语言大模型 / LLM

Guardrails for trust, safety, and ethical development and deployment of Large Language Models (LLM)

大型语言模型（LLM）的信任、安全与伦理发展和部署的防护措施

Anjanava Biswas, Wrick Talukdar

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

AI总结 本文提出了一种灵活自适应序列机制，结合信任和安全模块，用于实现大型语言模型开发和部署的安全防护。

Journal ref Journal Of Science & Technology, Vol. 4 No. 6 (2023), 55-82

Large Language Model-Powered Evolutionary Code Optimization on a Phylogenetic Tree

基于进化树的大型语言模型驱动的代码优化

Leyi Zhao, Weijie Huang, Yitong Guo, Jiang Bian, Chenghong Wang, Xuhong Zhang

机构 * Department of Computer Science（计算机科学系） ； Luddy School of Informatics（信息学院） ； Indiana University（印第安纳大学） 纠错

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

AI总结 PhyloEvolve利用大型语言模型和进化算法优化GPU科学计算算法，通过进化树结构提升优化效率和可重复性。

Large Language Models for Large-Scale, Rigorous Qualitative Analysis in Applied Health Services Research

大型语言模型在应用健康服务研究中的大规模、严谨定性分析中的应用

Sasha Ronaghi, Emma-Louise Aveling, Maria Levis, Rachel Lauren Ross, Emily Alsentzer, Sara Singer

机构 * Department of Computer Science（计算机科学系） ； Stanford University（斯坦福大学） ； Department of Biomedical Data Science（生物医学数据科学系） ； Stanford School of Medicine（斯坦福医学院） ； Harvard T.H. Chan School of Public Health（哈佛T.H. Chan公共卫生学院） ； Impactivo LLC 纠错

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

AI总结 本文提出了一种人-LLM定性分析框架，用于在应用健康服务研究中提升效率并保持严谨性，通过整合大型语言模型来改进定性数据的分析和反馈。

Comments 20 pages, 6 figures

PrivTune: Efficient and Privacy-Preserving Fine-Tuning of Large Language Models via Device-Cloud Collaboration

PrivTune: 通过设备-云协作实现高效且隐私保护的大型语言模型微调

Yi Liu, Weixiang Han, Chengjun Cai, Xingliang Yuan, Cong Wang

机构 * City University of Hong Kong（香港城市大学） ； City University of Hong Kong (Dongguan)（香港城市大学（东莞）） ； University of Melbourne（墨尔本大学） 纠错

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

AI总结 PrivTune通过分割学习框架，在设备-云协作中实现高效且隐私保护的大型语言模型微调，有效降低攻击成功率并保持性能。

Comments Accepted at IEEE INFOCOM 2026 (full version). Update the cited references

CoScale-RL: Efficient Post-Training by Co-Scaling Data and Computation

CoScale-RL: 通过协同扩展数据与计算实现高效后期训练

Yutong Chen, Jiandong Gao, Ji Wu

机构 * Department of Electronic Engineering, Tsinghua University, Beijing, China（清华大学电子工程系） ； College of AI, Tsinghua University, Beijing, China（清华大学人工智能学院） ； Beijing National Research Center for Information Science（北京信息科学国家研究中心） 纠错

专题命中 效率与部署 ：post-training(title,abstract)；foundation model(abstract)；SFT(abstract)；分类 cs.AI、cs.LG

AI总结 CoScale-RL通过协同扩展数据与计算，提升大型推理模型的训练效率和推理能力。

Comments preprint

The Slow Drift of Support: Boundary Failures in Multi-Turn Mental Health LLM Dialogues

支持的缓慢漂移：多轮心理健康大语言模型对话中的边界失败

Youyou Cheng, Zhuangwei Kang, Kerry Jiang, Chenyu Sun, Qiyang Pan

机构 * University of Incarnate Word School of Osteopathic Medicine（incarnate Word 学校医学部） ； Independent Researcher（独立研究者） ； Mayo Clinic（梅奥诊所） 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.AI

AI总结 本文提出多轮压力测试框架，揭示LLMs在长对话中因安慰和同理心尝试导致的安全边界逐步侵犯问题。

QMC: Efficient SLM Edge Inference via Outlier-Aware Quantization and Emergent Memories Co-Design

QMC：通过异常感知量化和涌现记忆协同设计实现高效的SLM边缘推断

Nilesh Prasad Pandey, Jangseon Park, Onat Gungor, Flavio Ponzina, Tajana Rosing

机构 * University of California San Diego（加州大学圣地亚哥分校） ； San Diego State University（圣地亚哥州立大学） 纠错

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

AI总结 QMC通过异常感知量化和涌现记忆协同设计，实现高效SLM边缘推断，显著降低内存、能耗和延迟。

Stackelberg Self-Annotation: A Robust Approach to Data-Efficient LLM Alignment

Stackelberg 自注释：一种鲁棒的数据高效 LLM 对齐方法

Xu Chu, Zhixin Zhang, Tianyu Jia, Yujie Jin

机构 * Key Laboratory of High Confidence Software Technologies, Ministry of Education（高可信软件技术重点实验室，教育部） ； Center on Frontiers of Computing Studies, Peking University（计算前沿研究中心，北京大学） ； School of Computer Science, Peking University（计算机学院，北京大学） 纠错

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

AI总结 本文提出Stackelberg自标注方法，通过少量人工标注和迭代自我标注，实现高效LLM对齐，减少对昂贵人工标注的依赖。

Towards Understanding Best Practices for Quantization of Vision-Language Models

朝着理解视觉-语言模型量化最佳实践

Gautom Das, Vincent La, Ethan Lau, Abhinav Shrivastava, Matthew Gwilliam

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

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

AI总结 本研究探讨了视觉-语言模型量化方法对多模态流水线性能的影响，发现LLM低位量化在减少bpw时仍保持高精度，为高效部署MLLMs提供实践指导。

Comments 15 pages, 12 figures, 1 table

Strategic Doctrine Language Models (sdLM): A Learning-System Framework for Doctrinal Consistency and Geopolitical Forecasting

战略道义语言模型（sdLM）：一种用于道义一致性和地缘政治预测的学习系统框架

Olaf Yunus Laitinen Imanov, Taner Yilmaz, Derya Umut Kulali

机构 * Department of Applied Mathematics and Computer Science (DTU Compute)（应用数学与计算机科学系（DTU计算）） ； Technical University of Denmark（丹麦技术大学） ； Department of Computer Engineering（计算机工程系） ； Afyon Kocatepe University（阿菲永卡拉伊斯大学） ； Department of Engineering（工程系） ； Eskisehir Technical University（埃斯克西赫尔技术大学） 纠错

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

AI总结 sdLM通过多文档注意力、时间编码和道义一致性层，提升地缘政治预测的准确性和道义一致性，优于通用大语言模型和人类专家。

Comments 13 pages, 10 figures, 10 tables

Auditing Language Model Unlearning via Information Decomposition

通过信息分解审计语言模型去学习

Anmol Goel, Alan Ritter, Iryna Gurevych

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

AI总结 本文通过信息分解方法，揭示语言模型去学习过程中残留知识的问题，并提出基于表示的风险评分以缓解隐私泄露。

Comments EACL 2026 Main

LoRAP: Low-Rank Aggregation Prompting for Quantized Graph Neural Networks Training

LoRAP: 低秩聚合提示用于量化图神经网络训练

Chenyu Liu, Haige Li, Luca Rossi

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 效率与部署 ：prompting(title,abstract)；分类 cs.LG

AI总结 LoRAP通过低秩聚合提示提升量化图神经网络训练性能，减少计算开销并提高低比特量化效果。

Vision-Language Models on the Edge for Real-Time Robotic Perception

边缘计算上的视觉-语言模型用于实时机器人感知

Sarat Ahmad, Maryam Hafeez, Syed Ali Raza Zaidi

机构 * School of Electronic and Electrical Engineering（电子与电气工程学院） 纠错

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

AI总结 本文研究了在边缘计算平台上部署视觉-语言模型以提高机器人感知的实时性与准确性，通过实验对比边缘与云部署的性能差异。

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。