语言大模型 / LLM

FLOP-Efficient Training: Early Stopping Based on Test-Time Compute Awareness

高效计算训练：基于测试时间计算意识的提前停止

Hossam Amer, Maryam Dialameh, Hossein Rajabzadeh, Walid Ahmed, Weiwei Zhang, Yang Liu

机构 * Ascend Team, Huawei Technologies, Toronto, Canada（华为技术有限公司，多伦多，加拿大） ； University of Waterloo, Waterloo, Canada（滑铁卢大学，滑铁卢，加拿大） 纠错

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

AI总结 本文提出了一种基于测试时间计算意识的高效训练方法，通过提前停止算法减少训练计算量，同时保持或提升模型准确性。

CEE: An Inference-Time Jailbreak Defense for Embodied Intelligence via Subspace Concept Rotation

CEE: 通过子空间概念旋转实现体智能中的推断时间劫持防御

Jirui Yang, Zheyu Lin, Zhihui Lu, Yinggui Wang, Lei Wang, Tao Wei, Qiang Duan, Xin Du, Shuhan Yang

机构 * Fudan University（复旦大学） ； Dalian University of Technology（大连理工大学） ； Ant Group（蚂蚁集团） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Zhejiang University（浙江大学） 纠错

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

AI总结 CEE通过动态构建子空间并应用SLERP旋转，实现体智能系统中高效的推断时间劫持防御，提升安全性和实用性。

TopoLoRA-SAM: Topology-Aware Parameter-Efficient Adaptation of Foundation Segmenters for Thin-Structure and Cross-Domain Binary Semantic Segmentation

TopoLoRA-SAM: 基于拓扑的参数高效基础分割模型适应方法用于细长结构和跨域二分类语义分割

Salim Khazem

机构 * Talan Research \& Innovation Center, Paris, France 纠错

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

AI总结 TopoLoRA-SAM通过拓扑感知的参数高效方法，在细长结构和跨域二分类语义分割中实现最佳性能。

LinMU: Multimodal Understanding Made Linear

LinMU: 使多模态理解线性化

Hongjie Wang, Niraj K. Jha

机构 * Princeton University（普林斯顿大学） 纠错

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

AI总结 LinMU通过线性复杂度设计实现多模态理解，无需二次注意力模块，提升视频处理效率。

Comments 23 pages, 7 figures

Cosmos: Compressed and Smooth Latent Space for Text Diffusion Modeling

Cosmos: 用于文本扩散建模的压缩和平滑潜在空间

Viacheslav Meshchaninov, Egor Chimbulatov, Alexander Shabalin, Aleksandr Abramov, Dmitry Vetrov

机构 * HSE University（俄罗斯高等经济大学） ； Constructor University（建设大学） ； SaluteDevices 纠错

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

AI总结 Cosmos通过压缩和平滑的潜在空间提升文本生成效率，实现比传统方法更快的推理速度和相当的生成质量。

KV-Embedding: Training-free Text Embedding via Internal KV Re-routing in Decoder-only LLMs

KV-Embedding: 通过解码器-only LLMs中的内部KV重路由实现无训练文本嵌入

Yixuan Tang, Yi Yang

机构 * The Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.CL

AI总结 KV-Embedding通过内部KV重路由实现解码器-only LLMs的无训练文本嵌入，提升性能达10%并保持长序列鲁棒性。

LSRE: Latent Semantic Rule Encoding for Real-Time Semantic Risk Detection in Autonomous Driving

LSRE: 隐式语义规则编码用于自动驾驶中的实时语义风险检测

Qian Cheng, Weitao Zhou, Cheng Jing, Nanshan Deng, Junze Wen, Zhaoyang Liu, Kun Jiang, Diange Yang

机构 * School of Vehicle and Mobility, Tsinghua University（车辆与移动系统学院，清华大学） 纠错

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

AI总结 LSRE通过隐式语义规则编码实现自动驾驶中的实时语义风险检测，以10 Hz速度提供高效准确的危险预判。

RankMamba: Benchmarking Mamba's Document Ranking Performance in the Era of Transformers

RankMamba：在Transformer时代评估Mamba的文档排序性能

Zhichao Xu

机构 * University of Utah（犹他大学） 纠错

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

AI总结 RankMamba通过文档排序任务评估Mamba模型在信息检索中的性能，发现其在相同训练条件下表现优异，但训练效率低于高效Transformer实现。

EdgeJury: Cross-Reviewed Small-Model Ensembles for Truthful Question Answering on Serverless Edge Inference

EdgeJury: 用于服务器端边缘推理的跨审核小型模型集成以实现真实问题回答

Aayush Kumar

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

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

AI总结 EdgeJury通过协调小型模型集成提高服务器端边缘推理的真实性，实现比单模型基线更高的准确率和减少幻觉错误。

Comments 24 pages,3 Figures, Submitting to IEEE Access

Beam-Brainstorm: A Generative Site-Specific Beamforming Approach

Beam-Brainstorm: 一种生成式特定地点波束成形方法

Zihao Zhou, Zhaolin Wang, Yuanwei Liu

专题命中 效率与部署 ：prompting(abstract)

AI总结 本文提出了一种生成式特定地点波束成形方法，通过联合结构建模和自定义扩散模型，实现高效且高质量的用户特定波束生成。

VideoCuRL: Video Curriculum Reinforcement Learning with Orthogonal Difficulty Decomposition

VideoCuRL: 通过正交难度分解实现视频课程强化学习

Hongbo Jin, Kuanwei Lin, Wenhao Zhang, Yichen Jin, Ge Li

机构 * School of Electronic and Computer Engineering, Peking University（电子与计算机工程学院，北京大学） 纠错

专题命中 效率与部署 ：post-training(abstract)

AI总结 VideoCuRL通过正交分解视频理解中的视觉复杂性和认知复杂性，提出了一种新的课程强化学习框架，提升了视频推理和感知任务的性能。

Measuring Social Media Polarization Using Large Language Models and Heuristic Rules

利用大语言模型和启发规则测量社交媒体极化

Jawad Chowdhury, Rezaur Rashid, Gabriel Terejanu

机构 * Department of Computer Science, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校计算机科学系） 纠错

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出利用大语言模型和启发规则分析社交媒体讨论中的情感极化现象，揭示事件驱动的极化模式并提供可扩展的量化方法。

Comments Foundations and Applications of Big Data Analytics (FAB), Niagara Falls, Canada, 2025

STELLAR: A Search-Based Testing Framework for Large Language Model Applications

STELLAR: 一种基于搜索的大型语言模型应用测试框架

Lev Sorokin, Ivan Vasilev, Ken E. Friedl, Andrea Stocco

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)

AI总结 STELLAR通过进化优化方法，系统性地发现导致LLM应用故障的输入，提升测试效率和安全性。

Comments Accepted for publication at the 33th International Conference on Software Analysis, Evolution and Reengineering (SANER 2026)

The Qualitative Laboratory: Theory Prototyping and Hypothesis Generation with Large Language Models

定性实验室：利用大语言模型进行社会学人设模拟与假设生成

Hugues Draelants

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出利用大语言模型进行社会学人设模拟，通过生成自然对话生成深入的定性假设，挑战传统方法的局限性。

Comments 26 pages, 3 tables. Manuscript submitted for peer-reviewed journal publication

SpeakerLM: End-to-End Versatile Speaker Diarization and Recognition with Multimodal Large Language Models

SpeakerLM：基于多模态大语言模型的端到端多功能说话人辨识与识别

Han Yin, Yafeng Chen, Chong Deng, Luyao Cheng, Hui Wang, Chao-Hong Tan, Qian Chen, Wen Wang, Xiangang Li

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI

AI总结 SpeakerLM通过多模态大语言模型实现端到端的说话人辨识与识别，结合灵活的说话人注册机制，提升多说话人场景下的识别性能。

Comments Accepted by AAAI 2026

Bayesian Orchestration of Multi-LLM Agents for Cost-Aware Sequential Decision-Making

多语言模型代理的贝叶斯协调：面向成本感知的顺序决策

Danial Amin

机构 * Independent Researcher（独立研究者） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 该研究提出了一种多LLM协调框架，通过贝叶斯方法和成本感知策略，降低招聘决策中的总成本并提升公平性。

Structured Decomposition for LLM Reasoning: Cross-Domain Validation and Semantic Web Integration

结构分解用于LLM推理：跨领域验证与语义网集成

Albert Sadowski, Jarosław A. Chudziak

机构 * Warsaw University of Technology（华沙技术大学） 纠错

专题命中 领域大模型 ：LLM(title)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本文提出结构分解框架，结合LLM与符号推理，通过本体填充和符号验证提升跨领域推理的准确性和一致性。

Towards LLM-enabled autonomous combustion research: A literature-aware agent for self-corrective modeling workflows

迈向基于大语言模型的自主燃烧研究：一种文献感知的代理用于自修正建模工作流

Ke Xiao, Haoze Zhang, Runze Mao, Han Li, Zhi X. Chen

机构 * State Key Laboratory of Turbulence and Complex Systems, School of Mechanics and Engineering Science, Peking University（湍流与复杂系统国家重点实验室，力学与工程科学学院，北京大学） ； AI for Science Institute (AISI)（人工智能科学研究院（AISI）） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 FlamePilot是一种基于大语言模型的代理，通过自动化和自修正的CFD工作流提升燃烧建模研究效率，实现高可执行性和成功率。

ScienceDB AI: An LLM-Driven Agentic Recommender System for Large-Scale Scientific Data Sharing Services

ScienceDB AI: 基于大语言模型的代理推荐系统用于大规模科学数据共享服务

Qingqing Long, Haotian Chen, Chenyang Zhao, Xiaolei Du, Xuezhi Wang, Pengyao Wang, Chengzan Li, Yuanchun Zhou, Hengshu Zhu

机构 * Computer Network Information Center, Chinese Academy of Sciences, Beijing, China（中国科学院计算机网络信息中心） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 ScienceDB AI 是首个基于大语言模型的对话推荐系统，专为大规模科学数据共享服务设计，通过自然语言对话和深度推理实现精准的数据集推荐。

Comments 12 pages, 9 figures

DSL or Code? Evaluating the Quality of LLM-Generated Algebraic Specifications: A Case Study in Optimization at Kinaxis

DSL 或代码？评估 LLM 生成的代数规范质量：在 Kinaxis 优化中的案例研究

Negin Ayoughi, David Dewar, Shiva Nejati, Mehrdad Sabetzadeh

专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 本文研究了在数学优化中使用 LLM 生成 AMPL 模型与 Python 代码的准确性，通过案例研究发现 AMPL 在某些情况下表现更优，EXEOS 方法提升了生成规范的质量。

Comments Accepted for publication in ICSE-SEIP 2026

Can Legislation Be Made Machine-Readable in PROLEG?

在PROLEG中如何使立法变得机器可读？

May-Myo Zin, Sabine Wehnert, Yuntao Kong, Ha-Thanh Nguyen, Wachara Fungwacharakorn, Jieying Xue, Michał Araszkiewicz, Randy Goebel, Ken Satoh, Le-Minh Nguyen

机构 * Center for Juris-Informatics, ROIS-DS, Tokyo, Japan（法律信息中心） ； Ruhr-University Bochum（波鸿鲁尔大学） ； Research and Development Center for Large Language Models, NII, Tokyo, Japan（大型语言模型研究开发中心） ； Uniwersytet Jagielloński w Krakowie（克拉科夫雅盖隆大学） ； University of Alberta（阿尔伯塔大学） ； Japan Advanced Institute of Science and Technology, Ishikawa, Japan（日本先进科学技術研究所） 纠错

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本文提出利用LLM和PROLEG系统将法律文本转换为可执行的规则，以提高监管应用的准确性和效率。

Mind the Gap: Continuous Magnification Sampling for Pathology Foundation Models

注意间隙：连续放大采样用于病理基础模型

Alexander Möllers, Julius Hense, Florian Schulz, Timo Milbich, Maximilian Alber, Lukas Ruff

机构 * Berlin Institute for the Foundations of Learning and Data (BIFOLD)（柏林学习与数据基础研究所） ； Machine Learning Group, Technische Universität Berlin（柏林技术大学机器学习小组） ； Aignostics（Aignostics公司） ； Charité, Universitätsmedizin Berlin（柏林夏里特大学医学院） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.LG

AI总结 本文提出连续放大采样方法，通过优化采样分布提升病理基础模型在不同放大倍率下的性能，显著改善中间放大倍率下的分类准确率。

Detecting Proxy Gaming in RL and LLM Alignment via Evaluator Stress Tests

通过评估者压力测试检测强化学习和大语言模型对齐中的代理游戏

Ibne Farabi Shihab, Sanjeda Akter, Anuj Sharma

机构 * Department of Computer Science, Iowa State University（计算机科学系，爱荷华州立大学） ； Department of Civil, Construction & Environmental Engineering, Iowa State University（土木、建设与环境工程系，爱荷华州立大学） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；分类 cs.LG

AI总结 通过评估者压力测试检测强化学习和大语言模型对齐中的代理游戏，提升安全性和性能。

MedKGI: Iterative Differential Diagnosis with Medical Knowledge Graphs and Information-Guided Inquiring

MedKGI: 基于医学知识图谱和信息引导提问的迭代诊断

Qipeng Wang, Rui Sheng, Yafei Li, Huamin Qu, Yushi Sun, Min Zhu

机构 * Sichuan University（四川大学） ； HKUST（香港科技大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 MedKGI通过整合医学知识图谱和信息引导提问，提升临床诊断的准确性和效率。

Robustness of Structured Data Extraction from Perspectively Distorted Documents

从透视变形文档中提取结构化数据的鲁棒性

Hyakka Nakada, Yoshiyasu Tanaka

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.LG

AI总结 本研究探讨了透视变形对多模态LLMs提取文档数据准确性的影响，发现结构识别准确性显著下降，但可通过旋转校正提升。

Comments 8 pages, 12 figures

Journal ref 2025 10th International Conference on Intelligent Informatics and Biomedical Sciences (ICIIBMS), Okinawa, Japan, 2025, pp. 1-8

Multi-Dimensional Prompt Chaining to Improve Open-Domain Dialogue Generation

多维提示链以提升开放域对话生成

Livia Leong Hui Teng

机构 * Nanyang Technological University（南洋理工大学） 纠错

专题命中 领域大模型 ：language model(abstract)；small language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出多维提示链框架，通过提升自然性、连贯性和吸引力，使小型模型在开放域对话生成中达到与大模型相当的性能。

A Knowledge Graph and Deep Learning-Based Semantic Recommendation Database System for Advertisement Retrieval and Personalization

基于知识图谱和深度学习的语义推荐数据库系统：用于广告检索与个性化

Tangtang Wang, Kaijie Zhang, Kuangcong Liu

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出KGSR-ADS系统，通过知识图谱与深度学习结合，实现广告检索与个性化推荐的高效语义匹配和大规模检索。

CORE: Code-based Inverse Self-Training Framework with Graph Expansion for Virtual Agents

CORE: 基于代码的逆向自训练框架与图扩展用于虚拟代理

Keyu Wang, Bingchen Miao, Wendong Bu, Yu Wu, Juncheng Li, Shengyu Zhang, Wenqiao Zhang, Siliang Tang, Jun Xiao, Yueting Zhuang

机构 * Zhejiang University（浙江大学） ； Wuhan University（武汉大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 CORE提出一种基于代码的逆向自训练框架，通过语义代码抽象和策略图扩展，提升虚拟代理的行为多样性和泛化能力。

Comments 19 pages, 12 figures

A unified multimodal understanding and generation model for cross-disciplinary scientific research

面向跨学科科学研究的统一多模态理解和生成模型

Xiaomeng Yang, Zhiyu Tan, Xiaohui Zhong, Mengping Yang, Qiusheng Huang, Lei Chen, Libo Wu, Hao Li

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 FuXi-Uni是一种统一多模态模型，能跨学科领域理解和生成科学数据，通过自然语言和科学数值预测提升跨学科研究效率。

WildIng: A Wildlife Image Invariant Representation Model for Geographical Domain Shift

WildIng: 一种用于地理域转移的野生动物图像不变表示模型

Julian D. Santamaria, Claudia Isaza, Jhony H. Giraldo

专题命中 领域大模型 ：language model(abstract)；foundation model(abstract)；分类 cs.AI

AI总结 WildIng通过整合文本描述与图像特征，提升野生动物在不同地理区域的识别准确率，有效解决地理域转移问题。