语言大模型 / LLM

Bridging the Semantic Chasm: Synergistic Conceptual Anchoring for Generalized Few-Shot and Zero-Shot OOD Perception

弥合语义鸿沟：协同概念锚定用于通用少样本和零样本OOD感知

Alexandros Christoforos, Sarah Jenkins, Michael Brown, Tuan Pham, David Chen

机构 * Boston University（波士顿大学） ； Suffolk University（苏富比大学） ； Kyung Hee University, South Korea（韩国庆熙大学） 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.AI

AI总结 SynerNet通过协同神经代理网络框架，解决视觉语言模型在分布外概念感知中的跨模态对齐退化问题，提升少样本和零样本场景下的精度。

LogicGaze: Benchmarking Causal Consistency in Visual Narratives via Counterfactual Verification

LogicGaze：通过反事实验证基准测试视觉叙事中的因果一致性

Rory Driscoll, Alexandros Christoforos, Chadbourne Davis

机构 * Boston University（波士顿大学） ； Suffolk University（索尔福德大学） 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.AI

AI总结 LogicGaze通过反事实验证基准测试，评估视觉语言模型在视觉叙事中因果一致性验证的能力，揭示了现有模型在处理因果链和幻觉问题上的不足。

PredictionMarketBench: A SWE-bench-Style Framework for Backtesting Trading Agents on Prediction Markets

PredictionMarketBench: 一个用于预测市场回测交易代理的SWE-bench风格框架

Avi Arora, Ritesh Malpani

机构 * Oddpool 纠错

专题命中 评测与基准 ：LLM(abstract)；分类 cs.AI

AI总结 PredictionMarketBench是一个用于预测市场回测的框架，通过标准化数据处理和模拟器评估算法和大语言模型交易代理，展示费用意识策略在波动市场中的竞争力。

Comments 10 pages, 5 figures. Code available at https://github.com/oddpool/PredictionMarketBench

IC-EO: Interpretable Code-based assistant for Earth Observation

IC-EO: 可解释的基于代码的地球观测助手

Lamia Lahouel, Laurynas Lopata, Simon Gruening, Gabriele Meoni, Gaetan Petit, Sylvain Lobry

机构 * Université Paris Cité, LIPADE, F-75006 Paris, France askEarth AG, Zurich, Switzerland ESA -lab, Frascati, Italy ESA, Advanced Concepts ； Studies Office, Noordwijk, the Netherlands 纠错

专题命中 评测与基准 ：LLM(abstract)；分类 cs.AI

AI总结 IC-EO提出一个可解释的代码生成助手，通过生成可审计的Python工作流程，提升地球观测分析的透明性和可复现性，优于现有基线模型。

Comments 15 pages, 1 figure

SITUATE -- Synthetic Object Counting Dataset for VLM training

SITUATE -- 合成物体计数数据集用于视觉语言模型训练

René Peinl, Vincent Tischler, Patrick Schröder, Christian Groth

专题命中 评测与基准 ：language model(abstract)；分类 cs.AI

AI总结 SITUATE是一个用于训练视觉语言模型计数任务的数据集，通过控制遮挡和空间组成，提升模型对非分布图像的泛化能力。

Comments accepted at 21st International Conference on Computer Vision Theory and Applications

Simple Role Assignment is Extraordinarily Effective for Safety Alignment

简单的角色分配在安全对齐中表现尤为有效

Zhou Ziheng, Jiakun Ding, Zhaowei Zhang, Ruosen Gao, Yingnian Wu, Demetri Terzopoulos, Yipeng Kang, Fangwei Zhong, Junqi Wang

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Tianjin University（天津大学） ； Peking University（北京大学） ； Zhejiang University（浙江大学） ； Beijing Institute of General Artificial Intelligence（北京一般人工智能研究院） 纠错

专题命中 评测与基准 ：LLM(abstract)；分类 cs.AI

AI总结 本研究提出基于角色条件化的安全对齐方法，通过角色隐含编码价值观和认知模式，有效降低不安全输出，适用于多种AI对齐任务。

SelvaMask: Segmenting Trees in Tropical Forests and Beyond

SelvaMask：热带森林及其他地区树木分割

Simon-Olivier Duguay, Hugo Baudchon, Etienne Laliberté, Helene Muller-Landau, Gonzalo Rivas-Torres, Arthur Ouaknine

机构 * McGill University（麦吉尔大学） ； Mila, Quebec AI Institute（魁北克人工智能研究所） ； Smithsonian Tropical Research Institute（史密松尼热带研究 institute） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 SelvaMask通过引入新的热带数据集和模块化检测-分割流程，在密集热带森林中实现了最先进的树冠分割性能。

Comments 22 pages, 8 figures

Symmetry-restricted energy landscapes as a benchmark for machine learned interatomic potentials

对称限制的能量景观作为机器学习互原子势的基准

Abhijith S Parackal, Rickard Armiento, Florian Trybel

专题命中 评测与基准 ：foundation model(abstract)

AI总结 本文通过分析对称限制的能量景观，评估了机器学习互原子势在重现势能面细节方面的准确性和局限性，为未来模型开发提供基准。

Comments 8 pages, 4 figures

OASIS-DC: Generalizable Depth Completion via Output-level Alignment of Sparse-Integrated Monocular Pseudo Depth

OASIS-DC: 通过稀疏集成单目伪深度的输出级对齐实现通用深度补全

Jaehyeon Cho, Jhonghyun An

机构 * Vehicle Intelligence Perception Lab (VIPLAB), Gachon University, Seongnam-si, Republic of Korea（高银大学） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 OASIS-DC通过输出级对齐稀疏集成单目伪深度，实现无需大量标注样本的通用深度补全。

Comments Accepted to ICRA 2026

Diff-PC: Identity-preserving and 3D-aware Controllable Diffusion for Zero-shot Portrait Customization

Diff-PC: 保持身份和3D感知的可控扩散用于零样本肖像定制

Yifang Xu, Benxiang Zhai, Chenyu Zhang, Ming Li, Yang Li, Sidan Du

机构 * School of Electronic Science and Engineering, Nanjing University（南京大学电子科学与工程学院） ； School of Business, Hohai University（河海大学商学院） ； School of Artificial Intelligence, Nanjing University of Information Science and Technology（南京信息工程大学人工智能学院） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 Diff-PC通过3D感知和可控扩散方法实现零样本肖像定制，提升身份保持和面部可控性。

Comments Accepted by Information Fusion 2025

Towards Automatic Evaluation and High-Quality Pseudo-Parallel Dataset Construction for Audio Editing: A Human-in-the-Loop Method

面向音频编辑的自动评估与高质量伪平行数据集构建：一种人机协同方法

Yuhang Jia, Hui Wang, Xin Nie, Yujie Guo, Lianru Gao, Yong Qin

机构 * College of Computer Science, Nankai University（南开大学计算机科学学院） ； College of Electronic Information and Optical Engineering, Nankai University（南开大学电子信息与光工程学院） 纠错

专题命中 评测与基准 ：LLM(abstract)

AI总结 本文提出一种人机协同方法，通过建立高质量数据集和自动评估系统，提升音频编辑任务的评估与数据质量。

T-LLM: Teaching Large Language Models to Forecast Time Series via Temporal Distillation

T-LLM：通过时间蒸馏教大语言模型进行时间序列预测

Suhan Guo, Bingxu Wang, Shaodan Zhang, Furao Shen

机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） 纠错

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

AI总结 T-LLM通过时间蒸馏框架，使通用大语言模型具备时间序列预测能力，实验显示其在多种设置下均优于现有方法。

Benford's Law as a Distributional Prior for Post-Training Quantization of Large Language Models

本福特定律作为大语言模型后训练量化中的分布性先验

Arthur Negrão, Pedro Silva, Vander L. S. Freitas, Gladston Moreira, Eduardo Luz

机构 * Postgraduate Program in Computer Science, Federal University of Ouro Preto（计算机科学硕士课程，联邦大学奥鲁普里托） ； Computing Department, Federal University of Ouro Preto（计算部门，联邦大学奥鲁普里托） 纠错

专题命中 效率与部署 ：large language model(title,abstract)；language model(title,abstract)；post-training(title)；small language model(abstract)

AI总结 本福特定律用于大语言模型后训练量化，通过非均匀量化器提升压缩效果，减少困惑度并保持竞争力。

SNIP: An Adaptive Mixed Precision Framework for Subbyte Large Language Model Training

SNIP：一种用于子字节大语言模型训练的自适应混合精度框架

Yunjie Pan, Yongyi Yang, Hanmei Yang, Scott Mahlke

机构 * University of Michigan（密歇根大学） ； NTT Research, Inc.（NTT研究公司） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

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

AI总结 SNIP通过自适应混合精度框架，有效提升大语言模型训练效率，减少FLOPs达80%并保持模型质量。

Comments Accepted to ASPLOS 2026

FutureMind: Equipping Small Language Models with Strategic Thinking-Pattern Priors via Adaptive Knowledge Distillation

FutureMind: 通过自适应知识蒸馏为小型语言模型配备战略思维模式先验

Shaoxiong Yang, Junting Li, Mengyuan Zhang, Chao Li, Wei Liu, Jian Luan

机构 * MiLM Plus, Xiaomi Inc.（小米公司） 纠错

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

AI总结 FutureMind通过自适应知识蒸馏为小型语言模型配备战略思维模式先验，提升其在复杂任务中的推理与检索能力。

Comments Accepted by ICLR 2026

DP-Fusion: Token-Level Differentially Private Inference for Large Language Models

DP-Fusion: 令牌级差分隐私推理用于大语言模型

Rushil Thareja, Preslav Nakov, Praneeth Vepakomma, Nils Lukas

机构 * Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（莫扎德·本·泽亚德人工智能大学） ； Massachusetts Institute of Technology (MIT)（麻省理工学院） 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、cs.AI、cs.LG

AI总结 DP-Fusion通过令牌级差分隐私机制，在保证隐私的同时提升大语言模型的文本质量。

Comments Code: https://github.com/rushil-thareja/dp-fusion-lib | PyPI: https://pypi.org/project/dp-fusion-lib/ | Demo: https://www.documentprivacy.com

SVIP: Towards Verifiable Inference of Open-source Large Language Models

SVIP：面向开源大语言模型的可验证推理

Yifan Sun, Yuhang Li, Yue Zhang, Yuchen Jin, Huan Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Hyperbolic Labs（双曲实验室） 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、cs.AI、cs.LG

AI总结 SVIP是一种基于秘密的可验证LLM推理协议，通过计算高效的方法确保计算提供者诚实，实现低误报率和高效验证。

Comments 21 pages

Dissecting Outlier Dynamics in LLM NVFP4 Pretraining

解构LLM NVFP4预训练中的异常动态

Peijie Dong, Ruibo Fan, Yuechen Tao, Di Mou, Wenhu Hu, Zhenheng Tang, Yinghao Yu, Jiamang Wang, Wenbo Su, Guodong Yang, Liping Zhang, Xiaowen Chu, Baochun Li, Bo Li

机构 * The Hong Kong University of Science（香港科学与技术大学） ； Alibaba Group（阿里巴巴集团） ； University of Toronto（多伦多大学） 纠错

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

AI总结 本研究通过分析NVFP4预训练中的异常动态，提出HCP机制和CHON训练配方，有效缩小了与BF16的损失差距。

Comments 39 pages, 32 figures

Efficient Epistemic Uncertainty Estimation for Large Language Models via Knowledge Distillation

通过知识蒸馏实现大型语言模型的高效信念不确定性估计

Seonghyeon Park, Jewon Yeom, Jaewon Sok, Jeongjae Park, Heejun Kim, Taesup Kim

机构 * Graduate School of Data Science, Seoul National University（首尔国立大学数据科学研究生院） ； Department of Rural Systems Engineering, Seoul National University（首尔国立大学农村系统工程系） ； Department of Aerospace Engineering, Seoul National University（首尔国立大学航空航天工程系） ； Department of Electrical Engineering and Computer Science, Gwangju Institute of Science and Technology（全州科学科技研究院电子工程与计算机科学系） 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 通过知识蒸馏高效估计大型语言模型的信念不确定性，减少估计误差并提升幻觉检测性能。

Optimizing Prompts for Large Language Models: A Causal Approach

为大型语言模型优化提示：一种因果方法

Wei Chen, Yanbin Fang, Shuran Fu, Fasheng Xu, Xuan Wei

机构 * School of Business, University of Connecticut（康涅狄格大学商学院） ； Antai College of Economics and Management, Shanghai Jiao Tong University（上海交通大学安泰经济管理学院） 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 CPO通过因果推断方法优化提示设计，提升企业LLM在复杂查询中的鲁棒性，并降低提示优化的经济成本。

When Large Language Models Do Not Work: Online Incivility Prediction through Graph Neural Networks

当大语言模型失效时：通过图神经网络进行在线不文明行为预测

Zihan Chen, Lanyu Yu

机构 * Stevens Institute of Technology（史蒂文斯理工学院） 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、cs.AI

AI总结 本文提出基于图神经网络的框架，用于检测在线不文明行为，优于现有大语言模型并降低推理成本。

Comments 10 pages

Steering Vector Fields for Context-Aware Inference-Time Control in Large Language Models

用于大语言模型推理时上下文感知控制的转向向量场

Jiaqian Li, Yanshu Li, Kuan-Hao Huang

机构 * Brown University ； Texas A\&M University 纠错

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

AI总结 本文提出转向向量场（SVF），通过学习可微的概念评分函数，实现大语言模型在推理时的上下文感知控制，提升控制的可靠性和效率。

Predictive Scheduling for Efficient Inference-Time Reasoning in Large Language Models

为大语言模型的高效推理时间推理进行预测调度

Katrina Brown, Aneesh Muppidi, Rana Shahout

机构 * Harvard College（哈佛学院） ； Harvard SEAS（哈佛工程与应用科学学院） 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

AI总结 预测调度通过预运行轻量级预测器优化标记预算分配，提升大语言模型在推理任务中的准确性和效率。

Comments ICML ES-FoMo 2025

Sparse Shortcuts: Facilitating Efficient Fusion in Multimodal Large Language Models

稀疏快捷键：促进多模态大语言模型中的高效融合

Jingrui Zhang, Feng Liang, Yong Zhang, Wei Wang, Runhao Zeng, Xiping Hu

机构 * Guangdong-Hong Kong-Macao Joint Laboratory for Emotion Intelligence and Pervasive Computing, Artificial Intelligence Research Institute, Shenzhen MSU-BIT University, Shenzhen（粤港澳大湾区情感智能与 pervasive 计算联合实验室，人工智能研究院，深圳MSU-BIT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

AI总结 SparseCut通过稀疏快捷连接和多粒度特征融合模块，提升多模态大语言模型在跨模态融合中的效率和性能。

Unlocking Graph Structure Learning with Tree-Guided Large Language Models

通过树引导的大语言模型解锁图结构学习

Zhihan Zhang, Xunkai Li, Lei Zhu, Guang Zeng, Bowen Fan, Yanzhe Wen, Hongchao Qin, Rong-Hua Li, Guoren Wang

机构 * Beijing Institute of Technology（北京理工大学） 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.LG

AI总结 本文提出LLaTA，通过树引导的大语言模型提升图结构学习的灵活性、可扩展性和预测性能。

Comments 32 pages, 10 figures

Dispersion Loss Counteracts Embedding Condensation and Improves Generalization in Small Language Models

弥散损失抵消嵌入凝结并提升小语言模型的泛化能力

Chen Liu, Xingzhi Sun, Xi Xiao, Alexandre Van Tassel, Ke Xu, Kristof Reimann, Danqi Liao, Mark Gerstein, Tianyang Wang, Xiao Wang, Smita Krishnaswamy

机构 * Yale University（耶鲁大学） ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Oak Ridge National Laboratory（橡树岭国家实验室） 纠错

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

AI总结 本研究提出弥散损失以缓解小语言模型中的嵌入凝结现象，通过训练提升模型泛化能力，无需增加参数。

BTGenBot-2: Efficient Behavior Tree Generation with Small Language Models

BTGenBot-2: 基于小语言模型的高效行为树生成

Riccardo Andrea Izzo, Gianluca Bardaro, Matteo Matteucci

机构 * Department of Electronics, Information, and Bioengineering（电子、信息与生物工程系） 纠错

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

AI总结 BTGenBot-2是一种基于小语言模型的高效行为树生成方法，通过开源模型实现零样本生成和快速推理，显著提升机器人任务规划效率。

DISPO: Enhancing Training Efficiency and Stability in Reinforcement Learning for Large Language Model Mathematical Reasoning

DISPO：提升大型语言模型数学推理中的训练效率和稳定性

Batuhan K. Karaman, Aditya Rawal, Suhaila Shakiah, Mohammad Ghavamzadeh, Mingyi Hong, Arijit Biswas, Ruida Zhou

机构 * Cornell University（康奈尔大学） ； Amazon AGI（亚马逊人工智能实验室） 纠错

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

AI总结 DISPO通过分离正确与错误响应的重要性采样权重裁剪，实现训练效率与稳定性的平衡，提升大型语言模型在数学推理任务中的性能。

Comments This work is accepted to the 29th International Conference on Artificial Intelligence and Statistics (AISTATS) 2026

A Universal Load Balancing Principle and Its Application to Large Language Model Serving

一种通用的负载均衡原理及其在大语言模型服务中的应用

Zixi Chen, Tianci Bu, Chendong Song, Xin Lu, Yinyu Ye, Zijie Zhou

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

AI总结 本文提出了一种适用于屏障同步系统的通用负载均衡原理，通过减少负载不均衡实现能源节约，应用于大语言模型服务中，实现了28%的能耗降低和性能提升。

LLMs as High-Dimensional Nonlinear Autoregressive Models with Attention: Training, Alignment and Inference

基于注意力机制的高维非线性自回归模型：训练、对齐与推理

Vikram Krishnamurthy

机构 * Cornell University（康奈尔大学） 纠错

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

AI总结 本文将LLMs表述为具有注意力依赖的高维非线性自回归模型，探讨了训练、对齐与推理的原理及方法。

Comments 27 pages, 12 figures. Mathematical survey framing LLMs as high-dimensional nonlinear autoregressive models with attention, covering training, alignment, and inference, with nanoGPT/nanochat-style code examples. Feedback welcome