语言大模型 / LLM

HESTIA: A Hessian-Guided Differentiable Quantization-Aware Training Framework for Extremely Low-Bit LLMs

HESTIA: 一种基于Hessian的可微量化感知训练框架用于极低比特LLMs

Guoan Wang, Feiyu Wang, Zongwei Lv, Yikun Zong, Tong Yang

机构 * School of Software and Microelectronics, Peking University, Beijing, China（软件与微电子学院，北京大学，北京，中国） ； School of Computer Science, Peking University, Beijing, China（计算机科学学院，北京大学，北京，中国） 纠错

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

AI总结 HESTIA通过Hessian引导的可微量化感知训练框架，实现极低比特LLMs的高效训练，提升模型性能。

Comments 13 pages, 2 figures

TABED: Test-Time Adaptive Ensemble Drafting for Robust Speculative Decoding in LVLMs

TABED: 为在LVLMs中实现鲁棒性推测解码的测试时间自适应集成草稿

Minjae Lee, Wonjun Kang, Byeongkeun Ahn, Christian Classen, Kevin Galim, Seunghyuk Oh, Minghao Yan, Hyung Il Koo, Kangwook Lee

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

AI总结 TABED通过动态集成多个草稿提高LVLMs在推测解码中的鲁棒性和效率，实现1.74倍的加速和5%的性能提升。

Comments Accepted to Findings of EACL 2026

Elastic Attention: Test-time Adaptive Sparsity Ratios for Efficient Transformers

弹性注意力：用于高效变换器的测试时间自适应稀疏率

Zecheng Tang, Quantong Qiu, Yi Yang, Zhiyi Hong, Haiya Xiang, Kebin Liu, Qingqing Dang, Juntao Li, Min Zhang

机构 * Soochow University, China（苏州大学） ； LCM Laboratory（LCM实验室） ； Baidu Inc, China（百度公司） 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 弹性注意力通过动态调整稀疏率提升LLMs在长上下文任务中的效率与性能。

Context-Augmented Code Generation Using Programming Knowledge Graphs

基于编程知识图谱的上下文增强代码生成

Shahd Seddik, Fahd Seddik, Iman Saberi, Fatemeh Fard, Minh Hieu Huynh, Patanamon Thongtanunam

机构 * University of British Columbia（不列颠哥伦比亚大学） ； University of Melbourne（墨尔本大学） 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 本文提出编程知识图谱（PKG）和重排序机制，通过细粒度检索和减少幻觉，提升代码生成在复杂问题上的表现。

Decoupling Perception and Calibration: Label-Efficient Image Quality Assessment Framework

解耦感知与校准：一种标签高效的图像质量评估框架

Xinyue Li, Zhichao Zhang, Zhiming Xu, Shubo Xu, Xiongkuo Min, Yitong Chen, Guangtao Zhai

机构 * Shanghai Jiao Tong University（上海交通大学） ； Xi’an Jiaotong University（西安交通大学） ； Baidu（百度） 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 LEAF通过蒸馏多模态大语言模型的感知先验，实现轻量级图像质量评估，减少对人类标注的依赖，同时保持与人类注释的一致性。

Positive-Unlabeled Reinforcement Learning Distillation for On-Premise Small Models

基于正例-未标记强化学习的本地小型模型蒸馏

Zhiqiang Kou, Junyang Chen, Xin-Qiang Cai, Xiaobo Xia, Ming-Kun Xie, Dong-Dong Wu, Biao Liu, Yuheng Jia, Xin Geng, Masashi Sugiyama, Tat-Seng Chua

机构 * Hong Kong Polytechnic University（香港理工大学） ； Southeast University（东南大学） ； National University of Singapore（新加坡国立大学） ； University of Tokyo（东京大学） 纠错

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

AI总结 本文提出了一种基于正例-未标记强化学习的本地小型模型蒸馏方法，无需人工标注或奖励模型，通过本地训练循环实现偏好优化，实验证明在低成本环境下性能优异。

Comments 22 pages, 8 figures, 7 tables

MetaVLA: Unified Meta Co-training For Efficient Embodied Adaption

MetaVLA：统一的元学习协同训练用于高效的具身适应

Chen Li, Zhantao Yang, Han Zhang, Fangyi Chen, Chenchen Zhu, Anudeepsekhar Bolimera, Marios Savvides

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Meta Reality Labs, USA（Meta现实实验室（美国）） 纠错

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

AI总结 MetaVLA通过统一的元学习协同训练方法，实现高效的具身适应，提升任务泛化能力并降低训练成本。

Arce: Augmented Roberta with Contextualized Elucidations for Ner in Automated Rule Checking

Arce：增强的RoBERTa与上下文澄清用于自动规则检查中的命名实体识别

Jian Chen, Jiabao Dou

机构 * Ningxia Research Institute of Transport Science（宁夏交通运输科学研究院） ； Department of Computer Science（计算机科学系） 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 ARCE通过增强RoBERTa并结合上下文澄清，有效解决了AEC领域自动规则检查中的命名实体识别问题，实现了77.20%的Macro-F1分数。

X-SAM: From Segment Anything to Any Segmentation

X-SAM：从Segment Anything到Any Segmentation

Hao Wang, Limeng Qiao, Zequn Jie, Zhijian Huang, Chengjian Feng, Qingfang Zheng, Lin Ma, Xiangyuan Lan, Xiaodan Liang

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

AI总结 X-SAM通过引入统一框架和VGD分割任务，提升多模态大语言模型的像素级视觉理解能力，实现更广泛的分割任务整合。

Comments AAAI2026

Agentic Fog: A Policy-driven Framework for Distributed Intelligence in Fog Computing

代理雾：一种基于策略的雾计算分布式智能框架

Saeed Akbar, Muhammad Waqas, Rahmat Ullah

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

AI总结 本文提出了一种基于策略的雾计算框架，通过将雾节点建模为自主代理并利用势博弈理论，实现了动态环境下的高效资源管理和稳定系统收敛。

Comments 09 Pages

Compression Tells Intelligence: Visual Coding, Visual Token Technology, and the Unification

压缩揭示智能：视觉编码、视觉令牌技术与统一

Xin Jin, Jinming Liu, Yuntao Wei, Junyan Lin, Zhicheng Wang, Jianguo Huang, Xudong Yang, Yanxiao Liu, Wenjun Zeng

机构 * Eastern Institute of Technology, Ningbo（宁波东部技术研究院） 纠错

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

AI总结 本文探讨了视觉编码与视觉令牌技术的统一，揭示压缩效率与模型性能的权衡，并预测了下一代视觉编解码器和令牌技术的发展。

Context Tokens are Anchors: Understanding the Repetition Curse in dMLLMs from an Information Flow Perspective

上下文标记是锚点：从信息流的角度理解dMLLMs中的重复诅咒

Qiyan Zhao, Xiaofeng Zhang, Shuochen Chang, Qianyu Chen, Xiaosong Yuan, Xuhang Chen, Luoqi Liu, Jiajun Zhang, Xu-Yao Zhang, Da-Han Wang

机构 * SJTU（上海交通大学） ； CASIA（中国科学院自动化研究所） ； NTU（国立台湾大学） ； Meitu (China) Limited（美图公司） ； XMUT（新疆大学） 纠错

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

AI总结 CoTA通过增强上下文标记注意力和引入惩罚项缓解dMLLMs中的重复问题，提升解码性能。

Comments Accepted in ICLR 2026

NET4EXA: Pioneering the Future of Interconnects for Supercomputing and AI

NET4EXA：开创超算和AI的互连技术未来

Michele Martinelli, Roberto Ammendola, Andrea Biagioni, Carlotta Chiarini, Ottorino Frezza, Francesca Lo Cicero, Alessandro Lonardo, Pier Stanislao Paolucci, Elena Pastorelli, Pierpaolo Perticaroli, Luca Pontisso, Cristian Rossi, Francesco Simula, Piero Vicini, David Colin, Grégoire Pichon, Alexandre Louvet, John Gliksberg, Claire Chen, Matteo Turisini, Andrea Monterubbiano, Jean-Philippe Nominé, Denis Dutoit, Hugo Taboada, Lilia Zaourar, Mohamed Benazouz, Angelos Bilas, Fabien Chaix, Manolis Katevenis, Nikolaos Chrysos, Evangelos Mageiropoulos, Christos Kozanitis, Thomas Moen, Steffen Persvold, Einar Rustad, Sandro Fiore, Fabrizio Granelli, Simone Pezzuto, Raffaello Potestio, Luca Tubiana, Philippe Velha, Flavio Vella, Daniele De Sensi, Salvatore Pontarelli

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

AI总结 NET4EXA项目致力于开发下一代高性能互连技术，以满足超算和AI系统对大规模基础设施的需求，通过整合商用交换机技术与定制IP和FPGA基的NICs，提供完整的硬件和软件互连解决方案。

PromptVFX: Text-Driven Fields for Open-World 3D Gaussian Animation

PromptVFX: 基于文本的场用于开放世界3D高斯动画

Mert Kiray, Paul Uhlenbruck, Nassir Navab, Benjamin Busam

机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Obsphera 纠错

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

AI总结 PromptVFX通过文本驱动的场预测技术，实现开放世界3D高斯动画，减少传统VFX制作的高门槛和耗时。

KV Admission: Learning What to Write for Efficient Long-Context Inference

KV准入：学习高效长上下文推断中应写什么

Yen-Chieh Huang, Pi-Cheng Hsiu, Rui Fang, Ming-Syan Chen

机构 * Department of Electrical Engineering, National Taiwan University, Taipei, Taiwan（National Taiwan University 电子工程系） ； Research Center for Information Technology Innovation, Academia Sinica, Taipei, Taiwan（Academia Sinica 信息技术创新研究中心） 纠错

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

AI总结 本文提出WG-KV机制，通过学习预测令牌效用，有效减少内存使用并提升长上下文推理效率。

LTS-VoiceAgent: A Listen-Think-Speak Framework for Efficient Streaming Voice Interaction via Semantic Triggering and Incremental Reasoning

LTS-VoiceAgent: 一种基于语义触发和增量推理的高效语音交互流式框架

Wenhao Zou, Yuwei Miao, Zhanyu Ma, Jun Xu, Jiuchong Gao, Jinghua Hao, Renqing He, Jingwen Xu

机构 * Meituan（美团） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI

AI总结 LTS-VoiceAgent通过语义触发和增量推理实现高效语音交互，提升流式处理的准确性和效率。

Streaming Tensor Programs: A Streaming Abstraction for Dynamic Parallelism

流式张量程序：一种用于动态并行的流式抽象

Gina Sohn, Genghan Zhang, Konstantin Hossfeld, Jungwoo Kim, Nathan Sobotka, Nathan Zhang, Olivia Hsu, Kunle Olukotun

机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.LG

AI总结 STeP通过引入流式抽象和动态优化技术，提升了SDA在动态张量工作负载中的效率和性能。

DGRAG: Distributed Graph-based Retrieval-Augmented Generation in Edge-Cloud Systems

DGRAG：边缘-云计算系统中的分布式图驱动检索增强生成

Wenqing Zhou, Yuxuan Yan, Qianqian Yang

机构 * Zhejiang University（浙江大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI

AI总结 DGRAG是一种面向边缘-云计算系统的分布式图驱动检索增强生成框架，通过边缘设备本地知识图和云端轻量级索引实现隐私保护和高效检索。

GPT2MEG: Quantizing MEG for Autoregressive Generation

GPT2MEG：对MEG进行量化以实现自回归生成

Richard Csaky, Mats W. J. van Es, Oiwi Parker Jones, Mark Woolrich

机构 * Oxford Centre for Human Brain Activity, Department of Psychiatry, University of Oxford, Oxford, UK（牛津大学心理系人类大脑活动中心） ； Wellcome Centre for Integrative Neuroimaging, Oxford, UK（牛津大学整合神经影像研究中心） ； Department of Engineering Science, University of Oxford, Oxford, UK（牛津大学工程科学系） ； Foresight Institute（前瞻研究所） 纠错

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

AI总结 GPT2MEG通过自回归训练和量化技术，实现了对MEG数据的高精度生成与模拟，优于现有方法。

Comments Code available on GitHub (https://github.com/ricsinaruto/MEG-transfer-decoding). Part of PhD thesis (https://ricsinaruto.github.io/docs/thesis_final_appendix.pdf)

Zero-Order Diffraction Suppression in Full Field-of-View Computer Generated Holography: A Camera In the Loop Interferometric Approach

全视场计算机生成全息中的零阶衍射抑制：一种相机回路干涉法

Alessandro Cerioni, Samuele Trezzi, Marco Astarita, Tommaso Ongarello, Anna Cesaratto, Giulio Cerullo, Andrea Bassi, Gianluca Valentini, Paolo Pozzi

专题命中 效率与部署 ：SLM(abstract)

AI总结 通过相机回路干涉法实现全视场全息中零阶衍射的高效抑制，提升全息图像质量和实时性能。

Control Models for In-IDE Code Completion

JetBrains IDE 中的代码补全控制模型

Aral de Moor, Yana Hrynevich, Hleb Badzeika, Vladyslav Furda, Marko Kojic, Artem Savelev, Kostadin Cvejoski, Darya Rovdo, Ekaterina Garanina

专题命中 效率与部署 ：LLM(abstract)

AI总结 本文提出基于提升和变压器架构的控制模型，用于提升 JetBrains IDE 中 LLM 驱动的代码补全效率和质量。

Comments 6 pages; accepted at IDE'26 co-located with ICSE'26

Guarded Query Routing for Large Language Models

受保护的查询路由用于大型语言模型

Richard Šléher, William Brach, Tibor Sloboda, Kristián Košťál, Lukas Galke

机构 * Faculty of Informatics（信息学系） ； Information Technologies, Slovak University of Technology in Bratislava（信息技术，斯洛伐克技术大学布拉迪斯拉发分校） ； Centre for Machine Learning, University of Southern Denmark（机器学习中心，丹麦南部大学） 纠错

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

AI总结 本文提出受保护的查询路由基准，对比不同方法在准确率与速度上的表现，发现WideMLP在两者之间取得最佳平衡。

Harnessing Large Language Models for Precision Querying and Retrieval-Augmented Knowledge Extraction in Clinical Data Science

利用大语言模型实现临床数据科学中的精准查询与检索增强的知识提取

Juan Jose Rubio Jan, Jack Wu, Julia Ive

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 本研究利用大语言模型在临床数据科学中实现精准查询和检索增强的知识提取，通过实验验证其在结构化数据查询和非结构化文本信息提取中的有效性。

Comments 11 pages, 5 figures

What Matters in LLM-Based Feature Extractor for Recommender? A Systematic Analysis of Prompts, Models, and Adaptation

在基于大语言模型的特征提取器中，什么重要？对提示、模型和适应的系统分析

Kainan Shi, Peilin Zhou, Ge Wang, Han Ding, Fei Wang

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

AI总结 本文提出RecXplore框架，通过模块化分析揭示LLM特征提取器中提示、模型和适应策略对推荐性能的影响，并展示其在多个数据集上的显著提升效果。

Comments 9 pages. Keywords: Recommender Systems, Large Language Models, Sequential Recommendation, Feature Extraction

Less is More: Benchmarking LLM Based Recommendation Agents

少即是多：基于大语言模型的推荐代理基准测试

Kargi Chauhan, Mahalakshmi Venkateswarlu

机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 本文通过基准测试挑战了“更多上下文更好”的假设，发现较短上下文能有效降低推理成本而不影响推荐质量。

PatchFormer: A Patch-Based Time Series Foundation Model with Hierarchical Masked Reconstruction and Cross-Domain Transfer Learning for Zero-Shot Multi-Horizon Forecasting

PatchFormer: 一种基于补丁的时间序列基础模型，具有层次化掩码重建和跨域迁移学习，用于零样本多时间跨度预测

Olaf Yunus Laitinen Imanov, Derya Umut Kulali, Taner Yilmaz

机构 * Department of Applied Mathematics and Computer Science (DTU Compute), Technical University of Denmark（应用数学与计算机科学系（DTU Compute），丹麦技术大学） ； Department of Engineering, Eskisehir Technical University（工程系，埃斯基谢普大学） ； Department of Computer Engineering, Afyon Kocatepe University（计算机工程系，阿菲昂卡奥卡佩大学） 纠错

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

AI总结 PatchFormer通过层次化掩码重建和跨域迁移学习，实现零样本多时间跨度预测，显著提升预测精度并减少训练数据需求。

Comments 5 pages; 2 figures; 7 tables

Like a Therapist, But Not: Reddit Narratives of AI in Mental Health Contexts

像治疗师，但不是：Reddit中关于心理健康情境下AI的叙述

Elham Aghakhani, Rezvaneh Rezapour

机构 * Drexel University（德雷塞尔大学） 纠错

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

AI总结 本研究通过分析Reddit上的心理健康相关AI使用叙述，探讨了用户对AI在心理健康领域中的评价与关系契合，揭示了任务契合度与情感联系在用户互动中的不同影响。

GuideAI: A Real-time Personalized Learning Solution with Adaptive Interventions

GuideAI: 一种具有自适应干预的实时个性化学习解决方案

Ananya Shukla, Chaitanya Modi, Satvik Bajpai, Siddharth Siddharth

机构 * HTI Lab, Plaksha University（普拉克斯大学HTI实验室） 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 GuideAI通过整合实时生物反馈和多模态学习策略，提升LLM在个性化学习中的适应性和有效性，显著改善学习效果和认知负荷。

Comments Accepted for publication at the 31st International Conference on Intelligent User Interfaces (IUI 2026)

CASCADE: Cumulative Agentic Skill Creation through Autonomous Development and Evolution

CASCADE：通过自主开发与进化实现累积性代理技能创造

Xu Huang, Junwu Chen, Yuxing Fei, Zhuohan Li, Philippe Schwaller, Gerbrand Ceder

机构 * Department of Materials Science and Engineering, University of California, Berkeley, California, United States（加州大学伯克利分校材料科学与工程系） ； Materials Sciences Division, Lawrence Berkeley National Laboratory, California, United States（劳伦斯伯克利国家实验室材料科学部） ； Laboratory of Artificial Chemical Intelligence (LIAC), Institute of Chemical Sciences and Engineering, École Polytechnique Fédérale de Lausanne (EPFL), Lausanne, Switzerland（日内瓦联邦理工学院化学科学与工程研究所人工化学智能实验室） ； National Centre of Competence in Research (NCCR) Catalysis, École Polytechnique Fédérale de Lausanne (EPFL), Lausanne, Switzerland（日内瓦联邦理工学院催化研究国家中心） 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 CASCADE通过自主开发与进化实现代理技能的累积，提升复杂科学任务的适应性和扩展性。

"DIVE" into Hydrogen Storage Materials Discovery with AI Agents

深入探索氢储存材料发现的AI智能体

Di Zhang, Xue Jia, Tran Ba Hung, Seong Hoon Jang, Linda Zhang, Ryuhei Sato, Yusuke Hashimoto, Toyoto Sato, Kiyoe Konno, Shin-ichi Orimo, Hao Li

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 DIVE通过多智能体工作流提升氢储存材料数据提取效率，实现快速逆向设计。

Comments 23 pages, 5 figures. The supplementary video is available at the GitHub link provided in the manuscript

Journal ref Chemical Science 2026