语言大模型 / LLM

EvoCut: Strengthening Integer Programs via Evolution-Guided Language Models

EvoCut：通过进化引导的语言模型强化整数规划

Milad Yazdani, Mahdi Mostajabdaveh, Samin Aref, Zirui Zhou

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Huawei Technologies Canada（华为技术加拿大分公司） ； University of Toronto（多伦多大学） 纠错

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

AI总结 EvoCut通过进化引导的语言模型自动生成整数规划的加速切割，显著提升求解效率和最优性间隙缩减效果。

Constraint-Rectified Training for Efficient Chain-of-Thought

约束校正训练用于高效的推理链

Qinhang Wu, Sen Lin, Ming Zhang, Yingbin Liang, Ness B. Shroff

机构 * The Ohio State University（俄亥俄州立大学） ； University of Houston（休斯顿大学） ； Google（谷歌） 纠错

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

AI总结 CRT通过约束校正训练提升推理效率，减少冗余并保持准确性。

KeySense: LLM-Powered Hands-Down, Ten-Finger Typing on Commodity Touchscreens

KeySense: 基于LLM的双手下十指触屏输入

Tony Li, Yan Ma, Zhuojun Li, Chun Yu, IV Ramakrishnan, Xiaojun Bi

专题命中 效率与部署 ：LLM(title,abstract)

AI总结 KeySense通过认知-运动时间模式和微调LLM解码器，实现高效的十指触屏输入，无需额外硬件。

Comments 16 pages, 11 figures. Accepted to appear in the Proceedings of the ACM CHI Conference on Human Factors in Computing Systems (CHI 2026). This version corresponds to the accepted manuscript

Efficient Quantization-Aware Neural Receivers: Beyond Post-Training Quantization

高效量化感知神经接收机：超越后训练量化

SaiKrishna Saketh Yellapragada, Esa Ollila, Mario Costa

专题命中 效率与部署 ：post-training(title,abstract)

AI总结 本文提出了一种基于量化感知训练的神经接收机方法，通过在超低位宽下实现鲁棒性，展示了在6G边缘设备中实现低复杂度和实时处理的潜力。

Comments Accepted for 51st International Conference on Acoustics, Speech, and Signal Processing, ICASSP 2026

Difficulty-Aware Agentic Orchestration for Query-Specific Multi-Agent Workflows

面向查询难度的代理 orchestration 为查询特定的多代理工作流

Jinwei Su, Qizhen Lan, Yinghui Xia, Lifan Sun, Weiyou Tian, Tianyu Shi, Xinyuan Song, Lewei He, Yang Jingsong

机构 * South China Normal University（华南师范大学） ； The University of Texas Health Science Center（德克萨斯大学健康科学中心） ； The Hong Kong University of Science（香港科学大学） ； University of California（加州大学） ； Peking University（北京大学） ； University of Toronto（多伦多大学） 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 本文提出难度感知的代理 orchestration 方法，通过动态生成查询特定的多代理工作流，提升查询处理的准确性和效率。

Comments Accepted to WWW2026

QuEPT: Quantized Elastic Precision Transformers with One-Shot Calibration for Multi-Bit Switching

QuEPT：具有单次校准的弹性精度变换器多比特切换

Ke Xu, Yixin Wang, Zhongcheng Li, Hao Cui, Jinshui Hu, Xingyi Zhang

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

AI总结 QuEPT通过单次校准实现多比特切换，结合多比特标记融合和级联低秩适配器提升后训练量化性能。

Comments Accepted by AAAI 2026

Optimal Formats for Weight Quantisation

权重量化最优格式

Douglas Orr, Luka Ribar, Carlo Luschi

机构 * Graphcore Research（Graphcore研究） 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 本文提出了一种系统设计和分析量化格式的框架，通过最小化KL散度和平方量化误差，优化位宽分配，提升大语言模型的效率。

Comments 36 pages, 35 figures

Provable Secure Steganography Based on Adaptive Dynamic Sampling

可证明安全的自适应动态采样隐写术

Kaiyi Pang, Minhao Bai

机构 * Tsinghua University（清华大学） 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 本文提出一种基于自适应动态采样的可证明安全隐写术方法，通过无需显式分布的模型API实现高效隐蔽通信。

HerAgent: Rethinking the Automated Environment Deployment via Hierarchical Test Pyramid

HerAgent: 通过分层测试金字塔重新思考自动化环境部署

Xiang Li, Siyu Lu, Federica Sarro, Claire Le Goues, He Ye

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

AI总结 HerAgent通过分层测试金字塔方法，利用执行验证和修复实现自动化环境部署，显著提升环境配置成功率。

The Cell Ontology in the age of single-cell omics

单细胞组学时代中的细胞本体

Shawn Zheng Kai Tan, Aleix Puig-Barbe, Damien Goutte-Gattat, Caroline Eastwood, Brian Aevermann, Alida Avola, James P Balhoff, Ismail Ugur Bayindir, Jasmine Belfiore, Anita Reane Caron, David S Fischer, Nancy George, Benjamin M Gyori, Melissa A Haendel, Charles Tapley Hoyt, Huseyin Kir, Tiago Lubiana, Nicolas Matentzoglu, James A Overton, Beverly Peng, Bjoern Peters, Ellen M Quardokus, Patrick L Ray, Paola Roncaglia, Andrea D Rivera, Ray Stefancsik, Wei Kheng Teh, Sabrina Toro, Nicole Vasilevsky, Chuan Xu, Yun Zhang, Richard H Scheuermann, Christopher J Mungall, Alexander D Diehl, David Osumi-Sutherland

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

AI总结 本文介绍了细胞本体在单细胞组学中的应用，包括其在数据整合中的作用以及与人类细胞图谱等项目的合作，同时探讨了如何利用LLMs提升CL工作流的效率。

Comments 48 pages, 8 Figures

MorphNLI: A Stepwise Approach to Natural Language Inference Using Text Morphing

MorphNLI：一种通过文本变形进行自然语言推理的分步方法

Vlad Andrei Negru, Robert Vacareanu, Camelia Lemnaru, Mihai Surdeanu, Rodica Potolea

机构 * Technical University of Cluj-Napoca（克卢日-纳波卡技术大学） ； University of Arizona（亚利桑那大学） 纠错

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

AI总结 MorphNLI通过文本变形逐步改进自然语言推理任务，在跨领域场景中显著优于现有基线模型。

Comments 16 pages, 11 figures, 8 tables. Accepted for NAACL 2025 Findings

Intrinsic Credit Assignment for Long Horizon Interaction

长期交互中的内在信用分配

Ilze Amanda Auzina, Joschka Strüber, Sergio Hernández-Gutiérrez, Shashwat Goel, Ameya Prabhu, Matthias Bethge

机构 * Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） 纠错

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

AI总结 本文提出ΔBelief-RL，通过内在ΔBelief奖励实现长期交互中的信用分配，提升强化学习在不确定性环境下的性能。

Comments 9 pages, 12 figures

Weight Decay may matter more than muP for Learning Rate Transfer in Practice

权重衰减可能比muP对学习率转移更重要

Atli Kosson, Jeremy Welborn, Yang Liu, Martin Jaggi, Xi Chen

机构 * Amazon FAR (Frontier AI & Robotics)（亚马逊前沿人工智能与机器人实验室） ； EPFL（瑞士联邦理工学院） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.LG

AI总结 研究发现权重衰减在学习率转移中比muP更有效，挑战了传统观点并解释了muP对独立权重衰减的依赖。

Comments ICLR 2026

Visual RAG Toolkit: Scaling Multi-Vector Visual Retrieval with Training-Free Pooling and Multi-Stage Search

视觉RAG工具包：通过无训练池化和多阶段搜索扩展多向量视觉检索

Ara Yeroyan

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 视觉RAG工具包通过无训练池化和多阶段搜索提升多向量视觉检索效率，减少向量存储并提高检索吞吐量。

Comments 4 pages, 3 figures. Submitted to SIGIR 2026 Demonstrations Track. Project website: https://github.com/Ara-Yeroyan/visual-rag-toolkit

Human Tool: An MCP-Style Framework for Human-Agent Collaboration

Human Tool: 一种MCP风格的人机协作框架

Yuanrong Tang, Huiling Peng, Bingxi Zhao, Hengyang Ding, Hanchao Song, Tianhong Wang, Chen Zhong, Jiangtao Gong

专题命中 效率与部署 ：LLM(abstract)

AI总结 Human Tool通过MCP风格框架实现人机协作平衡，利用结构化工具方案提升任务表现并减少人类负担。

Comments 9 pages

Neighborhood Blending: A Lightweight Inference-Time Defense Against Membership Inference Attacks

邻域融合：一种轻量级的推理时间对抗成员推断攻击的防御机制

Osama Zafar, Shaojie Zhan, Tianxi Ji, Erman Ayday

专题命中 效率与部署 ：post-training(abstract)

AI总结 邻域融合通过轻量级推理时间防御机制有效对抗成员推断攻击，保持标签完整性并提升实用性。

HoRAMA: Holistic Reconstruction with Automated Material Assignment for Ray Tracing using NYURay

基于NYURay的Holistic Reconstruction with Automated Material Assignment用于射线追踪的全面重建

Mingjun Ying, Guanyue Qian, Xinquan Wang, Peijie Ma, Dipankar Shakya, Theodore S. Rappaport

专题命中 效率与部署 ：language model(abstract)

AI总结 HoRAMA通过结合MASt3R-SLAM和视觉语言模型实现快速生成RT兼容的3D模型，提升无线传播预测精度并缩短重建时间。

Comments 7 pages, 4 figures, 2 tables, accepted by 2026 IEEE International Conference on Communications (ICC)

Design Environment of Quantization-Aware Edge AI Hardware for Few-Shot Learning

面向少样本学习的量化感知边缘AI硬件设计环境

R. Kanda, N. Onizawa, M. Leonardon, V. Gripon, T. Hanyu

专题命中 效率与部署 ：post-training(abstract)

AI总结 本研究提出了一种面向少样本学习的边缘AI硬件设计环境，通过定点数据处理实现精度一致性，展示了在低位宽下维持高性能的潜力。

Reasoning to Rank: An End-to-End Solution for Exploiting Large Language Models for Recommendation

推理以排序：一种利用大语言模型进行推荐的端到端解决方案

Kehan Zheng, Deyao Hong, Qian Li, Jun Zhang, Huan Yu, Jie Jiang, Hongning Wang

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

AI总结 本文提出了一种端到端的推荐框架，通过强化学习优化大语言模型的推理过程，以提高推荐系统的性能。

Large Language Models for Healthcare Text Classification: A Systematic Review

用于医疗文本分类的大型语言模型：系统综述

Hajar Sakai, Sarah S. Lam

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

AI总结 本文系统综述了LLMs在医疗文本分类中的应用，分析了现有研究的现状、挑战及未来研究方向。

FiMI: A Domain-Specific Language Model for Indian Finance Ecosystem

FiMI：面向印度金融生态的领域专用语言模型

Aboli Kathar, Aman Kumar, Anusha Kamath, Araveeti Srujan, Ashish Sharma, Chandra Bhushan, Divya Sorate, Duddu Prasanth Kumar, Evan Acharya, Harsh Sharma, Hrithik Kadam, Kanishk Singla, Keyur Doshi, Kiran Praveen, Kolisetty Krishna SK, Krishanu Adhikary, Lokesh MPT, Mayurdeep Sonowal, Nadeem Shaikh, Navya Prakash, Nimit Kothari, Nitin Kukreja, Prashant Devadiga, Rakesh Paul, Ratanjeet Pratap Chauhan, Raunak Kalani, Raviraj Joshi, Shamanth MH, Shantanu Pandey, Shubham Soni, Siddharth Dixit, Smriti Jopat, Sunil Patel, Suraj Singh, Suvradip Paul, Tulasi Pilla, Utkarsh Vaidya, Vineeth Nambiar, Vishal Kanvaty, Yatharth Dedhia

机构 * National Payments Corporation of India (NPCI)（印度国家支付公司） 纠错

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

AI总结 FiMI是印度国家支付清算公司为数字支付系统开发的领域专用金融语言模型，通过多阶段训练在金融推理和工具调用任务中取得显著性能提升。

XGeM: A Multi-Prompt Foundation Model for Multimodal Medical Data Generation

XGeM：一种多提示基础模型，用于多模态医学数据生成

Daniele Molino, Francesco Di Feola, Eliodoro Faiella, Deborah Fazzini, Domiziana Santucci, Linlin Shen, Valerio Guarrasi, Paolo Soda

机构 * Unit of Artificial Intelligence and Computer Systems, Department of Engineering, Università Campus Bio-Medico di Roma（人工智能与计算机系统单位，工程系，罗马生物医学大学） ； Department of Diagnostics and Intervention, Biomedical Engineering and Radiation Physics, Umeå University（诊断与介入部门，生物医学工程与辐射物理，乌梅大学） ； Department of Diagnostic Imaging and Stereotactic Radiosurgey, Centro Diagnostico Italiano S.p.A.（诊断影像与立体放射外科部门，意大利诊断中心股份有限公司） ； Department of Radiology and Interventional Radiology, Fondazione Policlinico Universitario Campus Bio-Medico（放射科与介入放射科，大学医学中心生物医学校园基金会） ； Research Unit of Radiology and Interventional Radiology, Department of Medicine and Surgery, Università Campus Bio-Medico di Roma（放射科与介入放射科研究单位，医学与外科系，罗马生物医学大学） ； College of Computer Science and Software Engineering, Shenzhen University（计算机科学与软件工程学院，深圳大学） 纠错

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

AI总结 XGeM是一种多模态生成模型，通过多提示训练策略实现灵活的医学数据合成，解决多模态数据生成中的临床一致性与数据稀缺问题。

Free Lunch in Medical Image Foundation Model Pre-training via Randomized Synthesis and Disentanglement

通过随机合成与解构在医疗图像基础模型预训练中获得免费午餐

Yuhan Wei, Yuting He, Linshan Wu, Fuxiang Huang, Junlin Hou, Hao Chen

机构 * Department of Computer Science and Engineering, the Hong Kong University of Science and Technology, Hong Kong, China（香港科技大学计算机科学与工程系） ； Department of Biomedical Engineering, Case Western Reserve University, OH, USA（凯斯西储大学生物医学工程系） ； School of Data Science, Lingnan University, Hong Kong, China（岭南大学数据科学学院） ； Department of Chemical and Biological Engineering and Division of Life Science, Hong Kong University of Science and Technology, Hong Kong, China（香港科技大学化学与生物工程系） ； HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute, Futian, Shenzhen, China（香港科技大学深圳-香港协同创新研究院） ； State Key Laboratory of Nervous System Disorders, The Hong Kong University of Science and Technology, Hong Kong, China（香港科技大学神经系统疾病国家重点实验室） 纠错

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

AI总结 本文提出RaSD框架，通过随机合成与解构方法在无需真实数据的情况下预训练医疗图像基础模型，实现稳健且可迁移的表示学习，展示了合成数据在医学AI中的强大潜力。

Any-to-Any Vision-Language Model for Multimodal X-ray Imaging and Radiological Report Generation

任意到任意的视觉-语言模型用于多模态X射线成像与放射学报告生成

Daniele Molino, Francesco di Feola, Linlin Shen, Paolo Soda, Valerio Guarrasi

机构 * Department of Diagnostics and Intervention, Biomedical Engineering and Radiation Physics, Umeå University（诊断与介入部门，生物医学工程与放射物理，乌梅大学） ； College of Computer Science and Software Engineering, Shenzhen University（计算机科学与软件工程学院，深圳大学） 纠错

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

AI总结 本文提出了一种任意到任意的视觉-语言模型，用于多模态X射线成像和放射学报告生成，通过生成高质量图像和语义连贯的报告，提升了医疗领域生成模型的临床应用价值。

Comments arXiv admin note: substantial text overlap with arXiv:2501.04614

MTFM: A Scalable and Alignment-free Foundation Model for Industrial Recommendation in Meituan

MTFM：一种可扩展且无对齐的工业推荐基础模型

Xin Song, Zhilin Guan, Ruidong Han, Binghao Tang, Tianwen Chen, Bing Li, Zihao Li, Han Zhang, Fei Jiang, Qing Wang, Zikang Xu, Fengyi Li, Chunzhen Jing, Lei Yu, Wei Lin

专题命中 领域大模型 ：foundation model(title,abstract)

AI总结 MTFM是一种基于Transformer的工业推荐基础模型，通过异构标记和多场景样本聚合提升效率，实现无对齐的多场景推荐效果。

SciClaimEval: Cross-modal Claim Verification in Scientific Papers

SciClaimEval: 科学论文中的跨模态声明验证

Xanh Ho, Yun-Ang Wu, Sunisth Kumar, Tian Cheng Xia, Florian Boudin, Andre Greiner-Petter, Akiko Aizawa

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；foundation model(abstract)；分类 cs.CL

AI总结 SciClaimEval是一个包含真实科学声明和跨模态证据的数据集，用于验证科学论文中的声明，通过专家标注和多模态模型测试，揭示了基于图表验证的挑战。

Comments Accepted at LREC 2026; 12 pages; data is available at https://sciclaimeval.github.io/

Exploring AI-Augmented Sensemaking of Patient-Generated Health Data: A Mixed-Method Study with Healthcare Professionals in Cardiac Risk Reduction

探索人工智能增强的患者生成健康数据理解：一项结合定性与定量方法的医疗专业人员研究，用于心脏风险降低

Pavithren V S Pakianathan, Rania Islambouli, Diogo Branco, Albrecht Schmidt, Tiago Guerreiro, Jan David Smeddinck

机构 * Ludwig Boltzmann Institute for Digital Health and Prevention（数字健康与预防路德维希·玻尔兹曼研究所） 纠错

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

AI总结 本文探讨了大型语言模型如何通过自动摘要和对话界面支持医疗专业人员理解患者生成的健康数据，以提高心脏疾病风险降低的临床决策。

RGAlign-Rec: Ranking-Guided Alignment for Latent Query Reasoning in Recommendation Systems

RGAlign-Rec: 基于排名引导的潜在查询推理中的对齐方法

Junhua Liu, Yang Jihao, Cheng Chang, Kunrong LI, Bin Fu, Kwan Hui Lim

机构 * Forth AI Singapore（Forth AI新加坡） ； Shopee Singapore（Shopee新加坡） ； Singapore Uni. of Tech. and Design（新加坡技术与设计大学） 纠错

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

AI总结 RGAlign-Rec通过闭环对齐框架结合语义推理和增强查询模型，提升电子商务推荐系统的预测准确性和服务质量。

SAGE: Sequence-level Adaptive Gradient Evolution for Generative Recommendation

SAGE：用于生成推荐的序列级自适应梯度进化

Yu Xie, Xing Kai Ren, Ying Qi, Hu Yao

机构 * Xiaohongshu（小红书） 纠错

专题命中 领域大模型 ：preference optimization(abstract)；分类 cs.AI、cs.LG

AI总结 SAGE通过序列级自适应梯度进化方法，解决生成推荐中的优化失败问题，提升推荐系统的准确性、冷启动召回率和多样性。

Comments arXiv admin note: text overlap with arXiv:2506.19235

"Not Human, Funnier": How Machine Identity Shapes Humor Perception in Online AI Stand-up Comedy

不是人类，更有趣：机器身份如何塑造在线AI单口喜剧的幽默感知

Xuehan Huang, Canwen Wang, Yifei Hao, Daijin Yang, Ray LC

机构 * The University of Hong Kong Hong Kong, SAR China ； Carnegie Mellon University\ -Computer Interaction Institute Pittsburgh United States ； East China Normal University Shanghai China ； Northeastern University\ of Art, Media ； City University of Hong Kong\ for Narrative Spaces Hong Kong, SAR China ； The University of Hong Kong ； Carnegie Mellon University\ -Computer Interaction Institute ； East China Normal University ； City University of Hong Kong\ for Narrative Spaces 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 本研究探讨了AI身份如何影响幽默感知，通过设计基于机器身份的代理，发现其在单口喜剧表演中比基线GPT代理更有趣，提出人机集成系统应明确利用AI的独特身份。

Comments 27 pages, 5 figures. Conditionally Accepted to CHI '26