ml-paper-writing

面向顶级 AI 会议的机器学习论文写作

为投稿 NeurIPS、ICML、ICLR、ACL、AAAI 和 COLM 撰写可发表论文的专家级指南。本技能结合了顶尖研究者（Nanda、Farquhar、Karpathy、Lipton、Steinhardt）的写作理念与实用工具：LaTeX 模板、引文验证 API 和会议检查清单。

默认操作顺序

除非任务范围特别狭窄，否则请按以下顺序使用本技能：

1. 根据 references/OPERATING-MODES.md 锁定操作模式，
2. 了解代码仓库或草稿的背景，
3. 将 references/citation-workflow.md 作为引文核验的权威依据，
4. 只有在主要写作路径明确后，才加载特定会议或模板的参考资料。

Google Scholar 仍可用于人工检索，但它不是本技能中的权威核验依据。默认应使用 Semantic Scholar、CrossRef 和 arXiv 等程序化来源进行核验。

主张台账关卡

在将项目计划、实验记录或文献综述转写为论文正文之前：

• 找出支持该句子的主张候选项或证据记录，
• 保留允许使用的措辞，避免使用更强的禁用措辞，
• 除非实验产物或已核验论文提供支持，否则将项目计划视为假设，
• 不要把相关工作部分中的研究动机当作支持论文自身结果的证据，
• 将缺乏支持的主张标记为 [CLAIM NEEDS EVIDENCE]，而不是润色它们。

如果代码仓库的背景足以支持初稿，也仍须在陈述贡献、结果、与相关工作的对比或面向 rebuttal 的主张之前通过此关卡。

核心理念：协作写作

论文写作是一项协作工作，但 Claude 应主动交付草稿。

典型工作流从一个包含代码、结果和实验产物的研究代码仓库开始。Claude 的职责是：

1. 了解项目：探索代码仓库、结果和现有文档
2. 交付完整初稿：对研究贡献有把握时，撰写完整初稿
3. 检索文献：使用网络搜索和 API 查找相关引文
4. 根据反馈迭代完善：在研究人员提供意见后进行修改
5. 仅在确实不确定关键决策时请求澄清

核心原则：积极主动。如果代码仓库和结果都很明确，就交付完整初稿。不要等待每个章节的反馈才开始写作——研究人员很忙。先产出具体内容供他们审阅，再根据反馈迭代。

---

⚠️ 重要：绝不虚构引文

这是 AI 辅助学术写作中最重要的规则。

问题

AI 生成的引文错误率约为 40%。虚构的参考文献——不存在的论文、错误的作者、不正确的年份、捏造的 DOI——属于严重的学术不端行为，可能导致编辑拒稿或论文撤稿。

规则

绝不要凭记忆生成 BibTeX 条目。务必通过程序化方式获取。

操作	✅ 正确做法	❌ 错误做法
添加引文	搜索 API → 核验 → 获取 BibTeX	凭记忆编写 BibTeX
不确定某篇论文	标记为 [CITATION NEEDED]	猜测参考文献
找不到确切的论文	注明：“占位内容 - 需要核验”	编造标题相似的论文

无法核验引文时

如果无法通过程序化方式核验某条引文，则必须：

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

务必告知研究人员：“我已将 [X] 条引文标记为需要核验的占位内容。我无法确认这些论文是否存在。”

推荐：安装 Exa MCP 以搜索论文

如需获得最佳论文搜索体验，请安装 Exa MCP，它可提供实时学术搜索：

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 支持以下搜索：

• “查找 2023 年后发表的语言模型 RLHF 论文”
• “搜索 Vaswani 撰写的 Transformer 架构论文”
• “获取关于可解释性的稀疏自编码器近期研究”

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

---

工作流 0：从研究代码库开始

开始撰写论文时，先了解项目：

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

步骤 1：探索代码库

# 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 — 项目概述和主张
• results/、outputs/、experiments/ — 关键发现
• configs/ — 实验设置
• 现有的 .bib 文件或引用
• 任何草稿文档或笔记

步骤 2：识别现有引用

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"

这些是撰写相关工作部分时的重要起点——科学家已经认定它们与研究相关。

步骤 3：明确研究贡献

动笔前，务必与科学家明确确认：

“根据我对代码库的理解，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阐述角度吗， 还是应该强调其他方面？”

切勿假定论文的叙述角度——务必与人类确认。

步骤 4：搜索更多文献

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。

步骤 5：提交初稿

主动推进——提交完整初稿，而不是逐节征求许可。

如果代码库提供了明确的结果，且贡献显而易见：

1. 检查贡献和结果主张是否通过主张台账关卡
2. 仅针对有依据的主张，从头到尾撰写完整初稿
3. 明确标注缺乏依据或推测性的主张
4. 提交完整初稿以征求反馈
5. 根据科学家的回复进行修改

如果确实不确定论文的阐述角度或主要主张：

1. 撰写有把握的内容
2. 标出具体的不确定之处：“我将 X 作为主要贡献来阐述——如果你更希望强调 Y，请告诉我”
3. 继续撰写初稿，不要因此停滞

随初稿一同提出的问题（而非在撰写前提出）：

• “我重点强调了 X 作为主要贡献——如有需要，请调整”
• “我重点介绍了结果 A、B、C——如果还有更重要的结果，请告诉我”
• “相关工作部分包括 [论文]——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：

• 从研究代码库开始撰写论文
• 起草或修改特定章节
• 开展文献综述并查找相关工作
• 发现研究领域内的近期论文
• 查找并验证相关工作的引用
• 为会议投稿进行排版
• 改投其他出版渠道（格式转换）
• 根据科学家的反馈修改草稿

请始终牢记：初稿是讨论的起点，而非最终成果。

---

工作流：文献研究与论文发现

开展文献综述、查找相关工作或发现近期论文时，请使用此工作流，系统地搜索、评估和筛选机器学习论文。

工作流 5：查找和评估论文

Literature Research Process:
- [ ] Step 1: Define search scope and keywords
- [ ] Step 2: Search arXiv and academic databases
- [ ] Step 3: Screen papers by title/abstract
- [ ] Step 4: Evaluate paper quality (5 dimensions)
- [ ] Step 5: Select top papers and extract citations
- [ ] Step 6: Verify citations programmatically

步骤 1：确定搜索范围

明确具体的研究领域、方法或应用：

• 技术导向：transformer architecture、graph neural networks、self-supervised learning
• 应用导向：medical image analysis、reinforcement learning for robotics、language model alignment
• 问题导向：out-of-distribution generalization、continual learning、fairness in ML

步骤 2：搜索 arXiv

使用有针对性的关键词搜索 arXiv：

URL Pattern:
https://arxiv.org/search/?searchtype=all&query=KEYWORDS&abstracts=show&order=-announced_date_first

Example Searches:
- https://arxiv.org/search/?searchtype=all&query=graph+neural+networks&abstracts=show&order=-announced_date_first
- https://arxiv.org/search/?cat:cs.LG+AND+all:transformer&abstracts=show&order=-announced_date_first

提示：

• 使用 + 组合关键词，表示 AND
• 按类别筛选：cs.LG、cs.AI、cs.CV、cs.CL
• 按 announced_date_first 排序，以查找近期论文
• 如有可用的 Chrome MCP 工具，请用于自动化

步骤 3：筛选论文

根据标题和摘要快速筛选：

• 与研究主题的相关性
• 贡献的新颖性
• 发表场所／作者声誉
• 代码是否可用（查看是否有 GitHub 链接）

步骤 4：评估质量

使用 5 个维度的质量标准：

维度	权重	评估重点
创新性	30%	新颖性和原创性
方法完整性	25%	清晰度和可复现性
实验充分性	25%	验证深度
写作质量	10%	表达清晰度
相关性与影响力	10%	领域重要性

评分：为每个维度打 1-5 分，计算加权总分

步骤 5：选择并提取信息

• 按总分为论文排序
• 选择排名靠前的论文进行详细审阅
• 提取元数据：标题、作者、arXiv ID、摘要
• 记录代码仓库链接

步骤 6：核验引用

对于选定的论文，使用 Semantic Scholar API 核验引用：

• 通过 DOI 以编程方式获取 BibTeX
• 将未经核验的引用标记为 [CITATION NEEDED]
• 在参考文献列表中记录核验状态

何时进行文献研究

在以下情况下使用此工作流：

• 启动新项目：查找相关工作和基线
• 撰写相关工作章节：发现所在领域的近期论文
• 跟进最新进展：追踪所在领域近期发表的论文
• 寻找基线：确定用于比较的最先进方法
• 文献综述：全面调查某个研究领域

质量门槛

• 优秀：4.0+（务必纳入）
• 良好：3.5-3.9（相关时纳入）
• 一般：3.0-3.4（高度相关时纳入）
• 较差：<3.0（除非必不可少，否则排除）

参考文件

有关文献研究的详细指导：

• references/literature-research/arxiv-search-guide.md - arXiv 搜索策略和 URL 模式
• references/literature-research/paper-quality-criteria.md - 详细的 5 维评估标准

---

知识库：Paper-Miner 已安装的写作记忆

此技能与 paper-miner 维护的当前已安装写作记忆共享内容，该记忆也供 Nature 写作、润色、回复和其他学术写作技能使用：

• references/knowledge/paper-miner-writing-memory.md

此记忆属于当前已安装技能的主目录，而非源代码检出副本。

即使在特定仓库中工作时调用 paper-miner，它也只会将挖掘到的写作知识写入当前已安装的技能记忆。除非用户明确要求，否则它不会维护项目本地的写作记忆。

规范记忆结构

维护的记忆包含以下部分：

部分	用途
Writing patterns mined	可复用的修辞模式及论点—证据模式
Structure signals	章节脉络、段落推进和论文组织信号
Reusable phrasing	过渡短语、框架模板和精炼措辞
Venue-specific signals	面向特定发表场所的显性风格和惯例提示
How this helps our writing	为未来草稿、报告和反驳提供实用指导
Source index	挖掘所得论文的来源归属信息

如何维护记忆

paper-miner agent 会阅读论文，并将可复用的写作知识合并到这一个文件中：

You: "Learn writing patterns from this paper: path/to/paper.pdf"
↓
paper-miner analyzes the paper
↓
Extracts reusable writing signals
↓
Updates paper-miner-writing-memory.md
↓
Relevant academic writing skills reuse that memory later

何时使用此记忆

需要以下内容时，请使用当前已安装的 paper-miner 记忆：

• 引言、方法、结果或讨论部分的结构灵感，
• 可复用的过渡短语或框架模板，
• 面向特定发表场所的写作提示，
• 反驳措辞和回复结构思路，
• 了解优秀论文如何支撑论点并安排论述顺序的示例。

默认阅读顺序

使用 ml-paper-writing 起草或修订时，如果任务涉及以下内容，应在写作前阅读此记忆：

• 引言框架，
• 相关工作组织，
• 方法阐述风格，
• 结果叙述，
• 讨论框架，
• 面向特定发表场所的润色。

按以下顺序阅读：

1. 仓库本地证据和实验产物
2. 相关条目存在时，阅读 references/knowledge/paper-miner-writing-memory.md
3. 如有需要，阅读引用的论文或笔记
4. 发表场所模板和格式要求

有针对性地阅读，不必通读：

• 先浏览 How this helps our writing，
• 然后查看 Writing patterns mined 和 Structure signals，
• 只有在需要具体措辞帮助时才查看 Reusable phrasing，
• 目标发表场所明确时，使用 Venue-specific signals。

贡献规则

paper-miner 挖掘的每篇论文都应改进同一份当前已安装的记忆。

不要将新挖掘的知识分散到多个维护文件中。 不要创建项目专属的 paper-miner 记忆。 不要重复同一来源中近乎相同的模式。

详细的知识库约定请参见 references/knowledge/README.md。

主动性与协作之间的平衡

默认做法：主动推进。先交付草稿，再迭代。

信心水平	行动
高（仓库情况明确，贡献方向清晰）	撰写完整草稿，交付后根据反馈迭代
中（存在一些模糊之处）	撰写草稿并标出不确定之处，继续推进
低（存在重大未知因素）	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（不要提前提问）：

部分	自主起草	随草稿标注
摘要	是	“将贡献定位为 X——如有需要请调整”
引言	是	“重点强调了问题 Y——如有错误请指正”
方法	是	“纳入了细节 A、B、C——请补充遗漏之处”
实验	是	“突出了结果 1、2、3——如有需要请调整顺序”
相关工作	是	“引用了论文 X、Y、Z——如有遗漏请补充”

仅在以下情况暂停并等待输入：

• 目标发表场所不明确（会影响页数限制和论述框架）
• 存在多种相互矛盾且同样合理的论述框架
• 结果似乎不完整或不一致
• 明确要求继续前先进行审核

不要因以下事项而暂停：

• 措辞选择
• 章节顺序
• 具体展示哪些结果（自行选择并标注）
• 引文是否完整（根据已找到的内容起草，并注明缺口）

---

叙事原则

最关键的一点：你的论文不是一组实验，而是一个有明确贡献并由证据支撑的故事。

每篇成功的 ML 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，并能让读者有所收获。

三大支柱（必须在引言结束前阐述清楚）：

支柱	描述	示例
是什么	1-3 个围绕统一主题的具体创新主张	“我们证明了在条件 Z 下，X 能实现 Y”
为什么	支持这些主张的严谨实证证据	强有力的基线、能够区分不同假设的实验
有何意义	为什么读者应该关注	与社区认可的问题相关联

如果你无法用一句话陈述自己的贡献，那你还没有一篇真正的论文。

---

论文结构工作流

工作流 1：撰写完整论文（迭代）

复制此检查清单并跟踪进度。每个步骤都包括起草 → 反馈 → 修改：

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

此步骤需要科研人员明确确认。

在写任何内容之前，先阐述并确认：

• 你的论文贡献的唯一内容是什么？
• 在你的工作之前，哪些内容并不显而易见或尚不存在？

“我建议将贡献概括为：‘[一句话]’。这是否准确表达了你认为最重要的结论？是否需要调整侧重点？”

步骤 2：起草图 1

图 1 值得特别关注——许多读者会直接跳到这里。

• 传达核心思想、方法或最有说服力的结果
• 使用矢量图形（绘图使用 PDF/EPS）
• 编写脱离正文也能独立理解的图注
• 确保黑白打印时仍清晰易读（8% 的男性存在色觉缺陷）

步骤 3：撰写摘要（5 句话公式）

来自 DeepMind 的 Sebastian Farquhar：

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“大语言模型已取得令人瞩目的成功……”之类的泛泛开场白。

步骤 4：撰写引言（最多 1-1.5 页）

必须包含：

• 2-4 条贡献列表（双栏格式中每条最多 1-2 行）
• 清晰的问题陈述
• 简要的方法概述
• 最迟在第 2-3 页开始介绍方法

步骤 5：方法部分

确保他人能够重新实现：

• 概念性概述或伪代码
• 列出所有超参数
• 提供足以复现的架构细节
• 展示最终设计决策；消融实验放在实验部分

步骤 6：实验部分

对每项实验，明确说明：

• 它支持什么主张
• 它与主要贡献有何关联
• 实验设置（详情见附录）
• 需要观察什么：“蓝线表示 X，这证明了 Y”

要求：

• 给出误差条及其计算方法（标准差还是标准误）
• 超参数搜索范围
• 计算基础设施（GPU 类型、总时长）
• 随机种子的设置方法

步骤 7：相关工作

按方法组织，而不是逐篇论文介绍：

较好：“一类工作采用 Floogledoodle 的假设 [refs]，而我们采用 Doobersnoddle 的假设，因为……”

较差：“Snap 等人提出了 X，而 Crackle 等人提出了 Y。”

充分引用——审稿人很可能撰写过相关论文。

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，坦诚会有所帮助：

• 审稿人被要求不要因诚实承认局限性而扣分
• 通过主动指出弱点，提前回应批评
• 解释为什么这些局限性不会削弱核心主张

步骤 9：论文检查清单

NeurIPS、ICML 和 ICLR 都要求提供论文检查清单。请参阅 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，然后再在其中撰写。

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：复制整个模板

# 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：请复制整个目录，而不只是 main.tex。模板包含：

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

步骤 2：先确认模板可以编译

在进行任何更改之前，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

如果未修改的模板无法编译，请先修复。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

不要立即删除所有示例内容。请改为：

% 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

系统地撰写论文：

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

对于每个章节：

1. 阅读模板中的示例内容
2. 留意其中使用的特殊格式或宏
3. 按照相同的模式替换为你的内容
4. 经常编译，以便及早发现错误

步骤 5：使用模板宏

模板通常会定义一些实用宏。请检查导言区中的：

% 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：最后再清理

仅在论文接近完成时移除模板文件：

% 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

应避免的模板陷阱

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	切勿编辑样式文件
随意添加宏包	产生冲突，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	完成前将其保留为注释
不经常编译	错误不断累积	每完成一节就编译

模板速查表

会议	主文件	关键样式文件	备注
NeurIPS 2025	main.tex	neurips.sty	包含 Makefile
ICML 2026	example_paper.tex	icml2026.sty	包含算法宏包
ICLR 2026	iclr2026_conference.tex	iclr2026_conference.sty	包含 math_commands.tex
ACL	acl_latex.tex	acl.sty	格式要求严格
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

---

会议论文重新投稿与格式转换

当论文被某个投稿 venue 拒稿或撤稿后，重新投稿到另一个 venue 时，需要进行格式转换。这是机器学习研究中的常见工作流。

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

步骤 1：模板的主要差异

从 → 到	页数变化	主要调整
NeurIPS → ICML	9 → 8 页	缩减 1 页；如缺少 Broader Impact，则添加该部分
ICML → ICLR	8 → 9 页	可扩展实验，添加 LLM 使用披露
NeurIPS → ACL	9 → 8 页	按 NLP 惯例重组，添加 Limitations
ICLR → AAAI	9 → 7 页	需要大幅删减，并严格遵守格式要求
任意会议 → COLM	不定 → 9 页	调整论文框架，突出语言模型

步骤 2：迁移内容（而非合并模板）

切勿在不同模板之间复制 LaTeX 导言区。 应改为：

# 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

步骤 3：调整以符合页数限制

需要删减页数时（例如，从 NeurIPS 的 9 页调整为 AAAI 的 7 页）：

• 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）
• 将相似实验合并为统一的表格
• 使用尺寸更小的图表，并采用子图
• 精简行文：删去冗余内容，使用主动语态

需要扩充内容时（例如，从 ICML 的 8 页调整为 ICLR 的 9 页）：

• 添加审稿人要求的消融研究
• 扩展局限性讨论
• 补充其他基线
• 添加定性示例

步骤 4：根据会议要求进行调整

目标会议	必须补充的内容
ICML	Broader Impact Statement（结论之后）
ICLR	LLM 使用披露、互惠审稿协议
ACL/EMNLP	Limitations 部分（必需）、Ethics Statement
AAAI	严格遵守样式文件（不得修改）
NeurIPS	论文清单（附录）；若获接收，则添加通俗摘要

步骤 5：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

步骤 6：处理以往的审稿意见

被拒后重新投稿时：

• 应当在新版本中回应审稿人的意见
• 应当补充审稿人要求的实验或说明
• 不要加入“与先前投稿版本的差异”部分（盲审要求）
• 不要提及先前的投稿或审稿意见

常见的格式转换陷阱：

• ❌ 复制 \usepackage 命令（会导致冲突）
• ❌ 保留旧会议的页眉或页脚命令
• ❌ 忘记更新 \bibliography{} 路径
• ❌ 遗漏会议要求的特定部分
• ❌ 更改格式后超出页数限制

---

引用工作流（防止幻觉）

⚠️ 重要：AI 生成的引用是高风险错误来源。切勿凭记忆编写 BibTeX。

权威依据

默认以 references/citation-workflow.md 作为引用核验依据。

默认核验流程如下：

1. 适当时，使用 Semantic Scholar / CrossRef / arXiv / OpenAlex 以编程方式搜索。
2. 对重要的主张，使用两个来源核实文献是否存在。
3. 通过 DOI 或可信来源以编程方式获取 BibTeX。
4. 如果引用用于支持特定论述，则根据论文实际内容验证该论述。
5. 只有在核实元数据和论述后，才添加引用。

黄金法则

IF you cannot verify a citation programmatically:
    -> 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:
- [ ] Step 1: Search with Semantic Scholar / CrossRef / arXiv / OpenAlex as appropriate
- [ ] Step 2: Confirm title, authors, year, and venue
- [ ] Step 3: Retrieve BibTeX from DOI, arXiv, or another trusted export path
- [ ] Step 4: Verify that the claim being cited actually appears in the source
- [ ] Step 5: Add verified BibTeX to the bibliography
- [ ] Step 6: If any step fails -> mark as placeholder and report it explicitly

发现来源与权威依据

• 编程接口是标准核验途径。
• 如果覆盖范围不足，可将 Google Scholar 用作人工发现入口，但不能作为主要权威依据。
• 如果 Google Scholar 找到的内容未被标准接口收录，应将其视为线索，并进一步明确核验。

总结：引用规则

情况	操作
元数据已核验 + BibTeX 已核验 + 论断已核验	✅ 使用该引用
已确认论文存在，但论断未经核查	⚠️ 仅用于一般性归属，不用于精确的技术论断
检索入口显示可能有相关论文，但元数据仍不充分	⚠️ 将其作为线索，而非最终引用
无法通过程序核验	❌ 标记为 [CITATION NEEDED]，并告知科学家

🚨 绝不要凭记忆生成 BibTeX。请使用 references/citation-workflow.md 中的程序化工作流。🚨

完整引用工作流示例

场景：你需要引用 Transformer 论文。

Step 1: Search programmatically
- Semantic Scholar query: "Attention is All You Need Vaswani 2017"
- Result: title, authors, year, and DOI align

Step 2: Verify existence
- CrossRef confirms DOI metadata
- Semantic Scholar record matches the same paper

Step 3: Retrieve BibTeX
- Fetch BibTeX from the DOI / trusted export path

Step 4: Verify the claim
- Read the abstract or paper section that supports the cited statement
- Confirm that the claim being cited is actually present

Step 5: Add to bibliography
- Paste verified BibTeX into the .bib file
- Cite with the verified key

Step 6: If any step fails
- mark the citation as [PLACEHOLDER - VERIFY]
- tell the scientist explicitly what remains unverified

---

常见问题及解决方案

问题：摘要过于笼统

如果第一句话可以放在任何一篇 ML 论文开头，就删除它。从你的具体贡献开始写。

问题：引言超过 1.5 页

将背景内容拆分到相关工作中。优先列出贡献要点。方法部分应在第 2–3 页开始。

问题：实验缺少明确论断

在每项实验之前添加一句话：“本实验用于检验 [specific claim]……”

问题：审稿人觉得论文难以理解

• 添加明确的引导语：“在本节中，我们展示 X”
• 全文使用一致的术语
• 添加能够独立说明内容的图注

问题：缺少统计显著性

务必包含：

• 误差线（注明：标准差或标准误）
• 运行次数
• 比较方法时进行统计检验

---

审稿人评估标准

审稿人会从四个维度评估论文：

标准	审稿人关注点
质量	技术可靠性、论断有充分依据
清晰度	行文清晰，专家能够复现
重要性	对社区的影响、推动认知进展
原创性	新见解（不要求提出新方法）

评分（NeurIPS 6 分制）：

• 6：强烈接收——具有开创性，无可挑剔
• 5：接收——技术扎实，影响力大
• 4：边缘接收——内容扎实，评估有限
• 3：边缘拒绝——内容扎实，但缺点更多
• 2：拒绝——存在技术缺陷
• 1：强烈拒绝——结果已知或存在伦理问题

详细的审稿人指南请参阅 references/reviewer-guidelines.md。

---

表格和图

如果任务是生成或重新设计可用于论文的图表本身，请使用 publication-chart-skill；ml-paper-writing 负责图注质量、位置、叙事脉络以及与论文的整合。

表格

使用 LaTeX 的 booktabs 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：

• 每项指标中最佳值加粗
• 添加方向符号（↑ 越高越好，↓ 越低越好）
• 数值列右对齐
• 小数位数保持一致

图

• 所有绘图和示意图均使用矢量图形（PDF、EPS）
• 光栅图像（PNG，600 DPI）仅用于照片
• 使用色盲友好型调色板（Okabe-Ito 或 Paul Tol）
• 检查灰度下的可读性（8% 的男性存在色觉缺陷）
• 图内不加标题——由图注承担此功能
• 图注应自成一体——读者无需阅读正文也能理解

---

参考资料与资源

参考文档（深入介绍）

文档	内容
writing-guide.md	Gopen & Swan 的 7 条原则、Ethan Perez 的微观技巧、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、答辩
sources.md	所有来源的完整参考书目
文献调研：
arxiv-search-guide.md	arXiv 搜索策略、URL 模式、Chrome MCP 自动化
paper-quality-criteria.md	论文 5 个维度的评估标准（创新性、方法、实验、写作、影响力）

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 扩展和 TeX Live → 保存即可自动编译
• 命令行：latexmk -pdf main.tex，或使用 pdflatex + bibtex 工作流
• 在线：上传到 Overleaf

详细的设置说明请参阅 templates/README.md。

主要外部来源

写作理念：

• Neel Nanda：如何撰写 ML 论文 - 叙事、“是什么/为什么/有何意义”
• Farquhar：如何撰写 ML 论文 - 五句式摘要
• Gopen & Swan：科学写作的科学 - 读者预期的 7 条原则
• Lipton：科学写作的启发式方法 - 用词选择
• Perez：轻松撰写论文的技巧 - 微观层面的清晰表达

API： Semantic Scholar | CrossRef | arXiv

会议： NeurIPS | ICML | ICLR | ACL