ml-paper-writing

面向顶级 AI 会议的 ML 论文写作

面向 NeurIPS、ICML、ICLR、ACL、AAAI 和 COLM 撰写可发表论文的专家级指导。本技能将顶级研究者（Nanda、Farquhar、Karpathy、Lipton、Steinhardt）的写作理念与实用工具相结合：LaTeX 模板、引用验证 API 和会议检查清单。

核心理念：协作式写作

论文写作是协作性的，但 Claude 应主动交付草稿。

典型工作流始于一个包含代码、结果和实验产物的研究仓库。Claude 的角色是：

1. 理解项目：通过探索仓库、结果和现有文档
2. 交付完整的初稿：在确信贡献点时
3. 检索文献：使用网络搜索和 API 查找相关引用
4. 通过反馈循环完善：当科学家提供意见时
5. 请求澄清：仅在对关键决策确实不确定时

关键原则：主动出击。如果仓库和结果清晰，就交付完整草稿。不要因为等待每个章节的反馈而停滞——科学家们很忙。先产出具体内容供他们反应，再根据他们的回应迭代。

---

⚠️ 关键：绝不要幻觉引用

这是使用 AI 辅助进行学术写作中最重要的规则。

问题

AI 生成的引用有 约 40% 的错误率。幻觉参考文献——不存在的论文、错误的作者、不正确的年份、伪造的 DOI——是一种严重的学术不端行为，可能导致直接拒稿或撤稿。

规则

绝不要凭记忆生成 BibTeX 条目。始终以程序化方式获取。

操作	✅ 正确	❌ 错误
添加引用	搜索 API → 验证 → 获取 BibTeX	凭记忆编写 BibTeX
对某篇论文不确定	标记为 [CITATION NEEDED]	猜测参考文献
找不到确切的论文	注明："placeholder - verify"	编造一篇听起来相似的论文

当你无法验证引用时

如果你无法以程序化方式验证引用，你必须：

% EXPLICIT PLACEHOLDER - requires human verification
\cite{PLACEHOLDER_author2024_verify_this}  % TODO: Verify this citation exists

始终告知科学家："我已将 [X] 条引用标记为需要验证的占位符。我无法确认这些论文存在。"

推荐：安装 Exa MCP 用于论文搜索

为了获得最佳的论文搜索体验，请安装 Exa MCP，它提供实时学术搜索：

Claude Code：

claude mcp add exa -- npx -y mcp-remote "https://mcp.exa.ai/mcp"

Cursor / VS Code（添加到 MCP 设置）：

{
  "mcpServers": {
    "exa": {
      "type": "http",
      "url": "https://mcp.exa.ai/mcp"
    }
  }
}

Exa MCP 支持如下搜索：

• "Find papers on RLHF for language models published after 2023"
• "Search for transformer architecture papers by Vaswani"
• "Get recent work on sparse autoencoders for interpretability"

然后使用 Semantic Scholar API 验证结果，并通过 DOI 获取 BibTeX。

---

工作流 0：从研究仓库开始

开始撰写论文时，先理解项目：

Project Understanding:
- [ ] Step 1: Explore the repository structure
- [ ] Step 2: Read README, existing docs, and key results
- [ ] Step 3: Identify the main contribution with the scientist
- [ ] Step 4: Find papers already cited in the codebase
- [ ] Step 5: Search for additional relevant literature
- [ ] Step 6: Outline the paper structure together
- [ ] Step 7: Draft sections iteratively with feedback

第 1 步：探索仓库

# Understand project structure
ls -la
find . -name "*.py" | head -20
find . -name "*.md" -o -name "*.txt" | xargs grep -l -i "result\|conclusion\|finding"

查找：

• README.md — 项目概览与主张
• results/、outputs/、experiments/ — 关键发现
• configs/ — 实验设置
• 已有的 .bib 文件或引用参考文献
• 任何草稿文档或笔记

第 2 步：识别已有引用

检查代码库中已引用的论文：

# Find existing citations
grep -r "arxiv\|doi\|cite" --include="*.md" --include="*.bib" --include="*.py"
find . -name "*.bib"

这些是相关工作的高价值起点——科学家已经认定它们具有相关性。

第 3 步：明确贡献

在撰写之前，与科学家明确确认：

“根据我对该仓库的理解，主要贡献似乎是 [X]。 关键结果表明 [Y]。这是你希望论文采用的框架吗， 还是我们应该强调不同的方面？”

绝不要假设叙事——始终与人类核实。

第 4 步：检索更多文献

使用网络搜索查找相关论文：

Search queries to try:
- "[main technique] + [application domain]"
- "[baseline method] comparison"
- "[problem name] state-of-the-art"
- Author names from existing citations

然后使用下方的引用工作流验证并获取 BibTeX。

第 5 步：交付初稿

要主动——交付一份完整草稿，而不是为每个章节征求许可。

如果仓库提供了清晰的结果且贡献显而易见：

1. 端到端写出完整初稿
2. 提交完整草稿以获取反馈
3. 根据科学家的回应进行迭代

如果对框架或主要主张确实不确定：

1. 先起草你有把握的部分
2. 标明具体的不确定之处：“我将 X 定为主要贡献——如果你更希望强调 Y，请告诉我”
3. 继续完成草稿，而不是停滞

随草稿一起提出的问题（而不是在此之前）：

• “我将 X 强调为主要贡献——如需调整请告知”
• “我重点突出了结果 A、B、C——如果有其他更重要的结果请告诉我”
• “相关工作部分包含 [papers]——如有遗漏请补充”

---

何时使用此技能

在以下情况下使用此技能：

• 从研究仓库开始撰写论文
• 起草或修订特定章节
• 查找并验证引用以用于相关工作
• 格式化以提交会议
• 重新提交到不同会议/期刊（格式转换）
• 迭代草稿并根据科学家反馈改进

始终记住：初稿是讨论的起点，而不是最终产出。

---

平衡主动性与协作

默认：保持主动。先交付草稿，再迭代。

信心水平	行动
高（仓库清晰、贡献明显）	写出完整草稿，交付，根据反馈迭代
中（存在一些模糊之处）	写出草稿并标明不确定之处，继续推进
低（存在重大未知）	提出 1-2 个有针对性的问题，然后起草

先起草，再随草稿提问（而不是在此之前）：

章节	自主起草	随草稿标明
摘要	是	“将贡献表述为 X——如需调整请告知”
引言	是	“强调了问题 Y——如有错误请纠正”
方法	是	“包含了细节 A、B、C——如有遗漏请补充”
实验	是	“突出了结果 1、2、3——如需重新排序请告知”
相关工作	是	“引用了论文 X、Y、Z——如有遗漏请补充”

仅在以下情况下停下来等待输入：

• 目标会议/期刊不明确（影响页数限制、表述框架）
• 多个相互矛盾的表述框架看起来同样合理
• 结果似乎不完整或不一致
• 明确要求先审阅再继续

不要为以下事项停下来：

• 措辞选择
• 章节排序
• 展示哪些具体结果（做出选择并标明）
• 引用的完整性（先根据找到的内容起草，注明缺口）

---

叙事原则

最关键的一点：你的论文不是实验的集合——而是一个故事，有且仅有一个明确的贡献，并由证据支撑。

每一篇成功的机器学习论文都围绕 Neel Nanda 所说的“叙事”展开：一个简短、严谨、基于证据的技术故事，并带有读者关心的核心结论。

三大支柱（必须在引言结束时清晰明了）：

支柱	描述	示例
是什么	在一个连贯主题下的 1-3 个具体新颖主张	“我们证明了 X 在条件 Z 下实现 Y”
为什么	支持主张的严谨经验证据	强基线、区分假设的实验
那又如何	为什么读者应该关心	与公认社区问题的联系

如果你无法用一句话陈述你的贡献，那你还算不上有一篇论文。

---

论文结构工作流

工作流 1：撰写完整论文（迭代式）

复制此清单并跟踪进度。每一步都涉及起草 → 反馈 → 修订：

Paper Writing Progress:
- [ ] Step 1: Define the one-sentence contribution (with scientist)
- [ ] Step 2: Draft Figure 1 → get feedback → revise
- [ ] Step 3: Draft abstract → get feedback → revise
- [ ] Step 4: Draft introduction → get feedback → revise
- [ ] Step 5: Draft methods → get feedback → revise
- [ ] Step 6: Draft experiments → get feedback → revise
- [ ] Step 7: Draft related work → get feedback → revise
- [ ] Step 8: Draft limitations → get feedback → revise
- [ ] Step 9: Complete paper checklist (required)
- [ ] Step 10: Final review cycle and submission

步骤 1：定义一句话贡献

此步骤需要科学家明确确认。

在写任何内容之前，阐明并核实：

• 你的论文贡献的唯一一件事是什么？
• 在你的工作之前，什么是不明显或不存在的？

“我提议将贡献框定为：‘[一句话]’。这能捕捉到你所认为的主要结论吗？我们是否应该调整重点？”

步骤 2：起草图 1

图 1 值得特别关注——许多读者会直接跳到它。

• 传达核心思想、方法或最引人注目的结果
• 使用矢量图形（图表用 PDF/EPS）
• 编写独立于正文即可理解的图注
• 确保黑白可读性（8% 的男性有颜色视觉缺陷）

步骤 3：撰写摘要（5 句式公式）

来自 Sebastian Farquhar（DeepMind）：

1. What you achieved: "We introduce...", "We prove...", "We demonstrate..."
2. Why this is hard and important
3. How you do it (with specialist keywords for discoverability)
4. What evidence you have
5. Your most remarkable number/result

删除诸如“大模型已取得显著成功……”之类的泛泛开头。

步骤 4：撰写引言（最多 1-1.5 页）

必须包含：

• 2-4 条贡献列表（双栏格式下每条最多 1-2 行）
• 清晰的问题陈述
• 简要的方法概述
• 方法应最迟从第 2-3 页开始

步骤 5：方法部分

使重新实现成为可能：

• 概念大纲或伪代码
• 列出所有超参数
• 足以复现的架构细节
• 呈现最终设计决策；消融实验放在实验部分

步骤 6：实验部分

对于每个实验，明确说明：

• 它支持什么主张
• 它如何与主要贡献相关联
• 实验设置（细节放在附录）
• 要观察什么：“蓝线显示 X，这证明了 Y”

要求：

• 带有方法论的误差棒（标准差 vs 标准误）
• 超参数搜索范围
• 计算基础设施（GPU 类型、总小时数）
• 随机种子设置方法

步骤 7：相关工作

按方法论组织，而非逐篇论文：

好：“一条工作线使用 Floogledoodle 的假设 [refs]，而我们使用 Doobersnoddle 的假设，因为……”

差：“Snap 等人引入了 X，而 Crackle 等人引入了 Y。”

慷慨引用——审稿人很可能撰写了相关论文。

步骤 8：局限性部分（必需）

所有主要会议都要求此部分。反直觉的是，诚实有帮助：

• 审稿人被指示不要因诚实承认局限性而扣分
• 通过首先识别弱点来预防批评
• 解释为什么局限性不会削弱核心主张

步骤 9：论文清单

NeurIPS、ICML 和 ICLR 都要求论文清单。参见 references/checklists.md。

---

顶级 ML 会议的写作哲学

本节提炼了来自顶尖 ML 研究者最重要的写作原则。 这些并非可选的风格建议——它们正是被录用的论文与被拒稿的论文之间的区别所在。

“一篇论文是一个简短、严谨、基于证据的技术故事，并带有读者关心的要点。” —— Neel Nanda

本指南背后的来源

本技能综合了在顶级会议上发表大量论文的研究者的写作哲学：

来源	关键贡献	链接
Neel Nanda（Google DeepMind）	叙事原则、What/Why/So What 框架	How to Write ML Papers
Sebastian Farquhar（DeepMind）	5 句话摘要公式	How to Write ML Papers
Gopen & Swan	读者预期的 7 条原则	Science of Scientific Writing
Zachary Lipton	用词选择、消除模糊措辞	Heuristics for Scientific Writing
Jacob Steinhardt（UC Berkeley）	精确性、术语一致性	Writing Tips
Ethan Perez（Anthropic）	微观层面的清晰性技巧	Easy Paper Writing Tips
Andrej Karpathy	聚焦单一贡献	各类讲座

如需深入了解其中任何一项，请参见：

• references/writing-guide.md - 完整解释与示例
• references/sources.md - 完整参考书目

时间分配（来自 Neel Nanda）

在以下每一项上花费大致相等的时间：

1. 摘要
2. 引言
3. 图表
4. 其余所有内容合计

为什么？ 大多数审稿人在读到你的方法之前就已形成判断。读者接触你论文的顺序是：标题 → 摘要 → 引言 → 图表 → 也许还有其余部分。

写作风格指南

句子层面的清晰性（Gopen & Swan 的 7 条原则）

这些原则基于读者实际处理文章的方式。违反它们会迫使读者将认知精力花在结构上，而不是内容上。

原则	规则	示例
主语-动词相邻	让主语和动词保持靠近	❌ “The model, which was trained on..., achieves” → ✅ “The model achieves... after training on...”
强调位置	将强调放在句末	❌ “Accuracy improves by 15% when using attention” → ✅ “When using attention, accuracy improves by 15%”
主题位置	先放背景，再放新信息	✅ “Given these constraints, we propose...”
先旧后新	熟悉的信息 → 不熟悉的信息	先向后链接，再引入新内容
一个单元，一个功能	每段只表达一个观点	拆分包含多个观点的段落
动作在动词中	使用动词，而非名词化表达	❌ “We performed an analysis” → ✅ “We analyzed”
新内容前先给背景	在呈现之前先做好铺垫	先解释，再展示公式

完整 7 条原则及详细示例： 参见 references/writing-guide.md

微观技巧（Ethan Perez）

这些细微改动累积起来，会让文风明显更清晰：

• 尽量减少代词：❌ “This shows...” → ✅ “This result shows...”
• 动词前置：把动词放在句子开头附近
• 展开所有格：❌ “X's Y” → ✅ “The Y of X”（在不自然时）
• 删除填充词：“actually”“a bit”“very”“really”“basically”“quite”“essentially”

带示例的完整微观技巧： 见 references/writing-guide.md

用词选择（Zachary Lipton）

• 要具体：❌ “performance” → ✅ “accuracy” 或 “latency”（说清你的意思）
• 消除模糊措辞：除非确实不确定，否则去掉 “may” 和 “can”
• 避免渐进式词汇：❌ “combine”“modify”“expand” → ✅ “develop”“propose”“introduce”
• 删除强化词：❌ “provides very tight approximation” → ✅ “provides tight approximation”

精确优先于简洁（Jacob Steinhardt）

• 术语一致：同一概念使用不同术语会造成混淆。选定一个并坚持使用。
• 正式陈述假设：在定理之前，明确列出所有假设
• 直觉 + 严谨：在形式化证明之外提供直观解释

审稿人实际会读什么

了解审稿人的行为有助于确定投入重点：

论文部分	阅读的审稿人比例	含义
摘要	100%	必须完美
引言	90%+（略读）	前置你的贡献
图表	在方法之前查看	图 1 至关重要
方法	只有感兴趣时才读	不要把重点埋起来
附录	很少	只放补充细节

底线：如果你的摘要和引言不能吸引审稿人，他们可能永远不会读你精彩的方法部分。

---

会议要求速查

会议	页数限制	相机就绪版的额外页数	关键要求
NeurIPS 2025	9 页	+0	强制检查清单，录用论文需提交通俗摘要
ICML 2026	8 页	+1	必须提交 Broader Impact Statement
ICLR 2026	9 页	+1	必须披露 LLM 使用，互惠审稿
ACL 2025	8 页（长文）	varies	Limitations 部分强制
AAAI 2026	7 页	+1	严格遵守样式文件
COLM 2025	9 页	+1	聚焦语言模型

通用要求：

• 双盲审稿（对投稿进行匿名化）
• 参考文献不计入页数限制
• 附录不限页数，但审稿人无义务阅读
• 所有会议均要求使用 LaTeX

LaTeX 模板： 所有会议模板见 templates/ 目录。

---

正确使用 LaTeX 模板

工作流 4：从模板开始撰写新论文

务必先复制整个模板目录，再在其中撰写。

Template Setup Checklist:
- [ ] Step 1: Copy entire template directory to new project
- [ ] Step 2: Verify template compiles as-is (before any changes)
- [ ] Step 3: Read the template's example content to understand structure
- [ ] Step 4: Replace example content section by section
- [ ] Step 5: Keep template comments/examples as reference until done
- [ ] Step 6: Clean up template artifacts only at the end

步骤 1：复制完整模板

# Create your paper directory with the complete template
cp -r templates/neurips2025/ ~/papers/my-new-paper/
cd ~/papers/my-new-paper/

# Verify structure is complete
ls -la
# Should see: main.tex, neurips.sty, Makefile, etc.

⚠️ 重要：复制整个目录，而不仅仅是 main.tex。模板包含：

• 样式文件（.sty）—— 编译所必需
• 参考文献样式（.bst）—— 引用所必需
• 示例内容 —— 可用作参考
• Makefile —— 便于编译

步骤 2：先验证模板能否编译

在做任何修改之前，先按原样编译模板：

# Using latexmk (recommended)
latexmk -pdf main.tex

# Or manual compilation
pdflatex main.tex
bibtex main
pdflatex main.tex
pdflatex main.tex

如果未经修改的模板无法编译，先解决这个问题。常见问题：

• 缺少 TeX 宏包 → 通过 tlmgr install <package> 安装
• TeX 发行版不正确 → 使用 TeX Live（推荐）

步骤 3：保留模板内容作为参考

不要立刻删除所有示例内容。而应：

% KEEP template examples commented out as you write
% This shows you the expected format

% Template example (keep for reference):
% \begin{figure}[t]
%   \centering
%   \includegraphics[width=0.8\linewidth]{example-image}
%   \caption{Template shows caption style}
% \end{figure}

% Your actual figure:
\begin{figure}[t]
  \centering
  \includegraphics[width=0.8\linewidth]{your-figure.pdf}
  \caption{Your caption following the same style.}
\end{figure}

步骤 4：逐节替换内容

系统地处理整篇论文：

Replacement Order:
1. Title and authors (anonymize for submission)
2. Abstract
3. Introduction
4. Methods
5. Experiments
6. Related Work
7. Conclusion
8. References (your .bib file)
9. Appendix

对每一节：

1. 阅读模板的示例内容
2. 注意其中使用的任何特殊格式或宏
3. 按照相同的模式替换为你的内容
4. 频繁编译，尽早发现错误

步骤 5：使用模板宏

模板通常会定义有用的宏。检查导言区中是否有：

% Common template macros to use:
\newcommand{\method}{YourMethodName}  % Consistent method naming
\newcommand{\eg}{e.g.,\xspace}        % Proper abbreviations
\newcommand{\ie}{i.e.,\xspace}
\newcommand{\etal}{\textit{et al.}\xspace}

步骤 6：仅在最后清理

只有当论文接近完成时，才移除模板残留内容：

% BEFORE SUBMISSION - remove these:
% - Commented-out template examples
% - Unused packages
% - Template's example figures/tables
% - Lorem ipsum or placeholder text

% KEEP these:
% - All style files (.sty)
% - Bibliography style (.bst)
% - Required packages from template
% - Any custom macros you're using

需要避免的模板陷阱

陷阱	问题	解决方案
只复制 main.tex	缺少 .sty，无法编译	复制整个目录
修改 .sty 文件	破坏会议格式	绝不编辑样式文件
随意添加宏包	冲突，破坏模板	仅在必要时添加
过早删除模板内容	失去格式参考	保留为注释直到完成
不频繁编译	错误不断累积	每完成一节就编译

模板速查

会议	主文件	关键样式文件	备注
NeurIPS 2025	main.tex	neurips.sty	有 Makefile
ICML 2026	example_paper.tex	icml2026.sty	包含算法宏包
ICLR 2026	iclr2026_conference.tex	iclr2026_conference.sty	有 math_commands.tex
ACL	acl_latex.tex	acl.sty	格式严格
AAAI 2026	aaai2026-unified-template.tex	aaai2026.sty	合规要求非常严格
COLM 2025	colm2025_conference.tex	colm2025_conference.sty	与 ICLR 类似

---

会议重投与格式转换

当论文被一个会议拒稿或撤稿，并重新投递到另一个会议时，需要进行格式转换。这是 ML 研究中常见的工作流。

工作流 3：在会议格式之间转换

Format Conversion Checklist:
- [ ] Step 1: Identify source and target template differences
- [ ] Step 2: Create new project with target template
- [ ] Step 3: Copy content sections (not preamble)
- [ ] Step 4: Adjust page limits and content
- [ ] Step 5: Update conference-specific requirements
- [ ] Step 6: Verify compilation and formatting

第 1 步：关键模板差异

从 → 到	页数变化	关键调整
NeurIPS → ICML	9 → 8 页	删减 1 页，如缺失则添加 Broader Impact
ICML → ICLR	8 → 9 页	可扩展实验，添加 LLM 使用披露
NeurIPS → ACL	9 → 8 页	按 NLP 惯例重构，添加 Limitations
ICLR → AAAI	9 → 7 页	需要大幅删减，严格遵守样式要求
任意 → COLM	不定 → 9	重新定位为以语言模型为重点

第 2 步：内容迁移（而非模板合并）

切勿在模板之间复制 LaTeX 导言区。 而应：

# 1. Start fresh with target template
cp -r templates/icml2026/ new_submission/

# 2. Copy ONLY content sections from old paper
# - Abstract text
# - Section content (between \section{} commands)
# - Figures and tables
# - Bibliography entries

# 3. Paste into target template structure

第 3 步：针对页数限制进行调整

当需要删减页数时（例如 NeurIPS 9 → AAAI 7）：

• 将详细证明移至附录
• 精简相关工作（引用综述而非单篇论文）
• 将相似实验合并到统一表格中
• 使用更小的图尺寸并采用子图
• 精简文字：消除冗余，使用主动语态

当需要扩充时（例如 ICML 8 → ICLR 9）：

• 添加审稿人要求的消融研究
• 扩展局限性讨论
• 加入更多基线
• 添加定性示例

第 4 步：针对具体会议的调整

目标会议	必须添加的内容
ICML	Broader Impact Statement（置于结论之后）
ICLR	LLM 使用披露、互惠审稿协议
ACL/EMNLP	Limitations 部分（强制）、Ethics Statement
AAAI	严格遵守样式文件（不得修改）
NeurIPS	论文检查清单（附录）、若被接收则需提供通俗摘要

第 5 步：更新参考文献

% Remove self-citations that reveal identity (for blind review)
% Update any "under review" citations to published versions
% Add new relevant work published since last submission

第 6 步：回应之前的审稿意见

在拒稿后重新投稿时：

• 要在新版本中回应审稿人的关切
• 要添加审稿人要求的实验/澄清
• 不要加入"相较上一版本的变化"部分（盲审）
• 不要提及之前的投稿或审稿意见

常见的转换陷阱：

• ❌ 复制 \usepackage 命令（会导致冲突）
• ❌ 保留旧的会议页眉/页脚命令
• ❌ 忘记更新 \bibliography{} 路径
• ❌ 遗漏会议要求的特定部分
• ❌ 格式更改后超出页数限制

---

引用工作流（防止幻觉）

⚠️ 关键：AI 生成的引用约有 40% 的错误率。切勿凭记忆编写 BibTeX。

黄金法则

IF you cannot programmatically fetch a citation:
    → Mark it as [CITATION NEEDED] or [PLACEHOLDER - VERIFY]
    → Tell the scientist explicitly
    → NEVER invent a plausible-sounding reference

工作流 2：添加引用

Citation Verification (MANDATORY for every citation):
- [ ] Step 1: Search using Exa MCP or Semantic Scholar API
- [ ] Step 2: Verify paper exists in 2+ sources (Semantic Scholar + arXiv/CrossRef)
- [ ] Step 3: Retrieve BibTeX via DOI (programmatically, not from memory)
- [ ] Step 4: Verify the claim you're citing actually appears in the paper
- [ ] Step 5: Add verified BibTeX to bibliography
- [ ] Step 6: If ANY step fails → mark as placeholder, inform scientist

第 0 步：使用 Exa MCP 进行初步搜索（推荐）

如果已安装 Exa MCP，可用其查找相关论文：

Search: "RLHF language model alignment 2023"
Search: "sparse autoencoders interpretability"
Search: "attention mechanism transformers Vaswani"

然后用 Semantic Scholar 验证每条结果，并通过 DOI 获取 BibTeX。

第 1 步：搜索 Semantic Scholar

from semanticscholar import SemanticScholar

sch = SemanticScholar()
results = sch.search_paper("attention mechanism transformers", limit=5)
for paper in results:
    print(f"{paper.title} - {paper.paperId}")
    print(f"  DOI: {paper.externalIds.get('DOI', 'N/A')}")

第 2 步：验证存在性

确认论文至少出现在两个来源中（Semantic Scholar + CrossRef/arXiv）。

第 3 步：通过 DOI 获取 BibTeX

import requests

def doi_to_bibtex(doi: str) -> str:
    """Get verified BibTeX from DOI via CrossRef."""
    response = requests.get(
        f"https://doi.org/{doi}",
        headers={"Accept": "application/x-bibtex"}
    )
    response.raise_for_status()
    return response.text

# Example
bibtex = doi_to_bibtex("10.48550/arXiv.1706.03762")
print(bibtex)

第 4 步：验证论断

在引用某条具体论断之前，访问该论文并确认所引用的论断确实出现。

第 5 步：明确处理失败情况

如果你在任何步骤都无法验证某条引用：

% Option 1: Explicit placeholder
\cite{PLACEHOLDER_smith2023_verify}  % TODO: Could not verify - scientist must confirm

% Option 2: Note in text
... as shown in prior work [CITATION NEEDED - could not verify Smith et al. 2023].

务必告知科研人员：

"我无法验证以下引用，已将其标记为占位符：

• Smith et al. 2023 关于 reward hacking - 在 Semantic Scholar 中未找到
• Jones 2022 关于 scaling laws - 找到相似论文但作者不同 请在投稿前核实这些引用。"

摘要：引用规则

情况	操作
找到论文，获取 DOI，抓取 BibTeX	✅ 使用该引用
找到论文，没有 DOI	✅ 使用 arXiv BibTeX 或从论文手动录入
论文存在但无法抓取 BibTeX	⚠️ 标记占位符，告知科研人员
不确定论文是否存在	❌ 标记 [CITATION NEEDED]，告知科研人员
“我记得有一篇关于 X 的论文”	❌ 绝不引用 - 先搜索或标记占位符

🚨 绝不凭记忆生成 BibTeX——始终以程序化方式抓取。🚨

完整的 API 文档请参见 references/citation-workflow.md。

---

常见问题与解决方案

问题：摘要过于笼统

如果第一句话可以套用到任何机器学习论文上，就删除它。从你的具体贡献开始写。

问题：引言超过 1.5 页

将背景拆分为相关工作。把贡献要点前置。方法部分应在第 2-3 页开始。

问题：实验缺乏明确的论断

在每个实验前加一句话：“本实验检验 [具体论断]……”

问题：审稿人觉得论文难以理解

• 添加明确的路标：“在本节中，我们展示 X”
• 全文使用一致的术语
• 包含可独立理解的图注

问题：缺少统计显著性

始终包含：

• 误差棒（注明：标准差或标准误）
• 运行次数
• 比较方法时的统计检验

---

审稿人评估标准

审稿人从四个维度评估论文：

标准	审稿人关注的内容
质量	技术严谨性、论断有充分支撑
清晰度	写作清晰，专家可复现
重要性	对社区的影响，推进理解
原创性	新见解（不要求新方法）

评分（NeurIPS 6 分制）：

• 6：强烈接受 - 开创性，无懈可击
• 5：接受 - 技术扎实，影响力大
• 4：边缘接受 - 扎实，但评估有限
• 3：边缘拒绝 - 扎实，但缺点大于优点
• 2：拒绝 - 技术缺陷
• 1：强烈拒绝 - 已知结果或伦理问题

详细的审稿人说明请参见 references/reviewer-guidelines.md。

---

表格与图

表格

使用 booktabs LaTeX 宏包制作专业表格：

\usepackage{booktabs}
\begin{tabular}{lcc}
\toprule
Method & Accuracy ↑ & Latency ↓ \\
\midrule
Baseline & 85.2 & 45ms \\
\textbf{Ours} & \textbf{92.1} & 38ms \\
\bottomrule
\end{tabular}

规则：

• 每项指标的最优值加粗
• 包含方向符号（↑ 越高越好，↓ 越低越好）
• 数值列右对齐
• 小数精度一致

图

• 所有图和示意图使用矢量图形（PDF、EPS）
• 仅照片使用位图（PNG 600 DPI）
• 使用色盲友好配色（Okabe-Ito 或 Paul Tol）
• 验证灰度可读性（8% 的男性有色觉缺陷）
• 图内不放标题——图注承担此功能
• 图注可独立理解——读者无需正文即可理解

---

参考文献与资源

参考文档（深入阅读）

文档	内容
writing-guide.md	Gopen & Swan 7 项原则、Ethan Perez 微技巧、用词选择
citation-workflow.md	引用 API、Python 代码、BibTeX 管理
checklists.md	NeurIPS 16 项、ICML、ICLR、ACL 要求
reviewer-guidelines.md	评估标准、评分、反驳
sources.md	所有来源的完整参考文献

LaTeX 模板

templates/ 目录中的模板：ICML 2026、ICLR 2026、NeurIPS 2025、ACL/EMNLP、AAAI 2026、COLM 2025。

编译为 PDF：

• VS Code/Cursor：安装 LaTeX Workshop 扩展 + TeX Live → 保存即自动编译
• 命令行：latexmk -pdf main.tex 或 pdflatex + bibtex 工作流
• 在线：上传至 Overleaf

详细设置说明请参见 templates/README.md。

关键外部资源

写作理念：

• Neel Nanda：如何撰写机器学习论文 - 叙事、“是什么/为什么/那又如何”
• Farquhar：如何撰写机器学习论文 - 5 句话摘要
• Gopen & Swan：科学写作的科学 - 7 条读者期望原则
• Lipton：科学写作的启发式方法 - 用词选择
• Perez：轻松论文写作技巧 - 微观层面的清晰度

API： Semantic Scholar | CrossRef | arXiv

会议： NeurIPS | ICML | ICLR | ACL