[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-78513":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":10,"language":11,"languages":10,"totalLinesOfCode":10,"stars":12,"forks":13,"watchers":14,"openIssues":15,"contributorsCount":15,"subscribersCount":15,"size":15,"stars1d":16,"stars7d":17,"stars30d":18,"stars90d":15,"forks30d":15,"starsTrendScore":19,"compositeScore":20,"rankGlobal":10,"rankLanguage":10,"license":10,"archived":21,"fork":21,"defaultBranch":22,"hasWiki":23,"hasPages":23,"topics":24,"createdAt":10,"pushedAt":10,"updatedAt":32,"readmeContent":33,"aiSummary":34,"trendingCount":15,"starSnapshotCount":15,"syncStatus":35,"lastSyncTime":36,"discoverSource":37},78513,"ICLR2026-Guide-CN","JenniferZhao0531\u002FICLR2026-Guide-CN","JenniferZhao0531","不想啃 5000+ 全文？我已经替你和 LLM 啃完了 — ICLR 2026 全景中文导读","",null,"HTML",130,7,104,0,3,12,26,9,54.31,false,"main",true,[25,26,27,28,29,30,31],"iclr2026","large-language-models","mllms","multimodal","paper-list","vision-language-model","vlm","2026-06-12 04:01:23","# 📚 ICLR 2026 全部接收论文 · 中文导读\n\n> 大模型替你读完了 ICLR 2026 全部 **5,352** 篇接收论文 🤯\n> 中文六维度导读 · 21 大类 \u002F 126 细分两级目录 · 🎤 Oral 高亮标识\n\n🔗 **在线浏览**：\u003Chttps:\u002F\u002FJenniferZhao0531.github.io\u002FICLR2026-Guide-CN\u002F>\n\n![preview](preview.png)\n\n---\n\n## ✨ 这是什么\n\n把 ICLR 2026 全部 **5,352** 篇接收论文整理成一个零依赖的静态网页。每篇论文自动生成六个维度的中文分析：\n\n| 维度 | 说明 |\n| --- | --- |\n| 🎯 研究动机 | 论文出发点 |\n| ❓ 解决问题 | 具体要解决什么 |\n| 🔍 现象分析 | 观察 \u002F 经验性发现 |\n| 🛠️ 主要方法 | 技术方案概览 |\n| 📊 数据与实验 | 用了什么数据、怎么评 |\n| ⭐ 主要贡献 | 一句话定位 |\n\n并按**两级目录**组织：\n\n- **大类**（一级）：直接用 ICLR 官方让作者填的 `primary_area`，21 个一级研究方向（基础\u002F前沿模型、生成模型、CV 应用、机器人、强化学习、对齐安全……）\n- **细分**（二级）：调 LLM 在每个大类下进一步打 5–10 个细分小类，全站共 **126** 个细分（如 *视觉-语言模型 (VLM\u002FMLLM)* \u002F *扩散模型* \u002F *离线 RL* \u002F *机制可解释性* …）\n\n🎤 全部 **224 篇 Oral** 论文在卡片上加金色徽章 + 边条高亮，顶部一键筛选只看 Oral。\n\n---\n\n## 📁 21 个大类（按论文数排序）\n\n基础\u002F前沿模型 (含LLM) (845) · 应用：CV\u002F音频\u002F语言等 (733) · 生成模型 (498) · 数据集与基准 (439) · 对齐\u002F安全\u002F公平性\u002F隐私 (423) · 强化学习 (306) · 表征学习 (268) · 应用：物理科学 (220) · 可解释 AI (200) · 优化 (191) · 学习理论 (189) · 应用：机器人\u002F自动化\u002F规划 (178) · 其他 ML 主题 (165) · 概率方法 (118) · 迁移\u002F元\u002F终身学习 (118) · 图与几何拓扑学习 (113) · 应用：神经\u002F认知科学 (112) · 时间序列与动力系统 (100) · 因果推理 (46) · 神经符号\u002F混合 AI (46) · 基础设施\u002F软硬件 (44)\n\n> 每个大类下还有 4–10 个细分小类，详见网页左侧折叠导航。\n\n---\n\n## 🚀 用法\n\n### 直接看\n打开 [在线网页](https:\u002F\u002FJenniferZhao0531.github.io\u002FICLR2026-Guide-CN\u002F)：\n\n- **左侧两级导航**：点大类标题展开\u002F收起细分小类，点细分跳转到对应内容\n- **顶部 chip**：一键筛选 `📚 全部 \u002F 🎤 Oral 224 篇`\n- **顶部搜索框**：标题 \u002F 关键词全文检索（搜索时左边大类计数会动态重算）\n- **每篇论文卡片**：标题 → OpenReview 原文；🎤 Oral 徽章一眼可见；六维度中文分析；可展开查看完整 Abstract\n\n### 本地浏览\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FJenniferZhao0531\u002FICLR2026-Guide-CN.git\ncd ICLR2026-Guide-CN\nopen index.html      # macOS（直接双击也行）\n```\n\n### 自己定制（从爬虫开始走完整套）\n\n完整流水线四步，所有 LLM 调用走 OpenAI 兼容接口，**用你自己的 key**：\n\n```bash\npip install openreview-py openai tqdm\n```\n\n在仓库根目录建一个 `.env` 文件（已在 `.gitignore`，不会上 GitHub）：\n\n```\nOPENAI_API_KEY=sk-...\nOPENAI_BASE_URL=https:\u002F\u002Fapi.openai.com\u002Fv1\nOPENAI_MODEL=gpt-4o\n```\n\n> `OPENAI_BASE_URL` 也可以填 DeepSeek \u002F Qwen \u002F Claude \u002F 智谱 \u002F 月之暗面 \u002F OpenRouter 等任何 OpenAI 兼容代理。\n> 性价比推荐：分类阶段用 `deepseek-ai\u002FDeepSeek-V3.2`（任务简单、原生中文、约 GPT-4o 1\u002F10 价格），翻译阶段用 `gpt-4o` 或 `claude-sonnet-4-6`（中文表达更精致）。\n\n**Step 1 · 爬 + 二级分类**\n\n```bash\npython crawl_all_papers.py\n```\n\n从 OpenReview 拉全部 5,352 篇接收论文 → 大类直接复用 ICLR 官方 `primary_area` → LLM 给每篇打细分小类。\n\n> 想自己定制大类下的细分小类（比如把\"扩散模型\"拆得更细），改 `crawl_all_papers.py` 顶部的 `SUBCATEGORIES_BY_PRIMARY` 字典即可，每个 primary_area 下放任意数量小类。\n\n**Step 2 · 中文六维度分析**\n\n```bash\npython translate_all_papers.py\n```\n\n会自动复用旧版已经翻译过的论文（如果存在 `ICLR2026_VLM_MLLM_papers_CN.json`），只对新增论文调 LLM。\n\n**Step 3 · 拉 Oral 标识**\n\n```bash\npython enrich_venues.py\n```\n\n从 OpenReview 再拉一次 venue 字段，识别 Oral \u002F Poster \u002F (Spotlight)，写回到 JSON。免费、~1 分钟。\n\n**Step 4 · 渲染网页**\n\n```bash\npython build_html_full.py    # 输出 index.html\n```\n\n---\n\n四步全部支持断点续跑：中断后重跑会自动跳过已完成的论文。\n\n---\n\n## 📂 文件说明\n\n| 文件 | 说明 |\n| --- | --- |\n| `index.html` | 静态网页（主入口，零依赖） |\n| `ICLR2026_all_papers.json` | 5,352 篇原始数据（标题、摘要、关键词、primary_area、tier、URL …） |\n| `ICLR2026_all_papers_CN.json` | 在原始数据上叠加六维度中文分析 |\n| `crawl_all_papers.py` | 爬取 + 二级分类（大类 = ICLR primary_area，小类 = LLM 标） |\n| `translate_all_papers.py` | 调 LLM 生成中文六维度分析（自动复用旧翻译） |\n| `enrich_venues.py` | 补丁脚本：拉 venue 字段，识别 Oral \u002F Spotlight \u002F Poster |\n| `build_html_full.py` | 把 JSON 渲染成 HTML（含搜索 + 两级折叠目录 + Oral 筛选） |\n| `preview.png`, `social-preview.html` | 仓库预览图 |\n\n---\n\n## ⚠️ 免责声明\n\n- 中文分析由大语言模型基于英文 abstract 自动生成，**仅供快速浏览参考**，详细内容请以 OpenReview 原文为准。\n- 二级小类由 LLM 自动打标，可能存在错分，欢迎 PR 修正。\n- 数据快照时间见 `ICLR2026_all_papers.json` 的 `meta.generated_at` 字段。\n\n---\n\n## 🌟 喜欢就点个 Star 吧\n\n如果对你有帮助，欢迎 **Star** ⭐ 支持一下，也欢迎 PR 补充遗漏的论文 \u002F 修正分类 \u002F 改进小类设计。\n\n## 📜 License\n\nMIT\n","该项目整理了ICLR 2026全部5,352篇接收论文，生成了一个零依赖的静态网页，并为每篇论文自动生成六个维度的中文分析。核心功能包括自动分类、摘要翻译及Oral论文高亮标识，使用大型语言模型进行处理。项目适合需要快速了解最新研究成果的研究人员和学生，特别是对机器学习、计算机视觉等领域的前沿进展感兴趣的人群。通过在线浏览或本地部署，用户可以高效地查找和阅读感兴趣的论文。",2,"2026-06-11 03:56:54","CREATED_QUERY"]