语言大模型 / LLM

Typhoon OCR: Open Vision-Language Model For Thai Document Extraction

台风OCR：面向泰语文档提取的开放视觉-语言模型

Surapon Nonesung, Natapong Nitarach, Teetouch Jaknamon, Pittawat Taveekitworachai, Kunat Pipatanakul

机构 * Typhoon, SCB 10X（Typhoon，SCB 10X） 纠错

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

AI总结 Typhoon OCR 是一个专为泰语文档提取设计的开放视觉-语言模型，通过多阶段数据构建管道训练，实现文本转录、布局重构和结构一致性，性能媲美专有模型且计算成本更低。

Agentic AI Meets Edge Computing in Autonomous UAV Swarms

代理AI遇见边缘计算在自主无人机群中

Thuan Minh Nguyen, Vu Tuan Truong, Long Bao Le

机构 * INRS, University of Québec（INRS大学、魁北克大学） 纠错

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

AI总结 本文提出利用LLM驱动的代理AI与边缘计算结合，提升无人机群在高风险场景中的自主性和任务效率。

Harm in AI-Driven Societies: An Audit of Toxicity Adoption on Chirper.ai

AI驱动社会中的危害：对Chirper.ai上毒性采用的审计

Erica Coppolillo, Luca Luceri, Emilio Ferrara

机构 * University of Southern California, Los Angeles, California（美国南加州大学） ； University of Calabria, Rende, Italy（意大利卡拉布里亚大学） 纠错

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

AI总结 研究通过分析Chirper.ai上AI代理的毒性行为，揭示了暴露于有害内容如何影响代理行为，并提出通过监控毒性暴露来减轻有害行为的风险。

Decision-Making with Deliberation: Meta-reviewing as a Document-grounded Dialogue

基于 deliberation 的决策：作为文档基础对话的元评审

Sukannya Purkayastha, Nils Dycke, Anne Lauscher, Iryna Gurevych

机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science, Technical University of Darmstadt and National Research Center for Applied Cybersecurity ATHENE, Germany（技术大学达姆施塔特计算机科学系、应用网络安全国家研究中心ATHENE） ； Data Science Group, University of Hamburg（汉堡大学数据科学组） 纠错

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

AI总结 本文提出通过生成合成数据和训练专用对话代理，提升元评审效率。

Comments Accepted at EACL Main Conference, 2026

What Makes Low-Bit Quantization-Aware Training Work for Reasoning LLMs? A Systematic Study

是什么使低比特量化感知训练在推理大语言模型中有效？一项系统研究

Keyu Lv, Manyi Zhang, Xiaobo Xia, Jingchen Ni, Shannan Yan, Xianzhi Yu, Lu Hou, Chun Yuan, Haoli Bai

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Huawei Technologies（华为技术有限公司） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 本研究通过系统分析揭示了低比特量化感知训练在推理大语言模型中的有效性，提出优化工作流Reasoning-QAT，显著提升精度与效率。

FARE: Fast-Slow Agentic Robotic Exploration

FARE：快速-缓慢代理机器人探索

Shuhao Liao, Xuxin Lv, Jeric Lew, Shizhe Zhang, Jingsong Liang, Peizhuo Li, Yuhong Cao, Wenjun Wu, Guillaume Sartoretti

机构 * Beihang University, China（北航大学） ； Department of Mechanical Engineering, National University of Singapore（机械工程系，新加坡国立大学） 纠错

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

AI总结 FARE通过结合大型语言模型和强化学习策略，实现了高效且稳健的机器人探索，显著提升了探索效率并验证了其在大规模建筑环境中的有效性。

Reinforcement Learning for Chain of Thought Compression with One-Domain-to-All Generalization

基于单领域到全领域泛化的强化学习进行思维链压缩

Hanyu Li, Jiangshan Duo, Bofei Gao, Hailin Zhang, Sujian Li, Xiaotie Deng, Liang Zhao

机构 * CFCS, School of Computer Science, Peking University（计算机学院，北京大学） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； LLM-Core Xiaomi（小米LLM-Core） 纠错

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

AI总结 本文提出了一种基于单领域到全领域泛化的强化学习方法，通过样本级软强化学习压缩思维链推理，有效减少响应长度并提升跨领域泛化能力。

Can Synthetic Images Serve as Effective and Efficient Class Prototypes?

合成图像能否作为有效的高效类别原型？

Dianxing Shi, Dingjie Fu, Yuqiao Liu, Jun Wang

机构 * Beijing Research Institute of Uranium Geology（铀矿北京研究机构） ； Huazhong University of Science and Technology（华中科技大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Great Bay University（大湾大学） 纠错

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

AI总结 LGCLIP通过大语言模型生成类别特定提示，利用扩散模型合成参考图像，以实现高效的零样本分类。

Comments Accepted by IEEE ICASSP2026

The Plausibility Trap: Using Probabilistic Engines for Deterministic Tasks

可能性陷阱：使用概率引擎进行确定性任务

Ivan Carrera, Daniel Maldonado-Ruiz

机构 * Laboratorio de Ciencia de Datos ADA, Departamento de Informática y Ciencias de la Computación, Escuela Politécnica Nacional（数据科学实验室ADA，计算机与计算科学系，工程技术学院） ； Facultad de Ingenieria en Sistemas, Electrónica e Industrial, Universidad Técnica de Ambato（系统、电子与工业工程系，技术大学） 纠错

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 本文探讨了在确定性任务中过度使用概率引擎的问题，提出工具选择工程和决策矩阵以帮助开发者合理使用生成式AI。

Mixture-of-Experts Models in Vision: Routing, Optimization, and Generalization

视觉中的专家混合模型：路由、优化与泛化

Adam Rokah, Daniel Veress, Caleb Caulk, Sourav Sharan

机构 * Department of Information Technology, Uppsala University, Uppsala, Sweden（乌普萨拉大学信息科技系） ； Scaleout Systems, Uppsala, Sweden（Scaleout系统） 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 本文研究了视觉任务中MoE模型的路由、优化与泛化能力，通过实验比较不同MoE变体在图像分类中的性能，发现SoftMoE在尖锐度指标上表现更优，同时指出稀疏MoE在实际效率上存在理论与实践的差距。

Comments 7 pages, 8 figures. Code available at: https://github.com/moe-project-uu/mixture-of-experts-project

Which Quantization Should I Use? A Unified Evaluation of llama.cpp Quantization on Llama-3.1-8B-Instruct

我应该使用哪种量化？对llama.cpp量化在Llama-3.1-8B-Instruct上的统一评估

Uygar Kurt

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

AI总结 本文评估了llama.cpp不同量化方案在Llama-3.1-8B-Instruct模型上的性能，为选择合适的量化方法提供指导。

Comments 17 pages, 6 tables, 1 figure

End-to-End Transformer Acceleration Through Processing-in-Memory Architectures

通过处理在内存架构实现端到端Transformer加速

Xiaoxuan Yang, Peilin Chen, Tergel Molom-Ochir, Yiran Chen

机构 * Department of Electrical and Computer Engineering, University of Virginia（弗吉尼亚大学电气与计算机工程系） ； Department of Electrical and Computer Engineering, Duke University（杜克大学电气与计算机工程系） 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 本文提出通过处理在内存架构减少变换器模型的计算开销、内存瓶颈和注意力复杂度，实现端到端加速。

Comments ICM 2025

A2H-MAS: An Algorithm-to-HLS Multi-Agent System for Automated and Reliable FPGA Implementation

A2H-MAS：一种算法到HLS的多智能体系统用于自动且可靠的FPGA实现

Jie Lei, Ruofan Jia, J. Andrew Zhang, Hao Zhang

机构 * Xidian University, Xi'an, China（西安电子科技大学） 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 A2H-MAS通过多智能体系统实现算法到HLS的自动可靠FPGA实现，提升无线通信等领域的硬件开发效率。

Comments 9 pages, 6 figures

AlertGuardian: Intelligent Alert Life-Cycle Management for Large-scale Cloud Systems

AlertGuardian: 大规模云系统中的智能警报生命周期管理

Guangba Yu, Genting Mai, Rui Wang, Ruipeng Li, Pengfei Chen, Long Pan, Ruijie Xu

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

AI总结 AlertGuardian通过结合LLMs和图模型，优化大规模云系统的警报生命周期管理，显著减少警报疲劳并提升故障诊断效率。

Comments Accepted by ASE 2025

QueStER: Query Specification for Generative keyword-based Retrieval

QueStER：生成式关键词检索的查询规范

Arthur Satouf, Yuxuan Zong, Habiboulaye Amadou-Boubacar, Pablo Piantanida, Benjamin Piwowarski

机构 * MILA – Quebec AI Institute & ILLS（魁北克人工智能研究所） ； Université Paris-Saclay & CentraleSupélec & CNRS（巴黎-萨克雷大学） ； Air Liquide（Air Liquide公司） ； Sorbonne Université & ISIR & CNRS（索邦大学） 纠错

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

AI总结 QueStER通过生成显式的关键词检索规范，结合生成式查询重写和传统检索的效率，提升跨领域检索性能。

Journal ref eACL 2026

IntelliSA: An Intelligent Static Analyzer for IaC Security Smell Detection Using Symbolic Rules and Neural Inference

IntelliSA：一种利用符号规则和神经推理的智能静态分析器，用于IaC安全异味检测

Qiyue Mei, Michael Fu

机构 * The University of Melbourne（墨尔本大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI

AI总结 IntelliSA通过结合符号规则和神经推理，有效检测IaC安全异味，实现高准确率和低成本的自动化安全分析。

Comments Accepted at MSR 2026

Tokenomics: Quantifying Where Tokens Are Used in Agentic Software Engineering

令牌经济学：量化令牌在代理软件工程中的使用位置

Mohamad Salim, Jasmine Latendresse, SayedHassan Khatoonabadi, Emad Shihab

机构 * Data-driven Analysis of Software (DAS) Lab Concordia University Montreal Canada ； Data-driven Analysis of Software (DAS) Lab Concordia University 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI

AI总结 研究通过分析LLM-MA系统在软件开发生命周期中的令牌消耗，发现代码审查阶段消耗最大，提出优化代理协作效率的方法。

HumanoidVLM: Vision-Language-Guided Impedance Control for Contact-Rich Humanoid Manipulation

HumanoidVLM: 用于接触密集型人形机器人工操作的视觉-语言引导阻抗控制

Yara Mahmoud, Yasheerah Yaqoot, Miguel Altamirano Cabrera, Dzmitry Tsetserukou

机构 * Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究所） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 HumanoidVLM通过视觉-语言模型和检索增强生成模块，实现人形机器人在接触密集场景中的自适应阻抗控制与抓取配置选择。

Comments This paper has been accepted for publication at LBR of HRI 2026 conference

Unified Multimodal and Multilingual Retrieval via Multi-Task Learning with NLU Integration

通过多任务学习与NLU集成实现统一的多模态和多语言检索

Xinyuan Zhang, Lina Zhang, Lisung Chen, Guangyao Liu, Shuai Nie, Jiaming Xu, Runyu Shi, Ying Huang, Guoquan Zhang

专题命中 效率与部署 ：language model(abstract)

AI总结 本文提出通过多任务学习与NLU集成实现统一的多模态和多语言检索，提升跨语言和跨模态的检索效率与准确性。

Comments 4 pages, 2 figures, submitted to IEEE ICASSP 2026

Developmental trajectories of decision making and affective dynamics in large language models

大语言模型决策机制与情感动态的发展轨迹

Zhihao Wang, Yiyang Liu, Ting Wang, Zhiyuan Liu

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 研究通过对比不同大语言模型与人类在赌博任务中的表现，揭示了模型决策和情感动态的发展轨迹及其对AI伦理的影响。

LLM Powered Social Digital Twins: A Framework for Simulating Population Behavioral Response to Policy Interventions

由大型语言模型驱动的社会数字孪生：一种用于模拟人口对政策干预反应的框架

Fatima Koaik, Aayush Gupta, Farahan Raza Sheikh

机构 * PwC（普华永道） 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 本文提出了一种由大型语言模型驱动的社会数字孪生框架，用于模拟人群对政策干预的反应，通过校准层实现对真实数据的验证，并在疫情期间展示了20.7%的预测误差改进。

Comments 13 pages, 1 figure, 4 tables

ThinkRec: Thinking-based recommendation via LLM

ThinkRec: 基于思考的推荐方法

Qihang Yu, Kairui Fu, Zheqi Lv, Shengyu Zhang, Xinhui Wu, Chen Lin, Feng Wei, Bo Zheng, Fei Wu

机构 * Zhejiang University（浙江大学） ； Shanghai AI Laboratory（上海人工智能实验室） 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 ThinkRec通过引入思考激活机制和实例级专家融合机制，提升推荐系统的准确性和可解释性。

Comments Published on WWW'26: In Proceedings of the ACM Web Conference 2026

LLM-Based Repair of C++ Implicit Data Loss Compiler Warnings: An Industrial Case Study

基于大型语言模型的C++隐式数据丢失编译警告修复：一个工业案例研究

Chansong You, Hyun Deok Choi, Jingun Hong

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

AI总结 本文提出利用LLM修复C++隐式数据丢失警告的方法，通过工业案例验证其有效性，减少人工干预并提升代码质量。

Turning Citation Networks Inside Out: Studying Science Using Content-Based Knowledge Graphs from LLM-Derived Taxonomies

将引用网络翻转：利用LLM衍生的基于内容的知识图谱研究科学

Seorin Kim, Vincent Holst, Vincent Ginis

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

AI总结 本文提出了一种基于内容的知识图谱方法，通过LLM衍生的分类学分析科学领域，揭示方法论、数据和问题的演变架构。

Comments 19 pages, 10 figures

Rewarding How Models Think Pedagogically: Integrating Pedagogical Reasoning and Thinking Rewards for LLMs in Education

奖励模型如何思考：在教育中整合教学推理和思考奖励

Unggi Lee, Jiyeong Bae, Jaehyeon Park, Haeun Park, Taejun Park, Younghoon Jeon, Sungmin Cho, Junbo Koh, Yeil Jeong, Gyeonggeon Lee

机构 * Chosun University（昌原大学） ； Korea University（韩国大学） ； Seoul National University（首尔国立大学） ； Korea Institute for Curriculum and Evaluation（韩国课程与评价研究院） ； Upstage ； Indiana University Bloomington（印第安纳大学布卢明顿分校） ； Nanyang Technological University（南洋理工大学） 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PedagogicalRL-Thinking框架，通过教学推理提示和思考奖励方法，提升LLM在教育场景中的教学推理能力和结构化决策能力。

OptimAI: Optimization from Natural Language Using LLM-Powered AI Agents

OptimAI：利用LLM驱动的AI代理进行自然语言优化

Raghav Thind, Youran Sun, Ling Liang, Haizhao Yang

机构 * Department of Computer Science University of Maryland at College Park（计算机科学系大学马里兰大学学院公园分校） ； Department of Mathematics University of Maryland at College Park（数学系大学马里兰大学学院公园分校） ； Department of Mathematics Department of Computer Science University of Maryland at College Park（数学系计算机科学系大学马里兰大学学院公园分校） 纠错

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

AI总结 OptimAI通过LLM驱动的AI代理解决自然语言描述的优化问题，实现88.1%的准确率，显著降低错误率。

Measuring and Aligning Abstraction in Vision-Language Models with Medical Taxonomies

利用医学分类法测量和对齐视觉-语言模型中的抽象能力

Ben Schaper, Maxime Di Folco, Bernhard Kainz, Julia A. Schnabel, Cosmin I. Bercea

机构 * 1 School of Computation, Information ； Technology, Technical University of Munich, Germany 2 Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich, Germany 3 LTCI, Télécom Paris, Institut Polytechnique de Paris, France 4 Munich Center for Machine Learning (MCML) 5 School of Biomedical Engineering ； Imaging Sciences, King's College London, UK 6 Department of Artificial Intelligence in Biomedical Imaging, FAU Erlangen-Nuremberg, Germany 7 Department of Computing, Imperial College London, UK 纠错

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

AI总结 本文提出通过医学分类法量化和缓解视觉-语言模型中的抽象错误，引入灾难性抽象错误概念，并通过风险约束阈值和分类法感知微调减少严重错误至2%以下。

Beyond Boundaries: Leveraging Vision Foundation Models for Source-Free Object Detection

超越边界：利用视觉基础模型进行无源目标检测

Huizai Yao, Sicheng Zhao, Pengteng Li, Yi Cui, Shuo Lu, Weiyu Guo, Yunfan Lu, Yijie Xu, Hui Xiong

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

AI总结 本文提出一种利用视觉基础模型提升无源目标检测性能的新框架，通过增强特征对齐和标签质量，实现跨领域迁移和辨别性提升。

Comments Accepted to AAAI 2026. Extended version with full Appendix

How to Build AI Agents by Augmenting LLMs with Codified Human Expert Domain Knowledge? A Software Engineering Framework

如何通过将编码化的人类专家领域知识与大语言模型结合来构建AI代理？一种软件工程框架

Choro Ulan uulu, Mikhail Kulyabin, Iris Fuhrmann, Jan Joosten, Nuno Miguel Martins Pacheco, Filippos Petridis, Rebecca Johnson, Jan Bosch, Helena Holmström Olsson

机构 * Department of Computer Science and Engineering, Chalmers University of Technology（计算机科学与工程系，查尔姆斯理工大学） ； Department of Mathematics and Computer Science, Eindhoven University of Technology（数学与计算机科学系，埃因霍温理工大学） ； Department of Computer Science and Media Technology, Malmö University（计算机科学与媒体技术系，马尔默大学） 纠错

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

AI总结 本文提出一种软件工程框架，通过增强大语言模型与编码化专家知识，构建能自主生成可视化内容的AI代理，实现非专家在专业领域内达到专家水平的成果。

Modular AI-Powered Interviewer with Dynamic Question Generation and Expertise Profiling

模块化的人工智能面试官：动态问题生成与专业能力分析

Aisvarya Adeseye, Jouni Isoaho, Seppo Virtanen, Mohammad Tahir

机构 * Department of Computing, University of Turku（计算系，图尔库大学） 纠错

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

AI总结 本文提出一种模块化的人工智能面试官，通过动态生成情境合适且专业对齐的问题，提升定性研究的灵活性和参与度。

Comments Accepted and Waiting to be published in conference AIR-RES'25 ( http://www.american-cse.org/air-res2025 )