AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
LABOR-LLM：基于语言的职业表示与大语言模型
机构 * Institute for Computational and Mathematical Engineering（计算与数学工程研究所） ； Stanford University（斯坦福大学） ； Graduate School of Business（商学院） ； Harvard Data Science Initiative（哈佛大学数据科学倡议） ； Harvard University（哈佛大学）
专题命中 指令微调 ：LLM(title,abstract)；large language model(title,abstract)；language model(title,abstract)；foundation model(abstract)
AI总结 LABOR-LLM通过大语言模型微调，利用职业历史预测下一个职业，展现优于传统模型的预测性能。
COLT: 通过持续工具使用增强视频大语言模型
机构 * University of Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed大学人工智能学院）
专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；instruction tuning(abstract)
AI总结 COLT通过持续工具使用增强视频大语言模型，解决工具数据持续变化的问题，提升视频理解性能。
Comments 16 pages
混合与单位元PEFT用于资源高效的大型语言模型
机构 * Department of Information Engineering, The Chinese University of Hong Kong, Hong Kong（信息工程系，香港中文大学） ； Department of Electrical and Computer Engineering, University of California San Diego, USA（电气与计算机工程系，加州大学圣地亚哥分校） ； Department of Computer Science, University of Copenhagen, Denmark（计算机科学系，哥本哈根大学） ； Department of Electrical Engineering, Columbia University, USA（电气工程系，哥伦比亚大学）
专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL
AI总结 本文提出混合与单位元PEFT方法，通过结合BOFT和LoRA-GA的优势，提升LLM微调效率，减少训练时间和内存使用，适用于资源受限场景。
Comments 11 pages, 2 figures and 7 table
Journal ref American Journal of Computer Science and Technology (Volume 8, Issue 4, 2025)
UCO：一种用于基于大语言模型的自适应教学的多轮交互强化学习方法
机构 * East China Normal University（东华大学） ； Zhejiang University（浙江大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI
AI总结 UCO通过多轮交互强化学习方法，利用进展奖励和支架奖励函数，提升大语言模型在教育场景中的自适应教学能力。
探究语言模型指令微调的多语言校准效应
机构 * Mila - Quebec AI Institute（魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； The University of Tokyo（东京大学） ； Western University（西方大学） ； Vector Institute（向量研究所） ； Polytechnique Montréal（蒙特利尔理工学院） ； CIFAR AI Chair（CIFAR人工智能主席） ； AIST（日本产业技术综合研究所）
专题命中 指令微调 ：language model(title,abstract)；large language model(abstract)；foundation model(abstract)；SFT(abstract)
AI总结 本研究探讨了多语言环境下语言模型指令微调对校准的影响，发现高资源语言SFT数据能显著提升模型置信度，但准确性提升有限，揭示了标准SFT在多语言中的局限性。
Comments Accepted to The 19th Conference of the European Chapter of the Association for Computational Linguistics (EACL)
可靠性与随机性：在解码温度下对稀疏和密集语言模型的实证分析
机构 * Kabir Grover（独立研究者）
专题命中 指令微调 ：language model(title,abstract)；large language model(abstract)；instruction tuning(abstract)；分类 cs.CL、cs.LG
AI总结 本文研究了稀疏和密集语言模型在不同解码温度下的可靠性，发现指令微调比架构稀疏性对稳定性影响更大。
Dream-VL & Dream-VLA: 基于扩散语言模型的开放视觉语言和视觉语言-动作模型
专题命中 指令微调 ：language model(title,abstract)；large language model(abstract)；分类 cs.CL
AI总结 基于扩散语言模型构建的Dream-VL和Dream-VLA在视觉语言和视觉语言-动作任务中表现出色，实现了领先的性能。
Comments Add real-world experiments
通过SAE构造的低秩子空间适应实现可解释的安全对齐
机构 * Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 指令微调 ：large language model(abstract)；language model(abstract)；RLHF(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 SAILS通过SAE构造低秩子空间实现安全对齐，提升安全性能并保持参数效率。
可用于SAR遥感的可提示基础模型：为雪崩分割适应Segment Anything模型
专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.LG
AI总结 本文提出基于Segment Anything Model的可提示基础模型，用于SAR遥感中雪崩分割任务，通过适配器、多编码器和提示工程策略提升标注效率。
FARM：针对田间作物产量回归的地理空间基础模型微调
机构 * University of Manitoba（曼尼托巴大学） ； AIRM Consulting Ltd.（AIRM咨询有限公司）
专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.LG
AI总结 FARM通过微调地理空间基础模型，实现了高分辨率田间作物产量预测，优于传统方法，为精准农业提供更有效的工具。
从电子商务产品和服务评论中提取方面
机构 * De La Salle University（德拉萨大学）
专题命中 指令微调 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.LG
AI总结 本文提出了一种针对Taglish的综合方面提取流程，结合规则、LLM和微调技术，通过生成式LLM在隐式方面处理上取得高性能，展示了在混合语言环境中的ABSA增强能力。
迈向多级转录分割：LoRA微调用于目录生成
机构 * Technische Hochschule Nürnberg（纽伦堡技术大学）
专题命中 指令微调 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.CL
AI总结 本文提出基于LoRA微调的多级转录分割方法，通过整合语音停顿特征，提升主题和子主题边界识别的准确性。
Comments Published in Proceedings of Interspeech 2025. Please cite the proceedings version (DOI: 10.21437/Interspeech.2025-2792)
Journal ref Proceedings of Interspeech 2025, pp. 276-280
TalkPhoto: 一种多功能的无需训练的对话式智能图像编辑助手
机构 * School of Electronic and Computer Engineering, Peking University（电子与计算机工程学院，北京大学）
专题命中 指令微调 ：LLM(abstract)；large language model(abstract)；language model(abstract)
AI总结 TalkPhoto通过对话交互实现无需训练的多功能图像编辑，利用提示模板分层调用现有高级编辑方法，提升编辑精度与质量。
Comments a Conversational Assistant for Intelligent Image Editing
SecureCodeRL: 为代码生成的具有安全意识的强化学习
专题命中 指令微调 ：large language model(abstract)；language model(abstract)；SFT(abstract)
AI总结 SecureCodeRL通过部分信用奖励提升代码生成的语法正确性和安全性，实现更高的测试通过率和更清洁的代码输出。
为多智能体语言系统学习演化的潜在策略而无需模型微调
机构 * Independent Researcher（独立研究者）
专题命中 指令微调 ：language model(abstract)；language agent(abstract)；分类 cs.AI、cs.LG
AI总结 该研究提出一种无需微调的多智能体语言系统框架，通过双环架构实现持续策略进化，利用外部潜在空间提供可解释的抽象战略表示。
Comments 17 pages, 5 figures. Code available at https://github.com/wltang-dev/Latent-Strategy-RL-Agent
在保真度与可塑性之间寻求平衡：将混合精度微调与语言层次结构对齐
机构 * Fudan University（复旦大学） ； Yale University（耶鲁大学） ； Zhejiang University（浙江大学）
专题命中 指令微调 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG
AI总结 QR-Adaptor通过联合优化量化位宽和LoRA秩，解决混合精度微调中保真度与可塑性的平衡问题，实现内存与性能的高效资源分配。
Comments 18 pages, 5 figures
无监督文本风格迁移用于可控强度
机构 * East China Normal University（东华大学） ； Baowu Group（宝武集团）
专题命中 指令微调 ：LLM(abstract)；SFT(abstract)；分类 cs.CL
AI总结 本文提出了一种SFT-then-PPO方法，通过精心设计的奖励函数提升LLM在可控强度下的文本风格迁移性能。
熵适应微调：解决自信冲突以缓解遗忘
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Zhongguancun Academy（中关村学院）
专题命中 指令微调 ：SFT(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 熵适应微调通过利用令牌级熵区分知识不确定性和冲突，缓解微调过程中的遗忘问题，提升模型在多个领域的表现。
在高维小表格数据中发现关联规则
机构 * University of Amsterdam（阿姆斯特丹大学） ； Amsterdam University Medical Center（阿姆斯特丹大学医学中心）
专题命中 指令微调 ：foundation model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出两种改进Aerial+的方法，用于在高维低数据量情况下提升关联规则挖掘的性能。
Comments Published version is available at https://ceur-ws.org/Vol-4125/paper_26.pdf
Journal ref Proc. 1st Int. Workshop on Advanced Neuro-Symbolic Applications (ANSyA 2025), CEUR Workshop Proc., vol. 4125, pp. 105-113, 2025
EMLoC：基于模拟器的内存高效微调与LoRA校正
机构 * Graduate Institute of Communication Engineering, National Taiwan University（国立台湾大学通信工程研究所） ； NVIDIA
专题命中 指令微调 ：foundation model(abstract)；分类 cs.AI、cs.LG
AI总结 EMLoC通过基于模拟器的内存高效微调与LoRA校正，实现大模型在有限内存下高效适应不同任务的需求。
Comments Accepted to the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Project page: https://hsi-che-lin.github.io/EMLoC/
GRAPHMOE: 通过引入自我反思机制提升混合专家网络的认知深度
机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Institute for Advanced Algorithms Research, Shanghai（上海先进算法研究所） ； The University of Manchester（曼彻斯特大学） ； The University of Pittsburgh（匹兹堡大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； University of Sydney（悉尼大学）
专题命中 指令微调 ：language model(abstract)；分类 cs.CL、cs.AI
AI总结 GRAPHMOE通过引入自我反思机制，提升混合专家网络的认知深度，实现语言模型的先进性能。
Comments 10 pages
普里提维-互补自适应融合编码器（CAFE）：解锁洪水淹没制图的全部潜力
机构 * Center for Sustainability and the Global Environment (SAGE), University of Wisconsin–Madison（可持续性与全球环境中心（SAGE），威斯康星大学麦迪逊分校） ； Portsmouth AI and Data Science Centre (PAIDS), School of Computing, University of Portsmouth（波特兰人工智能与数据科学中心（PAIDS），计算学院，波特兰大学）
专题命中 指令微调 ：foundation model(abstract)
AI总结 普里提维-互补自适应融合编码器（CAFE）通过融合多通道多模态数据提升洪水制图的分割性能。
Comments Accepted at CV4EO Workshop @ WACV 2026
SLGNet: 结合结构先验与语言引导调制的多模态目标检测
机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航天信息研究所） ； Key Laboratory of Target Cognition and Application Technology, Chinese Academy of Sciences（中国科学院目标认知与应用技术重点实验室） ； School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences（中国科学院大学电子电气与通信工程学院） ； School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件学院）
专题命中 指令微调 ：foundation model(abstract)
AI总结 SLGNet通过结合结构先验与语言引导调制，在冻结的ViT基础上实现高效多模态目标检测，提升环境适应性和检测性能。
AirSpatialBot: 一种空间感知的空中智能体用于细粒度车辆属性识别与检索
机构 * Department of Electronic Engineering, Shanghai Jiao Tong University（电子工程系，上海交通大学） ； Department of Automation, Shanghai Jiao Tong University（自动化系，上海交通大学）
专题命中 指令微调 ：language model(abstract)
AI总结 AirSpatialBot通过空间感知的VLM和两阶段训练策略，实现细粒度车辆属性识别与检索，解决遥感图像中的空间理解难题。
Comments 12 pages, 9 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈