Regla del eje: una afirmación sobre un paper se sostiene con la fuente primaria. Un blog, un hilo o un resumen generado por IA son pistas para encontrar el paper, nunca sustituto de haberlo abierto.
El error más frecuente al empezar es confundir dónde se publica con dónde se busca. Google Scholar no publica nada: indexa. arXiv no revisa nada: aloja. Saber qué hace cada sitio cambia cómo se cita y cuánta confianza merece lo que encuentras.
| Sitio | Qué es realmente | Revisión por pares | Cuándo usarlo |
|---|---|---|---|
| arXiv | Repositorio de preprints | ❌ No | Ver la investigación antes de que se publique formalmente |
| NeurIPS | Conferencia | ✅ Sí | ML e IA en sentido amplio |
| ICML | Conferencia | ✅ Sí | ML avanzado, teoría, optimización |
| ICLR | Conferencia | ✅ Sí | Deep learning, representaciones, arquitecturas |
| ACL Anthology | Archivo abierto de ACL/NAACL/EMNLP | ✅ Sí | PLN, LLM, traducción, evaluación lingüística |
| OpenReview | Plataforma de revisión abierta | ✅ Sí (visible) | Leer las objeciones de los revisores y las réplicas |
| Semantic Scholar | Índice y grafo de citas | — | Rastrear qué papers citan a este |
| Google Scholar | Índice de citas | — | Encontrar versiones alternativas |
| Papers with Code | Enlace paper ↔ implementación | — | Buscar código, con reservas |
Es donde aparece primero casi toda la investigación relevante de IA, a menudo meses antes de la conferencia. Las categorías que importan para este programa:
| Categoría | Contenido | Enlace |
|---|---|---|
cs.AI |
Inteligencia artificial en general | listado |
cs.LG |
Machine learning (la más activa) | listado |
cs.CL |
Lenguaje computacional: NLP, LLM, traducción | listado |
cs.CV |
Visión por computador | listado |
stat.ML |
Machine learning desde la estadística | listado |
Warning
Un preprint no ha pasado revisión por pares. Puede contener errores, ser retirado o
cambiar entre versiones (v1, v2, v3). Cita siempre la versión que leíste. Un paper
muy citado en arXiv que nunca fue aceptado en ningún venue es una señal a investigar, no
a ignorar — pero es una señal.
En IA, la publicación de referencia es la conferencia, no la revista. Es una diferencia cultural con otras disciplinas y explica los ciclos rápidos del campo.
- NeurIPS — la más grande y transversal. Publicó AlexNet (2012), el Transformer (2017), GPT-3, RAG, InstructGPT, Toolformer y DPO.
- ICML — machine learning avanzado; más peso en teoría y optimización.
- ICLR — nació en torno al deep learning y las representaciones. Usa OpenReview, así que todo su proceso editorial es público.
- ACL / NAACL / EMNLP — el mundo del lenguaje. Su archivo, ACL Anthology, es de acceso abierto y permanente: si un paper de PLN está ahí, esa es la cita canónica.
Es el único lugar donde se ve el paper y su discusión: qué objetaron los revisores, qué respondieron los autores, qué cambió entre versiones y por qué se aceptó o rechazó.
Para aprender a leer críticamente vale tanto como el paper. Ejercicio de nivel L3 de este eje: buscar una revisión negativa de un paper aceptado y decidir si la objeción quedó realmente resuelta o solo respondida con elegancia.
Semantic Scholar y Google Scholar sirven para reconstruir linajes: quién citó a quién, qué vino antes y qué vino después. Semantic Scholar además expone una API pública que permite automatizar la vigilancia.
Caution
El número de citas mide atención, no calidad ni corrección. Papers muy citados han sido posteriormente matizados o refutados; papers poco citados han resultado fundamentales años después.
Así viajó la idea que sostiene casi todo lo que usas hoy:
flowchart LR
A["📄 2017-06<br/>arXiv:1706.03762"] --> B["🏛️ 2017-12<br/>NeurIPS 2017"]
B --> C["⚙️ Transformer<br/>arquitectura de referencia"]
C --> D["🔤 2018 BERT<br/>solo encoder"]
C --> E["✍️ 2018-2020 GPT<br/>solo decoder"]
D --> F["📚 preentrenar<br/>y ajustar"]
E --> G["🎯 2020 GPT-3<br/>aprendizaje en contexto"]
G --> H["🔎 2020 RAG<br/>conocimiento citable"]
G --> I["🤝 2022 InstructGPT<br/>alineación"]
H --> J["🤖 2022-2023 ReAct<br/>y Toolformer"]
I --> J
J --> K["🕸️ 2023+<br/>sistemas agentic"]
Cada flecha del diagrama es un paper concreto con su ficha en este eje: índice completo.
- Registra autores, año, título, venue, URL y fecha de consulta.
- Cita la versión que leíste (
arXiv:1706.03762v5, no soloarXiv:1706.03762). - Prefiere el venue revisado si existe; usa arXiv cuando no exista o para la versión extendida.
- No cites un paper que no abriste. Se detecta preguntando por el número de una figura.
- No conviertas un número de un resumen ajeno en un dato tuyo sin verlo en la tabla original.
- Distingue siempre: hecho documentado / simplificación didáctica / inferencia propia.
Este repositorio enlaza a las fuentes; no aloja PDFs de terceros con licencia restrictiva.
Los tres papers más antiguos del eje (P01 Rosenblatt, P02 Rumelhart y P03 Hochreiter) están en revistas de suscripción. Vías legítimas: la versión de acceso abierto del autor, el repositorio institucional de su universidad, o una biblioteca. La versión en ACL Anthology siempre es abierta cuando existe.
Los datos de esta guía están también en formato legible por máquina en
catalog/sources.yaml, con fecha de revisión.
⬅️ Eje de papers · 📖 Cómo leer un paper · 🔁 Método en 5 pasadas · 🧾 Plantilla de ficha · 📚 Glosario