语言大模型 / LLM

CTest-Metric: A Unified Framework to Assess Clinical Validity of Metrics for CT Report Generation

CTest-Metric：一个统一框架，用于评估CT报告生成中度量的临床有效性

Vanshali Sharma, Andrea Mia Bejar, Gorkem Durak, Ulas Bagci

机构 * Machine and Hybrid Intelligence Lab, Northwestern University, Chicago, IL, USA（机器与混合智能实验室，西北大学） 纠错

专题命中 评测与基准 ：LLM(abstract)；分类 cs.CL

AI总结 CTest-Metric通过三个模块评估CT报告生成中度量的临床有效性，发现GREEN Score与专家判断最一致，BERTScore-F1对事实性错误最不敏感。

Comments Accepted at ISBI 2026

ARC Prize 2025: Technical Report

ARC 2025奖项：技术报告

François Chollet, Mike Knoop, Gregory Kamradt, Bryan Landers

专题命中 评测与基准 ：pretraining(abstract)；分类 cs.AI

AI总结 本文探讨了ARC-AGI-2基准竞赛中精炼循环对AGI进展的作用，分析了当前AI推理的局限性，并预览了ARC-AGI-3的交互推理挑战。

EvidFuse: Writing-Time Evidence Learning for Consistent Text-Chart Data Reporting

EvidFuse: 为一致的文本-图表数据报告进行写作时的证据学习

Huanxiang Lin, Qianyue Wang, Jinwu Hu, Bailin Chen, Qing Du, Mingkui Tan

机构 * South China University of Technology（华南理工大学） ； Pazhou Laboratory（琶洲实验室） 纠错

专题命中 评测与基准 ：LLM(abstract)；分类 cs.AI

AI总结 EvidFuse通过多智能体框架实现写作时文本-图表交织生成，解决数据驱动报告中图表与文本不一致的问题，提升分析深度和证据空间扩展能力。

Seek and You Shall Find: Design & Evaluation of a Context-Aware Interactive Search Companion

寻找与发现：一种情境感知的交互式搜索助手设计与评估

Markus Bink, Marten Risius, Udo Kruschwitz, David Elsweiler

专题命中 评测与基准 ：LLM(abstract)

AI总结 本研究设计并评估了一种情境感知的交互式搜索助手，旨在通过轻量级指导提升用户搜索素养和探索能力。

Comments Pre-Print accepted at CHIIR 2026

Multi-Receptive Field Ensemble with Cross-Entropy Masking for Class Imbalance in Remote Sensing Change Detection

多感受场集合与交叉熵掩码用于遥感变化检测中的类别不平衡问题

Humza Naveed, Xina Zeng, Mitch Bryson, Nagita Mehrseresht

机构 * The University of Sydney（悉尼大学） ； ARIAM ； Nearmap 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 本文提出多感受场集合与交叉熵掩码方法，用于解决遥感变化检测中的类别不平衡问题，通过改进模型结构和损失函数提升检测性能。

An Efficient Long-Context Ranking Architecture With Calibrated LLM Distillation: Application to Person-Job Fit

一种高效的长上下文排序架构与校准的LLM蒸馏：应用于人-职位匹配

Warren Jouanneau, Emma Jouffroy, Marc Palyart

机构 * Malt 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、cs.LG

AI总结 本文提出一种基于新型晚期交叉注意力架构的高效长上下文排序模型，通过校准的LLM蒸馏技术提升人-职位匹配的准确性和可解释性。

AdaptCache: KV Cache Native Storage Hierarchy for Low-Delay and High-Quality Language Model Serving

AdaptCache: 一种面向低延迟和高质量语言模型服务的KV缓存原生存储层次

Shaoting Feng, Hanchen Li, Kuntai Du, Zhuohan Gu, Yuhan Liu, Jiayi Yao, Siddhant Ray, Samuel Shen, Yihua Cheng, Ganesh Ananthanarayanan, Junchen Jiang

机构 * University of Chicago（芝加哥大学） ； Microsoft（微软） 纠错

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

AI总结 AdaptCache通过动态压缩KV缓存提升语言模型服务的低延迟和高质量性能。

Comments Accepted at SOSP 2025 - The International Workshop on Big Memory (BigMem)

Optimized Algorithms for Text Clustering with LLM-Generated Constraints

基于LLM生成约束的文本聚类优化算法

Chaoqi Jia, Weihong Wu, Longkun Guo, Zhigang Lu, Chao Chen, Kok-Leong Ong

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

AI总结 本文提出了一种基于LLM生成约束的文本聚类优化算法，通过生成约束集提高效率和准确性，减少LLM查询次数20倍以上。

Comments AAAI-26

MHA2MLA-VLM: Enabling DeepSeek's Economical Multi-Head Latent Attention across Vision-Language Models

MHA2MLA-VLM: 使DeepSeek的经济型多头潜在注意力在视觉-语言模型中生效

Xiaoran Fan, Zhichao Sun, Tao Ji, Lixing Shen, Tao Gui

机构 * DeepSeek 纠错

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

AI总结 MHA2MLA-VLM通过参数高效的方法将现有视觉-语言模型转换为多头潜在注意力架构，减少缓存足迹并提升推理效率。

SwiftKV: An Edge-Oriented Attention Algorithm and Multi-Head Accelerator for Fast, Efficient LLM Decoding

SwiftKV：一种面向边界的注意力算法和多头加速器，用于快速高效的LLM解码

Junming Zhang, Qinyan Zhang, Huajun Sun, Feiyang Gao, Sheng Hu, Rui Nie, Xiangshui Miao

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

AI总结 SwiftKV提出了一种面向边界的注意力算法和多头加速器，通过高效流水线化和统一处理实现快速高效的LLM解码，显著提升性能和效率。

FAQ: Mitigating Quantization Error via Regenerating Calibration Data with Family-Aware Quantization

FAQ: 通过家庭感知量化减少量化误差

Haiyang Xiao, Weiqing Li, Jinyue Guo, Guochao Jiang, Guohua Liu, Yuewei Zhang

机构 * Alibaba Cloud Computing（阿里云计算） 纠错

专题命中 效率与部署 ：LLM(abstract)；large language model(abstract)；language model(abstract)；post-training(abstract)

AI总结 FAQ通过家庭感知量化方法生成高保真校准数据，有效减少量化误差，实验表明其在多个模型系列中将准确性损失降低28.5%。

Attention Debiasing for Token Pruning in Vision Language Models

视觉语言模型中用于标记剪枝的注意力去偏

Kai Zhao, Wubang Yuan, Yuchen Lin, Liting Ruan, Xiaofeng Lu, Deng-Ping Fan, Ming-Ming Cheng, Dan Zeng

机构 * School of Communication and Information Engineering, Shanghai University（通信与信息工程学院，上海大学） ； School of Computer Science and Engineering, Shanghai University（计算机科学与工程学院，上海大学） ； School of Computer Science and Engineering, Nankai University（计算机科学与工程学院，南开大学） 纠错

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

AI总结 本文提出两种轻量有效的注意力去偏技术，用于改进视觉语言模型中基于注意力的标记剪枝，以提升计算效率和模型性能。

Comments https://github.com/intcomp/attention-bias

Redefining Machine Simultaneous Interpretation: From Incremental Translation to Human-Like Strategies

重新定义机器同声传译：从逐步翻译到人样策略

Qianen Zhang, Zeyu Yang, Satoshi Nakamura

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Nara Institute of Science and Technology（奈良研究所） 纠错

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

AI总结 本文提出通过扩展SiMT的操作空间，引入四种自适应操作以提升翻译质量与实时性，实验证明在语义指标和延迟方面优于现有方法。

Comments arXiv admin note: substantial text overlap with arXiv:2509.21801

Unifying Speech Recognition, Synthesis and Conversion with Autoregressive Transformers

用自回归变换器统一语音识别、合成与转换

Runyuan Cai, Yu Lin, Yiming Wang, Chunlin Fu, Xiaodong Zeng

机构 * AutoArk-AI 纠错

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

AI总结 本文提出GPA模型，通过统一的自回归架构整合语音识别、合成与转换任务，实现高效多任务处理和低延迟部署。

PatientVLM Meets DocVLM: Pre-Consultation Dialogue Between Vision-Language Models for Efficient Diagnosis

PatientVLM 与 DocVLM 相遇：为高效诊断的预咨询对话

K Lokesh, Abhirama Subramanyam Penamakuri, Uday Agarwal, Apoorva Challa, Shreya K Gowda, Somesh Gupta, Anand Mishra

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

AI总结 本文提出预咨询对话框架，通过视觉语言模型模拟医生与患者对话，利用合成症状提升诊断效率。

Comments Accepted at AAAI 2026 Main Track

LLMs can hide text in other text of the same length

LLMs可通过相同长度的文本隐藏信息

Antonio Norelli, Michael Bronstein

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

AI总结 本文提出Calgacus协议，利用LLM在相同长度文本中隐藏信息，揭示了文本与意图脱钩的潜在风险，引发对AI安全和理解的深刻反思。

Comments 21 pages, main paper 9 pages. v5 contains an Italian translation of this paper by the author

NanoSD: Edge Efficient Foundation Model for Real Time Image Restoration

NanoSD：面向边缘设备的高效图像修复扩散基础模型

Subhajit Sanyal, Srinivas Soumitri Miriyala, Akshay Janardan Bankar, Manjunath Arveti, Sowmya Vajrala, Shreyas Pandith, Sravanth Kodavanti, Abhishek Ameta, Harshit, Amit Satish Unde

机构 * Samsung Research India, Bangalore（三星印度研究, 波哥达） 纠错

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

AI总结 NanoSD通过网络手术、特征蒸馏和结构化扩展，构建了高效扩散基础模型家族，实现边缘设备上的实时图像修复与生成。

Comments Submitted to CVPR 2026

Tiny-WiFo: A Lightweight Wireless Foundation Model for Channel Prediction via Multi-Component Adaptive Knowledge Distillation

Tiny-WiFo: 一种轻量级无线基础模型用于信道预测的多组件自适应知识蒸馏

Haotian Zhang, Shijian Gao, Xiang Cheng

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

AI总结 Tiny-WiFo通过多组件自适应知识蒸馏方法，在保持高性能的同时实现轻量级无线基础模型的高效部署。

Comments 5 pages, 1 figures, 4 tables

CTHA: Constrained Temporal Hierarchical Architecture for Stable Multi-Agent LLM Systems

CTHA：用于稳定多智能体大语言模型系统的约束时间层次架构

Percy Jardine

专题命中 效率与部署 ：LLM(title)；分类 cs.AI

AI总结 CTHA通过约束时间层次架构提升多智能体系统稳定性，减少故障级联并提高样本效率。

Finding the Translation Switch: Discovering and Exploiting the Task-Initiation Features in LLMs

寻找翻译切换：在大语言模型中发现并利用任务启动特征

Xinwei Wu, Heng Liu, Xiaohu Zhao, Yuqi Ren, Linlong Xu, Longyue Wang, Deyi Xiong, Weihua Luo, Kaifu Zhang

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

AI总结 本研究通过发现大语言模型中的翻译启动特征，揭示其内在翻译能力，并提出基于机理困难样本的高效微调策略，提升模型鲁棒性和效率。

Comments Accepted by AAAI 2026

Cascading multi-agent anomaly detection in surveillance systems via vision-language models and embedding-based classification

通过视觉-语言模型和基于嵌入的分类实现监视系统中的级联多代理异常检测

Tayyab Rehman, Giovanni De Gasperis, Aly Shmahell

机构 * University of L’Aquila（拉奎拉大学） ； SPEE S.R.L（SPEE公司） 纠错

专题命中 效率与部署 ：language model(title)

AI总结 本文提出一种级联多代理框架，结合视觉-语言模型和嵌入分类，实现高效且可解释的异常检测，减少延迟并提升监控系统性能。

Comments Author email changed, Acknowlegement changes

Think-Clip-Sample: Slow-Fast Frame Selection for Video Understanding

Think-Clip-Sample: 慢-快帧选择用于视频理解

Wenhui Tan, Ruihua Song, Jiaze Li, Jianzhong Ju, Zhenbo Luo

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

AI总结 Think-Clip-Sample通过多查询推理和慢-快采样提升长视频理解的效率和效果

Comments Accepted by ICASSP2026

Membership Inference on LLMs in the Wild

在真实环境中对大语言模型进行成员推断

Jiatong Yi, Yanyang Li

机构 * The Chinese University of Hong Kong（香港中文大学） 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SimMIA框架和WikiMIA-25基准，通过先进采样策略和评分机制，在黑盒环境下实现对大语言模型成员推断的高精度检测。

Teaching Transformers to Solve Combinatorial Problems through Efficient Trial & Error

通过高效试错教学变压器解决组合问题

Panagiotis Giannoulis, Yorgos Pantis, Christos Tzamos

机构 * National Technical University of Athens（希腊雅典国家技术大学） ； National and Kapodistrian University of Athens（希腊雅典国家与卡波迪斯特里亚大学） ； Archimedes, Athena Research Center（阿提卡研究中心阿基米德） 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 本研究通过高效试错方法，利用Transformer解决数独问题，达到99%的准确率，无需外部工具，结合模仿学习与DFS探索策略。

PruneRAG: Confidence-Guided Query Decomposition Trees for Efficient Retrieval-Augmented Generation

PruneRAG: 基于置信度的查询分解树用于高效的检索增强生成

Shuguang Jiao, Xinyu Xiao, Yunfan Wei, Shuhan Qi, Chengkai Huang, Quan Z. Michael Sheng, Lina Yao

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

AI总结 PruneRAG通过基于置信度的查询分解树，提升检索增强生成的效率与准确性。

X-Distill: Cross-Architecture Vision Distillation for Visuomotor Learning

X-Distill：跨架构视觉蒸馏用于视觉-运动学习

Maanping Shao, Feihong Zhang, Gu Zhang, Baiye Cheng, Zhengrong Xue, Huazhe Xu

机构 * Tsinghua University（清华大学） ； Institute for Interdisciplinary Information Sciences（交叉信息研究院） ； Shanghai Qi Zhi Institute（上海启智研究院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Huazhong University of Science and Technology（华中科技大学） 纠错

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

AI总结 X-Distill通过跨架构知识蒸馏结合视觉转换器和紧凑型CNN，实现了在数据有限的机器人操作任务中优于其他方法的性能。

Towards Tensor Network Models for Low-Latency Jet Tagging on FPGAs

面向FPGA上的低延迟喷注标记的张量网络模型

Alberto Coppi, Ema Puljak, Lorenzo Borella, Daniel Jaschke, Enrique Rico, Maurizio Pierini, Jacopo Pazzini, Andrea Triossi, Simone Montangero

机构 * Dipartimento di Fisica e Astronomia "Galileo Galilei", University of Padua（伽利略·伽利莱物理与天文学系，帕多瓦大学） ； PlanQC GmbH（PlanQC公司） ； Institute for Complex Quantum Systems, Ulm University（复杂量子系统研究所，乌尔姆大学） ； European Organization for Nuclear Research (CERN)（欧洲核子研究中心） ； Padua Quantum Technologies Research Center, University of Padua（帕多瓦量子技术研究中心，帕多瓦大学） 纠错

专题命中 效率与部署 ：post-training(abstract)；分类 cs.LG

AI总结 本文提出基于张量网络模型的低延迟喷注标记方法，利用FPGA实现高效推理，展现其在高能物理实时触发系统中的应用潜力。

Comments 10 pages, 8 figures

DemoTuner: Automatic Performance Tuning for Database Management Systems Based on Demonstration Reinforcement Learning

DemoTuner: 基于演示强化学习的数据库管理系统自动性能调优

Hui Dou, Lei Jin, Yuxuan Zhou, Jiang He, Yiwen Zhang, Zibin Zheng

机构 * School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院） ； School of Software Engineering, Sun Yat-sen University（中山大学软件工程学院） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.LG

AI总结 DemoTuner通过LLM辅助的演示强化学习方法，利用文档中的调优提示提升数据库管理系统参数调优效果，实现性能提升和效率优化。

Comments 14 pages, 9 figures

Language-Agnostic Visual Embeddings for Cross-Script Handwriting Retrieval

跨脚本手写检索的语言无关视觉嵌入

Fangke Chen, Tianhao Dong, Sirry Chen, Guobin Zhang, Yishu Zhang, Yining Chen

机构 * School of Integrated Circuits, Zhejiang University（浙江大学集成电路学院） ； Shanghai Innovation Institute（上海创新研究院） ； School of Electrical and Electronic Engineering (EEE), Nanyang Technological University（南洋理工大学电子与电气工程学院） ； School of Data Science, Fudan University（复旦大学数据科学学院） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 本文提出了一种轻量级双编码框架，通过学习语言无关的视觉嵌入，实现跨脚本手写检索的高精度与低资源消耗。

Comments 9 pages,5 figures

OmniMol: Transferring Particle Physics Knowledge to Molecular Dynamics with Point-Edge Transformers

OmniMol：通过点边变换将粒子物理知识转移到分子动力学中

Ibrahim Elsharkawy, Vinicius Mikuni, Wahid Bhimji, Benjamin Nachman

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

AI总结 OmniMol通过点边变换将粒子物理知识应用于分子动力学，实现高效的分子互作用建模与高精度预测。

Comments 8 pages, 10 figures