什么 topic 最大，什么正在上升？

先读结论

三年合计：被跟踪的主题中，生成 / Diffusion / Flow 信号最多（9,178，12.40%），其次 Language Models / LLM（8,505，11.50%）、效率 / 压缩 / 部署（8,038，10.86%）、多模态（6,626，8.96%）。它们宽窄不同、可重叠；这不是互斥学科排名。

持续上升：LLM、多模态、Reasoning、Agents、效率、Video Gen。小基数快速增长：VLA、Diffusion Language Models、Test-time Compute、Judge / Verifier、RLVR / GRPO；World Models 和 Flow Matching 是已有方向在本窗口的加速扩张，不能说刚被发明。

持续下降的是份额：GNN、Self-supervised / Contrastive、Federated 等显式主题占比下降，多数篇数仍在增加。NeRF 的显式标题信号同时出现份额和篇数下降。生成模型整体在 2026 年仍比 2024 年占比高，但不满足三年连续上升。

这些是标题主题信号，不是逐篇阅读全文后的主任务分类。约 21% 的标题未被任何规则覆盖；一个标题可能命中多个主题。模型名称未展开、技术不写进标题、名称迁移都会影响结果。不能据此宣布某个研究领域衰退或“不值得做”。

全部主题，可切换统计口径

“会议等权”先在每个会议内计算比例，再对五个会议取均值；旁边篇数仍为五会议合计，不能除以一个总分母还原等权比例。“合并篇数”比例则可由总篇数直接算得。

逐会议查看

在下方 CSV 中保留所有 venue-year 的分子、分母；ICCV / ECCV 的隔年举办、MM / SIGGRAPH Asia 的 2026 缺目录及期刊的未完年度，均不进入五会议年度趋势。缺目录不是 0 篇。

核对标题与边界

每个主题、每年固定随机抽取最多 5 个例子展示。这里是复查样本，不是已全量人工验证的准确率测试。

与研究定位的关系

[推断] 你的“前提或观察改变后，选择性修改后果并保持无关内容”的方向，同时接近上升的 Reasoning、Agents、World Models 和 Video Generation。热度本身不能证明具体问题新颖；更有用的定位是把贡献写成可测的能力：后果传播正确、无关内容保持、历史冲突可修正，而不只写成“video + reasoning”。

严格 Video Gen + Reasoning 在固定五会议为 9 → 15 → 50 条；全部 12 类 venue 的汇总仍为 11 → 27 → 71 条。两个分母不同，不应混用。

方法与来源

趋势分母：2024 年 14,404；2025 年 18,761；2026 年 26,093。五会议为 AAAI、CVPR、ICLR、ICML、NeurIPS。年度等权均值可减少会议规模变化造成的混淆，但不消除主题规则误差、track 变化与 2026 年目录快照的不完整风险。

“连续上升 / 下降”只要求三个年度的等权占比单调变化，不表示统计显著、因果关系或未来预测；小幅变化不应过度解读。表中提供同方向会议数量，帮助发现只有少数会议推动的变化。

为什么不直接合并官方 topic？官方分类逐年变动，且部分目录大量缺标签；CVF 正文摘要覆盖又偏向此前筛选的 Video Gen，因此本轮其他主题统一只用标题，避免摘要覆盖造成系统性偏差。Video Gen 两项保留既有标题／摘要筛选，单列为“既有标注”。

全库的 track 范围沿用前页：AAAI 仅 Main Technical；SIGGRAPH 系列仅 Conference Papers，Journal track 计入 TOG；NeurIPS / ICML 包含已声明的附属 track；期刊按卷年。跨 venue 记录不保证是唯一研究工作。

原始目录：ICLR · ICML · NeurIPS · CVF Open Access · AAAI Proceedings。详细来源和原始文件记录见前一版全库统计。