本科生如何发表3篇CCF-A？顶会论文写作「焚诀」来了

本科期间，不到两年时间，以第一作者身份发表 3 篇 CCF-A 会议论文，包括 NeurIPS 和 ICML，Google Scholar 引用超过 100 次。

最近，一位名为「橘寄」的科研博主分享了自己的本科科研经验。

除了论文成果，作者还曾获得国家奖学金，以及清北、香港和新加坡多所高校的 PhD offer。

从如何精读论文、上手大型代码仓库，到寻找科研 idea、完成顶会论文写作，这几篇笔记涵盖了不少具体做法。

以下是相关内容的整理，尽量保留作者原有的经验分享和第一人称表述。

本科科研从读论文开始

27 届保研季刚刚结束，不少学弟学妹感到焦虑，来问我：本科阶段该怎么做科研、发论文，提升升学竞争力？

和大家分享一些本科做科研的实用经验。

一、系统阅读该方向近期的文章

这里的阅读是循序渐进的过程。

1. 精读该方向 2-3 篇文章

这里的精读指的是包括 Related Work 在内的所有正文部分。

请注意，有读不懂的地方，你可以随时让 AI 给你通俗解答，最后达到的效果是：问你正文的哪一部分，你都能娓娓道来。

这一步，你建立起了对这个方向发展脉络的初步认知，且对 Introduction 怎么写、实验怎么做等有了初步认识。

2. 泛读 20-40 篇文章

把你精读的文章丢给 AI，让它去把 Related Work 的文章扒下来，再把 Related Work 的 Related Work 扒下来……

由此，你会得到一个很详细的论文列表。对每篇文章，你只需让 AI 给你总结：

• Introduction：针对什么问题？

• Methods：提出了什么方法？

然后，你能对着 Pipeline 图讲出整篇文章的故事和方法。

3. 分类总结

把你手上的文章串起来，通常能形成分类树或时间线。比如，A 方法下面有哪些文章，其中 A1 解决了什么问题，各篇工作之间有什么联系。

二、动手大于一切

很多同学常受制于这一步，他们有各种理由不连服务器、不开始动手。然而最关键的往往就是这里。

组里没卡？那就去 AutoDL 租。代码看不懂？让 AI 给你逐行讲解说明。

在这一步，你起码应该复现 2-3 个该方向较经典的工作，且大致掌握代码架构，能够做一些小的实验和改动。

三、想 idea 一定要与人交流

其实很多时候，在刚刚第一步和第二步的过程中，你应该已经有了 idea。但如果你还没有，那一定要更多地与人交流，而不是只问 AI！

这里更多指在社交平台上交流，包括公众号、小红书上的相关讨论，尤其是很多帖子下的评论。

你要相信，你能想到的 idea，一定有很多人跟你有一样的想法。你要做的，就是尽可能多地汲取他们的 idea。

近百个代码文件怎么入手？

关于论文复现，很多同学反馈代码看不懂，尤其是 CV 领域的项目。

这里以经典项目 CodeFormer 为例，讲解如何快速上手代码。

一、找主线，抽丝剥茧

看到这近百个文件、15k 的代码量，很多同学直接两眼一黑，丢给 Codex 了。实际上，核心文件只有几个，其他各种 Script、Utils 都属于旁路文件。

大部分 AI 论文中的项目离不开两件事：模型网络和数据。因此，核心就是抓住网络、数据和梯度的输入输出流向。

以这篇文章为例，可以分为三条主线。

1. 网络架构流：数据如何在网络里输入和输出。实际对应 archs 下的 codeformer_arch.py 等文件。

2. 训练梯度流：梯度如何在网络中传递。实际对应 models 下的 codeformer_joint_model.py。

3. 数据处理流：数据在送入网络前，经过了哪些预处理和清洗流程。这里对应 data 下的 ffhq_blind_dataset 等。

二、先模块，再追变量

定位到文件后，我们先逐步理解每个 Class 及其函数，然后开始追踪变量。

以理解 vqgan_arch.py 这个经典网络架构为例。

1. 首先理解所有主要类的架构。

比如，Encoder 类在 __init__ 函数中创建了哪些层，forward 函数又是怎么处理数据的？Encoder 的输出和 Decoder 的输入之间又是怎么连接的？

这部分完成后，你应该能做到自己拿笔，在纸上默写出网络架构图。

2. 然后去追踪关键变量。

最简单的是用一个 Input，在网络不同节点处 Print 输出、维度等，加深你对数据和网络变化的理解。

根据论文介绍的方法，可能还会有一些关键变量。此时你可以不带任何功利心地探索，尝试修改参数看效果。比如推理超参数 w、码本深度 d。

此时，你对全局有了整体认知，应该主动提出一些假设，并验证自己的猜想是否正确。

idea 也有可能就在这时迸发。

顶会论文先画主图再动笔

关于顶会论文写作，作者还整理了一份更详细的实操指南。这份指南主要面向入门者，目标是写出一篇「四平八稳」的顶会论文。

开始之前，先准备好前面提到的精读文章（2-3 篇）和泛读文章。在 AI 工具选择上，作者个人推荐 Opus 系列模型用于辅助论文写作。

作者还给出了一个按照审稿人注意力分配排序的经验判断：

Abstract > Main Figure > Introduction ≈ Conclusion ≈ Title > Methods > Experiments

此外，还有几条基础注意事项：

• 保证不出现 Citation 错误，尽量少引用未经同行评议的 arXiv 论文，多引用经过同行评议的工作。

• 不同会议尽量使用习惯的称呼，比如 ICLR 一般会带上届数。

• 尽量避免段落最后一行字数不足整行的三分之一，若出现则增减措辞即可，别为了凑版面改结论。

• 所有图表，包括左右并排放置的，尽量位于页首或页尾。

• 避免较大的留白，先调整图表尺寸和位置，必要时用少量 \vspace 微调。

• 所有图表都保留可编辑源文件。PPT 作图保留 PPTX，代码作图保留脚本和数据，放进论文时导出 PDF，检查小字和线条是否清楚。

一、论文完成顺序

作者推荐的顺序是：画好主图 → 拟好中文大纲 → 迭代翻译 → 补充剩余图表 → 迭代检查。

先画好主图

请参考精读论文的主图风格和配色，使用 PPT 认真改编制作。

需要图标可以在 https://www.iconfont.cn/ 找。主图是文章最重要的地方之一，一般花几个小时完成是正常的。

通常用简洁短语加图标的方法，将各个流程说清楚。输入什么，经过哪些模块，输出什么，模块之间怎么连接，都要在主图里讲清楚。

主图可以展示具体样例，但仅限于：

• 流程难以说清，需要用例子让流程更具体；

• 需要抓人眼球，或者例子就是产出的领域，如生图、多模态、数据合成。

这部分 AI 生图仅限于给你灵感，请勿直接使用或转成 SVG，当前的 AI 绘图风格还是太明显了。

以下补充几份论文主图与配色示例，供参考。

除了参考已有论文的主图，配色也可以提前整理成固定方案。

〓 同色系与双极渐变配色示例，包含参考扩展及自行搭配的方案。

拟好中文大纲

这部分我们先纯手写中文大纲，按照以下顺序写：Introduction → Abstract → Method → Experiment → Related Work → Conclusion

Introduction：非常标准的「四个部分」，先按如下顺序写。

第一段：行业背景。

先说这个领域最近获得了什么能力，或者已经产生了什么实际需求。紧接着说明：在这件事里，你研究的子问题为什么重要。

尽早落到论文对象，把输入、输出或使用场景交代出来。背景只需要铺到足够理解问题就行，更重要的是从宏大叙事落到你研究的具体方向。

第二段：局限性和问题。

介绍现有方法大概怎么做，还未解决什么问题。要讲清楚已有办法在什么条件下会遇到什么问题，为什么这个问题值得单独研究。

若有多条思路，可以分别介绍，再说明各自的局限；也可以是某个实验揭示了某个问题。

第三段：我们的方法。

先说核心想法，再介绍方法的大体流程。前面提出了哪些问题，这里就说明你的哪些设计可以处理它们。这里讲思路即可，具体公式和实现留到 Method。

第四段：Contributions。

一般分三到四点，交代提出了什么方法、贡献了什么 Model/Dataset/Conclusion，以及实验验证了什么或达到了什么性能。

格式可以灵活些，有的地方一段话讲，有的地方分成几个点。四个部分讲清楚就行，不用硬凑四个自然段。

Abstract：Introduction 写完再写 Abstract。这部分可以交给 AI 辅助起草，但要多次迭代润色。

其实核心就是浓缩版的 Introduction：方向背景一句 + 当前的局限性和问题一到两句 + 我们的方法和贡献两到三句。

最后可以把主实验或性能最好的某个数字、指标放上来吸引眼球。但要讲清楚在哪个设置下、和谁比。某个子集的最好结果，别直接写成整体提升。

Method：方法部分就围绕画好的主图来写。先用一小段把整体流程介绍出来，再按图里的模块逐个展开。

每个模块讲清楚：为什么需要它、输入是什么、怎么处理、输出什么。尤其要说清楚上一模块的结果怎么交给下一模块。

数据怎么来、模型怎么训练、推理时怎么用，也要分别交代。关键设计可以放公式或伪代码，但写完公式后还需要解释它在做什么。

图和正文用同一套模块名。这一步完成后，别人应该能对着主图把整套方法讲清楚。

Experiment：这里有两类常见写法。

一种是按研究问题（RQ）组织实验，先列出研究问题，每一组实验回答一个问题。比如整体有没有效果，某个设计有没有用，换个条件还能不能用。

另一种是主实验加消融实验。先交代数据、基线、指标和设置，再给主实验，接着做消融，最后按需要补其他分析。

如何设计实验？

先问自己：Claim 的点是显而易见的、共识吗？如果不是，那么前面 Claim 的优势、特色等，都需要实验来证明，包括直接或间接的实验。

具体可以考虑以下维度：

• 整体效果：和哪些方法比，用什么指标，比较条件是否公平。

• 模块作用：移除某个模块，或换成简单方案，看看结果怎么变。

• 泛化与难度：换模型、数据、场景或难度，收益还在不在。

• 效率与规模：时间、显存、调用次数、数据量，以及参数变化后的表现。

• 质量与案例：数据质量、错误类型，或成功和失败的 Case 对比。

• 不需要把所有维度都做一遍，按前面 Claim 的东西来选。比如说减少了某类错误，就去统计这类错误；说效率更高，就把相关开销讲清楚。

主表里涨分了，还不能直接说明涨分的原因。写结果时，先讲这组实验说明了什么，再给关键数字和解释，不用把表格逐行念一遍。

Related Work：可以直接把粗读过的文章和笔记丢给 AI，让它按研究方向分类，再帮你写。每类大致讲已有方法怎么做，以及和你的工作有什么区别。

Conclusion：和 Abstract 差不多，但主要讲：本文针对什么问题、现有方法有什么缺陷、提出了什么方法、取得了什么效果。

一般一段话讲清楚即可。不用再从大背景铺一遍，也不用把方法步骤和全部数字重新复述。

迭代翻译

当你写好上述中文的大体框架后，用 AI 逐部分转为英文。可以先将前述精读的文章丢进去，让它掌握大致语言风格。

在这个过程中请确保：

• 不要出现破折号，只在必要情况下使用括号。

• 不出现生僻难懂的词，同一个概念统一一种叫法。

• 翻译后对照中文检查，别改了方法、数字和结论的意思。

可以多迭代几轮，一轮先看意思对不对，下一轮再改措辞、读顺语言。中文和英文里的模块名、术语也要对应上。

补充剩余图表

剩余图表主要让 AI 通过代码、Overleaf 辅助完成。具体来说：

• Introduction：结合内容，可能会有一张与其他方法的对比图，或一张动机阐述图。单栏小图或扁平图为宜，要与 Main Figure 分出主次。

• Method：可视情况再放一张局部图，介绍某个模块。数据或 Benchmark 类工作，也可以做数据分布可视化、数据结构统计图。

• Experiment：除了正常的主表、消融小表，还可以通过代码制作折线图、柱状图等。有 Case Study，就展示相关的 Case 对比。

• Appendix：补充完整设置、更多结果和案例。正文里必须讲清楚的东西别全塞到后面。

PPT 作图保留 PPTX，导出 PDF；代码作图就保留脚本和数据，让 AI 直接输出矢量 PDF。导出后放大看看，小字和线条是否清楚。

最后的迭代检查

完成后请交由你的 Supervisor。虽然大多数时候，他只会陪你一起迭代 Abstract 和 Introduction。

你自己也要回头检查，前面 Claim 的东西有没有实验支撑。最后再按开头的原则过一遍：

引用有没有错，段落末行有没有不足三分之一，大图的位置和留白是否合适，图表、公式和正文里的名称、编号是否一致。

焚诀之外

如果有充足时间，作者还推荐阅读下面两份资料，建立自己的论文写作 Know-how。

《顶会论文写作建议》：从底层逻辑介绍论文写作的要领。

https://zhuanlan.zhihu.com/p/639732057

《论文写作导览图》：包含更详细的论文写作方法论和方案。

https://www.xiaohongshu.com/discovery/item/697605fb00000000b009db3

关于进组导师与 AI 的几个问题

关于科研入门，作者也集中回答了几个常见问题，包括如何选论文、是否应该尽早进组，以及 AI 究竟适合参与哪些科研环节。

Q1：精读文章怎么找？我的 Taste 还不够怎么办？

可以参考几个标准：

• 公众号、小红书、推特关注度高

• GitHub Star 数多或引用量大

• 该领域大组出品

另外，我个人有些会议论文基本不看，比如 AAAI、ACL 和所有 Workshop。并不是说这些 Paper 没有价值，主要是筛选成本过高。

直接筛选近三年三大会上拿了 Oral 和 Spotlight 的、与你研究方向相关的 Paper，也是一个方法。但请注意，无论什么 Paper，都不要迷信权威。

Q2：对独立科研与进组的看法？

完全独立科研不可取，缺乏科研交流的氛围、Senior 的指导和资源的支持。

在 Paper 爆炸的时代，一篇自己瞎搞抽中的 Paper，和在大牛组合作的 Paper，其背书是截然不同的。

最好的方式是先进组给高年级硕博打杂、入门，然后取得课题组信任后，快速 Lead 一个自己的项目。

本文针对的也是后者的情况。如果一味给硕博打杂也不可取，这样会导致你在申请时没有自己一作的 Publication，而缺乏竞争力。

Q3：感觉导师、硕博学长指导不了我怎么办？

导师指导不了是正常的，现在 AI 更新换代太快了，大部分导师跟不上最新的技术。

主要是给一些 High-level Goal、写作上的帮助，以及资源的获取和分配。你要做的是积极推进、定期汇报、向上管理，用他的思维逻辑得到他的认可。

至于硕博生，认真调查已有成果，如果还挺丰富，那可能只是你不太适应，或者他不太想耗费精力，需要自己更加积极主动。

否则，可以考虑减少在其项目上的精力投入、换组，或者多和网上的人交流。

Q4：什么时候该用、不该用 AI？

作者把科研中的 AI 使用分成了三类。

可以直接丢给 AI 做：Pull 代码、配置环境、搜集 Idea、文献英译中。

可以给 AI，但必须检查和知晓它做了什么：代码阅读、有具体目标的代码框架搭建、跑实验、idea Brainstorm。

不建议给 AI 做：核心创新点的提出、画思维导图、做分享 PPT。

Q5：日常工作流分享？

Less is More。

Idea 讨论，御三家都用（Gemini 有时会有奇效）。Coding 主用 Codex 和 CC。Typora 随手记录灵感。Zotero（内置 Codex）做文献笔记和辅助阅读。Paseo 负责解放双手。

参考文献

[1] https://xhslink.cn/o/8V9ibJPEeYp

[2] https://xhslink.cn/o/8V9ibJPEeYp

[3] https://xhslink.cn/o/1WBw7qxctyE

[4] https://xhslink.cn/o/6iubXbe6mPl

[5] https://xhslink.cn/o/A21a8ooj47n