语言大模型 / LLM

Towards a Psychology of Machines: Large Language Models Predict Human Memory

迈向机器的心理学：大型语言模型预测人类记忆

Markus Huff, Elanur Ulakçı

专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI

AI总结 本研究发现大型语言模型能有效预测人类记忆表现，揭示了LLMs在模拟人类认知方面的潜力，提出机器心理学作为新研究领域。

Comments 34 pages, 3 figures, 2 tables

Journal ref PeerJ Comput.Sci. 11 (2025) e3324

$A^3$: Attention-Aware Accurate KV Cache Fusion for Fast Large Language Model Serving

$A^3$：基于注意力的准确KV缓存融合用于快速大语言模型服务

Yuechi Zhou, Yi Su, Jianxin Zhang, Juntao Li, Qingrong Xia, Zhefeng Wang, Xinyu Duan, Baoxing Huai

专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 $A^3$通过基于注意力的准确KV缓存融合技术，有效降低大语言模型服务的解码延迟和内存开销，提升任务性能。

SAMBA: Toward a Long-Context EEG Foundation Model via Spatial Embedding and Differential Mamba

通过空间嵌入和微分Mamba实现长上下文EEG基础模型：SAMBA

Jiazhen Hong, Geoffrey Mackellar, Soheila Ghane

机构 * Emotiv Research（Emotiv研究公司） 纠错

专题命中 长上下文与记忆 ：foundation model(title,abstract)；分类 cs.LG

AI总结 SAMBA通过空间嵌入和微分Mamba模块，实现长上下文EEG建模，提升EEG表示模型的通用性和鲁棒性。

General Agentic Memory Via Deep Research

通用代理记忆 via 深度研究

B. Y. Yan, Chaofan Li, Hongjin Qian, Shuqi Lu, Zheng Liu

机构 * Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Renmin University of China（中国人民大学） ； Peking University（北京大学） ； Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出通用代理记忆框架GAM，通过即时编译原则结合记忆器和研究者组件，利用大语言模型实现高效记忆管理和任务完成优化。

Episodic Memory in Agentic Frameworks: Suggesting Next Tasks

代理框架中的事件记忆：建议下一步任务

Sandro Rama Fiorini, Leonardo G. Azevedo, Raphael M. Thiago, Valesca M. de Sousa, Anton B. Labate, Viviane Torres da Silva

机构 * IBM Research（IBM研究院） 纠错

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种基于事件记忆的代理框架，通过存储和检索历史工作流程来辅助推荐下一步任务，以提高人机协同创作的效率和准确性。

Breaking Forgetting: Training-Free Few-Shot Class-Incremental Learning via Conditional Diffusion

打破遗忘：通过条件扩散实现无训练的少样本类增量学习

Haidong Kang, Ketong Qian, Yi Lu

机构 * Northeastern University（东北大学） ； School of Information and Intelligent Science（信息与智能科学学院） ； Whiting School of Engineering（工程学院） 纠错

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)

AI总结 本文提出无训练的少样本类增量学习方法，通过条件扩散过程替代梯度优化，缓解灾难性遗忘并提升泛化能力。

Efficient On-Device Agents via Adaptive Context Management

通过自适应上下文管理实现高效的设备端代理

Sanidhya Vijayvargiya, Rahul Lokesh

机构 * Language Technologies Institute, Carnegie Mellon University（语言技术研究所，卡内基梅隆大学） ； Samsung Research America（三星美国研究） 纠错

专题命中 长上下文与记忆 ：SLM(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种通过自适应上下文管理实现高效设备端代理的框架，通过动态内存系统、极简序列化格式和即时模式传递机制，显著压缩上下文并提升性能。

Comments 27 pages, 5 figures

Scaffold Diffusion: Sparse Multi-Category Voxel Structure Generation with Discrete Diffusion

Scaffold Diffusion: 通过离散扩散模型生成稀疏多类体素结构

Justin Jung

机构 * Biohub Redwood City, USA（Biohub 红木城，美国） 纠错

专题命中 长上下文与记忆 ：language model(abstract)；分类 cs.AI、cs.LG

AI总结 Scaffold Diffusion通过离散扩散模型生成稀疏多类3D体素结构，克服稀疏性带来的挑战，生成逼真且连贯的结构。

Comments Accepted at NeurIPS 2025 Structured Probabilistic Inference & Generative Modeling Workshop

DreamGarden: A Designer Assistant for Growing Games from a Single Prompt

DreamGarden：基于单一提示生成游戏的设计师助手

Sam Earle, Samyak Parajuli, Andrzej Banburski-Fahey

机构 * New York University \& Microsoft USA ； Microsoft USA ； New York University \& Microsoft ； Microsoft 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.CL、cs.AI

AI总结 DreamGarden通过基于大语言模型的规划器，将用户提供的高层次提示转化为分层行动计划，实现多样化游戏环境的开发，探索半自动助手和开放性模拟设计的未来方向。

Comments 30 pages + appendix, 11 figures, published at CHI 2025

SegSplat: Feed-forward Gaussian Splatting and Open-Set Semantic Segmentation

SegSplat: 用于快速前馈3D重建与丰富开放词汇语义理解的框架

Peter Siegel, Federico Tombari, Marc Pollefeys, Daniel Barath

机构 * ETH Zürich（苏黎世联邦理工学院） ； Google（谷歌） ； Microsoft（微软） 纠错

专题命中 长上下文与记忆 ：foundation model(abstract)

AI总结 SegSplat通过单次传递实现高效3D重建与开放集语义分割，无需每场景优化。