语言大模型 / LLM

Bootstrapping Cognitive Agents with a Large Language Model

通过大语言模型提升认知代理

Feiyu Zhu, Reid Simmons

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

AI总结 通过大语言模型提升认知代理，结合两者优势以提高效率和领域适应性。

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 38(1), 655-663 (2024)

Dynamic Pyramid Network for Efficient Multimodal Large Language Model

动态金字塔网络用于高效多模态大语言模型

Hao Ai, Kunyi Wang, Zezhou Wang, Hao Lu, Jin Tian, Yaxin Luo, Peng Xing, Jen-Yuan Huang, Huaxia Li, Gen luo

机构 * Beihang University（北航大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； KAUST（卡塔尔大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Technical University Of Denmark（丹麦技术大学） ； Nanjing University of Science and Technology（南京理工大学） ； Peking University（北京大学） ； Xiaohongshu Inc（小红书公司） 纠错

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

AI总结 动态金字塔网络通过分层结构和动态池化专家提升多模态大语言模型的效率与性能。

REASONING COMPILER: LLM-Guided Optimizations for Efficient Model Serving

推理编译器：基于大语言模型的高效模型服务优化

Annabelle Sujun Tang, Christopher Priebe, Rohan Mahapatra, Lianhui Qin, Hadi Esmaeilzadeh

机构 * University of California San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 推理编译器利用大语言模型进行编译优化，通过上下文感知决策提升样本效率，实现高效模型服务。

Comments NeurIPS 2025

LLM-Empowered Cooperative Content Caching in Vehicular Fog Caching-Assisted Platoon Networks

基于大语言模型的协同内容缓存用于车辆雾缓存辅助车列网络

Bowen Tan, Qiong Wu, Pingyi Fan, Kezhi Wang, Nan Cheng, Wen Chen

机构 * School of Internet of Things Engineering, Jiangnan University（江南大学物联网工程学院） ； School of Information Engineering, Jiangxi Provincial Key Laboratory of Advanced Signal Processing and Intelligent Communications, Nanchang University（江西省级先进信号处理与智能通信重点实验室，南昌大学信息工程学院） ； Department of Electronic Engineering, State Key Laboratory of Space Network and Communications, and the Beijing National Research Center for Information Science and Technology, Tsinghua University（电子工程系，空间网络与通信国家重点实验室，信息科学与技术国家研究中心，清华大学） ； Department of Computer Science, Brunel University（计算机科学系，布鲁内尔大学） ； State Key Laboratory of ISN and the School of Telecommunications Engineering, Xidian University（信息与通信国家重点实验室，西安电子科技大学电信工程学院） 纠错

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

AI总结 本文提出利用大语言模型实现车辆雾缓存辅助车列网络中的协同内容缓存，通过智能决策提升缓存效率与内容检索性能。

Comments Corresponding author: Qiong Wu (qiongwu@jiangnan.edu.cn)

MiniRec: Data-Efficient Reinforcement Learning for LLM-based Recommendation

MiniRec: 用于基于大语言模型推荐系统的高效强化学习

Lin Wang, Yang Zhang, Jingfan Chen, Xiaoyan Zhao, Fengbin Zhu, Qing Li, Tat-Seng Chua

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

AI总结 MiniRec通过奖励对齐和轨迹导向的数据选择方法，有效降低基于LLM的推荐系统训练成本，同时保持高性能。

Stingy Context: 18:1 Hierarchical Code Compression for LLM Auto-Coding

吝啬上下文：18:1的分层代码压缩用于LLM自动编码

David Linus Ostby

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

AI总结 Stingy Context通过分层树状压缩技术实现18:1的上下文压缩，有效提升LLM自动编码任务的效率和准确性。

Comments 28 pages, 10 tables, 2 figures, 10 bibliographical references and 6 appendices

Swordsman: Entropy-Driven Adaptive Block Partition for Efficient Diffusion Language Models

Swordsman: 基于熵驱动的自适应块划分用于高效的扩散语言模型

Yu Zhang, Xinchen Li, Jialei Zhou, Hongnan Ma, Zhongwei Wan, Yiwei Shi, Duoqian Miao, Qi Zhang, Longbing Cao

机构 * Tongji University（同济大学） ； The Ohio State University（俄亥俄州立大学） ； University of Bristol（布里斯托大学） ； Macquarie University（麦考瑞大学） 纠错

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

AI总结 Swordsman通过熵驱动的自适应块划分提升扩散语言模型的推理效率和稳定性。

Scaling Spoken Language Models with Syllabic Speech Tokenization

通过音节语音分词扩展语音语言模型

Nicholas Lee, Cheol Jun Cho, Alan W Black, Gopala K. Anumanchipalli

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

AI总结 本研究通过音节语音分词技术，显著提升了语音语言模型的效率，训练时间和FLOPs减少达2倍和5倍。

Comments ICASSP 2026

Annotation Free Spacecraft Detection and Segmentation using Vision Language Models

无需标注的空间目标检测与分割使用视觉语言模型

Samet Hicsonmez, Jose Sosa, Dan Pineau, Inder Pal Singh, Arunkumar Rathinam, Abd El Rahman Shabayek, Djamila Aouada

机构 * Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（安全、可靠性与信任跨学科研究中心（SnT），卢森堡大学） 纠错

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

AI总结 本文提出了一种基于视觉语言模型的无标注空间目标检测与分割方法，通过伪标签蒸馏提升性能，实现在多个数据集上的精度提升。

Comments ICRA 2026

VLS: Steering Pretrained Robot Policies via Vision-Language Models

VLS：通过视觉-语言模型引导预训练的机器人策略

Shuo Liu, Ishneet Sukhvinder Singh, Yiqing Xu, Jiafei Duan, Ranjay Krishna

机构 * University of Washington（华盛顿大学） ； University of Oxford（牛津大学） ； National University of Singapore（新加坡国立大学） ； Allen Institute for Artificial Intelligence（人工智能研究院） 纠错

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

AI总结 VLS通过视觉-语言模型在推理时引导预训练机器人策略，实现无需训练的适应，提升在不同环境下的表现。

Comments 11 Pages, Project page: https://vision-language-steering.github.io/webpage/

StainNet: Scaling Self-Supervised Foundation Models on Immunohistochemistry and Special Stains for Computational Pathology

StainNet: 通过免疫组化和特殊染色在计算病理学中扩展自监督基础模型

Jiawen Li, Jiali Hu, Xitong Ling, Yongqiang Lv, Yuxuan Chen, Yizhi Wang, Tian Guan, Yifei Liu, Yonghong He

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, China（清华大学深圳国际研究生院） ； Biomedical Engineering Programme, City University of Hong Kong (Dongguan)（香港城市大学（东莞）生物医学工程项目） ； Department of Pathology, Affiliated Hospital of Nantong University（南通大学附属医院病理科） ； Nantong University（南通大学） 纠错

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

AI总结 StainNet通过自监督学习方法，针对IHC和特殊染色图像训练基础模型，提升计算病理学在非H&E图像中的应用能力。

Comments 26 pages, 7 figures, 10 tables

Image Corruption-Inspired Membership Inference Attacks against Large Vision-Language Models

基于图像退化启发的对抗大视觉-语言模型的成员推断攻击

Zongyu Wu, Minhua Lin, Zhiwei Zhang, Fali Wang, Xianren Zhang, Xiang Zhang, Suhang Wang

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 本文提出基于图像退化启发的成员推断攻击方法，用于检测目标图像是否被用于训练大视觉-语言模型，通过图像退化和文本嵌入相似性进行攻击。

Comments Accepted by EACL 2026

Multi-Head LatentMoE and Head Parallel: Communication-Efficient and Deterministic MoE Parallelism

多头潜在MoE与头并行：通信高效且确定性的MoE并行

Chenwei Cui, Rockwell Jackson, Benjamin Joseph Herrera, Ana María Tárano, Hannah Kerner

机构 * School of Computing and Augmented Intelligence（计算与增强智能学院） ； Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 本文提出多头潜在MoE与头并行方法，通过降低通信成本和提升并行效率，实现更高效的MoE训练。

Fine-Grained Activation Steering: Steering Less, Achieving More

细粒度激活引导：引导更少，实现更多

Zijian Feng, Tianjiao Li, Zixiao Zhu, Hanzhang Zhou, Junlang Qian, Li Zhang, Jia Jim Deryl Chua, Lee Onn Mak, Gee Wah Ng, Kezhi Mao

机构 * School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（电子与电气工程学院，南洋理工大学，新加坡） ； Home Team Science and Technology Agency (HTX), Singapore（家庭团队科技局（HTX），新加坡） 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 AUSteer通过细粒度激活引导方法，精准干预有益激活单元，提升LLM行为调整的效率与效果。

Comments ICLR 2026

Mugi: Value Level Parallelism For Efficient LLMs

Mugi：用于高效大语言模型的价值级并行

Daniel Price, Prabhu Vellaisamy, John Shen, Di Wu

机构 * University of Central Florida（佛罗里达中央大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 Mugi通过价值级并行提升大语言模型的效率与可持续性，实现更高的吞吐量和能效，同时降低碳排放。

Comments 2026 International Conference on Architectural Support for Programming Languages and Operating Systems

Landscape-aware Automated Algorithm Design: An Efficient Framework for Real-world Optimization

具有景观意识的自动算法设计：一个高效的现实优化框架

Haoran Yin, Shuaiqun Pan, Zhao Wei, Jian Cheng Wong, Yew-Soon Ong, Anna V. Kononova, Thomas Bäck, Niki van Stein

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

AI总结 本文提出一种结合遗传编程和LLM的高效框架，通过代理函数优化现实问题的算法发现，减少昂贵评估，提升现实优化效率。

Explainable Sentiment Analysis with DeepSeek-R1: Performance, Efficiency, and Few-Shot Learning

基于DeepSeek-R1的可解释情感分析：性能、效率与少样本学习

Donghao Huang, Zhaoxia Wang

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DeepSeek-R1的可解释情感分析方法，展示了其在性能、效率和少样本学习方面的优势，证明其在情感分析任务中的高效与可解释性。

Comments 10 pages, with 2 figures and 6 tables, accepted for publication in an IEEE Intelligent Systems journal

Journal ref IEEE Intelligent Systems, vol. 40, no. 6, pp. 52-63, Nov.-Dec. 2025

QuantVSR: Low-Bit Post-Training Quantization for Real-World Video Super-Resolution

QuantVSR: 低比特后训练量化用于现实世界视频超分辨率

Bowen Chai, Zheng Chen, Libo Zhu, Wenbo Li, Yong Guo, Yulun Zhang

专题命中 效率与部署 ：post-training(title)

AI总结 QuantVSR通过时空复杂度感知机制和可学习偏置对齐模块，实现低比特后训练量化，提升现实世界视频超分辨率的性能与效率。

Comments Accepted to AAAI 2026. Code is available at: https://github.com/bowenchai/QuantVSR

ERNIE 5.0 Technical Report

ERNIE 5.0技术报告

Haifeng Wang, Hua Wu, Tian Wu, Yu Sun, Jing Liu, Dianhai Yu, Yanjun Ma, Jingzhou He, Zhongjun He, Dou Hong, Qiwen Liu, Shuohuan Wang, Junyuan Shang, Zhenyu Zhang, Yuchen Ding, Jinle Zeng, Jiabin Yang, Liang Shen, Ruibiao Chen, Weichong Yin, Siyu Ding, Dai Dai, Shikun Feng, Siqi Bao, Bolei He, Yan Chen, Zhenyu Jiao, Ruiqing Zhang, Zeyu Chen, Qingqing Dang, Kaipeng Deng, Jiajun Jiang, Enlei Gong, Guoxia Wang, Yanlin Sha, Yi Liu, Yehan Zheng, Weijian Xu, Jiaxiang Liu, Zengfeng Zeng, Yingqi Qu, Zhongli Li, Zhengkun Zhang, Xiyang Wang, Zixiang Xu, Xinchao Xu, Zhengjie Huang, Dong Wang, Bingjin Chen, Yue Chang, Xing Yuan, Shiwei Huang, Qiao Zhao, Xinzhe Ding, Shuangshuang Qiao, Baoshan Yang, Bihong Tang, Bin Li, Bingquan Wang, Binhan Tang, Binxiong Zheng, Bo Cui, Bo Ke, Bo Zhang, Bowen Zhang, Boyan Zhang, Boyang Liu, Caiji Zhang, Can Li, Chang Xu, Chao Pang, Chao Zhang, Chaoyi Yuan, Chen Chen, Cheng Cui, Chenlin Yin, Chun Gan, Chunguang Chai, Chuyu Fang, Cuiyun Han, Dan Zhang, Danlei Feng, Danxiang Zhu, Dong Sun, Dongbo Li, Dongdong Li, Dongdong Liu, Dongxue Liu, Fan Ding, Fan Hu, Fan Li, Fan Mo, Feisheng Wu, Fengwei Liu, Gangqiang Hu, Gaofeng Lu, Gaopeng Yong, Gexiao Tian, Guan Wang, Guangchen Ni, Guangshuo Wu, Guanzhong Wang, Guihua Liu, Guishun Li, Haibin Li, Haijian Liang, Haipeng Ming, Haisu Wang, Haiyang Lu, Haiye Lin, Han Zhou, Hangting Lou, Hanwen Du, Hanzhi Zhang, Hao Chen, Hao Du, Hao Liu, Hao Zhou, Haochen Jiang, Haodong Tian, Haoshuang Wang, Haozhe Geng, Heju Yin, Hong Chen, Hongchen Xue, Hongen Liu, Honggeng Zhang, Hongji Xu, Hongwei Chen, Hongyang Zhang, Hongyuan Zhang, Hua Lu, Huan Chen, Huan Wang, Huang He, Hui Liu, Hui Zhong, Huibin Ruan, Jiafeng Lu, Jiage Liang, Jiahao Hu, Jiahao Hu, Jiajie Yang, Jialin Li, Jian Chen, Jian Wu, Jianfeng Yang, Jianguang Jiang, Jianhua Wang, Jianye Chen, Jiaodi Liu, Jiarui Zhou, Jiawei Lv, Jiaxin Zhou, Jiaxuan Liu, Jie Han, Jie Sun, Jiefan Fang, Jihan Liu, Jihua Liu, Jing Hu, Jing Qian, Jing Yan, Jingdong Du, Jingdong Wang, Jingjing Wu, Jingyong Li, Jinheng Wang, Jinjin Li, Jinliang Lu, Jinlin Yu, Jinnan Liu, Jixiang Feng, Jiyi Huang, Jiyuan Zhang, Jun Liang, Jun Xia, Jun Yu, Junda Chen, Junhao Feng, Junhong Xiang, Junliang Li, Kai Liu, Kailun Chen, Kairan Su, Kang Hu, Kangkang Zhou, Ke Chen, Ke Wei, Kui Huang, Kun Wu, Kunbin Chen, Lei Han, Lei Sun, Lei Wen, Linghui Meng, Linhao Yu, Liping Ouyang, Liwen Zhang, Longbin Ji, Longzhi Wang, Meng Sun, Meng Tian, Mengfei Li, Mengqi Zeng, Mengyu Zhang, Ming Hong, Mingcheng Zhou, Mingming Huang, Mingxin Chen, Mingzhu Cai, Naibin Gu, Nemin Qiu, Nian Wang, Peng Qiu, Peng Zhao, Pengyu Zou, Qi Wang, Qi Xin, Qian Wang, Qiang Zhu, Qianhui Luo, Qianwei Yang, Qianyue He, Qifei Wu, Qinrui Li, Qiwen Bao, Quan Zhang, Quanxiang Liu, Qunyi Xie, Rongrui Zhan, Rufeng Dai, Rui Peng, Ruian Liu, Ruihao Xu, Ruijie Wang, Ruixi Zhang, Ruixuan Liu, Runsheng Shi, Ruting Wang, Senbo Kang, Shan Lu, Shaofei Yu, Shaotian Gong, Shenwei Hu, Shifeng Zheng, Shihao Guo, Shilong Fan, Shiqin Liu, Shiwei Gu, Shixi Zhang, Shuai Yao, Shuang Zhang, Shuangqiao Liu, Shuhao Liang, Shuwei He, Shuwen Yang, Sijun He, Siming Dai, Siming Wu, Siyi Long, Songhe Deng, Suhui Dong, Suyin Liang, Teng Hu, Tianchan Xu, Tianliang Lv, Tianmeng Yang, Tianyi Wei, Tiezhu Gao, Ting Sun, Ting Zhang, Tingdan Luo, Wei He, Wei Luan, Wei Yin, Wei Zhang, Wei Zhou, Weibao Gong, Weibin Li, Weicheng Huang, Weichong Dang, Weiguo Zhu, Weilong Zhang, Weiqi Tan, Wen Huang, Wenbin Chang, Wenjing Du, Wenlong Miao, Wenpei Luo, Wenquan Wu, Xi Shi, Xi Zhao, Xiang Gao, Xiangguo Zhang, Xiangrui Yu, Xiangsen Wang, Xiangzhe Wang, Xianlong Luo, Xianying Ma, Xiao Tan, Xiaocong Lin, Xiaofei Wang, Xiaofeng Peng, Xiaofeng Wu, Xiaojian Xu, Xiaolan Yuan, Xiaopeng Cui, Xiaotian Han, Xiaoxiong Liu, Xiaoxu Fei, Xiaoxuan Wu, Xiaoyu Wang, Xiaoyu Zhang, Xin Sun, Xin Wang, Xinhui Huang, Xinming Zhu, Xintong Yu, Xinyi Xu, Xinyu Wang, Xiuxian Li, XuanShi Zhu, Xue Xu, Xueying Lv, Xuhong Li, Xulong Wei, Xuyi Chen, Yabing Shi, Yafeng Wang, Yamei Li, Yan Liu, Yanfu Cheng, Yang Gao, Yang Liang, Yang Wang, Yang Wang, Yang Yang, Yanlong Liu, Yannian Fu, Yanpeng Wang, Yanzheng Lin, Yao Chen, Yaozong Shen, Yaqian Han, Yehua Yang, Yekun Chai, Yesong Wang, Yi Song, Yichen Zhang, Yifei Wang, Yifeng Guo, Yifeng Kou, Yilong Chen, Yilong Guo, Yiming Wang, Ying Chen, Ying Wang, Yingsheng Wu, Yingzhan Lin, Yinqi Yang, Yiran Xing, Yishu Lei, Yixiang Tu, Yiyan Chen, Yong Zhang, Yonghua Li, Yongqiang Ma, Yongxing Dai, Yongyue Zhang, Yu Ran, Yu Sun, Yu-Wen Michael Zhang, Yuang Liu, Yuanle Liu, Yuanyuan Zhou, Yubo Zhang, Yuchen Han, Yucheng Wang, Yude Gao, Yuedong Luo, Yuehu Dong, Yufeng Hu, Yuhui Cao, Yuhui Yun, Yukun Chen, Yukun Gao, Yukun Li, Yumeng Zhang, Yun Fan, Yun Ma, Yunfei Zhang, Yunshen Xie, Yuping Xu, Yuqin Zhang, Yuqing Liu, Yurui Li, Yuwen Wang, Yuxiang Lu, Zefeng Cai, Zelin Zhao, Zelun Zhang, Zenan Lin, Zezhao Dong, Zhaowu Pan, Zhaoyu Liu, Zhe Dong, Zhe Zhang, Zhen Zhang, Zhengfan Wu, Zhengrui Wei, Zhengsheng Ning, Zhenxing Li, Zhenyu Li, Zhenyu Qian, Zhenyun Li, Zhi Li, Zhichao Chen, Zhicheng Dong, Zhida Feng, Zhifan Feng, Zhihao Deng, Zhijin Yu, Zhiyang Chen, Zhonghui Zheng, Zhuangzhuang Guo, Zhujun Zhang, Zhuo Sun, Zichang Liu, Zihan Lin, Zihao Huang, Zihe Zhu, Ziheng Zhao, Ziping Chen, Zixuan Zhu, Ziyang Xu, Ziyi Liang, Ziyuan Gao

机构 * ERNIE Team（ERNIE团队） 纠错

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

AI总结 ERNIE 5.0是首个实现万亿参数统一自回归模型的生产规模实现，支持多模态理解和生成，并采用弹性训练范式实现灵活的性能与资源权衡。

Beyond Tokens: Semantic-Aware Speculative Decoding for Efficient Inference by Probing Internal States

超越标记：基于语义的推测解码用于通过探测内部状态实现高效的推理

Ximing Dong, Shaowei Wang, Dayi Lin, Boyuan Chen, Ahmed E. Hassan

机构 * Centre for Software Excellence, Huawei, Canada（华为加拿大软件 excellence 中心） ； Department of Computer Science, University of Manitoba, Canada（曼尼托巴大学计算机科学系） ； School of Computing, Queen’s University, Canada（皇后大学计算学院） 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 SemanticSpec通过探测模型内部状态，实现基于语义的高效推测解码，提升大型推理模型的推理效率。

Sample-Efficient Behavior Cloning Using General Domain Knowledge

基于通用领域知识的高效行为克隆

Feiyu Zhu, Jean Oh, Reid Simmons

机构 * Carnegie Mellon University（卡内基梅隆大学） 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KIM方法，通过整合大语言模型的编码能力与专家领域知识，提升行为克隆的样本效率和泛化能力。

Journal ref In Proceedings of the Thirty-Fourth International Joint Conference on Artificial Intelligence. Article 807, 7254-7262 (2025)

A Modern System Recipe for Situated Embodied Human-Robot Conversation with Real-Time Multimodal LLMs and Tool-Calling

一种面向情境具身人机对话的现代系统配方，结合实时多模态大语言模型与工具调用

Dong Won Lee, Sarah Gillet, Louis-Philippe Morency, Cynthia Breazeal, Hae Won Park

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

AI总结 本文提出了一种结合实时多模态大语言模型与工具调用的系统配方，用于提升情境具身人机对话的交互质量与效率。

Comments 9 pages, 7 figures

Comparing Task-Agnostic Embedding Models for Tabular Data

对比表格数据的无任务嵌入模型

Frederik Hoppe, Lars Kleinemeier, Astrid Franz, Udo Göbel

机构 * CONTACT Software GmbH, Bremen, Germany（CONTACT软件公司，不莱梅，德国） 纠错

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

AI总结 本文对比了表格数据的无任务嵌入模型，发现简单特征工程方法在性能上可与基础模型相比或更优，且计算资源需求更低。

Semantic Rate Distortion and Posterior Design: Compute Constraints, Multimodality, and Strategic Inference

语义速率与后验设计：计算限制、多模态与战略推断

Emrah Akyol

机构 * Electrical and Computer Engineering Department, Binghamton University（宾夕法尼亚大学布林茅尔分校电子与计算机工程系） 纠错

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

AI总结 本文研究了在计算限制下的语义压缩问题，通过后验设计和多模态观测优化，提高了语义准确性和模型效率。

Comments submitted for publication

Towards Universal Neural Likelihood Inference

面向通用神经似然推断

Shreyas Bhat Brahmavar, Yang Li, Qiyang Liu, Shashank Srivastava, Junier Oliva

机构 * Department of Computer Science, University of North Carolina at Chapel Hill, Chapel Hill, NC, USA（计算机科学系，北卡罗来纳大学教堂山分校） 纠错

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

AI总结 本文提出通用神经似然推断框架ASPIRE，通过异构表格数据推理引擎实现跨领域零样本学习，提升预测精度与效率。

Unlocking hidden biomolecular conformational landscapes in diffusion models at inference time

在推理时间解锁扩散模型中隐藏的生物分子构象景观

Daniel D. Richman, Jessica Karaguesian, Carl-Mikael Suomivuori, Ron O. Dror

机构 * Stanford University（斯坦福大学） ； Yale School of Medicine（耶鲁医学院） 纠错

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

AI总结 ConforMix通过结合分类引导、过滤和自由能估计，提升扩散模型在推理时对生物分子构象变化的采样能力，实现更高效的构象发现。

Comments Project page: https://github.com/drorlab/conformix

Journal ref NeurIPS 2025

A Multi-Modal Foundational Model for Wireless Communication and Sensing

一种用于无线通信和传感的多模态基础模型

Vahid Yazdnian, Yasaman Ghasempour

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

AI总结 本文提出了一种多模态基础模型，通过物理指导的自监督预训练策略，实现无线通信和传感任务的稳健泛化与高效适应。

Active Epistemic Control for Query-Efficient Verified Planning

主动认知控制用于查询高效的验证规划

Shuhui Qu

机构 * Stanford University（斯坦福大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI

AI总结 主动认知控制通过结合基于模型的信念管理和范畴可行性检查，实现查询高效的验证规划，在交互环境中减少重新规划轮次。

Vision Transformers for Zero-Shot Clustering of Animal Images: A Comparative Benchmarking Study

用于动物图像零样本聚类的视觉变换器：一种比较基准研究

Hugo Markoff, Stefan Hein Bengtson, Michael Ørsted

机构 * Department of Chemistry and Bioscience（化学与生物科学系） ； Aalborg University（奥尔堡大学） ； Department of Architecture, Design and Media Technology（建筑、设计与媒体技术系） ； Visual Analysis and Perception Lab（视觉分析与感知实验室） 纠错

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

AI总结 本研究利用视觉变换器模型对动物图像进行零样本聚类，通过对比不同方法展示其在物种分类和生态模式识别中的有效性。

Achieving Logarithmic Regret in KL-Regularized Zero-Sum Markov Games

在KL正则化零和马尔可夫博弈中实现对数遗憾

Anupam Nayak, Tong Yang, Osman Yagan, Gauri Joshi, Yuejie Chi

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

AI总结 本文提出OMG和SOMG算法，在KL正则化下实现对数遗憾，提升样本效率。