每日自动追踪 arXiv 大模型前沿论文 · 34 家 AI 公司专栏 · 模型发布时序 · 学习路径
A self-updating intelligence hub for LLM research — papers, company watch, model timeline & learning path
每天 5 分钟,跟上大模型世界的每一天。 arXiv 每天新增上百篇 AI 论文,没人读得完——这个站点替你读:自动抓取、自动分类、自动生成中文笔记,还把 OpenAI、DeepSeek、Qwen 等 34 家公司的官方论文单独归档。零后端、零成本,纯静态 + GitHub Actions 驱动。
- 信息过载:arXiv 上 LLM 相关论文日均数十篇,刷 Twitter / 微信群追进展既碎又累
- 英文门槛:大量论文只有英文标题和摘要,快速判断「值不值得读」成本高
- 公司动态分散:OpenAI、Google、DeepSeek 等大厂的技术报告散落在各处,没有统一的追踪入口
- 模型爆炸:每家都在发模型,版本号眼花缭乱,缺一张「谁、什么时候、发了什么」的全景图
「大模型情报局」就是为这四个痛点造的:一个页面,看尽全局。
- 13,000+ 篇 LLM 相关论文并持续增长,GitHub Actions 每日 UTC 01:00 自动抓取 arXiv
- 支持中英文搜索(标题/作者/关键词)、主题筛选、年份筛选
- 三种排序:最新日期 / 引用量 / 标题;高引用论文(≥1000)绿色高亮
- ⭐ 收藏功能,基于 localStorage,无需登录,换页不丢
- 追踪 34 家 AI 公司:OpenAI、Google、Meta、Anthropic、xAI、Mistral、DeepSeek、Qwen、Moonshot、Zhipu、MiniMax、ByteDance、Tencent、Huawei、Nvidia……
- 每篇公司论文都经过作者单位关键词校验,不是标题撞名就收,最大限度避免误标
- 侧栏时间轴按公司品牌色着色,可拖拽滚动,点击直达 arXiv
- 每日新论文由 LLM 自动生成中文标题 + 一句话笔记,30 秒判断论文在做什么
- 可选功能:不配 API Key 也能正常运行,只是没有中文笔记
RAG · Agent · MCP · Reasoning · Multimodal · Fine-tuning · Safety · LLM
主题页一屏总览各方向论文数量,点击主题卡直达筛选结果。
- GitHub 贡献图风格的年度论文热力图,哪几天论文爆发一目了然
- 年 / 月 / 周三级视图,点击格子查看当日全部论文
- 顶部统计卡:总论文数、今年收录、本月新增、今日新增
- 248 个模型系列的发布全景,数据来自 arXiv 追踪库与官方发布
- 按公司 / 地区(中国、美国、其他)/ 开放度(开放权重、混合、闭源)三维筛选
- 时间范围可缩放(近半年 / 近一年 / 近两年 / 全部)
- 悬停节点查看详情:架构图、论文链接、代码仓库
从 Attention Is All You Need 到 RLHF,分阶段的经典论文精读路线,每篇附中文导读笔记和关键概念速览,适合入门和体系化补课。
公司重点论文的 PDF 自动归档到独立 pdfs 分支,站内一键直达原文,不用再打开 arXiv 找下载按钮。
| 📰 论文追踪 | 📅 时间轴热力图 | 🧬 模型发布时序 |
|---|---|---|
 |
 |
 |
| 指标 | 规模 |
|---|---|
| 收录论文 | 13,000+ 篇(每日自动增长) |
| 追踪公司 | 34 家(中美欧主流 AI 实验室) |
| 模型系列 | 248 个 |
| 主题分类 | 8 个方向 |
| 更新频率 | 每日 UTC 01:00 全自动 |
| 运行成本 | 0 元(GitHub Pages + Actions 免费额度) |
┌─────────────────────────────────────────────┐
│ GitHub Actions (每日 01:00 UTC) │
└──────────────────┬──────────────────────────┘
│
┌──────────────────────────────┼──────────────────────────────┐
▼ ▼ ▼
① 按 8 大主题 query ② 按 34 家公司 query ③ LLM 生成中文笔记
抓取 arXiv 新论文 抓取 + 作者单位校验 (可选,OpenAI 兼容 API)
└──────────────────────────────┼──────────────────────────────┘
▼
④ 自动打标 / 合并去重 / 生成时间轴与模型数据
▼
⑤ commit 回仓库(papers.json 等 8 个数据文件)
▼
┌────────────────────────┴────────────────────────┐
▼ ▼
GitHub Pages 自动发布 公司论文 PDF 归档
(纯静态站点,无构建) (pdfs 孤儿分支,站内直链)
工程上的几个巧思:
- 零后端:站点是纯 HTML/JS,数据就是仓库里的 JSON,GitHub Pages 直接托管,没有服务器、没有数据库
- 数据即代码:每次更新都是一个 git commit,天然带版本历史和回滚能力
- 防误标双保险:公司论文先经作者单位关键词校验;若当日 arXiv 查询结果过少,自动回退到离线标题分类兜底
- PDF 归档隔离:PDF 放在独立孤儿分支,主分支保持苗条,克隆飞快
- 架构图自动抽取:用 PyMuPDF 从技术报告 PDF 中抽取模型架构图,模型页悬停可见
打开 xplore-lab.github.io/llm-tracker 即可,手机端同样适配。
- Fork 本仓库
- 开启 Pages:
Settings → Pages → Source选Deploy from a branch→master/(root),保存后约 1 分钟即可通过https://<你的用户名>.github.io/llm-tracker/访问 - (可选)启用中文笔记:
Settings → Secrets and variables → Actions- 添加 Secret
LLM_API_KEY(任意 OpenAI 兼容 API 的密钥) - 如需更换服务商,添加 Variables:
LLM_BASE_URL(默认https://api.moonshot.cn/v1)、LLM_MODEL(默认moonshot-v1-8k)
- 添加 Secret
- (可选)飞书每日推送:添加 Secret
FEISHU_WEBHOOK(飞书群机器人 Webhook 地址) - 完成 ✅ GitHub Actions 每天 UTC 01:00 自动更新;也可在 Actions 页手动触发,或点站点上的「⚡ 更新数据」按钮
git clone https://github.com/Xplore-LAB/llm-tracker.git
cd llm-tracker
pip install pymupdf
python scripts/fetch_papers.py # 完整抓取一轮(约 20 分钟,含 arXiv 限速等待)本地预览站点:任意静态服务器即可,如 python -m http.server 8000,访问 http://localhost:8000。
├── index.html # 📰 论文追踪主页(纯静态,无构建)
├── timeline/ # 📅 论文热力图页
├── models/ # 🧬 模型发布时序页
│ └── img/ # 模型架构图(PyMuPDF 自动抽取)
├── papers.json # 论文主数据(累积,含中文笔记)
├── company-papers.json # 34 家公司论文索引(经作者单位校验)
├── timeline-data.json # 热力图数据
├── models.json # 模型发布数据(248 个系列)
├── models-extra.json # 模型补充信息
├── models-figures.json # 模型 → 架构图映射
├── learning-path.json # 学习路径(分阶段经典论文)
├── pdfs-index.json # 已归档 PDF 索引
├── scripts/ # 🐍 数据管线(Python)
│ ├── fetch_papers.py # 每日主任务:抓取、校验、打标、中文笔记
│ ├── download_pdfs.py # 公司论文 PDF 归档(保留最新 N 篇)
│ ├── extract_models.py # 模型发布信息抽取
│ ├── extract_figures.py # 架构图抽取(PyMuPDF)
│ ├── fetch_by_ids.py # 按 arXiv ID 定向补录
│ └── backfill_history.py # 历史数据回填
├── docs/ # README 截图与 social preview
└── .github/workflows/ # 每日自动更新 + PDF 归档分支发布
papers.json(主数据,按日期倒序):
| 字段 | 类型 | 说明 |
|---|---|---|
id |
string | arXiv ID,如 2501.12345 |
title / title_zh |
string | 英文标题 / 中文标题 |
authors |
string | 作者(前几位 + et al.) |
abstract |
string | 英文摘要 |
date / year |
string / int | 发布日期 / 年份 |
cite |
int | 引用量 |
tags |
string[] | 主题标签:RAG Agent MCP Reasoning Multimodal Fine-tuning Safety LLM |
note |
string | 中文一句话笔记(LLM 生成) |
company |
string | 归属公司(仅公司论文有此字段) |
company-papers.json 为其子集(含 company 字段,按日期倒序,保留最近 1200 篇)。数据可直接用于二次开发,clone 即用,无需 API Key。
- 英文界面切换(站点目前为中文 UI)
- RSS / 邮件订阅每日新论文
- 周榜与月报(高引趋势、公司动态综述)
- 论文引用量增长曲线
- 追踪更多公司与会议(NeurIPS / ICML / ACL 接收列表)
- 深色模式
欢迎开 Issue 投票或认领!
- 🐞 发现论文归错公司、标签不对?→ 数据错误反馈
- 📄 想推荐收录某篇论文?→ 论文推荐
- 💡 功能建议、代码贡献 → 详见 CONTRIBUTING.md
Q: 数据多久更新一次? 每日 UTC 01:00(北京时间 09:00)自动更新。也可以点站点上的「⚡ 更新数据」按钮立即触发。
Q: 我想追踪的公司不在列表里,怎么加?
开 Issue 告诉我们;或直接改 scripts/fetch_papers.py 里的 COMPANY_CONFIG(一个 query + 作者单位关键词)提 PR。
Q: 可以把数据拿去训练/做产品吗? 代码 MIT;论文元数据来自 arXiv,请遵守其使用条款;中文笔记由 LLM 生成,仅供参考。
5 minutes a day to keep up with the LLM world. Hundreds of AI papers hit arXiv daily — nobody can read them all. This site reads them for you: auto-fetching, auto-tagging, auto Chinese notes, plus a verified watch of 34 AI labs' official papers. Zero backend, zero cost — pure static pages driven by GitHub Actions.
- 📰 Paper tracking — 13,000+ LLM papers and growing, refreshed daily at 01:00 UTC; bilingual search, topic & year filters, sort by date/citations/title, localStorage favorites
- 🏢 Company watch — 34 AI labs (OpenAI, Google, Meta, Anthropic, xAI, Mistral, DeepSeek, Qwen, Moonshot…), each paper verified against author affiliations to avoid title-collision false positives; brand-colored draggable sidebar timeline
- 🇨🇳 Chinese notes — daily LLM-generated Chinese titles & one-line summaries (optional; works fine without an API key)
- 🏷️ 8 auto-classified topics — RAG / Agent / MCP / Reasoning / Multimodal / Fine-tuning / Safety / LLM
- 📅 Heatmap — GitHub-style yearly paper heatmap with year/month/week views; click a cell to read that day's papers
- 🧬 Model timeline — 248 model families, filterable by company / region / openness (open-weights vs closed), zoomable time range, hover for architecture figures & repo links
- 📚 Learning path — staged reading list from Attention Is All You Need to RLHF, with Chinese reading notes and key-concept chips
- 📄 PDF archive — key company papers archived to a dedicated orphan branch with direct in-site links
A scheduled GitHub Action runs scripts/fetch_papers.py daily: it queries the arXiv API per topic and per company, verifies company papers by author-affiliation keywords, auto-tags, generates optional Chinese notes via any OpenAI-compatible LLM API, commits the updated JSON back to the repo, publishes the static site via GitHub Pages, and archives company-paper PDFs to the orphan pdfs branch. No server, no database — data lives as versioned JSON in git.
- Fork this repo
- Enable Pages:
Settings → Pages → Deploy from a branch→master/(root) - (Optional) Add secret
LLM_API_KEYfor Chinese notes; variablesLLM_BASE_URL/LLM_MODELto switch providers; secretFEISHU_WEBHOOKfor daily Feishu push - Done — Actions refreshes daily at 01:00 UTC, or trigger manually anytime
Run the pipeline locally: pip install pymupdf && python scripts/fetch_papers.py. Preview the site with any static server, e.g. python -m http.server.
Data errors, paper suggestions, new features — see CONTRIBUTING.md or open an issue. The data JSON is clone-and-use, no API key required; code is MIT, arXiv metadata under arXiv's terms.
- Code: MIT License — you're welcome to fork, modify, and deploy your own instance. Please keep visible attribution (footer, README) linking back to the original project.
- Paper metadata: arXiv — please respect its terms of use
- Chinese notes are LLM-generated and for reference only
- Original project by Xplore-LAB · xplore-lab.github.io/llm-tracker
如果这个项目对你有帮助,欢迎 ⭐ Star 支持,也欢迎分享给同样需要追论文的朋友! If this saves you time, a ⭐ means a lot — and share it with fellow paper-chasers!