语言大模型 / LLM

Precise Attribute Intensity Control in Large Language Models via Targeted Representation Editing

通过针对性表征编辑实现大语言模型中的精确属性强度控制

Rongzhi Zhang, Liqin Ye, Yuzhao Heng, Xiang Chen, Tong Yu, Lingkai Kong, Sudheer Chava, Chao Zhang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Adobe Research（Adobe研究） ； Harvard University（哈佛大学） 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.CL、cs.AI、cs.LG

AI总结 本研究通过针对性表征编辑方法，实现大语言模型中精确属性强度控制，提升模型对用户需求的适应能力。

WINA: Weight Informed Neuron Activation for Accelerating Large Language Model Inference

WINA：基于权重的神经元激活以加速大语言模型推理

Sihan Chen, Dan Zhao, Jongwoo Ko, Colby Banbury, Huiping Zhuang, Luming Liang, Pashmina Cameron, Tianyi Chen

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 WINA提出一种无需训练的稀疏激活框架，通过结合隐藏状态大小和权重矩阵列向量ℓ2范数，提升大语言模型推理性能。

ChatBCI: A P300 Speller BCI Leveraging Large Language Models for Improved Sentence Composition in Realistic Scenarios

ChatBCI: 一种利用大语言模型改进真实场景中句子组成的P300拼写BCI

Jiazhen Hong, Weinan Wang, Laleh Najafizadeh

机构 * Integrated Systems and NeuroImaging Laboratory（集成系统与神经成像实验室） ； Department of Electrical and Computer Engineering, Rutgers University（电气与计算机工程系，罗格斯大学） 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.CL、cs.AI

AI总结 ChatBCI利用大语言模型提升真实场景中句子组成的效率和效果。

Journal ref Scientific Reports, 2026

Universal Properties of Activation Sparsity in Modern Large Language Models

现代大语言模型中激活稀疏性的通用性质

Filip Szatkowski, Patryk Będkowski, Alessio Devoto, Jan Dubiński, Pasquale Minervini, Mikołaj Piórczyński, Simone Scardapane, Bartosz Wójcik

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 本研究提出了一种通用框架，系统研究了现代大语言模型中激活稀疏性的通用性质，并揭示了其随着模型规模增大而增强的潜力。

Comments ICLR 2026, main track

Efficient Robot Design with Multi-Objective Black-Box Optimization and Large Language Models

基于多目标黑盒优化与大语言模型的高效机器人设计

Kento Kawaharazuka, Yoshiki Obinata, Naoaki Kanazawa, Haoyu Jia, Kei Okada

机构 * The University of Tokyo（东京大学） 纠错

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

AI总结 本文提出利用大语言模型提升黑盒优化在机器人本体设计中的效率，通过结合LLMs与传统黑盒优化方法，实现更高效的解决方案探索。

Comments Accepted to IEEE Access, website: https://haraduka.github.io/urdf-llm-opt/ , video: https://www.youtube.com/watch?v=N9iMjx7of1w

Language Model Representations for Efficient Few-Shot Tabular Classification

用于高效少样本表格分类的语言模型表示

Inwon Kang, Parikshit Ram, Yi Zhou, Horst Samulowitz, Oshani Seneviratne

机构 * Rensselaer Polytechnic Institute（罗格斯理工学院） ； IBM Research（IBM研究） 纠错

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

AI总结 本文提出TaRl方法，利用语言模型的语义嵌入进行少样本表格分类，通过移除公共组件和校准温度提升性能，实现高效利用现有LLM基础设施。

Comments Accepted to WWW'26

Align Once, Benefit Multilingually: Enforcing Multilingual Consistency for LLM Safety Alignment

一次对齐，多语言受益：为LLM安全对齐强制多语言一致性

Yuyan Bu, Xiaohao Liu, ZhaoXing Ren, Yaodong Yang, Juntao Dai

机构 * Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； National University of Singapore（新加坡国立大学） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） 纠错

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

AI总结 本文提出一种资源高效的多语言一致性对齐方法，通过多语言一致性损失实现多语言同时对齐，提升跨语言安全性和泛化能力。

Comments Accepted by ICLR 2026

LLM-Driven Intent-Based Privacy-Aware Orchestration Across the Cloud-Edge Continuum

基于大语言模型的意图驱动的隐私意识云-边连续体协同

Zijie Su, Muhammed Tawfiqul Islam, Mohammad Goudarzi, Adel N. Toosi

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

AI总结 本文提出了一种动态管道重新配置方法，用于在云-边连续体上实现意图驱动的隐私意识协同，通过减少服务停机时间和性能损失来优化LLM推理效率。

Journal ref 24th Australasian Symposium on Parallel and Distributed Computing (AusPDC 2026)

FlowPrefill: Decoupling Preemption from Prefill Scheduling Granularity to Mitigate Head-of-Line Blocking in LLM Serving

FlowPrefill: 解耦预emption与prefill调度粒度以缓解LLM服务中的头部阻塞

Chia-chi Hsieh, Zan Zong, Xinyang Chen, Jianjiang Li, Jidong Zhai, Lijie Wen

机构 * Tsinghua University（清华大学） ； University of Science and Technology Beijing（北京科技大学） 纠错

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

AI总结 FlowPrefill通过解耦预emption与调度粒度，优化TTFT和吞吐量，缓解LLM服务中的头部阻塞问题。

Comments 13 pages

Lossless Vocabulary Reduction for Auto-Regressive Language Models

无损词汇缩减用于自回归语言模型

Daiki Chijiwa, Taku Hasegawa, Kyosuke Nishida, Shin'ya Yamaguchi, Tomoya Ohba, Tamao Sakao, Susumu Takeuchi

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

AI总结 本文提出了一种无损词汇缩减框架，使不同分词方式的语言模型能通过最大公共词汇高效合作，提升模型集成效率。

Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)

SEISMO: Increasing Sample Efficiency in Molecular Optimization with a Trajectory-Aware LLM Agent

SEISMO：通过轨迹感知的LLM代理提高分子优化的样本效率

Fabian P. Krüger, Andrea Hunklinger, Adrian Wolny, Tim J. Adler, Igor Tetko, Santiago David Villalba

机构 * Technical University of Munich, Germany（慕尼黑技术大学，德国） ； TUM School of Computation, Information（TUM计算、信息学院） ； Technology, Department of Mathematics（技术学院，数学系） ； Helmholtz Munich – German Research Center for Environmental Health (GmbH), Institute of Structural Biology, Molecular Targets（海德堡慕尼黑德国环境健康研究所以及结构生物学研究所，分子靶点） ； Therapeutics Center, 85764 Neuherberg, Germany（治疗中心，德国新赫尔伯格85764） ； Machine Learning Research（机器学习研究） 纠错

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

AI总结 SEISMO通过轨迹感知的LLM代理实现高效的分子优化，利用结构化反馈提升样本效率。

Comments Fabian P. Krüger and Andrea Hunklinger contributed equally to this work

Adaptive Rank Allocation for Federated Parameter-Efficient Fine-Tuning of Language Models

自适应秩分配用于联邦参数高效语言模型微调

Fei Wu, Jia Hu, Geyong Min, Shiqiang Wang

机构 * Department of Computer Science, University of Exeter（埃克塞特大学计算机科学系） 纠错

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

AI总结 FedARA通过自适应秩分配提升联邦参数高效语言模型微调的性能与通信效率

Journal ref IEEE Transactions on Computers, Jan 2026

Embedding Inversion via Conditional Masked Diffusion Language Models

通过条件掩码扩散语言模型实现嵌入反向

Han Xiao

机构 * Jina AI by Elastic（Jina AI） 纠错

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

AI总结 本文提出通过条件掩码扩散语言模型实现嵌入反向，无需访问目标编码器，通过并行去噪技术高效恢复标记。

Comments 8 pages, 3 figures, 4 tables. Code and demo: https://github.com/jina-ai/embedding-inversion-demo

TabAgent: A Framework for Replacing Agentic Generative Components with Tabular-Textual Classifiers

TabAgent：一种用表格-文本分类器替代代理生成组件的框架

Ido Levy, Eilam Shapira, Yinon Goldshtein, Avi Yaeli, Nir Mashkif, Segev Shlomov

机构 * IBM Research, Haifa, Israel（IBM研究所在以色列海法） 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 TabAgent通过表格-文本分类器替代生成决策组件，显著降低代理系统延迟和成本，提升任务成功率。

MoE-Spec: Expert Budgeting for Efficient Speculative Decoding

MoE-Spec：专家预算用于高效推测解码

Bradley McDanel, Steven Li, Sruthikesh Surineni, Harshit Khaitan

机构 * Franklin and Marshall College（弗兰克林与马歇尔学院） ； Meta Reality Labs（Meta现实实验室） 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 MoE-Spec通过专家预算管理提升推测解码效率，在保持质量的同时提高吞吐量并灵活调整精度与延迟。

Comments 12 pages, 10 figures

Reranker Optimization via Geodesic Distances on k-NN Manifolds

通过k-NN流形上的测地距离实现重排序优化

Wen G. Gong

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 Maniscope通过k-NN流形上的测地距离优化重排序，实现比基线方法更高的精度和更低的延迟，适用于实时RAG部署。

Comments 10 pages, 3 tables

Flatter Tokens are More Valuable for Speculative Draft Model Training

更扁平的标记对投机性草稿模型训练更有价值

Jiaming Fan, Daming Cao, Xiangzhong Luo, Jiale Fu, Chonghan Liu, Xu Yang

机构 * Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education（新一代人工智能技术及其交叉应用关键实验室（东南大学）） ； Southeast University（东南大学） ； Nanjing University of Information Science and Technology（南京信息工程大学） ； Qiyuan Tech（启元科技） 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 本文提出基于样本层面平坦性的数据集蒸馏方法，通过筛选更有价值的训练样本提升投机性解码的训练效率。

IRIS: Intent Resolution via Inference-time Saccades for Open-Ended VQA in Large Vision-Language Models

IRIS：通过推理时的注视来解决大型视觉-语言模型中开放式视觉问答的意图

Parsa Madinei, Srijita Karmakar, Russell Cohen Hoffing, Felix Gervitz, Miguel P. Eckstein

机构 * Department of Computer Science, UC Santa Barbara（计算机科学系，加州大学圣芭芭拉分校） ； Department of Psychological & Brain Sciences, UC Santa Barbara（心理学与脑科学系，加州大学圣芭芭拉分校） ； DEVCOM Army Research Laboratory（国防部陆军研究实验室） 纠错

专题命中 效率与部署 ：language model(title)

AI总结 IRIS通过实时眼动数据提升大型视觉-语言模型在开放式视觉问答中的意图解析准确率

Spore in the Wild: A Case Study of Spore.fun as an Open-Environment Evolution Experiment with Sovereign AI Agents on TEE-Secured Blockchains

野外的孢子：Spore.fun作为主权AI代理在TEE安全区块链上的开放环境进化实验案例研究

Botao Amber Hu, Helena Rong

机构 * Reality Design Lab（现实设计实验室） ； New York University Shanghai（纽约大学上海） 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 Spore.fun通过在TEE安全区块链上部署主权AI代理，探索开放环境实现持续开放性进化的可能性。

Comments Accepted by ALIFE 2025

Evolutionary Context Search for Automated Skill Acquisition

进化上下文搜索用于自动化技能获取

Qi Sun, Stefan Nielsen, Rio Yokota, Yujin Tang

机构 * Institute of Science Tokyo, Japan（东京科学研究院） 纠错

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

AI总结 进化上下文搜索通过进化方法发现非显而易见的上下文配对，显著提升模型性能，为自动化技能获取提供高效替代方案。

Towards Fair and Efficient De-identification: Quantifying the Efficiency and Generalizability of De-identification Approaches

迈向公平与高效的去标识化：量化去标识化方法的效率与通用性

Noopur Zambare, Kiana Aghakasiri, Carissa Lin, Carrie Ye, J. Ross Mitchell, Mohamed Abdalla

机构 * Department of Computing Science, University of Alberta（计算科学系，阿尔伯塔大学） ； Department of Medicine, University of Alberta（医学系，阿尔伯塔大学） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔人工智能研究所） ； Arthritis Research Canada（加拿大关节炎研究机构） 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 本文研究了去标识化方法的效率与通用性，发现小型模型在性能和成本上更具优势，并公开了多文化去标识化模型。

Comments Accpted to the Findings of EACL 2026

Language and Experience: A Computational Model of Social Learning in Complex Tasks

语言与经验：复杂任务中的社会学习计算模型

Cédric Colas, Tracey Mills, Ben Prystawski, Michael Henry Tessler, Noah Goodman, Jacob Andreas, Joshua Tenenbaum

机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 本文提出了一种计算模型，通过结合语言指导与直接经验，模拟复杂任务中的社会学习过程，并展示了人类与模型之间的知识传递机制。

Comments Code: github.com/ccolas/language_and_experience Demo: cedriccolas.com/demos/language_and_experience

Journal ref ICLR 2026; CogSci 2025

Designing Production-Scale OCR for India: Multilingual and Domain-Specific Systems

为印度设计生产级OCR：多语言和领域特定系统

Ali Faraz, Raja Kolla, Ashish Kulkarni, Shubham Agarwal

机构 * Krutrim AI 纠错

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

AI总结 本文提出两种多语言OCR训练策略，通过Chitrapathak系列在印度多语言文档中实现SOTA性能，并展示了Parichay在政府文档中的高效提取能力。

FUTURE-VLA: Forecasting Unified Trajectories Under Real-time Execution

FUTURE-VLA：在实时执行下统一轨迹预测

Jingjing Fan, Yushan Liu, Shoujie Li, Botao Ren, Siyuan Li, Xiao-Ping Zhang, Wenbo Ding, Zhidong Deng

机构 * Department of Automation, Tsinghua University（自动化系，清华大学） ； Shenzhen International Graduation School, Tsinghua University（深圳国际研究生院，清华大学） ； Department of Computer Science and Technology, Tsinghua University（计算机科学与技术系，清华大学） ； School of Mechanical and Aerospace Engineering, Nanyang Technological University（机械与航空航天工程学院，南洋理工大学） 纠错

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

AI总结 FUTURE-VLA通过实时执行实现统一轨迹预测，采用双效效率范式提升时空信息密度，实现实时预测与人机交互机制，取得多项任务的高成功率。

TeCoNeRV: Leveraging Temporal Coherence for Compressible Neural Representations for Videos

TeCoNeRV：利用时间一致性实现可压缩的视频神经表示

Namitha Padmanabhan, Matthew Gwilliam, Abhinav Shrivastava

机构 * Department of Computer Science, University of Maryland, College Park, USA（计算机科学系，马里兰大学，College Park） 纠错

专题命中 效率与部署 ：pretraining(abstract)

AI总结 TeCoNeRV通过时间一致性正则化和残差存储方案，实现高效视频压缩，比基线提升PSNR并降低比特率和编码速度

DressWild: Feed-Forward Pose-Agnostic Garment Sewing Pattern Generation from In-the-Wild Images

DressWild: 从真实场景图像生成无需迭代优化的前馈姿态无关服装缝纫图案

Zeng Tao, Ying Jiang, Yunuo Chen, Tianyi Xie, Huamin Wang, Yingnian Wu, Yin Yang, Abishek Sampath Kumar, Kenji Tashiro, Chenfanfu Jiang

机构 * UCLA and Fudan University（UCLA和复旦大学） ； University of Utah（犹他大学） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 DressWild通过前馈方法从单张真实图像生成物理一致的2D缝纫图案和3D服装，无需多视角输入或迭代优化，实现高效可扩展的服装模拟。

Scaling Recommender Transformers to One Billion Parameters

将推荐器变压器扩展到十亿参数

Kirill Khrylchenko, Artem Matveev, Sergei Makeev, Vladimir Baikalov

专题命中 效率与部署 ：language model(abstract)

AI总结 本文提出了一种训练十亿参数推荐器的方法，通过分解自回归学习为反馈预测和下一项预测，实现了推荐系统性能的显著提升。

Comments KDD'2026

EasyControlEdge: A Foundation-Model Fine-Tuning for Edge Detection

EasyControlEdge: 一种面向边缘检测的基础模型微调

Hiroki Nakamura, Hiroto Iino, Masashi Okada, Tadahiro Taniguchi

机构 * Panasonic Holdings Corporation（松下电器控股公司） ； Kyoto University（京都大学） 纠错

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

AI总结 EasyControlEdge通过图像生成基础模型的专用适应，实现了高效且清晰的边缘检测，尤其在数据有限和无后处理情况下表现优异。

DiT-HC: Enabling Efficient Training of Visual Generation Model DiT on HPC-oriented CPU Cluster

DiT-HC：在面向HPC的CPU集群上高效训练视觉生成模型DiT

Jinxiao Zhang, Yunpu Xu, Xiyong Wu, Runmin Dong, Shenggan Cheng, Yi Zhao, Mengxuan Chen, Qinrui Zheng, Jianting Liu, Haohuan Fu

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

AI总结 DiT-HC通过三项关键技术在HPC CPU集群上实现生成模型DiT的高效训练与扩展，实验显示在CPU库上速度提升达8.2至87.7倍，且在256节点上达到90.6%的弱标度效率。

Fusionista2.0: Efficiency Retrieval System for Large-Scale Datasets

Fusionista2.0：大规模数据集的高效检索系统

Huy M. Le, Dat Tien Nguyen, Phuc Binh Nguyen, Gia Bao Le Tran, Phu Truong Thien, Cuong Dinh, Minh Nguyen, Nga Nguyen, Thuy T. N. Nguyen, Tan Nhat Nguyen, Binh T. Nguyen

机构 * Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI), UAE（Mohamed Bin Zayed人工智能大学（MBZUAI）） ； AISIA Research Lab（AISIA研究实验室） ； University of Information Technology（信息技术大学） ； Ho Chi Minh University of Science（胡志明科学大学） ； Vietnam National University, Ho chi Minh City（越南国家大学，胡志明市） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 Fusionista2.0通过优化预处理、识别技术和用户界面，实现了大规模视频检索的高效性和准确性提升。

Journal ref MultiMedia Modeling. MMM 2026. Lecture Notes in Computer Science, vol 16415