语言大模型 / LLM

Detecting Sleeper Agents in Large Language Models via Semantic Drift Analysis

通过语义漂移分析检测大语言模型中的休眠代理

Shahin Zanbaghi, Ryan Rostampour, Farhan Abid, Salim Al Jarmakani

机构 * School of Computer Science, University of Windsor（计算机科学学院，温莎大学） 纠错

专题命中 效率与部署 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.AI

AI总结 通过语义漂移分析与canary基线比较，实现大语言模型中休眠代理的实时检测，准确率达92.5%。

Comments 7 pages, 3 figures, 1 table

Q-MLLM: Vector Quantization for Robust Multimodal Large Language Model Security

Q-MLLM：向量量化用于鲁棒多模态大语言模型安全

Wei Zhao, Zhe Li, Yige Li, Jun Sun

机构 * Singapore Management University（新加坡管理大学） 纠错

专题命中 效率与部署 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI

AI总结 Q-MLLM通过两级向量量化提升多模态大语言模型的安全性，有效防御对抗性攻击并保持模型实用性。

Comments Accepted by NDSS 2026

Evaluating Multimodal Large Language Models with Daily Composite Tasks in Home Environments

在家庭环境中评估多模态大语言模型的日常复合任务

Zhenliang Zhang, Yuxi Wang, Hongzhao Xie, Shiyun Zhao, Mingyuan Liu, Yujie Lu, Xinyi He, Zhenku Cheng, Yujia Peng

机构 * State Key Laboratory of General Artificial Intelligence, Beijing Institute for General Artificial Intelligence（通用人工智能国家重点实验室、北京通用人工智能研究院） ； School of Psychological and Cognitive Sciences and Beijing Key Laboratory of Behavior and Mental Health, Key Laboratory of Machine Perception (Ministry of Education), Peking University（心理与认知科学学院及北京行为与心理健康重点实验室、机器感知重点实验室（教育部）） ； School of Intelligence Science and Technology, Peking University（智能科学与技术学院） 纠错

专题命中 效率与部署 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI

AI总结 本研究在家庭环境中评估了多模态大语言模型在日常复合任务中的表现，发现其在物体理解、空间智能和社会活动领域存在显著差距，为具身MLLMs的发展提供了初步评估框架。

QueryGym: A Toolkit for Reproducible LLM-Based Query Reformulation

QueryGym: 一个用于可重复LLM查询重述的工具包

Amin Bigdeli, Radin Hamidi Rad, Mert Incesu, Negar Arabzadeh, Charles L. A. Clarke, Ebrahim Bagheri

机构 * University of Waterloo（滑铁卢大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； University of Toronto（多伦多大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 效率与部署 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 QueryGym是一个用于可重复LLM查询重述的开源工具包，提供统一框架和多种集成支持，促进方法比较与基准测试。

Comments 4 pages

An Efficient LLM-based Evolutional Recommendation with Locate-Forget-Update Paradigm

一种基于LLM的高效进化推荐方法：定位-遗忘-更新范式

Hao Liu, Le Wu, Min Hou, Han Wu, Kun Zhang, Xin Li, Si Wei

专题命中 效率与部署 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 EvoRec通过定位-遗忘-更新范式高效处理LLM推荐系统中用户偏好的演变，减少计算资源消耗并保持推荐性能。

KVTuner: Sensitivity-Aware Layer-Wise Mixed-Precision KV Cache Quantization for Efficient and Nearly Lossless LLM Inference

KVTuner: 一种面向层间敏感性的混合精度KV缓存量化方法，用于高效且接近无损的LLM推理

Xing Li, Zeyu Xing, Yiming Li, Linping Qu, Hui-Ling Zhen, Wulong Liu, Yiwu Yao, Sinno Jialin Pan, Mingxuan Yuan

机构 * Huawei Noah's Ark Lab（华为诺亚实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Huawei Computing Product Line（华为计算产品线） 纠错

专题命中 效率与部署 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 KVTuner通过多目标优化实现高效且接近无损的LLM推理，适用于不同模型和约束条件。

Comments Accepted by ICML25. Code: https://github.com/cmd2001/KVTuner

Train Short, Infer Long: Speech-LLM Enables Zero-Shot Streamable Joint ASR and Diarization on Long Audio

训练短音频，推断长音频：Speech-LLM实现长音频零样本联合语音识别与说话人识别

Mohan Shi, Xiong Xiao, Ruchao Fan, Shaoshi Ling, Jinyu Li

专题命中 效率与部署 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 Speech-LLM通过短音频训练实现长音频零样本联合语音识别与说话人识别，优于现有基线方法。

Comments Submitted to ICASSP2026

Anatomy of an Idiom: Tracing Non-Compositionality in Language Models

成语的解剖：追踪语言模型中的非组合性

Andrew Gomes

机构 * Theoretical Particle Physics Laboratory, Institute of Physics, EPFL, Lausanne, Switzerland（理论粒子物理实验室，物理研究所，EPFL，洛桑，瑞士） 纠错

专题命中 效率与部署 ：language model(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文研究了语言模型处理习语的非组合性机制，通过电路发现技术揭示了习语处理中的注意力模式和增强接收现象。

Efficient Architectures for High Resolution Vision-Language Models

高效高分辨率视觉-语言模型架构

Miguel Carvalho, Bruno Martins

机构 * INESC-ID and Instituto Superior Técnico, University of Lisbon（INESC-ID 和 里斯本大学技术学院） 纠错

专题命中 效率与部署 ：language model(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 Pheye是一种高效处理高分辨率图像的视觉-语言模型架构，通过减少参数数量实现高效率和强性能，尤其在细粒度图像理解和场景文本处理任务中表现突出。

Comments Accepted at COLING 2025

TOFA: Training-Free One-Shot Federated Adaptation for Vision-Language Models

TOFA: 无需训练的一次性联邦适应用于视觉-语言模型

Li Zhang, Zhongxuan Han, XiaoHua Feng, Jiaming Zhang, Yuyuan Li, Linbo Jiang, Jianan Lin, Chaochao Chen

专题命中 效率与部署 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 TOFA提出一种无需训练的一次性联邦适应方法，通过视觉和文本管道提取任务相关表示，以高效适应视觉-语言模型在联邦学习中的应用。

Comments Accepted by AAAI 2026

HAWAII: Hierarchical Visual Knowledge Transfer for Efficient Vision-Language Models

HAWAII：层次化视觉知识转移用于高效的视觉-语言模型

Yimu Wang, Mozhgan Nasr Azadani, Sean Sedwards, Krzysztof Czarnecki

机构 * University of Waterloo（滑铁卢大学） 纠错

专题命中 效率与部署 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 HAWAII通过层次化视觉知识转移，高效整合多个视觉专家的知识，提升视觉-语言模型性能。

Comments NeurIPS 2025

BanditSpec: Adaptive Speculative Decoding via Bandit Algorithms

BanditSpec: 通过多臂老虎机算法实现自适应推测解码

Yunlong Hou, Fengzhuo Zhang, Cunxiao Du, Xuan Zhang, Jiachun Pan, Tianyu Pang, Chao Du, Vincent Y. F. Tan, Zhuoran Yang

机构 * National University of Singapore（国立新加坡大学） ； Sea AI Lab（Sea人工智能实验室） ； Singapore Management University（新加坡管理学院） ； Yale University（耶鲁大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 BanditSpec通过多臂老虎机算法实现自适应推测解码，优化超参数选择以提升LLM推理效率。

Comments 35 pages, 4 figures, accepted to ICML, typos and affiliations are corrected

CorrectHDL: Agentic HDL Design with LLMs Leveraging High-Level Synthesis as Reference

CorrectHDL: 基于LLM的代理HDL设计利用高层次综合作为参考

Kangwei Xu, Grace Li Zhang, Ulf Schlichtmann, Bing Li

机构 * Technical University of Munich (TUM)（慕尼黑技术大学） ； Technical University of Darmstadt（达姆施塔特技术大学） ； Technical University of Ilmenau（伊尔梅恩艾大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 CorrectHDL利用LLM和HLS结合，通过参考设计纠正生成错误，提升HDL设计的面积和功率效率，接近人工设计水平。

Comments 7 pages, 15 figures, 2 tables

Confidence-Guided Stepwise Model Routing for Cost-Efficient Reasoning

基于置信度的分步模型路由用于高效推理

Sangmook Lee, Dohyung Kim, Hyukhun Koh, Nakyeong Yang, Kyomin Jung

专题命中 效率与部署 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 STEER通过利用模型内部置信度实现高效的模型路由，减少推理成本并提升准确性。

Comments 7 pages, 5 figures

SkyRL-Agent: Efficient RL Training for Multi-turn LLM Agent

SkyRL-Agent: 多轮长周期LLM代理高效强化学习训练

Shiyi Cao, Dacheng Li, Fangzhou Zhao, Shuo Yuan, Sumanth R. Hegde, Connor Chen, Charlie Ruan, Tyler Griggs, Shu Liu, Eric Tang, Richard Liaw, Philipp Moritz, Matei Zaharia, Joseph E. Gonzalez, Ion Stoica

机构 * NovaSky AI ； UC Berkeley（加州大学伯克利分校） ； Anyscale 纠错

专题命中 效率与部署 ：LLM(title)；分类 cs.AI

AI总结 SkyRL-Agent通过高效异步调度和工具增强训练配方，实现多轮长周期LLM代理的高效强化学习训练，使SA-SWE-32B在SWE-Bench上达到39.4% Pass@1，成本降低超2倍。

A Scalable NorthPole System with End-to-End Vertical Integration for Low-Latency and Energy-Efficient LLM Inference

可扩展的北极系统：端到端垂直集成用于低延迟和节能的LLM推理

Michael V. DeBole, Rathinakumar Appuswamy, Neil McGlohon, Brian Taba, Steven K. Esser, Filipp Akopyan, John V. Arthur, Arnon Amir, Alexander Andreopoulos, Peter J. Carlson, Andrew S. Cassidy, Pallab Datta, Myron D. Flickner, Rajamohan Gandhasri, Guillaume J. Garreau, Megumi Ito, Jennifer L. Klamo, Jeffrey A. Kusnitz, Nathaniel J. McClatchey, Jeffrey L. McKinstry, Tapan K. Nayak, Carlos Ortega Otero, Hartmut Penner, William P. Risk, Jun Sawada, Jay Sivagnaname, Daniel F. Smith, Rafael Sousa, Ignacio Terrizzano, Takanori Ueda, Trent Gray-Donald, David Cox, Dharmendra S. Modha

机构 * IBM Research, IBM Software（IBM研究院，IBM软件） 纠错

专题命中 效率与部署 ：LLM(title)；分类 cs.AI

AI总结 北极系统通过端到端垂直集成实现低延迟和节能的LLM推理，支持多种模型规模和上下文长度，适用于企业AI应用部署。

Graph-Memoized Reasoning: Foundations Structured Workflow Reuse in Intelligent Systems

图记忆推理：智能系统中结构化工作流重用的基础

Yash Raj Singh

机构 * Independent Researcher（独立研究者） 纠错

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 图记忆推理通过图结构内存实现推理工作流的重用，旨在提升智能系统中的效率与可重复性。

Comments 5 Pages, 2 tables

Nemotron Elastic: Towards Efficient Many-in-One Reasoning LLMs

Nemotron弹性：迈向高效多任务推理LLM

Ali Taghibakhshi, Sharath Turuvekere Sreenivas, Saurav Muralidharan, Ruisi Cai, Marcin Chochowski, Ameya Sunil Mahabaleshwarkar, Yoshi Suhara, Oluwatobi Olabiyi, Daniel Korzekwa, Mostofa Patwary, Mohammad Shoeybi, Jan Kautz, Bryan Catanzaro, Ashwath Aithal, Nima Tajbakhsh, Pavlo Molchanov

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 Nemotron弹性通过嵌套子模型和多预算优化，实现高效多任务推理LLM，显著降低训练成本并提升部署效率。

"To Survive, I Must Defect": Jailbreaking LLMs via the Game-Theory Scenarios

为生存，我必须背叛：通过博弈论场景进行大语言模型的劫持攻击

Zhen Sun, Zongmin Zhang, Deqi Liang, Han Sun, Yule Liu, Yun Shen, Xiangshan Gao, Yilong Yang, Shuai Liu, Yutao Yue, Xinlei He

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； East China Normal University（华东师范大学） ； Flexera（Flexera公司） ； Zhejiang University（浙江大学） ； Xidian University（西安电子科技大学） ； Xi’an Jiaotong University（西安交通大学） ； Institute of Deep Perception Technology, JITRI（JITRI深度感知技术研究所） 纠错

专题命中 效率与部署 ：LLM(abstract)；prompting(abstract)；分类 cs.AI

AI总结 本文提出一种基于博弈论的可扩展黑盒劫持框架GTA，通过重塑LLM目标以提高攻击成功率，实现在多种场景下的高ASR表现。

Comments 20 pages

A time for monsters: Organizational knowing after LLMs

怪物的时代：在大语言模型之后的组织认知

Samer Faraj, Joel Perez Torrents, Saku Mantere, Anand Bhardwaj

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文探讨大语言模型作为认知怪物对组织认知的影响，分析其通过类比生成连接的能力及带来的认知风险，并提出探究转变、对话验证和代理再分配三大挑战。

Comments Forthcoming at Strategic Organization

Do Not Merge My Model! Safeguarding Open-Source LLMs Against Unauthorized Model Merging

不要合并我的模型！保护开源大语言模型免受未经授权的模型合并攻击

Qinfeng Li, Miao Pan, Jintao Chen, Fu Teng, Zhiqiang Shen, Ge Su, Hao Peng, Xuhong Zhang

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 MergeBarrier通过破坏线性模式连接来主动防止未经授权的模型合并，实现高安全性和低性能损失的开源大语言模型保护

Comments Accepted by AAAI 2026 Conference

Towards Efficient Multimodal Unified Reasoning Model via Model Merging

通过模型合并实现高效的多模态统一推理模型

Qixiang Yin, Huanjin Yao, Jianghao Chen, Jiaxing Huang, Zhicheng Zhao, Fei Su

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Nanyang Technological University（南洋理工大学） ； Beijing Key Laboratory of Network System and Network Culture（北京网络系统与网络文化重点实验室） ； Key Laboratory of Interactive Technology and Experience System, Ministry of Culture and Tourism（文化和旅游部交互技术与体验系统重点实验室） ； Zhongguancun Academy, Beijing, China（中关村学院，北京，中国） 纠错

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 Tiny-R1V通过两阶段优化和模型合并方法，实现高效多模态推理，提升轻量模型在多种任务中的性能。

Comments Technical report, Code will be available at https://github.com/buptyqx/Tiny-R1V

Efficient Environmental Claim Detection with Hyperbolic Graph Neural Networks

基于双曲图神经网络的高效环境声明检测

Darpan Aswal, Manjira Sinha

机构 * Department of Computer Science, Université Paris-Saclay（巴黎萨克雷大学计算机科学系） ； MICS, CentraleSupélec, Université Paris-Saclay（巴黎萨克雷大学MICS） ； TCS Research, India（印度TCS研究） 纠错

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出基于双曲图神经网络的环境声明检测方法，通过图结构建模实现更高效的参数使用和更高的检测性能。

Optimizing Federated Learning in the Era of LLMs: Message Quantization and Streaming

在大语言模型时代优化联邦学习：消息量化与流式传输

Ziyue Xu, Zhihong Zhang, Holger R. Roth, Chester Chen, Yan Cheng, Andrew Feng

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)

AI总结 本文提出通过消息量化和流式传输技术优化联邦学习，以应对大语言模型带来的通信和资源挑战。

Comments FLLM 2025

An Image Is Worth Ten Thousand Words: Verbose-Text Induction Attacks on VLMs

一张图像等于一万字：针对视觉语言模型的冗余文本诱导攻击

Zhi Luo, Zenghui Yuan, Wenqi Wei, Daizong Liu, Pan Zhou

机构 * Huazhong University of Science and Technology（华中科技大学） ； Fordham University（福特汉姆大学） ； Wuhan University（武汉大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；language model(abstract)

AI总结 本文提出一种针对视觉语言模型的冗余文本诱导攻击，通过两阶段框架生成恶意图像以诱导模型生成冗长文本，提升攻击效果与可控性。

SUNAC: Source-aware Unified Neural Audio Codec

SUNAC：源感知统一神经音频编解码器

Ryo Aihara, Yoshiki Masuyama, Francesco Paissan, François G. Germain, Gordon Wichern, Jonathan Le Roux

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)

AI总结 SUNAC通过源感知编码实现多源分离与重合成，降低计算成本，提升特定源处理效率。

Comments Submitted to ICASSP 2026

AMS-KV: Adaptive KV Caching in Multi-Scale Visual Autoregressive Transformers

AMS-KV: 多尺度视觉自回归变换器中的自适应KV缓存

Boxun Xu, Yu Wang, Zihu Wang, Peng Li

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)

AI总结 AMS-KV通过自适应KV缓存策略提升多尺度视觉自回归变换器的生成质量和效率

TRIM: Scalable 3D Gaussian Diffusion Inference with Temporal and Spatial Trimming

TRIM：基于时间和空间剪裁的可扩展3D高斯扩散推断

Zeyuan Yin, Xiaoming Liu

机构 * Department of Computer Science and Engineering, Michigan State University（计算机科学与工程系，密歇根州立大学） 纠错

专题命中 效率与部署 ：post-training(abstract)

AI总结 TRIM通过引入时间和空间剪裁策略，提升3D高斯扩散模型的推断效率与生成质量。

Comments NeurIPS 2025

Optimizing Gaussian Process Kernels Using Nested Sampling and ABC Rejection for H(z) Reconstruction

利用嵌套采样和ABC拒绝优化高斯过程核用于H(z)重建

Jia-yan Jiang, Kang Jiao, Tong-Jie Zhang

专题命中 效率与部署 ：prompting(abstract)

AI总结 本文通过嵌套采样和ABC拒绝方法优化高斯过程核，用于改进H(z)重建的精度和物理合理性。

Comments 25 pages,11 figures, 5 tables, v3 matches the published JCAP version. Comments welcome! Journal-ref: JCAP11 (2025) 065

Journal ref Jia-yan Jiang et al JCAP11(2025)065

UINO-FSS: Unifying Representation Learning and Few-shot Segmentation via Hierarchical Distillation and Mamba-HyperCorrelation

UINO-FSS: 通过层次化蒸馏和Mamba-超相关性统一表示学习与少样本分割

Wei Zhuo, Zhiyue Tang, Wufeng Xue, Hao Ding, Junkai Ji, Linlin Shen

机构 * School of Artificial Intelligence and the National Engineering Laboratory of Big Data System Computing Technology, Shenzhen University（人工智能学院和大数据系统计算技术国家工程实验室，深圳大学） ； Guangdong Provincial Key Laboratory of Intelligent Information Processing, China（广东省智能信息处理重点实验室，中国） ； School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University（生物医学工程学院，深圳大学医学院，深圳大学） ； Department of Computer Science, University of Nottingham Ningbo China（计算机科学系，宁波大学中国） 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 UINO-FSS通过层次化蒸馏和Mamba-超相关性整合不同基础模型知识，实现少样本分割的统一学习框架，取得新SOTA结果。