语言大模型 / LLM

Matrix-Driven Identification and Reconstruction of LLM Weight Homology

基于矩阵的LLM权重同源识别与重建

Ruichong Zhang, Daniel Goldstein

机构 * Qiuzhen College, Tsinghua University, Beijing, China（清华大学邱臻学院） 纠错

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

AI总结 MDIR是一种通过矩阵分析实现大语言模型权重同源识别与重建的先进方法，无需模型推理即可准确检测权重对应关系并评估其统计显著性。

Language Models That Walk the Talk: A Framework for Formal Fairness Certificates

语言模型言出必行：一个形式公平证书的框架

Danqing Chen, Tobias Ladner, Ahmed Rayen Mhadhbi, Matthias Althoff

机构 * Technical University of Munich, Germany（慕尼黑技术大学） 纠错

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

AI总结 本文提出一个框架，用于验证大语言模型的鲁棒性和公平性，特别是在性别公平和毒性检测中的应用。

User Prompting Strategies and Prompt Enhancement Methods for Open-Set Object Detection in XR Environments

面向XR环境的开放集目标检测中的用户提示策略与提示增强方法

Junfeng Lin, Yanming Xiu, Maria Gorlatova

机构 * Department of Electrical and Computer Engineering, Duke University（电子工程系，杜克大学） 纠错

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

AI总结 本文提出针对XR环境中的开放集目标检测，通过研究用户提示策略和增强方法，提升模型在模糊提示下的鲁棒性，实验结果显示提示增强可使mIoU提升超过55%。

Comments Accepted by IEEE VR 2026: GenAI-XR workshop

Tokenization Multiplicity Leads to Arbitrary Price Variation in LLM-as-a-service

令牌化多样性导致LLM-as-a-service中的任意价格波动

Ivi Chatzi, Nina Corvelo Benz, Stratis Tsirtsis, Manuel Gomez-Rodriguez

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

AI总结 本文提出规范生成方法，通过限制LLM生成唯一令牌化以解决LLM-as-a-service中令牌化多样性导致的价格波动问题。

LLM-42: Enabling Determinism in LLM Inference with Verified Speculation

LLM-42: 通过验证推测实现LLM推理的确定性

Raja Gond, Aditya K Kamath, Ramachandran Ramjee, Ashish Panwar

机构 * Microsoft Research（微软研究院） ； University of Washington（华盛顿大学） 纠错

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

AI总结 LLM-42通过验证推测方法，在LLM推理中实现确定性，利用形状一致的减少和轻量级验证-回滚循环，减少确定性需求的开销。

Comments https://github.com/microsoft/llm-42

NAG: A Unified Native Architecture for Encoder-free Text-Graph Modeling in Language Models

NAG：一种用于语言模型中无编码文本图建模的统一原生架构

Haisong Gong, Zhibo Liu, Qiang Liu, Shu Wu, Liang Wang

机构 * New Laboratory of Pattern Recognition (NLPR), Institute of Automation, Chinese Academy of Sciences, Beijing, China ； School of Artificial Intelligence, University of Chinese Academy of Sciences (UCAS), Beijing, China ； School of Advanced Interdisciplinary Sciences, UCAS, Beijing, China 纠错

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

AI总结 NAG提出一种统一的原生架构，将图处理内化于语言模型，通过自注意力机制和位置ID校准实现结构依赖和等价性，提升文本图建模的连贯性和效率。

OSNIP: Breaking the Privacy-Utility-Efficiency Trilemma in LLM Inference via Obfuscated Semantic Null Space

OSNIP: 通过混淆语义空域打破LLM推理中的隐私-效用-效率三元困境

Zhiyuan Cao, Zeyu Ma, Chenhao Yang, Han Zheng, Mingang Chen

机构 * Shanghai Key Laboratory of Computer Software Testing and Evaluating（上海计算机软件测试与评估重点实验室） ； Shanghai Normal University（上海师范大学） ； Shanghai Polytechnic University（上海理工大学） ； TrustAI Pte. Ltd.（TrustAI有限公司） 纠错

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

AI总结 OSNIP通过混淆语义空域技术，在LLM推理中实现隐私、效用和效率的平衡，有效降低攻击成功率并保持模型性能。

TSLM: Tree-Structured Language Modeling for Divergent Thinking

TSLM：用于发散思维的树状语言建模

Doyoung Kim, Jaehyeok Doo, Minjoon Seo

机构 * NYU（纽约大学） ； KAIST（韩国科学技术院） 纠错

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

AI总结 TSLM通过树状结构语言建模实现发散思维，利用完整搜索树训练提升推理效率和鲁棒性。

FIRE: Multi-fidelity Regression with Distribution-conditioned In-context Learning using Tabular Foundation Models

FIRE: 基于分布条件化上下文学习的多保真度回归

Rosen Ting-Ying Yu, Nicholas Sung, Faez Ahmed

机构 * Department of Mechanical Engineering, Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院机械工程系） ； Center for Computational Engineering, Massachusetts Institute of Technology, Cambridge, MA, USA（麻省理工学院计算工程中心） 纠错

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

AI总结 FIRE通过分布条件化上下文学习，实现高效的多保真度回归，提升准确性和不确定性量化，优于现有方法。

VScan: Rethinking Visual Token Reduction for Efficient Large Vision-Language Models

VScan：重新思考视觉标记减少以提高高效的大视觉-语言模型

Ce Zhang, Kaixin Ma, Tianqing Fang, Wenhao Yu, Hongming Zhang, Zhisong Zhang, Haitao Mi, Dong Yu

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Tencent AI Lab（腾讯AI实验室） 纠错

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

AI总结 VScan通过两阶段视觉标记减少框架提升大视觉-语言模型的推理效率，实现2.91倍预填充加速和10倍FLOPs减少，性能损失仅0.6%

Comments Accepted at TMLR 2026. Project page: https://zhangce01.github.io/VScan/

Triage: Hierarchical Visual Budgeting for Efficient Video Reasoning in Vision-Language Models

Triage: 分层视觉预算机制用于视觉语言模型中的高效视频推理

Anmin Wang, Nan Zhang, Wei Tao, Xiaoyang Qu, Guokuan Li, Jiguang Wan, Jianzong Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司） 纠错

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

AI总结 Triage通过分层视觉预算机制优化视频推理，提升效率并保持性能。

Comments Accepted to 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026)

StreamSense: Streaming Social Task Detection with Selective Vision-Language Model Routing

StreamSense: 基于选择性视觉-语言模型路由的流式社交任务检测

Han Wang, Deyi Ji, Lanyun Zhu, Jiebo Luo, Roy Ka-Wei Lee

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； University of Science and Technology of China（中国科学技术大学） ； Nanyang Technological University（南洋理工大学） ； University of Rochester（罗切斯特大学） 纠错

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

AI总结 StreamSense通过轻量级编码器与选择性路由结合VLM专家，提升流式社交任务检测的准确性和效率。

Comments 10 pages, 4 figures, The Web Conference 2026

SLIM-Brain: A Data- and Training-Efficient Foundation Model for fMRI Data Analysis

SLIM-Brain: 一种数据和训练高效的人脑fMRI数据分析基础模型

Mo Wang, Junfeng Xia, Wenhao Ye, Enyu Liu, Kaining Peng, Jianfeng Feng, Quanying Liu, Hongkai Wen

机构 * Department of Biomedical Engineering, Southern University of Science and Technology, China（南方科技大学生物医学工程系） ； Department of Computer Science, University of Warwick, The UK（沃里克大学计算机科学系） ； Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University, China（复旦大学脑启发式智能科学技术研究所） 纠错

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

AI总结 SLIM-Brain是一种高效的人脑fMRI数据分析基础模型，通过两阶段自适应设计提升数据和训练效率，实现高效预训练和多样化任务性能。

Comments release code

CONCUR: High-Throughput Agentic Batch Inference of LLM via Congestion-Based Concurrency Control

CONCUR: 通过基于拥堵的并发控制实现LLM的高吞吐量代理批推断

Qiaoling Chen, Zhisheng Ye, Tian Tang, Peng Sun, Boyu Tian, Guoteng Wang, Shenggui Li, Yonggang Wen, Zhenhua Han, Tianwei Zhang

专题命中 效率与部署 ：LLM(title,abstract)

AI总结 CONCUR通过基于拥堵的并发控制，有效缓解LLM批推断中的中间阶段抖动问题，提升吞吐量达4.09倍。

BlindSight: Harnessing Sparsity for Efficient Vision-Language Models

BlindSight: 利用稀疏性提升视觉-语言模型的效率

Tharun Adithya Srikrishnan, Deval Shah, Timothy Hein, Ahmed Hasssan, Stephen Youn, Steven K. Reinhardt

机构 * Advanced Micro Devices, Inc. (AMD)（先进微器件公司（AMD）） 纠错

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

AI总结 BlindSight通过引入输入模板感知的注意力稀疏性掩码，显著提升了视觉-语言模型的推理效率，同时保持较高的准确率。

AscendCraft: Automatic Ascend NPU Kernel Generation via DSL-Guided Transcompilation

AscendCraft: 通过DSL引导的转译实现自动AscendNPU内核生成

Zhongzhen Wen, Shudi Shao, Zhong Li, Yu Ge, Tongtong Xu, Yuanyi Lin, Tian Zhang

机构 * State Key Lab for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） ； Software Engineering Application Technology Laboratory, Huawei（软件工程应用技术实验室，华为） 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 AscendCraft通过DSL引导的转译方法，自动生成高效的AscendNPU内核，实现了高正确性和性能。

SimulSense: Sense-Driven Interpreting for Efficient Simultaneous Speech Translation

SimulSense: 为高效的同时语音翻译实现基于感知的解释

Haotian Tan, Hiroki Ouchi, Sakriani Sakti

机构 * Nara Institute of Science and Technology（奈良科学技術大學） 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 SimulSense通过模仿人类解释员的感知机制，实现高效的同时语音翻译，提升实时效率和质量-延迟平衡。

Comments \c{opyright} 2026 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works

Small Talk, Big Impact: The Energy Cost of Thanking AI

小声说话，大影响：致谢AI的能量成本

Julien Delavande, Regis Pierrard, Sasha Luccioni

机构 * Hugging Face 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 本文研究了与大型语言模型交互时，礼貌用语如“谢谢”所消耗的能量成本，并探讨了如何通过优化模型和输入输出长度来提高可持续性。

Collaborative Belief Reasoning with LLMs for Efficient Multi-Agent Collaboration

基于LLM的协同信念推理用于高效多智能体协作

Zhimin Wang, Duo Wu, Shaokang He, Jinghe Wang, Linjia Kang, Jing Yu, Kai Zhu, Jiawei Li, Zhi Wang

机构 * Shenzhen International Graduate School, Tsinghua University（深圳国际研究生院，清华大学） ； Huawei Tenchnologies Co., Ltd.（华为技术有限公司） ； University of Science and Technology of China（中国科学技术大学） 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 CoBel-World通过协同信念世界框架，提升LLM多智能体协作的效率和人类化表现。

Breaking the Blocks: Continuous Low-Rank Decomposed Scaling for Unified LLM Quantization and Adaptation

打破块限制：连续低秩分解缩放用于统一的大语言模型量化与适应

Pingzhi Tang, Ruijie Zhou, Fanxu Meng, Wenjie Pei, Muhan Zhang

机构 * Institute for Artificial Intelligence, Peking University, Beijing, China（北京大学人工智能研究院） ； Yuanpei College, Peking University, Beijing, China（北京大学元培学院） ； State Key Laboratory of General Artificial Intelligence, BIGAI, Beijing, China（通用人工智能国家重点实验室） ； Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） 纠错

专题命中 效率与部署 ：LLM(title)；分类 cs.AI、cs.LG

AI总结 LoRDS通过低秩分解实现高效统一的大语言模型量化与适应，提升表达能力并优化推理效率。

Learnable Permutation for Structured Sparsity on Transformer Models

可学习的排列用于Transformer模型的结构稀疏性

Zekai Li, Ji Liu, Guanchen Li, Yixing Xu, Ziqiong Liu, Xuanwu Yin, Dong Li, Emad Barsoum

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

AI总结 本文提出了一种可学习的排列框架，用于提升Transformer模型的结构稀疏性剪枝效果，通过引入可学习成本矩阵和优化损失函数，实现了端到端的排列优化。

Generative quantum machine learning via denoising diffusion probabilistic models

通过去噪扩散概率模型实现生成量子机器学习

Bingzhi Zhang, Peng Xu, Xiaohui Chen, Quntao Zhuang

机构 * Department of Physics and Astronomy, University of Southern California, Los Angeles, California 90089, USA（物理与天文学系，南加州大学） ； Ming Hsieh Department of Electrical and Computer Engineering, University of Southern California, Los Angeles, California 90089, USA（明斯赫电气与计算机工程系，南加州大学） ； Department of Statistics, University of Illinois at Urbana-Champaign, Champaign, Illinois 61820, USA（统计系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Mathematics, University of Southern California, Los Angeles, California 90089, USA（数学系，南加州大学） 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 本文提出量子去噪扩散概率模型（QuDDPM），通过引入中间训练任务和多层电路结构，实现高效训练的量子数据生成学习，适用于相关量子噪声模型、量子多体相和拓扑结构学习。

Comments 5+10 pages, 16 figures. PRL accepted version. Code available at: https://github.com/francis-hsu/quantgenmdl

Journal ref Phys. Rev. Lett. 132, 100602 (2024)

DART-ing Through the Drift: Dynamic Tracing of Knowledge Neurons for Adaptive Inference-Time Pruning

在漂移中穿行：动态追踪知识神经元以实现自适应推理时剪枝

Abhishek Tyagi, Yunuo Cen, Shrey Dhorajiya, Bharadwaj Veeravalli, Xuanyao Fong

机构 * Department of Electrical and Computer Engineering, National University of Singapore, Singapore（电子与计算机工程系，新加坡国立大学） ； Department of Computer Science, Birla Institute of Technology and Science, Pilani, India（计算机科学系，比拉理工学院与科学学院，印度） 纠错

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

AI总结 DART通过动态追踪知识神经元实现自适应推理时剪枝，提升模型在稀疏度下的准确率和ROUGE-L分数，同时保持低内存和计算开销。

TriSpec: Ternary Speculative Decoding via Lightweight Proxy Verification

TriSpec: 通过轻量级代理验证实现三元推测解码

Haoyun Jiang, Junqi He, Feng Hong, Xinlong Yang, Jianwei Zhang, Zheng Li, Zhengyang Zhuge, Zhiyong Chen, Bo Han, Junyang Lin, Jiangchao Yao

机构 * CMIC, Shanghai Jiao Tong University（上海交通大学计算机学院） ； Qwen Team, Alibaba Group（阿里巴巴集团Qwen团队） ； Hong Kong Baptist University（香港 Baptist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 TriSpec通过引入轻量级代理验证机制，有效降低推测解码的验证成本，实现高达35%的加速并减少50%的目标模型调用次数。

Autonomous Chain-of-Thought Distillation for Graph-Based Fraud Detection

基于图的欺诈检测的自主链式思维蒸馏

Yuan Li, Jun Hu, Bryan Hooi, Bingsheng He, Cheng Chen

机构 * National University of Singapore（新加坡国立大学） ； ByteDance Inc.（字节跳动公司） 纠错

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

AI总结 FraudCoT通过自主链式思维推理和高效联合训练策略，提升基于图的欺诈检测性能和效率。

Hierarchical Shift Mixing -- Beyond Dense Attention in Transformers

层次化位移混合——超越Transformer中的密集注意力

Robert Forchheimer

机构 * Dept. of Electrical Engineering, Linköping University, Linköping, Sweden（电子工程系，林霍普大学） ； RISE Research Institutes of Sweden, Linköping, Sweden（瑞典RISE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.LG

AI总结 层次化位移混合通过分布计算token交互，实现线性时间复杂度，同时在性能上接近或超越传统softmax注意力，且减少计算成本。

Comments 11 pages, 10 pdf figures

Toward IIT-Inspired Consciousness in LLMs: A Reward-Based Learning Framework

迈向LLMs的IIT启发意识：基于奖励的学习框架

Hamid Reza Akbari, Mohammad Hossein Sameti, Amir M. Mansourian, Mohammad Hossein Rohban, Hossein Sameti

机构 * Sharif University of Technology, Tehran, Iran（谢赫堡技术大学） 纠错

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

AI总结 本文提出基于奖励的学习框架，旨在通过整合信息理论提升语言模型的意识水平，实验显示该方法能有效提升文本生成效率并保持准确性。

Comments 13 pages, 8 figures, 4 tables

TorchCP: A Python Library for Conformal Prediction

TorchCP: 一个用于置信预测的 Python 库

Jianguo Huang, Jianqing Song, Xuanning Zhou, Bingyi Jing, Hongxin Wei

机构 * Southern University of Science and Technology（南方科技大学） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 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 TorchCP 是一个基于 PyTorch 的库，旨在将先进的置信预测算法集成到深度学习技术中，提升大规模数据中的不确定性量化能力。

Gaussian Process Bandit Optimization with Machine Learning Predictions and Application to Hypothesis Generation

带有机器学习预测的高斯过程贝叶斯优化及假设生成应用

Xin Jennifer Chen, Yunjin Tong

机构 * Department of Management Science and Engineering, Stanford University, Stanford, USA（管理科学与工程系，斯坦福大学，斯坦福，美国） ； Graduate School of Business, Stanford University, Stanford, USA（商学院，斯坦福大学，斯坦福，美国） 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 PA-GP-UCB 是一种结合机器学习预测和离线数据的贝叶斯优化算法，通过校正预测偏差和减少不确定性，提升样本效率，用于假设生成任务。

BayesFlow: A Probability Inference Framework for Meta-Agent Assisted Workflow Generation

BayesFlow: 一个用于元代理辅助工作流生成的概率推断框架

Bo Yuan, Yun Zhou, Zhichao Xu, Kiran Ramnath, Aosong Feng, Balasubramaniam Srinivasan

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon Web Services AI Lab（亚马逊网络服务人工智能实验室） 纠错

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

AI总结 BayesFlow通过贝叶斯推断和并行前瞻滚动实现工作流生成的原理性改进，提升准确性达9-65个百分点。

Comments EACL 2026 Finding