1. 这件事到底在说什么从投稿积压看学术预印本的审核困境ArXiv 对投稿做限流这件事其实在学术圈里已经不算什么秘密了。如果你最近一年有往 ArXiv 投过稿大概率会注意到一个现象以前提交完可能几个小时就上线了现在动不动就要等一两天甚至更久。更明显的是某些分类下的投稿开始被要求“先审核再发布”而不是像过去那样“先发布后抽查”。这套机制变化的背后核心原因就一个投稿量涨得太快而人工审核和系统承载能力跟不上。那为什么突然涨得这么快答案绕不开大模型和 LLM 这波浪潮。自从大语言模型的能力普及之后写一篇“看起来像模像样”的论文门槛被拉到了历史最低。以前你要写一篇预印本至少得懂领域背景、会做实验、能画图、能写公式、能组织参考文献。现在呢一个稍微懂点提示词的人可以让模型在几分钟内生成一篇结构完整、摘要通顺、公式排版规整的“论文”。质量先不论至少形式上它像那么回事。于是 ArXiv 的投稿入口就被大量低质量、重复性高、甚至完全由 AI 生成的稿件淹没了。这就是大家常说的“AI Slop”——AI 生成的垃圾内容。它不一定违法也不一定明显违规但它稀释了整个平台的信噪比。对于 ArXiv 这种靠声誉和社区自律运转的预印本平台来说这是致命的。因为 ArXiv 的核心价值不是“发布”而是“可信的发布”。一旦读者开始怀疑上面大量内容是不是 AI 灌水平台的信任基础就会松动。所以限流不是目的而是一种被迫的自我保护。它要解决的不是“投稿太多”这个表面问题而是“如何在不牺牲开放性的前提下把明显没有学术价值的稿件挡在门外”。这件事对几类人影响最大一是真正做研究、需要快速发布预印本的研究者二是依赖 ArXiv 做文献检索和趋势跟踪的从业者三是那些把 ArXiv 当作 LLM 训练数据来源的工程团队。如果你属于其中任何一类理解这套限流机制背后的逻辑就不是看热闹而是关系到你自己的工作流。2. 限流背后的技术逻辑ArXiv 到底在防什么2.1 投稿量激增的真实来源拆解要理解限流先得看清楚投稿量到底从哪来。根据社区里长期观察 ArXiv 的开发者反馈增量主要来自三个方向。第一类是“提示词工程式论文”。这类稿件的典型特征是标题很宏大摘要很流畅引言部分把领域历史梳理得头头是道但到了方法部分就开始含糊实验部分要么缺失要么用一些无法复现的设定。整篇读下来你会觉得“好像说了什么又好像什么都没说”。这类稿件很多就是让 LLM 直接生成的作者可能只做了少量润色。第二类是“批量灌水式投稿”。有些人会针对同一个主题用模型生成多个变体改改标题、换换摘要就当成多篇论文投出去。目的可能是为了增加个人产出数量也可能是为了测试平台审核边界。这类稿件的特点是相似度极高查重工具一跑就能看出来。第三类是“会议/期刊被拒后的转投”。这本来是很正常的学术行为预印本平台就是干这个的。但当第一类和第二类稿件大量涌入后正常转投的稿件也被拖慢了审核节奏形成了连锁反应。注意ArXiv 的限流并不是针对某个国家或某个机构而是基于投稿行为模式做整体调控。所以不要把它理解成“针对谁”它针对的是“行为”。2.2 为什么传统审核机制扛不住ArXiv 过去的审核模式简单说就是“轻审核 社区举报”。大部分稿件提交后会自动发布只有少数被标记的才会进入人工审核队列。这套模式在投稿量温和增长的时代是有效的因为社区自律能起到很大作用。你发一篇明显灌水的论文同行看到了会在邮件列表里吐槽你的声誉就受损了。但 LLM 改变了这个博弈。当生成一篇“形式合格”的论文成本趋近于零时声誉惩罚的威慑力就下降了。因为灌水者可能根本不在乎声誉他们用的是一次性身份或者压根不在学术圈里混。这时候平台如果还依赖“事后举报”就会陷入“先污染后治理”的被动局面。等社区发现并举报时垃圾稿件已经在平台上挂了好几天甚至已经被爬虫抓走、被模型训练进去了。所以 ArXiv 必须把防线前移从“事后抽查”转向“事前拦截”。而事前拦截最直接的手段就是限流降低单位时间内的投稿通过量给审核队列争取时间。2.3 限流的具体表现形式从实际观察来看限流并不是一个单一动作而是一组策略的组合。常见的表现包括投稿频率限制同一账号在短时间内提交多篇稿件时会被要求等待或触发人工审核。分类准入收紧某些热门分类如 cs.AI、cs.CL、cs.LG的新投稿默认进入审核队列而不是直接发布。元数据校验加强对作者列表、机构信息、参考文献格式做更严格的自动检查异常的直接打回。重复内容检测对摘要和正文做相似度比对和已有稿件高度重合的会被拦截。这些策略单独看都不复杂但组合起来就能有效降低垃圾稿件的通过率。代价就是正常投稿的等待时间变长了。3. 对普通研究者和开发者的实际影响3.1 投稿节奏被迫改变以前很多人习惯“先投 ArXiv 占坑再投会议”。因为预印本发布快可以抢一个时间戳证明自己是最早做的。现在这个策略没那么好用了。如果投稿后要等两三天才上线那“占坑”的意义就被削弱了。尤其是那些竞争激烈的方向两三天足够别人也把类似工作挂出来。所以现在更稳妥的做法是提前规划投稿时间不要把 ArXiv 当作“最后一分钟”的发布渠道。如果你确定要投某个会议最好在截稿前一周就把预印本准备好留出审核缓冲期。另外投稿时尽量保证元数据完整、格式规范减少被自动系统打回的概率。3.2 文献检索需要新的过滤策略对于依赖 ArXiv 做文献跟踪的人来说限流带来的一个副作用是新稿件的上线时间变得不确定传统的“每天刷一遍最新列表”可能不再够用。因为你不知道今天没看到的那篇是还没审核完还是压根没投。更麻烦的是即使稿件上线了你也要花更多精力去判断它是不是 AI 灌水。以前你扫一眼标题和摘要就能决定要不要精读现在很多 AI 生成的摘要写得比真人还“漂亮”但点进去发现没有实质内容。这就要求检索策略从“看标题”升级到“看方法看实验看代码”。一个实用的做法是优先关注有代码仓库、有数据集链接、有明确实验对比的稿件。AI 灌水稿件通常不会附带可运行的代码因为生成代码并调试通过的成本远高于生成文字。所以“有没有可复现资产”是一个很好的过滤信号。3.3 把 ArXiv 当训练数据源的团队要警惕很多做 LLM 训练的团队会把 ArXiv 当作高质量语料来源。这个逻辑在过去是成立的因为 ArXiv 上的论文整体质量较高格式规范适合做预训练或微调。但现在这个假设需要打折扣了。如果 ArXiv 上混入了大量 AI 生成的低质量稿件而你直接用全量数据去训练模型就可能学到那些“看似专业但逻辑空洞”的表达模式。更隐蔽的风险是“模型自噬”。如果 AI 生成的论文被用来训练下一代 AI而下一代 AI 又生成更多论文就会形成一种退化循环。短期内可能看不出来但长期会导致模型输出越来越同质化、越来越缺乏真正的洞察。所以如果你的训练管线依赖 ArXiv建议增加一道过滤用困惑度、重复率、引用网络等指标筛掉可疑稿件。不要直接全量吃进去。4. 平台、作者、读者三方博弈下的可行方案4.1 平台侧限流只是开始不是终点限流能争取时间但不能从根本上解决问题。因为只要生成成本足够低投稿量就会持续增长。所以平台迟早要引入更智能的审核辅助工具。比如用分类模型先筛一遍把明显异常的稿件挑出来再交给人工复核。这样人工只需要处理“疑似”稿件而不是全部稿件。另一个方向是强化作者身份验证。不是说要搞实名制而是通过机构邮箱、ORCID、历史投稿记录等信号给作者建立一个信誉分。信誉高的作者可以走快速通道信誉低或新注册的账号则进入更严格的审核队列。这套逻辑在很多内容平台已经跑通了ArXiv 完全可以借鉴。4.2 作者侧如何让自己的稿件不被误伤如果你是真做研究的最担心的就是被限流误伤。要降低这种概率可以从几个细节入手。摘要不要写得太“模板化”AI 生成的摘要往往有固定的句式结构比如“本文提出了一种……方法通过……实现了……实验表明……”。如果你的摘要也是这个套路可能会被自动系统标记。适当加入具体的数据、具体的场景、具体的限制条件让摘要看起来更像“人写的”。方法部分要有可验证的细节不要只写“我们使用了 Transformer”要写清楚层数、头数、训练数据规模、超参数范围。这些细节 AI 很难凭空编得合理。附上代码或数据链接这是最强的“非 AI”信号。哪怕代码还没整理好放一个占位仓库也比什么都没有强。检查参考文献AI 生成的参考文献经常有格式错误、年份不对、作者名拼错等问题。提交前用工具跑一遍确保每一条都能对上。提示ArXiv 的审核人员也是人他们每天看大量稿件对“AI 味”其实很敏感。你的稿件只要在细节上体现出真实的实验痕迹通过审核的概率就会高很多。4.3 读者侧建立自己的质量过滤漏斗作为读者你没法改变平台规则但可以优化自己的信息获取方式。我自己的做法是分三层过滤。第一层是来源过滤优先看那些有稳定投稿记录的作者或者来自知名研究机构的稿件。这不是迷信权威而是降低筛选成本。第二层是结构过滤快速扫一遍方法部分和实验部分。如果方法部分只有一段话实验部分只有一张表大概率不值得精读。第三层是复现过滤看有没有代码、有没有数据、有没有详细的超参数说明。三者至少有一样才值得花时间深入。这套漏斗跑下来你每天需要精读的稿件可能从几十篇降到几篇但信息质量会高很多。5. 从工程视角看如何构建自己的论文过滤与追踪系统5.1 数据采集层的设计如果你不想手动刷 ArXiv可以自己搭一套追踪系统。最基础的做法是用 ArXiv 提供的 API 拉取每日新稿然后存到本地数据库。这里要注意的是API 本身也有频率限制所以不要写死循环去拉要加退避策略。一个简单的采集流程是这样的import arxiv import time client arxiv.Client( page_size100, delay_seconds3, num_retries5 ) search arxiv.Search( querycat:cs.AI OR cat:cs.CL, max_results500, sort_byarxiv.SortCriterion.SubmittedDate ) for result in client.results(search): # 存入数据库或文件 save_to_db(result) time.sleep(0.5)这段代码的关键参数是delay_seconds和time.sleep。前者控制 API 请求间隔后者控制处理节奏。不要为了快而把间隔设得太小否则容易被限流反而更慢。5.2 过滤层的指标选择采集到数据后下一步是过滤。我常用的指标有这么几个指标作用阈值建议摘要长度过短或过长都可疑150-300 词作者数量单作者且无机构信息需警惕结合机构判断参考文献数量过少说明调研不足少于 10 篇标记代码链接有代码的优先有则加分分类交叉跨太多分类可能不专注超过 3 个分类标记这些指标单独看都不绝对但组合起来能筛掉大部分低质量稿件。你可以根据自己的领域特点调整阈值。5.3 推送层的实现过滤完之后你需要一个推送机制。最简单的就是每天生成一份摘要邮件或者推送到自己的即时通讯工具。我自己的做法是生成一个 Markdown 文件按相关性排序然后手动扫一遍。这样既不会漏掉重要稿件也不会被通知轰炸。如果你用 LLM 做辅助摘要要注意一点不要让 LLM 直接判断“这篇论文好不好”因为它很容易被流畅的文字骗到。更好的做法是让 LLM 提取结构化信息比如“方法是什么”“实验在哪些数据集上做的”“有没有对比基线”然后你自己根据这些信息做判断。6. 常见问题与实操避坑指南6.1 投稿被卡住了怎么办先看系统提示。如果是格式问题按提示改完重新提交就行。如果是进入人工审核那就只能等。这时候不要反复提交因为重复提交可能会触发更严格的限制。如果等了超过一周还没消息可以发邮件询问但语气要礼貌说明自己的稿件编号和提交时间。6.2 如何判断一篇稿件是不是 AI 灌水我自己的经验是看三个地方。第一看引言的最后一段AI 生成的引言往往在最后一段突然跳到“本文贡献”过渡很生硬。第二看实验部分的表格AI 生成的表格经常有数字对不上、单位缺失、行列不匹配的问题。第三看结论AI 生成的结论经常重复摘要里的话没有新的信息量。6.3 自己用 LLM 辅助写作的边界在哪用 LLM 润色语言、整理参考文献、生成图表代码这些都没问题。但不要让 LLM 替你生成核心论点、实验设计和结果分析。因为这些东西需要真实的领域判断LLM 给不了。而且一旦被发现有 AI 生成的核心内容后果可能比你想的严重。ArXiv 虽然不像期刊那样有严格的撤稿机制但声誉损失是实打实的。6.4 限流会不会越来越严短期看会。因为生成成本还在降投稿量还会涨。但长期看平台一定会引入更智能的审核工具把限流从“一刀切”变成“精准拦截”。到那时候正常投稿的体验可能会回升。但在那之前做好心理准备把投稿周期拉长把质量做扎实是最稳妥的策略。7. 我个人在实际操作中的几点体会我自己的投稿习惯在这波限流之后改了不少。以前是写完就投现在会多花半天时间检查格式、补全元数据、确认参考文献。这半天看起来是额外成本但比起被卡住几天甚至被打回重来其实更划算。另外我现在会定期清理自己的 ArXiv 订阅列表。以前是见一个订一个现在只留真正相关的几个分类。因为信息过载比信息不足更可怕它会让你产生“我在学习”的错觉实际上只是在消耗注意力。最后分享一个小技巧如果你经常需要查某篇论文是不是已经被 ArXiv 收录可以用 DOI 反查。很多期刊论文在正式发表前会在 ArXiv 挂预印本通过 DOI 能快速定位到预印本页面比在 ArXiv 站内搜索快得多。这个习惯帮我省了不少时间。