语言大模型 / LLM

QSTN: A Modular Framework for Robust Questionnaire Inference with Large Language Models

QSTN: 一种用于大型语言模型鲁棒问卷推断的模块化框架

Maximilian Kreutner, Jens Rupprecht, Georg Ahnert, Ahmed Salem, Markus Strohmaier

机构 * University of Mannheim（曼海姆大学） ； GESIS - Leibniz Institute for the Social Sciences（莱比锡社会科学研究所） ； CSH Vienna（维也纳CSH） 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

AI总结 QSTN是一种模块化框架，通过无需编码的界面实现大型语言模型在问卷推断中的稳健评估与高效响应生成。

Comments Accepted at 2026 EACL System Demonstrations The Python package is available at https://github.com/dess-mannheim/QSTN/

Privacy-Aware Split Inference with Speculative Decoding for Large Language Models over Wide-Area Networks

面向宽域网络的隐私保护分割推断与推测解码

Michael Cunningham

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

AI总结 本文提出一种隐私保护的大语言模型分割推断系统，通过非对称层分割和lookahead解码技术，在宽域网络上实现高吞吐量和隐私安全的LLM推断。

Comments 21 pages, 21 tables, no figures

HAFix: History-Augmented Large Language Models for Bug Fixing

HAFix: 历史增强型大语言模型用于缺陷修复

Yu Shi, Abdul Ali Bangash, Emad Fallahzadeh, Bram Adams, Ahmed E. Hassan

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

AI总结 HAFix通过整合历史启发式方法提升LLM在缺陷修复中的性能，实验表明其在缺陷修复率上显著优于基线方法。

Comments Accepted at Empirical Software Engineering (EMSE) 2026 Journal

Efficient Reinforcement Learning for Large Language Models with Intrinsic Exploration

为大语言模型高效强化学习引入内在探索

Yan Sun, Jia Guo, Stanley Kok, Zihao Wang, Zujie Wen, Zhiqiang Zhang

机构 * National University of Singapore（新加坡国立大学） ； Ant Group（蚂蚁集团） 纠错

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

AI总结 PREPO通过利用内在数据属性提升大语言模型强化学习的数据效率，减少回放需求同时保持性能。

Retrospective In-Context Learning for Temporal Credit Assignment with Large Language Models

回顾上下文学习用于大语言模型中的时间信用分配

Wen-Tse Chen, Jiayu Chen, Fahim Tajwar, Hao Zhu, Xintong Duan, Ruslan Salakhutdinov, Jeff Schneider

机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学） ； Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出利用大语言模型进行回顾上下文学习，以提高强化学习中时间信用分配的样本效率和泛化能力。

Comments Accepted to NeurIPS 2025

EntropyPrune: Matrix Entropy Guided Visual Token Pruning for Multimodal Large Language Models

EntropyPrune: 基于矩阵熵的视觉令牌修剪用于多模态大语言模型

Yahong Wang, Juncheng Wu, Zhangkai Ni, Chengmei Yang, Yihang Liu, Longzhen Yang, Yuyin Zhou, Ying Wen, Lianghua He

机构 * School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） ； University of California, Santa Cruz（加州大学圣克ruz分校） ； East China Normal University（华东师范大学） ； Shanghai Eye Disease Prevention and Treatment Center（上海眼病预防与治疗中心） 纠错

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

AI总结 EntropyPrune通过矩阵熵指导的视觉令牌修剪方法，提升多模态大语言模型的推理效率和性能。

RankEvolve: Automating the Discovery of Retrieval Algorithms via LLM-Driven Evolution

RankEvolve: 通过LLM驱动的进化自动发现检索算法

Jinming Nian, Fangchen Li, Dae Hoon Park, Yi Fang

机构 * Santa Clara University Santa Clara CA USA ； Independent Researcher Bothell WA USA ； Santa Clara University ； Independent Researcher 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

AI总结 RankEvolve通过LLM驱动的进化方法自动发现改进的检索算法，展示了在多个基准测试中的有效性。

A Few-Shot LLM Framework for Extreme Day Classification in Electricity Markets

一种用于电力市场极端日分类的少样本LLM框架

Saud Alghumayjan, Ming Yi, Bolun Xu

机构 * Columbia Data Science Institute（哥伦比亚数据科学研究所） ； Red River Clean Energy（红河清洁能源） ； King Abdulaziz City for Science and Technology (KACST)（国王阿卜杜勒阿齐兹城市科学技术城） ； National Science Foundation（国家科学基金会） 纠错

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

AI总结 本文提出一种基于LLM的少样本框架，用于预测电力市场价格激增日，实验证明其在数据有限时优于传统监督学习模型。

RoPE-LIME: RoPE-Space Locality + Sparse-K Sampling for Efficient LLM Attribution

RoPE-LIME: RoPE空间局部性 + 稀疏K采样用于高效的LLM归因

Isaac Picov, Ritesh Goru

机构 * University of Toronto（多伦多大学） ； DevRev 纠错

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

AI总结 RoPE-LIME通过RoPE空间局部性和稀疏K采样，高效实现LLM归因，减少API调用并提升归因信息质量。

Entropy-Based Data Selection for Language Models

基于熵的数据选择用于语言模型

Hongming Li, Yang Liu, Chao Huang

机构 * School of Computer and Communication Engineering, University of Science and Technology Beijing（计算机与通信工程学院，科学技术大学） ； National Key Laboratory of General Artificial Intelligence, Beijing Institute for General Artificial Intelligence（通用人工智能国家重点实验室，北京通用人工智能研究院） ； Shunde Innovation School, University of Science and Technology Beijing（顺德创新学院，科学技术大学） 纠错

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

AI总结 本文提出基于熵的无监督数据选择框架，通过减少计算成本和数据需求，提升语言模型在计算受限场景下的微调效率。

Comments IEEE Access, 15 pages, 5 figures, 11 tables

Goal Inference from Open-Ended Dialog

从开放式对话中推断目标

Rachel Ma, Jingyi Qu, Andreea Bobu, Dylan Hadfield-Menell

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

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

AI总结 本研究提出了一种在线方法，通过自然语言提取目标并利用贝叶斯推断，使具身代理在开放式对话中高效学习和完成多样化用户目标。

Comments This version has been updated to reflect a copy of Master's thesis submitted Jan 24, 2025 for degree date Feb 2025 (https://hdl.handle.net/1721.1/158960). We recommend readers to read revised version incorporating a different agent pipeline and methodological approach which is available at: arXiv:2508.15119

Sink-Aware Pruning for Diffusion Language Models

面向扩散语言模型的Sink-aware剪枝

Aidar Myrzakhan, Tianyi Li, Bowei Guo, Shengkun Tang, Zhiqiang Shen

机构 * VILA Lab, MBZUAI（VILA实验室，MBZUAI） 纠错

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

AI总结 面向扩散语言模型的Sink-aware剪枝方法通过识别并剪枝不稳定sink，提升模型效率与质量的平衡，优于现有基线方法。

Comments Code at: https://github.com/VILA-Lab/Sink-Aware-Pruning

LLMDistill4Ads: Using Cross-Encoders to Distill from LLM Signals for Advertiser Keyphrase Recommendations at eBay

LLMDistill4Ads: 使用交叉编码器从LLM信号中蒸馏以实现eBay广告商关键词推荐

Soumik Dey, Benjamin Braun, Naveen Ravipati, Hansi Wu, Binbin Li

机构 * eBay Inc（eBay公司） 纠错

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

AI总结 LLMDistill4Ads通过交叉编码器从LLM信号中蒸馏，旨在提升eBay广告商关键词推荐的多样性和准确性。

LLM Fingerprinting via Semantically Conditioned Watermarks

通过语义条件水印进行大语言模型指纹识别

Thibaud Gloaguen, Robin Staab, Nikola Jovanović, Martin Vechev

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本研究提出一种基于语义条件水印的大语言模型指纹识别方法，通过在特定语义领域内扩散统计水印信号，实现隐蔽且鲁棒的指纹检测与所有权验证。

Automating Agent Hijacking via Structural Template Injection

通过结构模板注入自动化代理劫持

Xinhao Deng, Jiaqing Wu, Miao Chen, Yue Xiao, Ke Xu, Qi Li

机构 * Tsinghua University \& Ant Group Hangzhou China ； Tsinghua University Beijing China ； Zhongguancuan Laboratory Beijing China ； Tsinghua University \& Ant Group ； Tsinghua University ； Zhongguancuan Laboratory 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 本文提出Phantom框架，通过结构模板注入自动化代理劫持，提升攻击成功率和效率，揭示结构模板劫持的严重性。

DeepContext: Stateful Real-Time Detection of Multi-Turn Adversarial Intent Drift in LLMs

DeepContext: LLMs中多轮对抗意图漂移的有状态实时检测

Justin Albrethsen, Yash Datta, Kunal Kumar, Sharath Rajasekar

机构 * HighFlame 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 DeepContext通过递归神经网络实时检测LLM中的多轮对抗意图漂移，实现更高效的安全防护。

Comments 18 Pages, 7 Tables, 1 Figure

Privacy-Preserving Mechanisms Enable Cheap Verifiable Inference of LLMs

隐私保护机制使LLM的可验证推断变得廉价

Arka Pal, Louai Zahran, William Gvozdjak, Akilesh Potti, Micah Goldblum

机构 * Ritual ； MIT（麻省理工学院） ； Columbia University（哥伦比亚大学） 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 本研究提出隐私保护机制实现LLM推断的可验证性，通过低成本协议提高验证效率。

Agentic Wireless Communication for 6G: Intent-Aware and Continuously Evolving Physical-Layer Intelligence

面向6G的代理无线通信：意图感知与持续演化的物理层智能

Zhaoyang Li, Xingzhi Jin, Junyu Pan, Qianqian Yang, Zhiguo Shi

机构 * College of Information Science and Electronic Engineering, Zhejiang University（信息科学与电子工程学院，浙江大学） 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 本文提出基于LLM的代理AI用于6G物理层，通过意图感知和持续演进实现自主通信决策。

Dynamic System Instructions and Tool Exposure for Efficient Agentic LLMs

动态系统指令与工具暴露用于高效代理LLM

Uria Franko

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 通过动态系统指令和工具暴露技术，ITR显著减少LLM代理的上下文令牌使用和运行成本，提升工具路由准确性，适用于长期自主代理。

ReplaceMe: Network Simplification via Depth Pruning and Transformer Block Linearization

ReplaceMe: 通过深度剪枝和Transformer块线性化实现网络简化

Dmitriy Shopkhoev, Ammar Ali, Magauiya Zhussip, Valentin Malykh, Stamatios Lefkimmiatis, Nikos Komodakis, Sergey Zagoruyko

机构 * MWS AI, ITMO University（MWS AI，ITMO大学） ； MWS AI ； MWS AI, ITMO University, IITU University（MWS AI，ITMO大学，IITU大学） ； University of Crete, IACM-Forth, Archimedes Athena RC（希腊克里特大学，IACM-第四研究机构，Archimedes Athena RC） 纠错

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

AI总结 ReplaceMe通过深度剪枝和Transformer块线性化实现高效网络简化，无需额外训练即可实现高达25%的剪枝率并保持90%性能。

Comments This work was accepted and presented at NeurIPS 2025. Code is available at https://github.com/mts-ai/replaceme Reviews at OpenReview: https://openreview.net/forum?id=zEj1FSYCRn NeurIPS 2025 Proceedings: https://openreview.net/pdf?id=zEj1FSYCRn

Towards Anytime-Valid Statistical Watermarking

面向随时验证的统计水印技术

Baihe Huang, Eric Xu, Kannan Ramchandran, Jiantao Jiao, Michael I. Jordan

机构 * Department of XXX, University of YYY, Location, Country（YYY大学XXX系） ； School of ZZZ, Institute of WWW, Location, Country（WWW研究所ZZZ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 本文提出Anchored E-Watermarking框架，通过构建测试超级鞅实现随时验证的统计水印技术，提升样本效率13-15%。

Jolt Atlas: Verifiable Inference via Lookup Arguments in Zero Knowledge

Jolt Atlas: 通过查找论证实现可验证推断在零知识中

Wyatt Benno, Alberto Centelles, Antoine Douchet, Khalil Gibran

机构 * ICME Labs（ICME实验室） 纠错

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

AI总结 Jolt Atlas是一种零知识机器学习框架，通过查找论证实现可验证推断，支持在内存受限环境中进行流式证明，并适用于隐私和对抗性环境。

NeuDiff Agent: A Governed AI Workflow for Single-Crystal Neutron Crystallography

NeuDiff Agent：单晶中子晶体学的受控AI工作流

Zhongcan Xiao, Leyi Zhang, Guannan Zhang, Xiaoping Wang

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

AI总结 NeuDiff Agent通过受控AI工作流提升单晶中子晶体学的分析效率和结果准确性，实现快速生成验证的晶体结构和出版级CIF。

Multi-View 3D Reconstruction using Knowledge Distillation

多视图3D重建使用知识蒸馏

Aditya Dutt, Ishikaa Lunawat, Manpreet Kaur

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出使用知识蒸馏方法，通过Dust3r生成的3D重建点训练学生模型，以提升多视图3D重建的效率和性能，最终发现视觉Transformer架构在视觉和定量指标上表现最佳。

Comments 6 pages, 10 figures

Visual Model Checking: Graph-Based Inference of Visual Routines for Image Retrieval

视觉模型检查：基于图的图像检索中的视觉例行程序推断

Adrià Molina, Oriol Ramos Terrades, Josep Lladós

机构 * Centre de Visió per Computador（视觉计算中心） ； Universitat Autònoma de Barcelona（巴塞罗那自治大学） 纠错

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

AI总结 本文提出一种结合图基验证与神经代码生成的框架，用于提升图像检索中复杂查询的可信度和可验证性。

Comments Submitted for ICPR Review

Operationalization of Machine Learning with Serverless Architecture: An Industrial Operationalization of Machine Learning with Serverless Architecture: An Industrial Implementation for Harmonized System Code Prediction

基于无服务器架构的机器学习操作化：一种工业级的机器学习操作化：一种用于协调系统代码预测的工业实现

Sai Vineeth Kandappareddigari, Santhoshkumar Jagadish, Gauri Verma, Ilhuicamina Contreras, Christopher Dignam, Anmol Srivastava, Benjamin Demers

专题命中 效率与部署 ：LLM(abstract)；分类 cs.LG

AI总结 本文提出了一种基于无服务器架构的工业级机器学习操作化方案，用于协调系统代码预测，通过自动化流程提升准确性和成本效益。

Comments 13 pages. ICAD '26

Self-Evolving Multi-Agent Network for Industrial IoT Predictive Maintenance

面向工业物联网预测性维护的自演化多智能体网络

Rebin Saleh, Khanh Pham Dinh, Balázs Villányi, Truong-Son Hy

机构 * Department of Electronics Technology, Faculty of Electrical Engineering and Informatics, Budapest University of Technology and Economics（布达佩斯技术与经济大学电子技术系） ； DataScienceWorld ； Department of Computer Science, The University of Alabama at Birmingham（阿拉巴马大学伯明翰分校计算机科学系） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.LG

AI总结 SEMAS通过自演化多智能体架构实现工业物联网预测性维护的实时异常检测与资源优化