做了一份 AI 顶会论文数据集&一份具身智能数据集，有需要的自取~

之前我发过 2023 年和 2024 年的 AI 论文数据集，还挺多人收藏的： https://www.v2ex.com/t/1237157#reply3

现在我又来更新了。

这次我整理了 2025 年 AI 顶会论文数据集，总共 11945 篇，主要内容如下：

在等更新的各位可以自取啦👉：🤗 huggingface.co/datasets/JensCS/top-ml-conference-papers-2025

还有 2023—2025 年的具身智能论文数据集，一并奉上。想做跨年份分析或关注机器人、具身智能方向的朋友，也可以一起查看👉：🤗 huggingface.co/datasets/JensCS/embodie…nference-papers-2023-2025

我是做科研的，平时也会自己搞点小项目，所以数据集对我们研究 AI 技术发展是很有用的，毕竟技术的前沿，还得看 7 公主们的捣鼓。但是靠我们自己人力手翻肯定是不现实的，我一般都是借助 AI 的力量。

你可以把数据直接交给 Agent ，让它帮你快速筛选论文、梳理一个方向的技术路线，也可以辅助技术选型和写报告综述。平时干活、学习、做技术分享，都能用上。

不过，这些数据集一般都很大，如果硬喂的话，会比较耗 token 。所以，我一般都是结合我自己手搓的一个小工具 Knowhere 来用。简而言之，它是一个 AI-native 的解析器，会把生产环境里的脏文档转成 Agent 直接可用的材料。这个中间件不止是为了识别文件，它会把后续的 chunking 、embedding 一块做了，所以在 Agent 里面使用的时候，能在节省一半 token 的同时获得更好的解析效果。

这些数据集也是用来给 Knowhere 做能力测试的产物。因为论文看起来规整，实际上很难处理。它的双栏排版很容易串行，公式、图表和图注经常在不同位置，还有附录跟实验距离十万八千里。Knowhere 拿到这些论文后，会先解析每篇论文，把正文拆成带章节路径的内容片段；接着重建完整的章节树，让每段内容都知道自己属于方法、实验还是附录；有了这些上下文，再交给模型判断论文类型，提取研究问题、核心创新、方法、基线和实验结果。最后，结构化字段、原文片段和章节树会一起装进数据集。

这样处理的好处是，数据不会变成一堆脱离原文的结论。比如看到“某方法比基线提升了 5%”，还可以沿着章节路径回到原文，确认使用的是什么数据集、实验条件是否一致，以及这个结果来自主实验还是消融实验。

最终得到的 2025 年顶会论文数据集，共收录 11945 篇论文，每篇包含 28 个结构化字段，并保留原文片段和章节层级。

对 Research Agent 来说，这些内容不再只是 11945 份孤立的 PDF ，而是一批可以检索、比较并回到原文核验的研究资料了。

以上就是全部的数据集，使用的工具和制作方法。你也可以根据你所从事的方向，去制作相应领域的数据集。

最后给 Knowhere 这个开源小项目打个广，它最近上线了渐进式解析、视觉解析和 Agent 原生检索功能，也支持 GIF 、WebP 、BMP 、TIFF 、HEIC 等图片格式了，欢迎试用： https://knowhereto.ai/github?utm_source=v2ex

感谢各位，有问必答。