语言大模型 / LLM

BrainSymphony: A parameter-efficient multimodal foundation model for brain dynamics with limited data

BrainSymphony: 一种参数高效、多模态的基础模型，用于在有限数据下的脑动态

Moein Khajehnejad, Forough Habibollahi, Devon Stoliker, Adeel Razi

机构 * Turner Institute for Brain and Mental Health（大脑与心理健康Turner研究所） ； School of Psychological Sciences, Monash University（墨尔本大学心理学科学学院） ； Cortical Labs（皮层实验室） ； CIFAR Azrieli Global Scholars Program（CIFAR阿兹里埃利全球学者计划） 纠错

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

AI总结 BrainSymphony是一种参数高效、多模态的基础模型，通过整合fMRI和扩散MRI数据，实现有限数据下的脑动态分析，优于更大模型并提升神经科学应用。

Comments 32 pages, 14 figures

AM-FM: A Foundation Model for Ambient Intelligence Through WiFi

AM-FM：通过WiFi实现环境智能的基础模型

Guozhen Zhu, Yuqian Hu, Sakila Jayaweera, Weihang Gao, Wei-Hsiang Wang, Jiaxuan Zhang, Beibei Wang, Chenshu Wu, K. J. Ray Liu

机构 * Origin Research, Rockville, USA（起源研究, 罗克维尔, 美国） ； The University of Hong Kong, Hong Kong, China（香港大学, 香港, 中国） 纠错

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

AI总结 AM-FM通过WiFi实现环境智能的基础模型，利用大规模未标记数据预训练，提升跨任务性能和数据效率。

Structured Context Engineering for File-Native Agentic Systems: Evaluating Schema Accuracy, Format Effectiveness, and Multi-File Navigation at Scale

结构化上下文工程用于文件原生代理系统：评估模式准确性、格式有效性及大规模多文件导航

Damon McMillan

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

AI总结 本研究评估了文件原生代理系统中结构化上下文工程的准确性、格式有效性及多文件导航，发现模型能力是影响性能的关键因素，架构选择需根据模型能力调整。

Comments 8 pages, 8 figures, 10 tables, 26 references. v2: revised scale experiment analysis

EGG-SR: Embedding Symbolic Equivalence into Symbolic Regression via Equality Graph

EGG-SR: 通过等式图将符号等价性嵌入符号回归

Nan Jiang, Ziyi Wang, Yexiang Xue

机构 * University of Texas at El Paso（德克萨斯理工大学） ； Purdue University（普渡大学） 纠错

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

AI总结 EGG-SR通过引入等式图模块，将符号等价性整合到符号回归方法中，以减少搜索空间并提升学习效率。

Comments Camera-ready version accepted for ICLR 2026

PhyNiKCE: A Neurosymbolic Agentic Framework for Autonomous Computational Fluid Dynamics

PhyNiKCE：一种用于自主计算流体动力学的神经符号代理框架

E Fan, Lisong Shi, Zhengtong Li, Chih-yung Wen

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

AI总结 PhyNiKCE通过神经符号框架提升CFD模拟的可信度与效率，实现96%的性能提升并减少59%的自我校正循环。

Comments 30 pages, 10 figures

Compiler-Guided Inference-Time Adaptation: Improving GPT-5 Programming Performance in Idris

编译器引导的推理时适应：提升GPT-5在Idris中的编程性能

Minda Li, Bhaskar Krishnamachari

机构 * Ming Hsieh Department of Electrical and Computer Engineering（明希斯部门电子与计算机工程系） ； Viterbi School of Engineering, University of Southern California（维特比工程学院，南加州大学） 纠错

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

AI总结 本文研究GPT-5通过编译器反馈提升在低资源语言Idris中的编程性能，发现结合本地编译错误的改进策略显著提高了模型表现。

RELATE: A Reinforcement Learning-Enhanced LLM Framework for Advertising Text Generation

RELATE: 一种增强强化学习的大型语言模型框架用于广告文本生成

Jinfang Wang, Jiajie Liu, Jianwei Wu, Ziqin Luo, Zhen Chen, Chunlei Li, Biao Han, Tao Deng, Yi Li, Shuanglong Li, Lin Liu

机构 * Baidu Inc.（百度公司） 纠错

专题命中 效率与部署 ：LLM(title)；分类 cs.AI

AI总结 RELAITE通过整合性能和合规性目标到生成过程中，提升广告文本的转化效果和实际应用效果。

Comments 10 pages, 3 figures

DSO: Direct Steering Optimization for Bias Mitigation

DSO：直接转向优化以减轻偏差

Lucas Monteiro Paes, Nivedha Sivakumar, Yinong Oliver Wang, Masha Fedzechkina, Barry-John Theobald, Luca Zappella, Nicholas Apostoloff

机构 * Apple（苹果公司） ； 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.CL、cs.LG

AI总结 DSO通过强化学习优化激活转换，在VLMs和LLMs中实现公平性与能力的最佳平衡，提供推理时的偏见控制能力。

General Humanoid Whole-Body Control via Pretraining and Fast Adaptation

通用双足机器人全身控制 via 预训练和快速适应

Zepeng Wang, Jiangxing Wang, Shiqing Yao, Yu Zhang, Ziluo Ding, Ming Yang, Yuxuan Wang, Haobin Jiang, Chao Ma, Xiaochuan Shi, Zongqing Lu

机构 * Wuhan University（武汉大学） ； BeingBeyond ； Peking University（北京大学） 纠错

专题命中 效率与部署 ：pretraining(title)

AI总结 本文提出FAST框架，通过预训练和快速适应实现双足机器人全身控制的通用性，提升鲁棒性和适应效率。

Comments 22 pages

Privacy Risks in Time Series Forecasting: User- and Record-Level Membership Inference

时间序列预测中的隐私风险：用户级和记录级成员推断

Nicolas Johansson, Tobias Olsson, Daniel Nilsson, Johan Östman, Fazeleh Hoseini

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； AI Sweden（瑞典人工智能） 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 本文提出两种针对时间序列预测的成员推断攻击方法，揭示预测模型在用户级攻击下的高脆弱性，并建立新的隐私风险评估基准。

LoRA-based Parameter-Efficient LLMs for Continuous Learning in Edge-based Malware Detection

基于LoRA的参数高效LLMs用于边缘恶意软件检测中的持续学习

Christian Rondanini, Barbara Carminati, Elena Ferrari, Niccolò Lardo, Ashish Kundu

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

AI总结 本文提出基于LoRA的参数高效LLMs方法，用于边缘恶意软件检测中的持续学习，通过本地适应与全局知识共享提升模型泛化能力，实现跨设备学习并降低资源消耗。

Test-Time Efficient Pretrained Model Portfolios for Time Series Forecasting

时间序列预测中的测试时高效预训练模型组合

Mert Kayaalp, Caner Turkmen, Oleksandr Shchur, Pedro Mercado, Abdul Fatir Ansari, Michael Bohlke-Schneider, Bernie Wang

机构 * Dalle Molle Institute for Artificial Intelligence (IDSIA) - USI/SUPSI, Switzerland（达摩信息技术研究所（IDSIA）- USI/SUPSI，瑞士） ； Amazon Web Services（亚马逊网络服务） 纠错

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

AI总结 本文提出了一种测试时高效的预训练模型组合方法，通过集成或模型选择在时间序列预测中实现高性能，且计算成本更低。

Comments Accepted as an ICLR 2026 conference paper

Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation

学习路由：一种基于规则的代理框架用于混合源检索增强生成

Haoyue Bai, Haoyu Wang, Shengyu Chen, Zhengzhang Chen, Lu-An Tang, Wei Cheng, Haifeng Chen, Yanjie Fu

机构 * Arizona State University（亚利桑那州立大学） ； NEC Laboratories America（NEC美国实验室） 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 本文提出基于规则的路由框架，通过系统规则选择合适来源提升检索增强生成的准确性和效率。

Meta-Sel: Efficient Demonstration Selection for In-Context Learning via Supervised Meta-Learning

Meta-Sel: 通过监督元学习实现高效的上下文学习演示选择

Xubin Wang, Weijia Jia

机构 * BNU-BNBU Institute of Artificial Intelligence（BNU-BNBU人工智能研究院） ； Future Networks, Beijing Normal-Hong Kong Baptist University（未来网络，北京师范大学-香港 Baptist大学） ； Beijing Normal University at Zhuhai（珠海北京师范大学） 纠错

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

AI总结 Meta-Sel通过监督元学习实现高效的上下文学习演示选择，提升小模型表现并保持低开销。

LoGoSeg: Integrating Local and Global Features for Open-Vocabulary Semantic Segmentation

LoGoSeg：整合局部和全局特征以实现开放词汇语义分割

Junyang Chen, Xiangbo Lv, Zhiqiang Kou, Xingdong Sheng, Ning Xu, Yiguo Qiao

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

AI总结 LoGoSeg通过整合局部和全局特征，提升开放词汇语义分割的精度与效率，减少幻觉和漏检问题。

SplitCom: Communication-efficient Split Federated Fine-tuning of LLMs via Temporal Compression

SplitCom: 通过时间压缩实现LLM的通信高效分裂联邦微调

Tao Li, Yulin Tang, Yiyang Song, Cong Wu, Xihui Liu, Pan Li, Xianhao Chen

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

AI总结 SplitCom通过时间压缩减少LLM联邦微调的通信开销，利用激活冗余和自适应阈值控制提升效率和性能。

Seq2Seq2Seq: Lossless Data Compression via Discrete Latent Transformers and Reinforcement Learning

Seq2Seq2Seq: 通过离散潜在变换器和强化学习实现无损数据压缩

Mahdi Khodabandeh, Ghazal Shabani, Arash Yousefi Jordehi, Seyed Abolghasem Mirroshandel

机构 * Department of Computer Engineering（计算机工程系） ； University of Guilan（加兹万大学） 纠错

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

AI总结 Seq2Seq2Seq利用强化学习和T5模型实现高效无损数据压缩，通过保留token结构提升压缩比和语义完整性。

RAM-Net: Expressive Linear Attention with Selectively Addressable Memory

RAM-Net：具有可选地址记忆的表达性线性注意力

Kaicheng Xiao, Haotian Li, Liran Dong, Guoliang Xing

机构 * The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 RAM-Net通过可选地址记忆机制，在保持线性模型效率的同时提升长距离检索和复杂依赖捕捉能力。

SAM3-LiteText: An Anatomical Study of the SAM3 Text Encoder for Efficient Vision-Language Segmentation

SAM3-LiteText: SAM3文本编码器的解剖学研究：用于高效视觉-语言分割

Chengxi Zeng, Yuxuan Jiang, Ge Gao, Shuai Wang, Duolikun Danier, Bin Zhu, Stevan Rudinac, David Bull, Fan Zhang

机构 * Visual Information Lab, University of Bristol（布里斯托大学视觉信息实验室） ； University of Amsterdam（阿姆斯特丹大学） ； School of Informatics, University of Edinburgh（爱丁堡大学信息学院） ； Singapore Management University（新加坡管理大学） 纠错

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

AI总结 SAM3-LiteText通过轻量级文本编码框架优化视觉-语言分割模型，减少88%的参数并保持性能

The Key to State Reduction in Linear Attention: A Rank-based Perspective

线性注意力的状态缩减：基于秩的视角

Philipp Nazari, T. Konstantin Rusch

机构 * ETH Zürich（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Tübingen AI Center（图宾根人工智能中心） 纠错

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

AI总结 本文提出了一种基于秩的线性注意力状态缩减方法，通过结构化修剪减少状态大小，同时保持模型性能，实现更快和更节省内存的模型。

DMind-3: A Sovereign Edge--Local--Cloud AI System with Controlled Deliberation and Correction-Based Tuning for Safe, Low-Latency Transaction Execution

DMind-3：一种主权边缘-本地-云AI系统，具备受控推理与基于纠正的调优，用于安全低延迟交易执行

Enhao Huang, Frank Li, Tony Lin, Lowes Yang

专题命中 效率与部署 ：SFT(abstract)；分类 cs.AI

AI总结 DMind-3通过边缘-本地-云三层架构，结合受控推理与纠正调优，实现安全低延迟的交易执行，提升金融执行的可靠性和可扩展性。

Symmetry Breaking in Transformers for Efficient and Interpretable Training

Transformer中对称破缺以实现高效且可解释的训练

Eva Silverstein, Daniel Kunin, Vasudev Shyam

机构 * Stanford University（斯坦福大学） ； Zyphra Technologies（Zyphra技术公司） 纠错

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

AI总结 通过引入对称破缺协议，Transformer模型在提升性能的同时增强了可解释性。

Comments 22 pages, 3 figures

HoloBrain-0 Technical Report

HoloBrain-0 技术报告

Xuewu Lin, Tianwei Lin, Yun Du, Hongyu Xie, Yiwei Jin, Jiawei Li, Shijie Wu, Qingze Wang, Mengdi Li, Mengao Zhao, Ziang Li, Chaodong Huang, Hongzhe Bi, Lichao Huang, Zhizhong Su

机构 * Horizon Robotics 纠错

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

AI总结 HoloBrain-0 提出了一种融合视觉、语言和动作的框架，通过预训练和后训练范式，在模拟和现实任务中取得领先性能，并开源完整生态系统促进机器人研究。

Comments 32 pages

LAMP: Implicit Language Map for Robot Navigation

LAMP：机器人导航的隐式语言地图

Sibaek Lee, Hyeonwoo Yu, Giseop Kim, Sunwook Choi

机构 * Department of Intelligent Robotics, Sungkyunkwan University（智能机器人学系，全北国立大学） ； NAVER LABS ； Department of Robotics and Mechatronics Engineering, DGIST（机器人与机电工程系，韩国科学技术院） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 LAMP通过隐式语言地图实现高效机器人导航，结合隐式神经场与稀疏图进行粗到细路径优化，提升大环境下的内存效率和目标精度。

Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L). Project page: https://lab-of-ai-and-robotics.github.io/LAMP/

Journal ref IEEE Robotics and Automation Letters (RA-L), 2025

JEPA-VLA: Video Predictive Embedding is Needed for VLA Models

视频预测嵌入对于VLA模型是必要的

Shangchen Miao, Ningya Feng, Jialong Wu, Ye Lin, Xu He, Dong Li, Mingsheng Long

机构 * Tsinghua University（清华大学） ； Huawei Noah's Ark Lab（华为诺亚实验室） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 JEPA-VLA通过引入视频预训练的预测嵌入，提升VLA模型在机器人任务中的性能和泛化能力。

Large Language Models for Designing Participatory Budgeting Rules

基于大型语言模型的设计参与式预算规则

Nguyen Thach, Xingchen Sha, Hau Chan

机构 * University of Nebraska-Lincoln（内布拉斯加大学林肯分校） ； Northwestern University（西北大学） 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.LG

AI总结 本文提出LLMRule框架，利用大型语言模型自动化设计参与式预算规则，提升预算分配的效用同时保持公平性。

Comments Accepted as full paper to AAMAS 2026

BYOS: Knowledge-driven Large Language Models Bring Your Own Operating System More Excellent

BYOS: 由知识驱动的大语言模型带来更优秀的操作系统

Hongyu Lin, Yuchen Li, Haoran Luo, Kaichun Yao, Libo Zhang, Zhenghong Lin, Mingjie Xing, Yanjun Wu, Carl Yang

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

AI总结 BYOS通过整合结构化知识与大语言模型，实现了更高效、鲁棒的Linux内核调优，显著提升了性能并减少了无效配置。

Manifold-Aware Temporal Domain Generalization for Large Language Models

面向流形的时域泛化用于大语言模型

Yiheng Yao, Zekun Cai, Xinyuan Song, Hiroki Hill Kobayashi, Xuan Song, Ryosuke Shibasaki, Liang Zhao

机构 * The University of Tokyo（东京大学） ； LocationMind ； Emory University（埃默里大学） ； Jilin University（吉林大学） 纠错

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

AI总结 本文提出MaT-LoRA，通过在低秩适应子空间内约束时间更新到共享低维流形，实现大语言模型的时间域泛化，提升模型的时间建模效率与泛化能力。

Comments 14 pages, 2 figures

Empowering Healthcare Practitioners with Language Models: Structuring Speech Transcripts in Two Real-World Clinical Applications

通过语言模型赋能医疗从业者：在两个真实临床应用中结构化语音转录

Jean-Philippe Corbeil, Asma Ben Abacha, George Michalopoulos, Phillip Swazinna, Miguel Del-Agua, Jerome Tremblay, Akila Jeeson Daniel, Cari Bader, Yu-Cheng Cho, Pooja Krishnan, Nathan Bodenstab, Thomas Lin, Wenxuan Teng, Francois Beaulieu, Paul Vozila

机构 * Microsoft Healthcare & Life Sciences（微软医疗与生命科学） 纠错

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

AI总结 本文通过语言模型在两个临床应用中结构化语音转录，提出代理流程生成非敏感数据，并发布首个开源数据集以支持进一步研究。

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: Industry Track

Assessing LLM Reliability on Temporally Recent Open-Domain Questions

评估LLM在近期开放领域问题上的可靠性

Pushwitha Krishnappa, Amit Das, Vinija Jain, Tathagata Mukherjee, Aman Chadha

机构 * University of Alabama Huntsville（阿拉巴马大学亨茨维尔分校） ； University of North Alabama（北阿拉巴马大学） ； Stanford University（斯坦福大学） ； Google（谷歌） ； Apple（苹果公司） 纠错

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

AI总结 RECOM研究通过分析15000个Reddit问题，发现LLM在语义对齐上表现优异，但词汇重合度低，揭示模型通过改写保留意义，挑战传统词汇度量的可靠性。