语言大模型 / LLM

EventFlash: Towards Efficient MLLMs for Event-Based Vision

EventFlash: 向基于事件的视觉高效MLLMs迈进

Shaoyu Liu, Jianing Li, Guanghui Zhao, Yunjian Zhang, Wen Jiang, Ming Li, Xiangyang Ji

机构 * Xidian University（西安电子科技大学） ； Tsinghua University（清华大学） ； Beijing Institute of Technology（北京理工大学） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy(SZ)（广东人工智能与数字经济实验室（深圳）） 纠错

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

AI总结 EventFlash通过时空令牌稀疏化技术，实现高效事件视觉处理，提升吞吐量并支持更长的事件流处理。

Real-World Applications of AI in LTE and 5G-NR Network Infrastructure

AI在LTE和5G-NR网络基础设施中的实际应用

Simran Saxena, Arpad Kovesdy

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

AI总结 本文提出利用AI技术优化LTE和5G-NR网络，通过AI辅助规划、强化学习优化和边缘托管模型，提升网络性能并扩大数字服务的可及性。

Comments 6 pages and 3 figures

USS-Nav: Unified Spatio-Semantic Scene Graph for Lightweight UAV Zero-Shot Object Navigation

USS-Nav: 一体化空间语义场景图用于轻量级无人机零样本物体导航

Weiqi Gai, Yuman Gao, Yuan Zhou, Yufan Xie, Zhiyang Liu, Yuze Wu, Xin Zhou, Fei Gao, Zhijun Meng

机构 * School of Aeronautic Science and Engineering, Beihang University, Beijing 100191, China（北京航空航天大学航空科学与工程学院） ； State Key Laboratory of Industrial Control Technology, Zhejiang University, Hangzhou 310027, China（浙江大学工业控制技术状态重点实验室） ； Differential Robotics, Hangzhou 311121, China（杭州差分机器人） 纠错

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

AI总结 USS-Nav通过构建一体化空间语义场景图，实现轻量级无人机在未知环境中的高效零样本物体导航，提升计算效率和实时更新能力。

Use Graph When It Needs: Efficiently and Adaptively Integrating Retrieval-Augmented Generation with Graphs

在需要时使用图：高效且适应性地整合检索增强生成与图

Su Dong, Qinggang Zhang, Yilin Xiao, Shengyuan Chen, Chuang Zhou, Xiao Huang

机构 * The Hong Kong Polytechnic University（香港理工大学） 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EA-GraphRAG框架，通过动态整合RAG和GraphRAG，根据查询复杂度灵活选择检索策略，提升处理混合场景的准确性和效率。

Beyond Variance: Prompt-Efficient RLVR via Rare-Event Amplification and Bidirectional Pairing

超越方差：通过稀有事件放大和双向配对实现高效的提示式强化学习可验证奖励

Xin Sheng, Jiaxin Li, Yujuan Pang, Ran Peng, Yong Ma

机构 * Beijing University of Post（北京邮电大学） ； Sichuan Agricultural University（四川农业大学） ； RapidAI Research（RapidAI研究院） 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 通过稀有事件放大和双向配对方法提升提示式强化学习可验证奖励的样本效率和转移性能。

ATACompressor: Adaptive Task-Aware Compression for Efficient Long-Context Processing in LLMs

ATACompressor: 适应性任务感知压缩用于LLMs中高效长上下文处理

Xuancheng Li, Haitao Li, Yujia Zhou, Qingyao Ai, Yiqun Liu

机构 * DCST, Tsinghua University（清华大学数据科学研究院） 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 ATACompressor通过自适应任务感知压缩提升LLMs长上下文处理效率，实现信息保留与压缩效率的平衡。

NLI:Non-uniform Linear Interpolation Approximation of Nonlinear Operations for Efficient LLMs Inference

NLI：非均匀线性插值近似非线性操作以实现高效的大语言模型推理

Jiangyong Yu, Xiaomeng Han, Xing Hu, Chen Xu, Zhe Jiang, Dawei Yang

机构 * Houmo AI ； Southeast University（南京东南大学） 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NLI框架，通过非均匀线性插值高效近似非线性操作，提升大语言模型推理效率。

Comments Admitted to ICLR 18pages 5 figures

Nüwa: Mending the Spatial Integrity Torn by VLM Token Pruning

Nüwa: 通过VLM令牌剪枝修复空间完整性

Yihong Huang, Fei Ma, Yihua Shao, Jingcai Guo, Zitong Yu, Laizhong Cui, Qi Tian

机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（人工智能与数字经济广东实验室） ； School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院） ； The Hong Kong Polytechnic University（香港理工大学） ； Great Bay University（大鹏大学） ； Shenzhen University（深圳大学） ； Huawei（华为） 纠错

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

AI总结 Nüwa通过两阶段令牌剪枝框架在保持空间完整性的同时实现高效特征聚合，提升VQA和视觉定位任务性能

ContextEvolve: Multi-Agent Context Compression for Systems Code Optimization

ContextEvolve: 多智能体上下文压缩用于系统代码优化

Hongyuan Su, Yu Zheng, Yong Li

机构 * Tsinghua University, Beijing, China（清华大学） ； Zhongguancun Academy, Beijing, China（中关村学院） ； Massachusetts Institute of Technology, Cambridge MA, USA（麻省理工学院） 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 ContextEvolve通过多智能体框架实现系统代码优化，利用上下文压缩提升搜索效率，实验表明其在ADRS基准测试中性能提升显著。

HyPAC: Cost-Efficient LLMs-Human Hybrid Annotation with PAC Error Guarantees

HyPAC: 低成本的LLM-人类混合标注与PAC误差保证

Hao Zeng, Huipeng Huang, Xinhao Qu, Jianguo Huang, Bingyi Jing, Hongxin Wei

机构 * Department of Statistics and Data Science, Southern University of Science and Technology, China（统计与数据科学系，南方科技大学） ； Department of Statistics, University of California at Riverside, USA（统计系，加州大学河滨分校） ； College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学） ； School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen, China（人工智能学院，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.AI、cs.LG

AI总结 HyPAC通过自适应路由和PAC误差保证，实现低成本高效标注，降低78.51%成本并严格控制误差。

NEZHA: A Zero-sacrifice and Hyperspeed Decoding Architecture for Generative Recommendations

NEZHA：一种零牺牲和超高速解码架构用于生成推荐

Yejing Wang, Shengyu Zhou, Jinyu Lu, Ziwei Liu, Langming Liu, Maolin Wang, Wenlin Zhang, Feng Li, Wenbo Su, Pengjie Wang, Jian Xu, Xiangyu Zhao

机构 * City University of Hong Kong（香港城市大学） ； Alibaba Group（阿里巴巴集团） 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 NEZHA 提出了一种无需牺牲推荐质量的超高速解码架构，通过集成灵活的自回归草稿头和高效验证器，提升生成推荐系统的性能和实用性。

Lookahead Path Likelihood Optimization for Diffusion LLMs

前瞻路径似然优化用于扩散大语言模型

Xuejie Liu, Yap Vit Chun, Yitao Liang, Anji Liu

机构 * Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学） ； School of Computing, National University of Singapore（计算学院，新加坡国立大学） ； School of Intelligence Science and Technology, Peking University（智能科学与技术学院，北京大学） 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POKE-SMC方法，通过优化路径似然提升扩散大语言模型的解屏蔽路径准确性，实验表明在同等计算开销下，平均提升2%-3%的准确性。

Internet of Agentic AI: Incentive-Compatible Distributed Teaming and Workflow

互联网中的代理AI：激励兼容的分布式团队和工作流

Ya-Ting Yang, Quanyan Zhu

机构 * Department of Electrical and Computer Engineering, Tandon School of Engineering, New York University, Brooklyn, NY, USA（电气与计算机工程系，工程学院，纽约大学，布鲁克林，纽约，美国） 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 本文提出互联网中的代理AI框架，通过激励兼容的分布式联盟形成实现可扩展的代理工作流，展示其在医疗领域的应用价值。

Risky-Bench: Probing Agentic Safety Risks under Real-World Deployment

Risky-Bench: 探索现实部署中智能体安全风险

Jingnan Zheng, Yanzhen Luo, Jingjun Xu, Bingnan Liu, Yuxin Chen, Chenhang Cui, Gelei Deng, Chaochao Lu, Xiang Wang, An Zhang, Tat-Seng Chua

机构 * National University of Singapore（国立新加坡大学） ； University of Science and Technology of China（中国科学技术大学） ； Southern University of Science and Technology（南方科技大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Nanyang Technological University（南洋理工大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 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 Risky-Bench通过基于现实部署的安全原则，系统评估智能体在复杂任务中的安全风险，适用于多种部署场景。

KTV: Keyframes and Key Tokens Selection for Efficient Training-Free Video LLMs

KTV: 关键帧与关键令牌选择用于高效无训练视频大语言模型

Baiyang Song, Jun Peng, Yuxin Zhang, Guangyao Chen, Feidiao Yang, Jianyuan Guo

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

AI总结 KTV通过两阶段框架高效选择关键帧和令牌，提升无训练视频理解的性能和效率。

PnP-U3D: Plug-and-Play 3D Framework Bridging Autoregression and Diffusion for Unified Understanding and Generation

PnP-U3D: 无缝接入3D框架，连接自回归与扩散以实现统一的理解与生成

Yongwei Chen, Tianyi Wei, Yushi Lan, Zhaoyang Lyu, Shangchen Zhou, Xudong Xu, Xingang Pan

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

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

AI总结 PnP-U3D提出结合自回归与扩散的统一3D理解和生成框架，通过轻量级Transformer实现跨模态信息交换，提升3D生成与编辑性能。

Comments Yongwei Chen and Tianyi Wei contributed equally. Project page: https://cyw-3d.github.io/PnP-U3D/

Model Optimization for Multi-Camera 3D Detection and Tracking

多摄像头3D检测与跟踪的模型优化

Ethan Anderson, Justin Silva, Kyle Zheng, Sameer Pusegaonkar, Yizhou Wang, Zheng Tang, Sujit Biswas

机构 * Clemson University（克莱姆森大学） ； NVIDIA（英伟达） 纠错

专题命中 效率与部署 ：pretraining(abstract)；post-training(abstract)

AI总结 该研究提出Sparse4D框架，通过优化模型结构和训练策略，在多摄像头环境下实现稳定的3D检测与跟踪，重点解决低帧率下的身份稳定性问题。

PAMAS: Self-Adaptive Multi-Agent System with Perspective Aggregation for Misinformation Detection

PAMAS：基于视角聚合的自适应多智能体系统用于虚假信息检测

Zongwei Wang, Min Gao, Junliang Yu, Tong Chen, Chenghua Lin

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

AI总结 PAMAS通过自适应多智能体系统和视角聚合技术，有效解决虚假信息检测中的信息淹没问题，提升检测准确性和效率。

Comments 12 pages

PROBE: Co-Balancing Computation and Communication in MoE Inference via Real-Time Predictive Prefetching

PROBE: 通过实时预测预取在MoE推理中协同平衡计算与通信

Qianchao Zhu, Xucheng Ye, Yuliang Liu, Haodong Ouyang, Chengru Song

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

AI总结 PROBE通过实时预测预取技术，在MoE推理中平衡计算与通信，减少预填延迟并提升解码吞吐量。

Damba-ST: Domain-Adaptive Mamba for Efficient Urban Spatio-Temporal Prediction

Damba-ST: 域自适应Mamba用于高效的都市时空预测

Rui An, Yifeng Zhang, Ziran Liang, Wenqi Fan, Yuxuan Liang, Xuequn Shang, Qing Li

机构 * Northwestern Polytechnical University（西北工业大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） 纠错

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

AI总结 Damba-ST通过域自适应Mamba模型提升都市时空预测的效率与泛化能力，解决跨域泛化难题。

Comments Accepted by ICDE 2026

ScDiVa: Masked Discrete Diffusion for Joint Modeling of Single-Cell Identity and Expression

ScDiVa：用于单细胞身份和表达联合建模的掩码离散扩散

Mingxuan Wang, Cheng Chen, Gaoyang Jiang, Zijia Ren, Chuangxin Zhao, Lu Shi, Yanbiao Ma

机构 * Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China（中国人民大学人工智能学院） ； School of Statistics, Renmin University of China, Beijing, China（中国人民大学统计学院） ； CRE Life Institute, China（中国CRE生命科学研究院） ； School of Computer Science and Technology, Huazhong University of Science and Technology, Wuhan, China（华中科技大学计算机科学与技术学院） ； School of Mathematics, Jilin University, Changchun, China（吉林大学数学学院） ； Beijing Academy of Artificial Intelligence,Beijing,China（北京人工智能研究院） 纠错

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

AI总结 ScDiVa通过掩码离散扩散模型，联合建模单细胞身份与表达，实现高效去噪与高精度恢复。

Comments 19 pages, 11 figures

RDT2: Exploring the Scaling Limit of UMI Data Towards Zero-Shot Cross-Embodiment Generalization

RDT2：探索UMI数据的缩放极限以实现零样本跨具身泛化

Songming Liu, Bangguo Li, Kai Ma, Lingxuan Wu, Hengkai Tan, Xiao Ouyang, Hang Su, Jun Zhu

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 RDT2通过三阶段训练配方实现零样本跨具身泛化，提升机器人在开放词汇任务中的表现

VOILA: Value-of-Information Guided Fidelity Selection for Cost-Aware Multimodal Question Answering

VOILA：基于信息价值的保真度选择框架用于成本感知的多模态问答

Rahul Atul Bhope, K. R. Jayaram, Vinod Muthusamy, Ritesh Kumar, Vatche Isahagian, Nalini Venkatasubramanian

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

AI总结 VOILA通过基于信息价值的自适应保真度选择，在多模态问答中实现成本优化与高精度的平衡。

3D-Learning: Diffusion-Augmented Distributionally Robust Decision-Focused Learning

3D-Learning: 基于扩散模型的分布鲁棒决策聚焦学习

Jiaqi Wen, Lei Fan, Jianyi Yang

机构 * University of Houston（休斯敦大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.LG

AI总结 3D-Learning通过利用扩散模型的分布建模能力，在最坏情况分布下优化决策性能，提升LLM资源分配任务中对非分布样本的鲁棒性。

Rethinking Test-Time Training: Tilting The Latent Distribution For Few-Shot Source-Free Adaptation

重新思考测试时间训练：通过倾斜潜在分布实现少样本源无关适应

Tahir Qasim Syed, Behraj Khan

机构 * Institute of Business Administration（商业管理学院） 纠错

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

AI总结 本文提出一种无需训练的测试时间适应方法，通过倾斜潜在分布实现少样本源无关适应，无需修改模型参数，且在严格约束下表现优异。

Are you going to finish that? A Practical Study of the Partial Token Problem

你打算完成那个吗？对部分标记问题的实用研究

Hao Xu, Alisa Liu, Jonathan Hayase, Yejin Choi, Noah A. Smith

机构 * Paul G. Allen School of Computer Science（保罗·G·艾伦计算机科学与工程学院） ； Engineering, University of Washington（华盛顿大学工程学院） ； Nvidia（Nvidia公司） ； Allen Institute for AI（艾伦人工智能研究所） 纠错

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

AI总结 本文研究了部分标记问题对语言模型预测的影响，发现词边界与令牌边界不一致导致严重预测偏差，并提出缓解措施。

Sparse maximal update parameterization: A holistic approach to sparse training dynamics

稀疏最大更新参数化：一种全面方法用于稀疏训练动态

Nolan Dey, Shane Bergsma, Joel Hestness

机构 * Cerebras Systems（Cerebras系统） 纠错

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

AI总结 S$μ$Par通过重新参数化超参数，实现稀疏训练动态的稳定性和高效调优，提升稀疏模型性能。

Comments 10 pages main text, 10 pages reference and appendix, 14 figures, NeurIPS Camera-Ready

HAAP: Vision-context Hierarchical Attention Autoregressive with Adaptive Permutation for Scene Text Recognition

HAAP: 基于自适应排列的视觉-上下文分层注意力自回归模型

Honghui Chen, Yuhang Qiu, Jiabao Wang, Pingping Chen, Nam Ling

机构 * College of Physics and Information Engineering, Fuzhou University（福州大学物理与信息工程学院） ； Faculty of Engineering, Monash University（莫纳什大学工程学院） ； Department of Computer Science and Engineering, Santa Clara University（圣克拉拉大学计算机科学与工程系） 纠错

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

AI总结 HAAP通过自适应排列和跨模态分层注意力机制，提升场景文本识别的准确性和效率。

Comments 12 pages, 12 figures

Gromov Wasserstein Optimal Transport for Semantic Correspondences

Gromov Wasserstein最优传输用于语义对应关系

Francis Snelgar, Stephen Gould, Ming Xu, Liang Zheng, Akshay Asthana

机构 * Seeing Machines 纠错

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

AI总结 本文提出使用 Gromov Wasserstein 最优传输算法替代传统方法，提升语义对应关系任务的性能并提高效率。

IVC-Prune: Revealing the Implicit Visual Coordinates in LVLMs for Vision Token Pruning

IVC-Prune: 在大型视觉-语言模型中揭示隐式的视觉坐标以进行视觉标记剪枝

Zhichao Sun, Yidong Ma, Gang Liu, Yibo Chen, Xu Tang, Yao Hu, Yongchao Xu

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Xiaohongshu Inc（小红书公司） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 IVC-Prune通过揭示LVLMs中隐式的视觉坐标，提出一种无训练、提示感知的视觉标记剪枝方法，有效减少标记数量并保持高性能。

Comments Accepted to ICLR 2026