NeurIPS 2025 全景解读：年度AI研究图谱详解

NeurIPS 2025论文名单已公布——信息量堪称海量。这份交互式图谱（建议在电脑端浏览）通过聚类分析、摘要生成和LLM解读，助您轻松纵览全局研究态势。

点击探索NeurIPS 2025（建议电脑端浏览）

该可视化项目深度融合Cohere的生成与嵌入模型，结合下文工作流，实现了对海量文本的高效探索。最终数据通过定制化datamapplot进行可视化呈现。

突破信息过载：探索前沿势在必行

NeurIPS作为顶级机器学习会议，汇集了大量前沿研究成果。根据多次参会经验，挑战主要体现在三方面：

1. 时效性落差：从5月投稿截止到12月会议召开期间，机器学习领域往往已迭代演进。提前研读论文至关重要
2. 规模压力：需要更高效的工具应对信息过载，AI与可视化的有机结合正成为破局关键
3. 跨域壁垒：LLM能以通俗语言化解不同领域研究的理解障碍

过去几年我持续构建简易交互图谱辅助论文探索。随着录用名单的公布，特此分享可视化工具供大家自主探索。

左侧浏览主题层级，右侧直接操控图谱

放大可显示细粒度聚类名称，展开顶层分类能揭示内部主集群。点击主题树中的集群名称可聚焦对应区域。集群命名由LLM生成后经人工修订。

放大显示更精细的研究领域划分

将鼠标悬停在论文节点上，即可显示标题和摘要。在此基础上，本项目进一步提供了LLM提取的摘要、问题陈述、方法论，以及我最钟爱的通俗解释(ELI5)——这在跨领域探索时尤为实用。

悬停显示论文标题、作者、摘要等详细信息

工具提示框不仅展示摘要，还提供结构化解析内容。

除标题摘要外，还可阅读LLM生成的总结、通俗解读、问题陈述、方法论与实践应用

三大主题：大语言模型、多模态与强化学习
这三个方向不仅自成庞大集群，还渗透至其他领域（通过多标签分类实现论文跨集群归属）。据估算，28%的论文以多模态为主要研究方向，13%聚焦强化学习（存在交叉），评估类与推理类论文各占13%。

LLM推理研究激增。由于O1模型发布，推理成为NeurIPS 2024的热议话题，本届会议果然延续此趋势。共有766篇论文以推理为核心议题。

推理成为2025年最具突破性的主题之一

扩散模型与LLM、强化学习共筑会议三大支柱
图谱上部主要为计算机视觉与多模态研究，西部区域集中呈现扩散模型的多元探索。

计算机视觉成为文本之后的第二大模态，在生成与表征领域均有重要子类

主题树中多个扩散模型相关集群印证此趋势。

万物皆可扩散

在科学领域板块，通俗解释(ELI5)功能表现突出。我的典型使用流程是：先阅读摘要，若存在理解障碍则参考通俗解释，再重新阅读摘要——这种切换通常能有效打通理解屏障。

以下案例典型展示了AI在解析复杂概念方面的辅助作用。这种拓展人类认知能力的应用前景广阔。

通俗解释助力理解陌生领域（专业延伸：薛定谔桥问题解析）

另一案例：

先读摘要，不懂则切换通俗解释，再回读摘要——理解障碍迎刃而解

本方案针对性运用AI破解文本集阅读难题。

个体文本分析

部分处理步骤应用于单个文本，部分作用于群体（集群）以辅助导航：

• 文本提取
• 分类
• 问答
• 摘要生成

文本到文本模型的优势在于单步完成多任务：只需准备提示模板，为每篇论文注入模板，最终生成5,787条提示（对应会议录用论文数）。

批量分析通过提示模板实现，待分析文本注入模板后提交给LLM

批量提示处理能力超出了常规Playground的功能范围。考虑到成本因素，目前尚不宜委托多智能体执行，通常由人工触发脚本或工作流。

细粒度聚类

三年前撰写的《通过文本聚类从万篇Hacker News帖子中挖掘洞察》与本次流程高度契合：

嵌入捕获文本信息，UMAP实现相似文本邻近分布的可视化

摘要经嵌入表示后，先通过UMAP将嵌入向量降维至二维空间，再使用K-Means算法进行聚类。集群名称由模型生成。

UMAP步骤虽导致嵌入信息大量损失，但为保障图谱连贯性（确保集群真正聚集）可接受此妥协。其他场景可选择直接聚类嵌入或降维至中间维度。

更多技术细节可参阅《动手学大语言模型》第五章。

层级聚类：小集群合并为大类

通过向量绘图清晰呈现聚类效果：

双层聚类实现层级命名（类似谷歌地图的城市/国家层级）

第二网格中的小圆点为K-Means生成的聚类中心点。对这些中心点再次聚类可产生10个顶层类别。

集群命名

嵌入模型与生成模型在此协同工作：基于聚类结果与摘要，由生成模型为每个集群命名。可选择使用完整摘要或前步生成的摘要。

LLM通过提取与集群命名等多任务丰富流程

除抽样命名外还有多种命名技巧。最终数据接入datamapplot并通过参数定制完成可视化。

本工作流凸显了流程间上下文管理的重要性。提示工程与上下文工程成为LLM流水线的关键环节。

前步产生的集群名称可能重复：若模型仅接触单个集群论文，相邻集群可能均被命名为"LLM推理"。

模型仅根据单集群论文进行命名

解决方案包括：打包多集群论文一次性命名所有集群。

模型接触多集群文本可获得全局视野，但可能超出上下文长度限制

若数据量适配上下文长度此法可行。另一种分步方案：1）基于单集群初步命名 2）在全局视角下二次修订。

两阶段命名兼顾专注度与全局观

本方案采用此方法，因其与顶层集群（类别）命名步骤自然契合。首次命名时模型专注单个集群，二次命名通过集群描述（含足够细节）实现上下文传递，避免信息过载。

提示模板结构如下：

第二步骤同时完成顶层命名与底层集群去重优化

由于调用次数有限，可启用Command-A Reasoning等高级模型进行推理。以下为类别命名的推理轨迹示例：

对于顶层类别命名，需要概括此主题。想到"LLM推理"和"评估"等术语。由于该类别属于更广泛的ML研究集合，需要保持特异性。"**LLM推理与评估**"能同时覆盖开发与评估层面，较为合适。

Command A、Command A Reasoning和Embed 4于2025年初发布。可通过55页的Command A技术报告了解其构建细节。

本方案仅为可行路径之一，仍有优化空间。希望更多人投身于赋能个体超人类处理信息的创新方法与界面研发。

需进一步突破的方向包括：

• 细粒度集群审核自动化：当前通过Excel人工审核，随着集群数量增长需工具辅助
• 噪声处理优化：HDBSCAN或有助益。目前仍采用K-Means初筛后剔除小规模集群（虽语义相关但可能非连贯群体）
• 多拓扑切换界面：datamapplot已支持部分功能，计划深入探索

致谢

感谢Adrien Morisot、Ahmet Ustun、Case Ploeg、Eugene Cho、Irem Ergun、Keith Hall、Komal Kumar Teru、Madeline Smith、Nick Frosst、Patrick Lewis、Rafid Al-Humaimidi、Sarra Habchi、Sophia Althammer、Suhas Pai、Thomas Euyang、Trent Fowler和Varun Kumethi提供的反馈与讨论。

您曾尝试过类似方法吗？欢迎在评论区分享经验！