成
    • 对话系统
    • 文本理解

    优先看这组。

    会议常见定位官网论文入口
    ACL NLP 最核心旗舰会议之一 https://2026.aclweb.org/ https://aclanthology.org/
    EMNLP 偏方法与实验，论文量很大 https://2025.emnlp.org/ https://aclanthology.org/
    NAACL ACL 系列核心会议之一 https://naacl.org/ https://aclanthology.org/
    COLING 老牌国际 NLP 会议 https://coling2025.org/ https://aclanthology.org/

    一句话理解：

    • ACL / EMNLP / NAACL 是 NLP 最常见主线
    • ACL Anthology 是 NLP 查论文最重要的入口之一

    五、数据挖掘 / 信息检索 / Web

    如果你做：

    • 推荐系统
    • 搜索
    • 用户建模
    • 图挖掘
    • Web 数据分析
    • 在线平台数据智能

    这组很关键。

    会议常见定位官网论文入口
    KDD 数据挖掘、推荐、图学习、工业应用都很强 https://kdd.org/kdd2025/ https://dl.acm.org/conference/kdd
    WWW / The Web Conference Web、推荐、搜索、社交网络 https://www2026.thewebconf.org/ https://dl.acm.org/conference/www
    SIGIR 信息检索旗舰会议 https://sigir.org/sigir2026/ https://dl.acm.org/conference/sigir
    WSDM 搜索、推荐、挖掘方向很常见 https://www.wsdm-conference.org/2026/ https://dl.acm.org/conference/wsdm

    一句话理解：

    • KDD 更偏数据挖掘与工业落地
    • SIGIR / WSDM 更偏检索与推荐
    • WWW 横跨 Web、推荐、图和平台生态

    六、计算机系统 / 操作系统 / 分布式系统

    如果你做：

    • 操作系统
    • 云计算
    • 分布式系统
    • 存储
    • 调度
    • 网络系统

    优先看这组。

    会议常见定位官网论文入口
    OSDI 操作系统与系统设计旗舰会议 https://www.usenix.org/conference/osdi26 https://www.usenix.org/conference/osdi26/technical-sessions
    SOSP 操作系统原理旗舰会议 https://sigops.org/s/conferences/sosp/2025/ 官方页面内程序/论文页
    NSDI 网络系统与分布式系统旗舰会议 https://www.usenix.org/conference/nsdi26 https://www.usenix.org/conference/nsdi26/technical-sessions
    ASPLOS 架构、系统、编译交叉旗舰会议 https://www.asplos-conference.org/ 官方页面内程序/论文页

    一句话理解：

    • OSDI / SOSP 是系统圈最核心的两大会
    • NSDI 偏网络与分布式系统
    • ASPLOS 偏架构与系统软件交叉

    七、安全 / 隐私

    如果你做：

    • 攻防
    • 漏洞利用
    • 系统安全
    • 隐私保护
    • 协议安全
    • 网络安全

    最常见的顶会主线是这组。

    会议常见定位官网论文入口
    IEEE S&P 安全方向旗舰会议之一 https://www.ieee-security.org/TC/SP2026/ 官方程序页 / IEEE Xplore
    USENIX Security 系统安全、实证安全非常强 https://www.usenix.org/conference/usenixsecurity26 https://www.usenix.org/conference/usenixsecurity26/technical-sessions
    ACM CCS 安全旗舰会议之一 https://www.sigsac.org/ccs/CCS2025/ ACM DL / 官方程序页
    NDSS 网络与分布式系统安全旗舰会议 https://www.ndss-symposium.org/ndss2026/ 官方程序页

    一句话理解：

    • IEEE S&P / USENIX Security / CCS / NDSS 经常被并称为安全四大顶会

    八、数据库 / 数据管理

    如果你做：

    • 数据库内核
    • 查询优化
    • 事务
    • 图数据库
    • 流处理
    • 数据系统

    优先看这组。

    会议常见定位官网论文入口
    SIGMOD 数据库系统旗舰会议 https://2026.sigmod.org/ 官方 Accepted Papers / ACM DL
    VLDB 数据管理旗舰会议 https://vldb.org/2026/ PVLDB / 官方程序页
    ICDE 数据工程旗舰会议 https://icde2026.github.io/ 官方程序页 / IEEE Xplore
    PODS 数据库理论方向核心会议 https://sigmod.org/pods-home/ 官方页面 / ACM DL

    一句话理解：

    • SIGMOD / VLDB / ICDE 是数据库主线
    • PODS 更偏理论

    九、人机交互（HCI）

    如果你做：

    • 交互设计
    • 智能交互界面
    • 用户研究
    • 协同工作
    • 交互系统

    这组最常见。

    会议常见定位官网论文入口
    CHI HCI 旗舰会议 https://chi2026.acm.org/ ACM DL / 官方程序页
    UIST 交互技术、界面技术旗舰会议 https://uist.acm.org/ ACM DL / 官方程序页
    CSCW 计算机支持协同工作 https://cscw.acm.org/ ACM DL
    IUI 智能用户界面 https://iui.acm.org/ ACM DL

    一句话理解：

    • CHI 更综合
    • UIST 更偏交互技术和系统实现

    十、软件工程（SE）

    如果你做：

    • 代码智能
    • 自动修复
    • 程序分析
    • 软件测试
    • 开发工具
    • AI for SE

    这组很重要。

    会议常见定位官网论文入口
    ICSE 软件工程旗舰会议 https://conf.researchr.org/home/icse-2026 官方程序页 / IEEE/ACM DL
    FSE / ESEC/FSE 软件工程旗舰会议之一 https://conf.researchr.org/series/fse 官方程序页 / ACM DL
    ASE 自动化软件工程旗舰会议 https://conf.researchr.org/home/ase-2026 官方程序页 / IEEE/ACM DL
    ISSTA 软件测试与分析核心会议 https://conf.researchr.org/series/issta 官方程序页 / ACM DL

    一句话理解：

    • ICSE / FSE / ASE 是最常见主线
    • 如果你做代码大模型、测试生成、自动修复，这组会经常遇到

    十一、机器人（Robotics）

    如果你做：

    • 机器人控制
    • SLAM
    • 操作
    • 机器人感知
    • 机器人学习

    这组最常见。

    会议常见定位官网论文入口
    RSS 机器人顶会，学术风格非常强 https://roboticsconference.org/ 官方程序页
    ICRA 机器人旗舰会议之一 https://2026.ieee-icra.org/ 官方程序页 / IEEE Xplore
    IROS 机器人旗舰会议之一 https://www.iros.org/ IEEE Xplore / 官方程序页
    CoRL 机器人学习交叉热门会议 https://www.corl.org/ 常见于 PMLR / 官方程序页

    一句话理解：

    • RSS / ICRA / IROS 是机器人主线
    • CoRL 更偏机器人学习

    十二、图形学（Graphics）

    如果你做：

    • 渲染
    • 几何建模
    • 动画
    • 图形学与视觉交叉

    最常见的是这组。

    会议常见定位官网论文入口
    SIGGRAPH 图形学旗舰会议 https://www.siggraph.org/ ACM DL / TOG
    SIGGRAPH Asia 图形学旗舰会议之一 https://asia.siggraph.org/ ACM DL / TOG
    Eurographics 欧洲图形学核心会议 https://www.eg.org/wp/eurographics-conference/ Eurographics Digital Library

    一句话理解：

    • 图形学领域最常被首先提到的通常还是 SIGGRAPH / SIGGRAPH Asia

    十三、如果你只想快速入门，先盯哪些会最值

    如果你还没完全确定方向，我建议先按下面这个方式看。

    想看 AI / LLM / 深度学习大趋势

    • NeurIPS
    • ICML
    • ICLR
    • AAAI

    想看视觉和多模态

    • CVPR
    • ICCV
    • ECCV

    想看 NLP / 大语言模型

    • ACL
    • EMNLP
    • NAACL

    想看推荐 / 搜索 / 数据挖掘

    • KDD
    • SIGIR
    • WWW
    • WSDM

    想看系统 / 数据库 / 安全

    • OSDI
    • SOSP
    • SIGMOD
    • VLDB
    • USENIX Security
    • CCS

    十四、只知道会议还不够，真正有用的是“论文方向导航”

    如果这篇文章只停在顶会名单，其实还不够。

    因为大多数人最后真正要解决的问题不是：

    • 这个方向有哪些会

    而是：

    • 这个方向近几年到底在研究什么
    • 我应该先读哪几篇代表论文

    所以后面这部分，我按研究主题再整理一轮。

    十五、Transformer / 大语言模型基础

    如果你想知道今天大模型体系是怎么发展起来的，这几篇非常重要。

    方向代表论文作用链接
    Transformer 基础 Attention Is All You Need Transformer 起点 https://papers.nips.cc/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html
    预训练语言模型 BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding Encoder-only 预训练主线 https://arxiv.org/abs/1810.04805
    Scaling Law Scaling Laws for Neural Language Models 理解为什么模型越做越大 https://arxiv.org/abs/2001.08361
    知识增强生成 Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks RAG 主线起点 https://arxiv.org/abs/2005.11401

    一句话理解：

    • Attention Is All You Need 是结构起点
    • BERT 是预训练范式重要起点
    • Scaling Laws 解释了后来为什么会疯狂扩模型
    • RAG 是今天知识增强路线最常被提到的基础工作之一

    十六、计算机视觉基础主线

    如果你想知道现代视觉模型为什么会变成今天这样，这几篇很关键。

    方向代表论文作用链接
    深层 CNN 基础 Deep Residual Learning for Image Recognition ResNet，现代视觉 backbone 基础 https://arxiv.org/abs/1512.03385
    Vision Transformer An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale ViT 主线起点 https://arxiv.org/abs/2010.11929
    自监督视觉表征 A Simple Framework for Contrastive Learning of Visual Representations SimCLR，自监督主线代表 https://arxiv.org/abs/2002.05709
    无负样本自监督 Bootstrap Your Own Latent BYOL，自监督另一条核心路线 https://arxiv.org/abs/2006.07733

    十七、检测 / 分割方向

    如果你做目标检测、实例分割、场景理解，这组很常见。

    方向代表论文作用链接
    检测 transformer 化 End-to-End Object Detection with Transformers DETR 主线起点 https://arxiv.org/abs/2005.12872
    经典检测两阶段体系 Mask R-CNN 检测 + 实例分割经典基线 https://arxiv.org/abs/1703.06870
    语义分割 U 形结构 U-Net: Convolutional Networks for Biomedical Image Segmentation 分割领域非常经典 https://arxiv.org/abs/1505.04597

    十八、多模态 / 视觉语言

    如果你想看今天 VLM、多模态理解为什么会爆发，这组很重要。

    方向代表论文作用链接
    图文对齐 Learning Transferable Visual Models From Natural Language Supervision CLIP 主线起点 https://arxiv.org/abs/2103.00020
    大规模图文表征 Scaling Up Visual and Vision-Language Representation Learning With Noisy Text Supervision ALIGN 路线代表 https://proceedings.mlr.press/v139/jia21b.html
    统一多模态预训练 BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models 连接视觉编码器与 LLM 的代表工作 https://arxiv.org/abs/2301.12597

    十九、生成式模型 / 扩散模型

    如果你想看图像生成、AIGC、扩散模型怎么起来的，这组最关键。

    方向代表论文作用链接
    Diffusion 起点 Denoising Diffusion Probabilistic Models DDPM 主线起点 https://papers.nips.cc/paper/2020/hash/4c5bcfec8584af0d967f1ab10179ca4b-Abstract.html
    Latent Diffusion High-Resolution Image Synthesis with Latent Diffusion Models Stable Diffusion 背后的关键路线 https://arxiv.org/abs/2112.10752
    扩散加速 Denoising Diffusion Implicit Models 采样加速主线代表 https://arxiv.org/abs/2010.02502

    二十、图神经网络（GNN）

    如果你做图学习、分子图、社交图、推荐图，这几篇最常被反复提到。

    方向代表论文作用链接
    图卷积基础 Semi-Supervised Classification with Graph Convolutional Networks GCN 主线起点 https://arxiv.org/abs/1609.02907
    图注意力 Graph Attention Networks GAT 主线代表 https://openreview.net/forum?id=rJXMpikCZ
    大规模图采样 Inductive Representation Learning on Large Graphs GraphSAGE 主线代表 https://arxiv.org/abs/1706.02216

    二十一、推荐系统 / 检索

    如果你做推荐、召回、排序、检索增强，这几篇很适合作为起点。

    方向代表论文作用链接
    工业推荐排序 Wide & Deep Learning for Recommender Systems 工业推荐经典工作 https://arxiv.org/abs/1606.07792
    Deep CTR 建模 DeepFM: A Factorization-Machine based Neural Network for CTR Prediction CTR 预测经典基线 https://arxiv.org/abs/1703.04247
    Dense Retrieval Dense Passage Retrieval for Open-Domain Question Answering 稠密检索主线代表 https://arxiv.org/abs/2004.04906

    二十二、机器人学习 / 具身智能

    如果你想看机器人和基础模型怎么结合，这组很值得补。

    方向代表论文作用链接
    机器人学习基础 Learning Hand-Eye Coordination for Robotic Grasping with Deep Learning and Large-Scale Data Collection 机器人抓取学习经典代表 https://arxiv.org/abs/1603.02199
    Vision-Language-Action RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control VLA 主线代表 https://arxiv.org/abs/2307.15818
    开源 VLA OpenVLA: An Open Vision-Language-Action Model 开源具身模型代表 https://arxiv.org/abs/2406.09246

    二十三、近几年比较新的方向，建议重点盯这几条

    如果你想看的不是基础，而是 2023-2025 这波比较新的方向，我建议优先关注下面这些。

    二十四、Mamba / 状态空间模型（SSM）

    这是近几年最典型的一条“尝试挑战 Transformer 主线”的路线之一。

    方向代表论文作用链接
    Selective SSM Mamba: Linear-Time Sequence Modeling with Selective State Spaces Mamba 主线起点 https://arxiv.org/abs/2312.00752
    SSM 与 Transformer 统一视角 Transformers are SSMs: Generalized Models and Efficient Algorithms Through Structured State Space Duality 理解两类模型关系的关键论文 https://proceedings.mlr.press/v235/dao24a.html
    SSM + MoE MoE-Mamba: Efficient Selective State Space Models with Mixture of Experts 新一代可扩展 SSM 路线 https://arxiv.org/abs/2401.04081

    一句话理解：

    • Mamba 不是一个小补丁，而是 2024 之后非常值得跟的一条模型结构新主线

    二十五、多模态大模型（MLLM）

    如果你想看“模型不只会文本，还能看图、理解视频、接任务指令”的方向，这条线非常热。

    方向代表论文作用链接
    视觉语言模型接 LLM BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models 多模态大模型主线代表 https://arxiv.org/abs/2301.12597
    指令跟随多模态 LLaVA: Visual Instruction Tuning 开源 MLLM 主线代表 https://arxiv.org/abs/2304.08485
    新一代多模态模型 Qwen2.5-VL Technical Report 新一代多模态通用模型代表 https://arxiv.org/abs/2502.13923

    二十六、Vision-Language-Action / 具身智能

    这是近几年很值得跟的一条线，因为它真正把：

    • 视觉
    • 语言
    • 动作控制

    接到了一起。

    方向代表论文作用链接
    VLA 起点之一 RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control VLA 主线代表 https://arxiv.org/abs/2307.15818
    开源 VLA OpenVLA: An Open Vision-Language-Action Model 开源具身模型代表 https://arxiv.org/abs/2406.09246
    通用机器人策略 Octo: An Open-Source Generalist Robot Policy 开源通用机器人策略代表 https://arxiv.org/abs/2405.12213

    二十七、Diffusion Transformer / 新一代生成模型

    扩散模型这几年还在继续变，尤其明显的一条趋势就是：

    从传统 U-Net 扩散，逐步走向 Transformer 化、流匹配化、动态化。

    方向代表论文作用链接
    Diffusion Transformer Scalable Diffusion Models with Transformers DiT 主线起点 https://arxiv.org/abs/2212.09748
    Rectified Flow Transformer Scaling Rectified Flow Transformers for High-Resolution Image Synthesis 新一代生成主线之一 https://arxiv.org/abs/2403.03206
    动态 DiT Dynamic Diffusion Transformer 更偏高效生成的代表方向 https://arxiv.org/abs/2410.03456

    二十八、长上下文 / 高效推理

    近两年除了“模型更大”，另一个明显趋势是：

    • 上下文更长
    • 推理更省
    • 计算更动态
    方向代表论文作用链接
    长上下文基础机制 Ring Attention with Blockwise Transformers for Near-Infinite Context 超长上下文代表路线 https://arxiv.org/abs/2310.01889
    推理型开源模型 DeepSeek-R1 强化推理型开源模型代表 https://arxiv.org/abs/2501.12948
    动态计算 Dynamic Diffusion Transformer 生成模型里的动态推理代表 https://arxiv.org/abs/2410.03456

    二十九、小模型 / 端侧模型（SLM）

    最近一个非常现实的方向是：

    不是所有场景都需要超大模型，很多人重新开始重视高质量小模型。

    方向代表论文作用链接
    端侧语言模型 Phi-3 Technical Report: A Highly Capable Language Model Locally on Your Phone 小模型路线代表 https://arxiv.org/abs/2404.14219
    开源高质量小模型 MobileLLM: Optimizing Sub-billion Parameter Language Models for On-Device Use Cases 端侧 LLM 代表 https://arxiv.org/abs/2402.14905
    小型具身模型 TinyVLA: Towards Fast, Data-Efficient Vision-Language-Action Models for Robotic Manipulation 轻量具身模型代表 https://arxiv.org/abs/2504.12330

    三十、如果你想专门追“新方向”，我建议按这个顺序看

    如果你不是单纯补基础，而是想找更有“新味道”的方向，我建议优先看这几条：

  • 多模态大模型
  • Vision-Language-Action / 具身智能
  • Mamba / SSM
  • Diffusion Transformer
  • 长上下文 / 高效推理
  • 小模型 / 端侧模型

    • 这几条线的共同特点是：

    • 现在还在快速变化
    • 论文增长很快
    • 很适合做资料整理和选题导航

    三十一、如果你只想先挑一批最值得读的论文

    如果你现在不想读太多，我建议先从下面这些开始：

    基础主线

    • Attention Is All You Need
    • BERT
    • ResNet
    • ViT
    • CLIP
    • DDPM
    • DETR
    • GCN
    • GAT
    • RAG
    • DPR

    新方向主线

    • Mamba
    • LLaVA
    • RT-2
    • OpenVLA
    • DiT
    • DeepSeek-R1
    • Phi-3 Technical Report

    这批论文的共同特点是：

    • 不只是“当年火”
    • 而是直到现在还会频繁被引用
    • 很多新论文默认你知道它们

    三十二、结尾

    很多人以为“了解一个方向”就是把会议名字记下来，但真正有用的认知通常要更完整一点：

    • 这个方向最常看的会有哪些
    • 这些会的论文去哪里找
    • 这个方向近几年最重要的研究主题是什么
    • 有哪些论文是后面大概率绕不过去的

    所以比起做一张“顶会总榜”，更实用的整理方式其实是：

    按方向分会议，按主题分论文，按新旧分主线。

    如果你现在正准备做论文复现、科研入门、选题跟踪，或者只是单纯想提高自己找论文的效率，希望这篇能帮你把最常用的入口和主线先搭起来。

    赞(0)
    未经允许不得转载：171主机测评 » 计算机顶会怎么查？我把各方向顶会、论文入口和近几年热门研究方向整理成一篇了
    分享到： 更多 (0)
    标签：

    相关推荐

    评论 抢沙发

    取消

    • 昵称 (必填)
    • 邮箱 (必填)
    • 网址

    热门标签

    #人工智能(57528)#python(19619)#开发语言(16517)#java(15169)#运维(15097)#linux(14730)#大数据(14302)#服务器(12862)#算法(11563)#前端(10655)#网络(9178)#数据库(8716)#ai(8604)#c++(8014)#课程设计(6755)#学习(6620)#机器学习(6586)#区块链(5828)#OpenClaw(5374)#后端(5042)#spring boot(4952)#深度学习(4824)#c语言(4310)#毕业设计(4273)#数据结构(4130)#安全(3924)#docker(3879)#架构(3758)#javascript(3744)#大模型(3583)

    热门文章

    最新文章

    归档

    分类