[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-ml-papers-of-the-week-github-research-desk-zh":3,"article-related-ml-papers-of-the-week-github-research-desk-zh":28,"series-research-f4a106cb-02a6-4508-8f39-9720a0a93cee":80},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":11,"views":25,"created_at":26,"published_at":27,"topic_cluster_id":11},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdair-ai\u002FML-Papers-of-the-Week\" target=\"_blank\" rel=\"noopener\">ML Papers of the Week\u003C\u002Fa> 在 GitHub 已經累積 12,265 顆星、768 次 fork。這個數字很實在，因為多數論文整理專案撐不到幾個月就停更，它卻一路把 2024 到 2025 的每週條目持續堆上去。\u003C\u002Fp>\u003Cp>這個專案來自 \u003Ca href=\"https:\u002F\u002Fdair.ai\u002F\" target=\"_blank\" rel=\"noopener\">DAIR.AI\u003C\u002Fa>，也同步把內容導到自家的 \u003Ca href=\"https:\u002F\u002Fnlpnews.substack.com\u002F\" target=\"_blank\" rel=\"noopener\">newsletter\u003C\u002Fa>。如果你平常在 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002F\" target=\"_blank\" rel=\"noopener\">arXiv\u003C\u002Fa>、X、研究室部落格和 GitHub 之間來回跳，這種整理方式很有感，因為它直接幫你省掉找資料的時間。\u003C\u002Fp>\u003Cp>講白了，這個 repo 不是要取代所有研究來源。它做的是先幫你把入口收斂。對多數 ML 工程師來說，這比再多一個「總有一天會看完」的清單有用太多。\u003C\u002Fp>\u003Ch2>這個 repo 為什麼一直有人追\u003C\u002Fh2>\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002F\" target=\"_blank\" rel=\"noopener\">GitHub\u003C\u002Fa> 上的 ML 專案多到爆，但大多數不是在放程式碼，就是在堆靜態閱讀清單。ML Papers of the Week 比較像一個輕量編輯產品。它每週更新，而且結構很固定，你打開 README 就知道怎麼看。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1774578775408-avrk.png\" alt=\"每週 ML 論文清單，為何紅到 GitHub\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這個差別很重要。工程師通常不缺連結，缺的是篩選。你可能收藏了 300 篇論文，但真正會回去看的，常常只有幾篇。用日期分週整理，至少讓你知道這禮拜該先掃哪裡。\u003C\u002Fp>\u003Cp>我覺得它受歡迎的原因很單純。門檻低，摩擦小，沒有註冊牆，也沒有花俏介面。你點進去、看一週、開幾篇 paper，就結束。對研究工作流來說，這種樸素反而很耐用。\u003C\u002Fp>\u003Cul>\u003Cli>12,265 顆星，代表社群興趣不是一天熱度。\u003C\u002Fli>\u003Cli>768 次 fork，表示很多人想把它接進自己的流程。\u003C\u002Fli>\u003Cli>內容橫跨 2024 與 2025，每週都有索引價值。\u003C\u002Fli>\u003Cli>主題涵蓋 AI、data science、deep learning、machine learning、NLP。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>還有一點常被忽略。GitHub repo 的存在形式很適合團隊知識管理。你可以直接把特定週次丟進內部文件、Slack 或讀書會，連結穩，搜尋也方便。\u003C\u002Fp>\u003Ch2>研究資訊太多時，整理比完整更重要\u003C\u002Fh2>\u003Cp>現在機器學習研究的問題，早就不是「沒有新東西」。問題是太多。就算你平常有追 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002F\" target=\"_blank\" rel=\"noopener\">OpenAI\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002F\" target=\"_blank\" rel=\"noopener\">Google DeepMind\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002F\" target=\"_blank\" rel=\"noopener\">Anthropic\u003C\u002Fa>，你還是會漏掉很多大學實驗室和小團隊的好東西。\u003C\u002Fp>\u003Cp>每週整理的價值，在於它把問題縮小。你不用再問「這個月 ML 發生了什麼事」。你只要問自己，「這週有哪些 paper 值得我花 30 分鐘？」這種問題比較容易變成習慣，也比較不會拖延。\u003C\u002Fp>\u003Cp>DAIR.AI 在 README 裡寫過一句話，點得很準。它說，論文是追研究、學新點子、保持靈感的最好方式。這句話很直白，但沒有說錯。很多後來進入產品和框架的做法，一開始都是 paper 裡的一小段方法。\u003C\u002Fp>\u003Cblockquote>\u003Cp>“Papers are the best way to keep up with the latest research, learn new ideas, and stay inspired.”\u003C\u002Fp>\u003Cp>\u003Ccite>— \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdair-ai\u002FML-Papers-of-the-Week\" target=\"_blank\" rel=\"noopener\">DAIR.AI, ML Papers of the Week README\u003C\u002Fa>\u003C\u002Fcite>\u003C\u002Fp>\u003C\u002Fblockquote>\u003Cp>連續看幾個月後，你會開始抓到整個領域的重心。像是多模態、推論效率、synthetic data、evals、agent scaffolding、post-training、retrieval-heavy pipeline。這些詞不是流行語而已，它們常常就是接下來半年工具鏈在補的洞。\u003C\u002Fp>\u003Cp>對不是做研究職的工程師來說，這種清單也很有用。很多實作技巧，像資料過濾、RAG 評估、長上下文處理、伺服器推論優化，通常都先出現在 paper，過一陣子才會進到供應商文件或開源套件。你早一點看到，判斷會快很多。\u003C\u002Fp>\u003Ch2>跟其他追論文方式比，它贏在哪\u003C\u002Fh2>\u003Cp>如果你現在的方法是「想到才去看 arXiv」，那這個 repo 幾乎一定比較好。它當然沒有 arXiv 完整，但完整有時候反而是負擔。整理的本質就是用覆蓋率換訊號密度。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1774578793868-lxsg.png\" alt=\"每週 ML 論文清單，為何紅到 GitHub\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>拿 newsletter 來比，GitHub repo 有另一種實用性。它公開、可搜尋、可連結，而且適合回頭翻。newsletter 很方便進信箱，但你要在三個月後找某週的某篇 paper，體驗通常沒那麼好。\u003C\u002Fp>\u003Cp>如果跟社群平台相比，差異更明顯。社群平台速度快，但噪音也高。你得先穿過一堆熱評、轉推和情緒，才找得到原始論文。這個 repo 直接把原始連結擺在前面，省很多時間。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>GitHub repo：\u003C\u002Fstrong>12,265 stars、768 forks、公開存檔、按週瀏覽。\u003C\u002Fli>\u003Cli>\u003Cstrong>newsletter：\u003C\u002Fstrong>可透過 \u003Ca href=\"https:\u002F\u002Fsubstack.com\u002F\" target=\"_blank\" rel=\"noopener\">Substack\u003C\u002Fa> 收信，但長期索引能力較弱。\u003C\u002Fli>\u003Cli>\u003Cstrong>arXiv 直追：\u003C\u002Fstrong>最完整，但過濾成本全部落在讀者身上。\u003C\u002Fli>\u003Cli>\u003Cstrong>社群平台：\u003C\u002Fstrong>追熱門很快，但不利團隊知識沉澱。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>當然，整理一定帶有主觀口味。這點要先講清楚。任何每週清單，都比較容易放大社群正在討論的題目。你想追主流方向，這很好用。你想挖冷門但重要的長線研究，它就不一定夠。\u003C\u002Fp>\u003Cp>但說真的，對多數開發者來說，這個取捨完全合理。因為另一個選項通常不是「自己完整追研究」，而是根本沒系統。最後就是瀏覽器書籤越存越多，變成數位壁紙。\u003C\u002Fp>\u003Ch2>工程師現在就能怎麼用\u003C\u002Fh2>\u003Cp>最簡單的方法，是把它變成固定節奏。每週挑一個條目，先掃 abstract，再開兩篇 paper，最後記下一個可能影響你系統的點。可能是訓練技巧、評估方法、資料處理、RAG 設計，或伺服器成本優化。\u003C\u002Fp>\u003Cp>如果你在團隊裡，玩法更多。可以每週輪一個人選 paper，用 10 分鐘講重點。重點不是把數學推完，而是回答三件事：它在解什麼問題、方法有沒有可移植性、跟我們產品有沒有關係。久了你會發現，這種小儀式比臨時辦大型讀書會更撐得久。\u003C\u002Fp>\u003Cp>學生和轉職者也很適合用這個 repo。你可以把它當面試準備材料。挑幾篇跟 LLM、RAG、Agent、evals 有關的論文，整理成自己的觀察。面試時講得出方法脈絡，比只背工具名稱有內容得多。\u003C\u002Fp>\u003Cp>還有一個很實際的用法。你可以把每週清單丟給 LLM 幫你先做第一輪摘要，但不要全信。讓 GPT 或 Claude 幫你抓重點、列術語，再自己回頭看 abstract 和圖表。這樣能省時間，又不至於被二手解讀帶偏。\u003C\u002Fp>\u003Cp>如果你是做產品的人，也可以把這份清單當雷達。很多現在看起來只是學術嘗試的東西，半年後會變成 API 功能、開源框架模組，或雲端服務的新賣點。提早知道，不代表一定要跟，但至少你不會太晚發現。\u003C\u002Fp>\u003Ch2>這個 repo 反映了 ML 生態的哪個缺口\u003C\u002Fh2>\u003Cp>ML Papers of the Week 會紅，不只是因為大家愛看論文清單。更大的訊號是，ML 生態一直缺一層穩定的閱讀介面。廠商發公告，研究室發 paper，社群平台放大片段，但很少有地方能把這些東西整理成工程師真的看得下去的節奏。\u003C\u002Fp>\u003Cp>有趣的是，補上這個缺口的不是新 app，也不是昂貴 SaaS。就是一個普通 GitHub repo。原因很現實：大家信任 GitHub、會用 GitHub，也知道怎麼把 GitHub 連到自己的工作流。這種熟悉感，常常比再多功能都重要。\u003C\u002Fp>\u003Cp>我覺得接下來會有更多技術領域照這個模式走。像 AI agent、模型評測、推論系統、資料工程，都很適合做成按日期整理的公開索引。因為資訊更新太快，大家需要的是穩定節奏，不是更吵的通知。\u003C\u002Fp>\u003Ch2>我的看法與你可以做的下一步\u003C\u002Fh2>\u003Cp>如果你現在沒有固定讀論文的系統，先別想太複雜。直接把 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdair-ai\u002FML-Papers-of-the-Week\" target=\"_blank\" rel=\"noopener\">ML Papers of the Week\u003C\u002Fa> 加進書籤，每週五固定看一個條目。連續做 6 週，你大概就知道自己到底需要更完整的研究追蹤，還是這種整理已經夠用。\u003C\u002Fp>\u003Cp>如果你已經有在追 arXiv，我反而建議把它當第二層過濾器。先看 repo 選題，再回去補原始論文和引用鏈。這樣比較不會在資訊海裡亂游。講白了，研究閱讀跟健身一樣，重點不是第一天衝多猛，而是你能不能每週真的做。\u003C\u002Fp>\u003Cp>最後給一個具體預測。到 2025 下半年，這類「公開、按週、可搜尋」的研究整理頁面會越來越常見，而且會慢慢變成團隊內部知識流程的一部分。你現在就可以先試一輪，看看它能不能把你那堆永遠看不完的分頁，收斂成真的讀得完的清單。\u003C\u002Fp>","DAIR.AI 的 ML Papers of the Week 在 GitHub 拿下 12,265 顆星。它做的事很單純：每週整理值得讀的機器學習論文，幫工程師少逛一堆來源，多花時間真的把論文看完。","github.com","https:\u002F\u002Fgithub.com\u002Fdair-ai\u002FML-Papers-of-the-Week",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1774578775408-avrk.png","research","zh","8404bd7b-4c2f-4109-9ec4-baf29d88af2b",[17,18,19,20,21,22,23,24],"ML Papers of the Week","DAIR.AI","GitHub","機器學習論文","arXiv","LLM","人工智慧","研究整理",6,"2026-03-27T01:11:39.284175+00:00","2026-03-27T02:33:14.219+00:00",{"tags":29,"relatedLang":39,"relatedPosts":43},[30,31,33,35,37],{"name":23,"slug":23},{"name":24,"slug":32},"-",{"name":19,"slug":34},"github",{"name":22,"slug":36},"llm",{"name":21,"slug":38},"arxiv",{"id":15,"slug":40,"title":41,"language":42},"ml-papers-of-the-week-github-research-desk-en","ML Papers of the Week Turns GitHub Into a Research Desk","en",[44,50,56,62,68,74],{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"5172bfc7-34c8-4477-a177-ffa615497ecf","opd-distillation-skills-without-bruteforce-rl-zh","OPD 讓你把技能蒸餾進模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782730101413-5wjx.png","2026-06-29T10:47:57.457072+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"6f5be102-5764-44f1-ab3f-722fc5c32c23","google-deepmind-turns-science-into-tools-zh","Google DeepMind把AI變研究工具","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782721105628-g4op.png","2026-06-29T08:17:57.716568+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"c649adb7-c8ae-4ade-a092-2c0d53beeb71","measuring-llm-behavior-portability-zh","LLM 行為不一定可移植","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782717472977-na8g.png","2026-06-29T07:17:29.597679+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"637c3016-e364-4bfe-904e-5e60a18ed678","prompt-injection-ai-security-problem-zh","Prompt injection 已是 AI 資安問題","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782716580916-m1nm.png","2026-06-29T07:02:36.173749+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"118680f5-6212-4535-986a-50c4a0e71699","solver-choice-nash-equilibrium-selection-zh","求解器會改變納許均衡","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782714784181-t42d.png","2026-06-29T06:32:31.062308+00:00",{"id":75,"slug":76,"title":77,"cover_image":78,"image_url":78,"created_at":79,"category":13},"f303e5bb-372c-48f6-bfc3-f7a73a1e678b","proper-positive-only-learning-characterization-zh","正向樣本學習的完整界線","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782713880760-9ang.png","2026-06-29T06:17:33.749889+00:00",[81,86,87,92,97,102,107,112,117,122],{"id":82,"slug":83,"title":84,"created_at":85},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":4,"slug":5,"title":6,"created_at":26},{"id":88,"slug":89,"title":90,"created_at":91},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":93,"slug":94,"title":95,"created_at":96},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":98,"slug":99,"title":100,"created_at":101},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":103,"slug":104,"title":105,"created_at":106},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":108,"slug":109,"title":110,"created_at":111},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":113,"slug":114,"title":115,"created_at":116},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":118,"slug":119,"title":120,"created_at":121},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":123,"slug":124,"title":125,"created_at":126},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]