paperlists
Paperlists 是一个专注于整合学术会议论文数据的开源工具，旨在为研究人员和开发者提供结构化、统一的论文信息访问入口。它通过聚合 OpenReview、会议官网及开放获取平台等多源数据，解决了传统方式下论文信息分散、检索效率低的问题，用户无需在不同平台间反复切换即可获取完整的会议论文列表和元数据。
对于需要快速定位特定领域研究进展的科研人员，或希望进行论文统计分析的开发者，Paperlists 提供了显著便利。其核心亮点在于内置的本地搜索工具：基于 Streamlit 构建的可视化界面支持关键词检索和多维度筛选，同时提供命令行接口，允许用户通过参数自定义搜索范围（如标题、关键词、研究领域等），并导出结构化结果。目前支持 ICLR、NeurIPS 等顶级会议的历年数据，包含从 2013 年至今的完整论文记录。
用户可通过克隆仓库并运行脚本的方式快速部署本地分析环境，或直接访问预处理后的 JSON 数据文件进行二次开发。这种将数据清洗与交互式工具结合的设计，既降低了学术数据的使用门槛，也为构建个性化研究分析系统提供了基础组件。
使用场景
某高校AI实验室的研究员正在撰写一篇关于"深度学习模型检索"的综述论文，需要系统梳理ICLR 2020-2025年间的相关研究进展。
没有 paperlists 时
- 需要分别访问OpenReview、ICLR官网和arXiv等平台，手动筛选包含"retrieval"关键词的论文
- 各平台数据格式不统一，需耗费大量时间整理标题、作者、摘要等字段
- 无法快速统计不同年份的论文数量趋势，需手动创建Excel表格进行分析
- 会议论文集版本混乱，难以确认最新接收状态（如spotlight/accepted）
- 跨平台搜索容易遗漏重要文献，影响综述的完整性
使用 paperlists 后
- 通过
python extract.py retrieval -i iclr/iclr2025.json一键提取2025年所有含"retrieval"的论文 - 内置的Streamlit界面可直接筛选标题、关键词、研究领域等结构化字段
- 通过JSON文件的
year字段快速生成2020-2025年论文数量折线图 - 标准化的数据字段自动标注论文接收状态和会议分区信息
- 历史版本的JSON文件确保文献追踪的可追溯性
核心价值：paperlists通过整合多源异构数据并提供结构化查询接口，将原本需要3-5天的文献收集整理工作缩短至2小时内完成，同时显著提升文献筛选的准确性和统计分析的可靠性。
运行环境要求
- 未说明
未说明
未说明
快速开始
论文列表
本仓库为 Paper Copilot 提供支持，通过整合多个数据源确保信息的一致性、连贯性和完整性。
通常，来自 OpenReview（开放评审平台）、官方会议来源或开放获取网站的记录是分散的，导致信息碎片化，需要额外的努力在不同来源之间切换。本仓库的目标是作为主要会议的综合链接集合，便于更便捷地获取相关信息，并基于这些记录进行统计分析。
本地搜索工具
我们进一步提供了一个基于 Streamlit（开源应用框架）的工具，用于高效地在本地搜索和分析会议论文。感谢 @hhh2210 的贡献。
安装
# 克隆仓库并安装依赖
git clone https://github.com/papercopilot/paperlists.git
# 如需使用 conda: conda create -n papercopilot python=3.10
pip install -r requirements.txt
使用方法
1. Web 界面
cd paperlists/tools
streamlit run app.py
# 会弹出对应的本地网址，例如 `Local URL: http://localhost:8501`
2. 命令行使用
cd paperlists/tools
python extract.py [keyword] [-i INPUT_PATH] [-o OUTPUT_FILE] [-f FIELDS...]
keyword: 搜索关键词（必填）-i, --input_path: 输入 JSON 文件或目录（默认：iclr2025.json）-o, --output_file: 输出 JSON 文件（可选）-f, --fields: 要搜索的字段（默认：keywords title primary_area topic）
示例：
cd paperlists/tools
python extract.py retrieval -i iclr/iclr2025.json -o results.json -f title keywords
概览
ICLR
| 年份 | 2025 | 2024 | 2023 | 2022 | 2021 | 2020 |
|---|---|---|---|---|---|---|
| json | 2025 | 2024 | 2023 | 2022 | 2021 | 2020 |
| 统计数据（主会） | 2025 | 2024 | 2023 | 2022 | 2021 | 2020 |
| 年份 | 2019 | 2018 | 2017 | 2016 | 2015 | 2014 | 2013 |
|---|---|---|---|---|---|---|---|
| json | 2019 | 2018 | 2017 | 2014 | 2013 | ||
| 统计数据（主会） | 2019 | 2018 | 2017 | 2014 | 2013 |
NeurIPS（NIPS，神经信息处理系统大会）
| 年份 | 2024 | 2023 | 2022 | 2021 | 2020 |
|---|---|---|---|---|---|
| json | 2024 | 2023 | 2022 | 2021 | 2020 |
| 统计信息（主会） | 2024 | 2023 | 2022 | 2021 | |
| 统计信息（数据集与基准测试） | 2024 | 2023 | 2022 |
| 年份 | 2019 | 2018 | 2017 | 2016 | 2015 | 2014 | 2013 | 2012 | 2011 | 2010 |
|---|---|---|---|---|---|---|---|---|---|---|
| json | 2019 | 2018 | 2017 | 2016 | 2015 | 2014 | 2013 | 2012 | 2011 | 2010 |
| 年份 | 2009 | 2008 | 2007 | 2006 | 2005 | 2004 | 2003 | 2002 | 2001 | 2000 |
|---|---|---|---|---|---|---|---|---|---|---|
| json | 2009 | 2008 | 2007 | 2006 | 2005 | 2004 | 2003 | 2002 | 2001 | 2000 |
ICML（国际机器学习大会）
| 年份 | 2024 | 2023 | 2022 | 2021 | 2020 | 2019 | 2018 | 2017 |
|---|---|---|---|---|---|---|---|---|
| json | 2024 | 2023 | 2022 | 2021 | 2020 | 2019 | 2018 | 2017 |
国际计算机图形学与交互技术大会（SIGGRAPH）
| 年份 | 2024 | 2023 | 2022 | 2021 | 2020 |
|---|---|---|---|---|---|
| JSON文件 | 2024 | 2023 | 2022 | 2021 | 2020 |
| 论文列表 | 2024 | 2023 | 2022 | 2021 | 2020 |
| 年份 | 2019 | 2018 | 2017 | 2016 | 2015 | 2014 | 2013 | 2012 | 2011 | 2010 |
|---|---|---|---|---|---|---|---|---|---|---|
| JSON文件 | 2019 | 2018 | 2017 | 2016 | 2015 | 2014 | 2013 | 2012 | 2011 | 2010 |
| 论文列表 | 2019 | 2018 | 2017 | 2016 | 2015 | 2014 | 2013 | 2012 | 2011 | 2010 |
SIGGRAPH Asia
| 年份 | 2024 | 2023 | 2022 | 2021 | 2020 | 2019 | 2018 |
|---|---|---|---|---|---|---|---|
| JSON文件 | 2024 | 2023 | 2022 | 2021 | 2020 | 2019 | 2018 |
| 论文列表 | 2024 | 2023 | 2022 | 2021 | 2020 | 2019 | 2018 |
CVPR（计算机视觉与模式识别会议）
| 年份 | 2024 | 2023 | 2022 | 2021 | 2020 | 2019 | 2018 | 2017 |
|---|---|---|---|---|---|---|---|---|
| JSON文件 | 2024 | 2023 | 2022 | 2021 | 2020 | 2019 | 2018 | 2017 |
ICCV [即将上线]
ECCV [即将上线]
EMNLP（计算语言学会议）
| 年份 | 2024 | 2023 |
|---|---|---|
| JSON文件 | 2024 | 2023 |
| 统计数据 | 2024 | 2023 |
CoRL
| 年份 | 2024 | 2023 | 2022 | 2021 |
|---|---|---|---|---|
| json | 2024 | 2023 | 2022 | 2021 |
| 统计信息 | 2024 | 2023 | 2022 | 2021 |
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。