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

Scorpion521

450人浏览 · 2026-06-11 15:53:24

Scorpion521 · 2026-06-11 15:53:24 发布

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 16x16 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