语言大模型 / LLM

A Hybrid Supervised-LLM Pipeline for Actionable Suggestion Mining in Unstructured Customer Reviews

一种混合监督-大语言模型管道用于无结构客户评论中的可操作建议挖掘

Aakash Trivedi, Aniket Upadhyay, Pratik Narang, Dhruv Kumar, Praveen Kumar

机构 * Department of Computer Science & Information Systems, Birla Institute of Technology and Science, Pilani, India（印度比拉理工学院计算机科学与信息系统系） ； Birdeye Inc.（Birdeye公司） 纠错

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

AI总结 本文提出一种混合监督-大语言模型管道，用于从无结构客户评论中精准提取可操作建议，通过结合RoBERTa分类器和指令调优的LLM，提升提取准确性和聚类一致性，同时揭示领域适应与部署挑战。

Comments Accepted to EACL 2026 Industry Track (to appear)

SCoPE VLM: Selective Context Processing for Efficient Document Navigation in Vision-Language Models

SCoPE VLM：面向视觉语言模型高效文档导航的 selective context processing

Gyubeum Lim, Yemo Koo, Vijay Krishna Madisetti

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Konkuk University（韩国康克伦大学） 纠错

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

AI总结 SCoPE VLM通过引入滚动链机制和定制强化学习方法，实现高效文档导航，提升视觉语言模型在多页文档问答中的代理阅读能力。

Learning to Detect Unseen Jailbreak Attacks in Large Vision-Language Models

学习检测未见过的大型视觉-语言模型中的对抗攻击

Shuang Liang, Zhihao Xu, Jiaqi Weng, Jialing Tao, Hui Xue, Xiting Wang

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

AI总结 LoD通过学习模型内部激活生成安全表示，实现对未见过的对抗攻击的高效检测，提升检测性能和效率。

Comments 12 pages; Previously this version appeared as arXiv:2510.15430 which was submitted as a new work by accident

Selective Steering: Norm-Preserving Control Through Discriminative Layer Selection

选择性引导：通过判别层选择实现的范数保持控制

Quy-Anh Dang, Chris Ngo

机构 * VNU University of Science（越南国家科学大学） ； Knovel Engineering Lab（Knovel工程实验室） 纠错

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

AI总结 选择性引导通过判别层选择和范数保持旋转，实现对LLM行为的可控稳定修改。

Randomization Boosts KV Caching, Learning Balances Query Load: A Joint Perspective

随机化提升KV缓存，学习平衡查询负载：一种联合视角

Fangzhou Wu, Sandeep Silwal, Qiuyi, Zhang

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 本文提出统一的数学模型，结合随机化缓存淘汰与学习方法，以平衡查询负载和缓存命中率，实验表明在多个基准上性能提升显著。

Comments ICLR 2026

Modular Foundation Model Inference at the Edge: Network-Aware Microservice Optimization

边缘侧模块化基础模型推理：网络感知的微服务优化

Juan Zhu, Zixin Wang, Shenghui Song, Jun Zhang, Khaled Ben Letaief

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

AI总结 本文提出了一种基于微服务的边缘侧基础模型推理框架，通过网络感知的双层部署策略，利用核心服务与轻量服务的功能不对称性，实现稳健的服务质量保障与高效的任务完成。

Comments 4 figures. Conference

Decompose-and-Formalise: Recursively Verifiable Natural Language Inference

分解与形式化：可递归验证的自然语言推理

Xin Quan, Marco Valentino, Louise A. Dennis, André Freitas

机构 * Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系） ； School of Computer Science, University of Sheffield（谢菲尔德大学计算机科学学院） ； Idiap Research Institute（Idiap研究 institute） ； National Biomarker Centre, CRUK-MI, University of Manchester（曼彻斯特大学国家生物标记中心） 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 本文提出分解与形式化框架，通过自底向上的验证和局部诊断引导细化，提升自然语言推理的解释验证效率和准确性。

Dynamic Multi-Expert Projectors with Stabilized Routing for Multilingual Speech Recognition

动态多专家投影器与稳定路由用于多语言语音识别

Isha Pandey, Ashish Mittal, Vartul Bahuguna, Ganesh Ramakrishnan

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 SMEAR-MoE通过稳定多专家投影器实现多语言语音识别的高效跨语言共享与性能提升。

CHEHAB RL: Learning to Optimize Fully Homomorphic Encryption Computations

CHEHAB RL: 学习优化完全同态加密计算

Bilel Sefsaf, Abderraouf Dandani, Abdessamed Seddiki, Arab Mohammed, Eduardo Chielle, Michail Maniatakos, Riyadh Baghdadi

机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

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

AI总结 CHEHAB RL通过深度强化学习自动优化FHE代码，提升执行速度和减少噪声，编译过程更高效。

Sample-Efficient Optimization over Generative Priors via Coarse Learnability

通过粗粒学习能力实现生成先验的高效优化

Pranjal Awasthi, Sreenivas Gollapudi, Ravi Kumar, Kamesh Munagala

机构 * Google Research（谷歌研究） 纠错

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

AI总结 本文提出粗粒学习能力假设，设计迭代算法在多项式样本内近似目标分布，为深度生成先验的基于模型优化提供样本复杂度保证。

Less is More: Compact Clue Selection for Efficient Retrieval-Augmented Generation Reasoning

少即是多：为高效检索增强生成推理设计的紧凑线索选择

Qianchi Zhang, Hainan Zhang, Liang Pang, Yongxin Tong, Hongwei Zheng, Zhiming Zheng

机构 * School of Artificial Intelligence, Beihang University（北航人工智能学院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； Beijing Academy of Blockchain and Edge Computing（北京区块链与边缘计算研究院） 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 CompSelect通过紧凑线索选择机制提升RAG推理效率，减少LLM推理成本，优化线索提取与排序。

Comments Accepted to the ACM Web Conference 2026 (WWW'26)

How Is Uncertainty Propagated in Knowledge Distillation?

知识蒸馏中不确定性是如何传播的？

Ziyao Cui, Jian Pei

机构 * Duke University（杜克大学） 纠错

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

AI总结 本研究探讨了知识蒸馏中不确定性的传播机制，提出两种方差感知策略以提高蒸馏效果，展示了在不同模型类别中的有效性。

Cloud and AI Infrastructure Cost Optimization: A Comprehensive Review of Strategies and Case Studies

云计算与人工智能基础设施成本优化：策略与案例研究的全面综述

Saurabh Deochake

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

AI总结 本文综述了云计算与人工智能基础设施成本优化策略与案例，探讨了AI工作负载管理及成本节约方法。

Comments Version 2. Significantly expanded to include AI/ML infrastructure and GPU cost optimization. Updated with 2025 industry data and new case studies on LLM inference costs. Title updated from "Cloud Cost Optimization: A Comprehensive Review of Strategies and Case Studies" to reflect broader scope

AI IDEs or Autonomous Agents? Measuring the Impact of Coding Agents on Software Development

AI集成开发环境还是自主代理？衡量编码代理对软件开发的影响

Shyam Agarwal, Hao He, Bogdan Vasilescu

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

AI总结 研究探讨了基于LLM的编码代理对软件开发的影响，发现其在提升开发速度方面效果有限，但对软件质量产生持续负面影响，强调了需加强质量保障和选择性部署自主代理的重要性。

TokenSeek: Memory Efficient Fine Tuning via Instance-Aware Token Ditching

TokenSeek: 通过实例感知的令牌丢弃实现内存高效的微调

Runjia Zeng, Qifan Wang, Qiang Guan, Ruixiang Tang, Lifu Huang, Zhenting Wang, Xueling Zhang, Cheng Han, Dongfang Liu

机构 * Rochester Institute of Technology（罗切斯特理工学院） ； Meta AI ； Kent State University（肯特州立大学） ； Rutgers University（罗格斯大学） ； UC Davis（加州大学戴维斯分校） ； Accenture（安永） ； University of Missouri-Kansas City（密苏里大学堪萨斯城分校） 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 TokenSeek通过实例感知的令牌丢弃技术，在保持性能的同时显著降低微调的内存消耗。

Comments ICLR 2026

Up to 36x Speedup: Mask-based Parallel Inference Paradigm for Key Information Extraction in MLLMs

最高36倍提速：面向MLLMs关键信息提取的基于掩码的并行推断范式

Xinzhong Wang, Ya Guo, Jing Li, Huan Chen, Yi Tu, Yijie Hong, Gongshen Liu, Huijia Zhu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Ant Info Security Lab, Ant Group（蚂蚁集团信息安全部实验室） ； Inner Mongolia Research Institute, Shanghai Jiao Tong University（内蒙古研究院，上海交通大学） 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 本文提出基于掩码的并行推断范式，通过并行生成提升MLLMs关键信息提取的效率，实现最高36倍的提速。

Comments Accepted by ICASSP 2026

GradPruner: Gradient-Guided Layer Pruning Enabling Efficient Fine-Tuning and Inference for LLMs

GradPruner: 通过梯度引导的层剪枝实现LLM高效微调与推理

Wei Huang, Anda Cheng, Yinggui Wang

机构 * Ant Group Beijing, China（蚂蚁集团北京） 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 GradPruner通过梯度引导的层剪枝技术，在保持高精度的同时实现LLM微调和推理的高效优化。

Comments Accepted by ICLR2026

When Benchmarks Leak: Inference-Time Decontamination for LLMs

当基准泄露时：用于LLM的推理时间去污

Jianzhe Chai, Yu Zhe, Jun Sakuma

机构 * Institute of Science Tokyo（东京科学研究院） ； RIKEN AIP（理化学研究所先进理工研究机构） 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 DeconIEP通过在评估期间应用输入嵌入空间的小扰动，有效去除LLM中的污染行为，同时保持性能稳定。

Tabular Incremental Inference

表格增量推断

Xinda Chen, Zhen Xing, Hanyu Zhang, Weimin Tan, Bo Yan

机构 * Fudan University（复旦大学） 纠错

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

AI总结 本文提出表格增量推断任务，通过引入大语言模型占位符和预训练TabAdapter，使模型在推断阶段能动态融入新列，提升AI在动态表格场景中的实用性。

Jenius Agent: Towards Experience-Driven Accuracy Optimization in Real-World Scenarios

Jenius Agent：迈向真实世界场景中的经验驱动准确性优化

Defei Xia, Bingfeng Pi, Shenbin Zhang, Song Hua, Yunfei Wei, Lei Zuo

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

AI总结 Jenius Agent通过整合自适应提示生成、上下文感知工具编排和分层记忆机制，提升智能体在真实世界场景中的执行稳定性和鲁棒性，实验显示任务完成率提升35%。

Analogical Structure, Minimal Contextual Cues and Contrastive Distractors: Input Design for Sample-Efficient Linguistic Rule Induction

类比结构、最小上下文线索和对比性干扰项：样本高效语言规则诱导的输入设计

Chunyang Jiang, Paola Merlo

机构 * Idiap Research Institute（Idiap研究机构） ； University of Geneva（日内瓦大学） 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 本文探讨了类比结构、对比学习和最小上下文线索等输入设计原则对样本高效语言规则学习的影响，发现轻量级模型在较少数据下能取得更高F1表现。

Comments Accepted by EACL 2026 main conference

Beyond Classical Attention: Quantum Attention for Scalable Computation

超越经典注意：用于可扩展计算的量子注意

Xuyang Guo, Zhao Song, Xin Yang, Ruizhe Zhang

机构 * Department of XXX, University of YYY, Location, Country（YYY大学XXX系） ； School of ZZZ, Institute of WWW, Location, Country（WWW研究所ZZZ学院） 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 本文提出利用Grover算法高效计算稀疏注意矩阵，实现量子加速并展示低秩结构优势。

Cutting the Gordian Knot: Detecting Malicious PyPI Packages via a Knowledge-Mining Framework

解开 Gordian 节：通过知识挖掘框架检测恶意 PyPI 包

Wenbo Guo, Chengwei Liu, Ming Kang, Yiran Zhang, Jiahui Wu, Zhengzi Xu, Vinay Sachidananda, Yang Liu

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

AI总结 PyGuard 通过知识挖掘框架提升 PyPI 恶意包检测准确率，实现 99.50% 准确率，识别 219 个新恶意包，展示语义理解在跨编程语言中的应用价值。

Promptware Engineering: Software Engineering for Prompt-Enabled Systems

提示工程：为提示启用系统进行的软件工程

Zhenpeng Chen, Chong Wang, Weisong Sun, Xuanzhe Liu, Jie M. Zhang, Yang Liu

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

AI总结 本文提出提示软件工程，旨在通过软件工程原则系统化解决提示开发中的挑战，提升提示启用系统的发展。

Comments Accepted by ACM Transactions on Software Engineering and Methodology (ACM TOSEM)

AROMMA: Unifying Olfactory Embeddings for Single Molecules and Mixtures

AROMMA：统一单分子和混合物的嗅觉嵌入

Dayoung Kang, JongWon Kim, Jiho Park, Keonseock Lee, Ji-Woong Choi, Jinhyun So

机构 * Department of Electrical Engineering and Computer Science, DGIST（电气工程与计算机科学系，DGIST） ； Artificial Intelligence Major in Department of Interdisciplinary Studies, DGIST（交叉学科系人工智能专业，DGIST） 纠错

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

AI总结 AROMMA通过统一嵌入空间提升单分子和混合物的嗅觉表示学习，实现跨领域的鲁棒泛化。

LingoQ: Bridging the Gap between EFL Learning and Work through AI-Generated Work-Related Quizzes

LingoQ: 通过AI生成的工作相关测验弥合英语学习与工作的差距

Yeonsun Yang, Sang Won Lee, Jean Y. Song, Sangdoo Yun, Young-Ho Kim

机构 * Yonsei University（延世大学） ； NAVER AI Lab（NAVER AI实验室） 纠错

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

AI总结 LingoQ通过AI生成工作相关测验，帮助英语学习者在工作中提升英语能力，提高自我效能感和学习效果。

Comments 18 pages except reference. Conditionally accepted to ACM CHI 2026

Journal ref In Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26), April 13-17, 2026, Barcelona, Spain

CASTER: Breaking the Cost-Performance Barrier in Multi-Agent Orchestration via Context-Aware Strategy for Task Efficient Routing

CASTER: 通过上下文感知策略打破多智能体编排中的成本-性能障碍，实现任务高效的路由

Shanyv Liu, Xuyang Yuan, Tao Chen, Zijun Zhan, Zhu Han, Danyang Zheng, Weishan Zhang, Shaohua Cao

机构 * Qingdao Institute of Software, College of Computer Science ； Technology, China University of Petroleum (East China) ； Shandong Key Laboratory of Intelligent Oil \& Gas Industrial Software ； School of computing ； artificial intelligence, Southwest Jiaotong University ； Computer Engineering Department, University of Houston 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI

AI总结 CASTER通过上下文感知策略实现多智能体系统中任务高效路由，显著降低推理成本并保持高成功率。

LoPRo: Enhancing Low-Rank Quantization via Permuted Block-Wise Rotation

LoPRo：通过置换块旋转增强低秩量化

Hongyaoxing Gu, Lijuan Hu, Liye Yu, Haowei Li, Fangfang Liu

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

AI总结 LoPRo通过块置换和沃尔什-哈达玛变换提升低秩量化精度，实现无需微调的高效模型压缩。

EPAS: Efficient Training with Progressive Activation Sharing

EPAS: 通过渐进激活共享实现高效训练

Rezaul Karim, Maryam Dialameh, Yang Liu, Boxing Chen, Walid Ahmed

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

AI总结 EPAS通过渐进激活共享提升Transformer模型的训练和推理效率，实验证明在不同参数规模的LLaMA模型中吞吐量显著提升，并在持续预训练中提高模型准确率。

Comments This is a preprint of a paper accepted at the 39th Canadian Conference on Artificial Intelligence (Canadian AI 2026)

LoaQ: Layer-wise Output Approximation Quantization

LoaQ: 层级输出近似量化

Li Lin, Xiaojun Wan

机构 * Wangxuan Institute of Computer Technology, Peking University（计算机技术研究所，北京大学） 纠错

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

AI总结 LoaQ通过引入输出匹配因素，改进了基于层级的后训练量化方法，提升了模型量化质量并具有简洁的闭式解。

Comments under review