语言大模型 / LLM

When Many-Shot Prompting Fails: An Empirical Study of LLM Code Translation

当多示例提示失效：对LLM代码翻译的实证研究

Amirkia Rafiei Oskooei, Kaan Baturalp Cosdan, Husamettin Isiktas, Mehmet S. Aktas

机构 * Yildiz Technical University, Department of Computer Engineering（Yildiz技术大学计算机工程系） 纠错

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

AI总结 本研究发现代码翻译中少量精心挑选的示例比大量示例更有效，挑战了ICL中'更多更好'的普遍假设。

Comments Accepted to ICSE 2026 (RECODE workshop)

Chopper: A Multi-Level GPU Characterization Tool & Derived Insights Into LLM Training Inefficiency

Chopper：一个多级GPU特性工具及对LLM训练低效性的衍生见解

Marco Kurzynski, Shaizeen Aga, Di Wu

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

AI总结 Chopper通过多级GPU特性分析揭示LLM训练低效原因，发现频率开销是性能差距的主要因素。

SABER: Small Actions, Big Errors -- Safeguarding Mutating Steps in LLM Agents

SABER: 小动作，大误差 -- 保护LLM代理中的突变步骤

Alejandro Cuadron, Pengfei Yu, Yang Liu, Arpit Gupta

机构 * Amazon AGI Foundations（亚马逊人工智能基础研究） 纠错

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

AI总结 SABER通过分析LLM代理中的突变步骤，提出针对性保护措施，提升长周期任务的稳定性。

Comments submitted to ICLR2026

Compactor: Calibrated Query-Agnostic KV Cache Compression with Approximate Leverage Scores

Compactor: 基于近似杠杆分数的校准查询无关KV缓存压缩

Vivek Chari, Benjamin Van Durme

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 Compactor通过近似杠杆分数实现查询无关的KV缓存压缩，减少内存占用并提升性能，适用于多种语言模型部署场景。