语言大模型 / LLM

MonoEM-GS: Monocular Expectation-Maximization Gaussian Splatting SLAM

MonoEM-GS: 单目期望-最大化高斯点云SLAM

Evgenii Kruzhkov, Sven Behnke

机构 * Autonomous Intelligent Systems group, Computer Science Institute VI – Intelligent Systems and Robotics – and the Center for Robotics and the Lamarr Institute for Machine Learning and Artificial Intelligence, University of Bonn（波恩大学自主智能系统组、计算机科学研究所VI——智能系统与机器人学——以及机器人中心与拉马尔机器学习和人工智能研究所） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 MonoEM-GS通过整合几何预测到全局高斯点云表示中，解决视点依赖性和噪声问题，结合期望-最大化方法稳定几何并采用ICP对齐估计姿态，支持多模式特征参数化实现开放集分割等下游任务。

Why These Documents? Explainable Generative Retrieval with Hierarchical Category Paths

为何这些文档？基于层次类别路径的可解释生成检索

Sangam Lee, Ryang Heo, SeongKu Kang, Susik Yoon, Jinyoung Yeo, Dongha Lee

专题命中 评测与基准 ：LLM(abstract)

AI总结 HyPE通过生成层次类别路径提升生成检索的可解释性，通过外部高质量语义层级构建路径并优化模型，提高检索性能和解释性。

Comments Accepted to ACL 2026 findings

RoMa: Robust Dense Feature Matching

RoMa：鲁棒密集特征匹配

Johan Edstedt, Qiyu Sun, Georg Bökman, Mårten Wadenbäck, Michael Felsberg

机构 * Linköping University（林雪平大学） ； East China University of Science and Technology（华东理工大学） ； Chalmers University of Technology（查尔姆斯理工大学） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 本文提出RoMa模型，结合预训练DINOv2特征与ConvNet细特征，通过定制Transformer解码器和改进损失函数，实现鲁棒的密集特征匹配，在WxBS基准上提升36%。

Radiology Report Generation for Low-Quality X-Ray Images

低质量X光图像的放射科报告生成

Hongze Zhu, Chen Hu, Jiaxuan Jiang, Hong Liu, Yawen Huang, Ming Hu, Tianyu Wang, Zhijian Wu, Yefeng Zheng

机构 * Westlake University（西湖大学） ； Tencent Jarvis Lab（腾讯贾维斯实验室） 纠错

专题命中 评测与基准 ：language model(abstract)

AI总结 本文提出针对低质量图像的稳健报告生成框架，通过双循环训练策略提升模型在不同图像质量下的诊断能力。

VGGT-HPE: Reframing Head Pose Estimation as Relative Pose Prediction

VGGT-HPE：将头部姿态估计重新表述为相对姿态预测

Vasiliki Vasileiou, Panagiotis P. Filntisis, Petros Maragos, Kostas Daniilidis

机构 * Archimedes, Athena Research Center（雅典娜研究中心阿基米德实验室） ； HERON – Hellenic Robotics Center of Excellence（HERON – 希腊机器人卓越中心） ； Robotics Institute, Athena Research Center（雅典娜研究中心机器人研究所） ； School of ECE, National Technical University of Athens（雅典国家技术大学电子与计算机工程学院） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 本文提出VGGT-HPE，通过相对姿态预测方法提升头部姿态估计的鲁棒性和准确性，在无真实数据训练的情况下，在BIWI基准上取得最佳成绩。

Comments CVPRW 2026

On The Application of Linear Attention in Multimodal Transformers

多模态Transformer中线性注意力的应用

Armin Gerami, Seyedehanita Madani, Ramani Duraiswami

机构 * University of Maryland（马里兰大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 评测与基准 ：language model(abstract)

AI总结 本文研究了线性注意力在多模态框架中的应用，通过减少计算开销并保持性能，证明了线性注意力在多模态Transformer中的有效性。

Comments Workshop on Any-to-Any Multimodal Learning (Any2Any), CVPR 2026

Context-Aware Semantic Segmentation via Stage-Wise Attention

基于阶段的语义分割通过上下文感知

Antoine Carreaud, Elias Naha, Arthur Chansel, Nina Lahellec, Jan Skaloud, Adrien Gressin

机构 * EPFL（瑞士联邦理工学院洛桑） ； HEIG-VD（沃州高等工程学院） 纠错

专题命中 评测与基准 ：pretraining(abstract)

AI总结 本文提出CASWiT模型，通过轻量级阶段交叉注意力机制提升高分辨率图像分割性能，实验表明在FLAIR-HUB数据集上达到66.37%的mIoU，并在URUR基准和医学分割任务中表现优异。

MR-Adopt: Automatic Deduction of Input Transformation Function for Metamorphic Testing

MR-Adopt：用于元形态测试的输入转换函数自动推导

Congying Xu, Songqiang Chen, Jiarong Wu, Shing-Chi Cheung, Valerio Terragni, Hengcheng Zhu, Jialun Cao

专题命中 评测与基准 ：LLM(abstract)

AI总结 MR-Adopt通过自动推导输入转换函数，使元形态关系能够重用新输入提升测试充分性，实验显示其在测试覆盖率和变异评分上有显著提升。

Comments NOTE: Accepted to ASE 2024

Journal ref In Proceedings of the 39th IEEE/ACM International Conference on Automated Software Engineering (ASE 2024), 557-569

SEPTQ: A Simple and Effective Post-Training Quantization Paradigm for Large Language Models

SEPTQ：一种用于大型语言模型的简单且有效的后训练量化范式

Han Liu, Haotian Gao, Xiaotong Zhang, Changya Li, Feng Zhang, Wei Wang, Fenglong Ma, Hong Yu

机构 * Dalian University of Technology（大连理工大学） ； Peking University（北京大学） ； Shenzhen MSU-BIT University（深圳北理莫斯科大学） ； The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 SEPTQ提出了一种简化后训练量化流程的方法，通过重要性评分和静态全局确定量化位置，提升低比特量化下的性能。

Comments Accepted to KDD 2025. 12 pages, 10 figures

EdgeCIM: A Hardware-Software Co-Design for CIM-Based Acceleration of Small Language Models

EdgeCIM: 一种基于CIM的边缘设备小型语言模型加速的软硬件协同设计

Jinane Bazzi, Mariam Rakka, Fadi Kurdahi, Mohammed E. Fouda, Ahmed Eltawil

机构 * King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） ； University of California Irvine（加利福尼亚大学尔湾分校） ； Rain Neuromorphics Inc.（Rain Neuromorphics公司） 纠错

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

AI总结 本文提出EdgeCIM，一种针对边缘设备小型语言模型加速的软硬件协同设计框架，通过CIM宏和基于瓷砖的映射策略提升并行性并缓解DRAM带宽瓶颈，实现更高的吞吐量和能效。

Beyond A Fixed Seal: Adaptive Stealing Watermark in Large Language Models

超越固定水印：大语言模型中的自适应窃取水印

Shuhao Zhang, Yuli Chen, Jiale Han, Bo Cheng, Jiabao Ma

机构 * Hong Kong University of Science and Technology（香港科技大学） 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.AI

AI总结 本文提出自适应窃取算法，通过位置基水印构建和自适应选择模块提升水印窃取效率，增强对抗攻击的灵活性和有效性。

Comments 18 pages,6 figures

Characterizing Performance-Energy Trade-offs of Large Language Models in Multi-Request Workflows

刻画大规模语言模型在多请求工作流中的性能-能耗权衡

Md. Monzurul Amin Ifath, Israat Haque

机构 * Dalhousie University（达尔豪斯大学） 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.AI

AI总结 本文研究了多请求工作流中大规模语言模型的性能与能耗权衡，通过四个代表性工作负载分析关键能耗参数对延迟、吞吐量和组件能耗的影响，揭示了批处理大小、GPU供电限制和引擎优化对能耗的差异影响。

Cache Your Prompt When It's Green: Carbon-Aware Caching for Large Language Model Serving

在绿色时缓存提示：面向大型语言模型服务的碳感知缓存

Yuyang Tian, Desen Sun, Yi Ding, Sihang Liu

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GreenCache框架，通过动态资源分配平衡碳排放与服务等级协议，实现在LLM服务中减少15.1%的碳排放，最高达25.3%。

Resource Consumption Threats in Large Language Models

大语言模型中的资源消耗威胁

Yuanhe Zhang, Xinyue Wang, Zhican Chen, Weiliu Wang, Zilu Zhang, Zhengshuo Gong, Zhenhong Zhou, Kun Wang, Li Sun, Yang Liu, Sen Su

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Hangzhou Dianzi University（杭州电子科技大学） ； Nanyang Technological University（南洋理工大学） ； Chongqing University of Posts and Telecommunications（重庆邮电大学） 纠错

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

AI总结 本文系统回顾了大语言模型中资源消耗威胁，分析其影响并提出统一视角，旨在明确问题领域以支持后续建模和缓解措施。

Optimizing Large Language Models: Metrics, Energy Efficiency, and Case Study Insights

优化大语言模型：指标、能效与案例研究洞察

Tahniat Khan, Soroor Motie, Sedef Akinli Kocak, Shaina Raza

机构 * Vector Institute（向量研究所） ； University of Ottawa（渥太华大学） 纠错

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

AI总结 本文探讨了在大语言模型部署中整合能效优化技术，通过量化和本地推断技术降低碳足迹，实验表明可减少45%的能耗和碳排放，适用于资源受限环境。

Tango: Taming Visual Signals for Efficient Video Large Language Models

Tango：驯服视觉信号以提高视频大语言模型的效率

Shukang Yin, Sirui Zhao, Hanchao Wang, Baozhi Jia, Xianquan Wang, Chaoyou Fu, Enhong Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； Reconova AI Lab（Reconova AI实验室） ； Nanjing University（南京大学） 纠错

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

AI总结 Tango通过改进注意力选择和相似性聚类方法，优化视频大语言模型的视觉信号利用，实现在保留10%视频token时性能损失仅0.1%，推理速度提升1.88倍。

Comments Code: https://github.com/xjtupanda/Tango

WebLLM: A High-Performance In-Browser LLM Inference Engine

WebLLM：一种高性能的浏览器内LLM推理引擎

Charlie F. Ruan, Yucheng Qin, Akaash R. Parthasarathy, Xun Zhou, Ruihang Lai, Hongyi Jin, Yixin Dong, Bohan Hou, Meng-Shiun Yu, Yiyan Zhai, Sudeep Agarwal, Hangrui Cao, Siyuan Feng, Tianqi Chen

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Jiao Tong University（上海交通大学） ； NVIDIA（英伟达） 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 WebLLM通过JavaScript框架在浏览器内实现高性能LLM推理，利用WebGPU和WebAssembly结合MLC-LLM和Apache TVM优化，实现80%的本地性能，推动隐私保护的本地化LLM应用。

CONSCIENTIA: Can LLM Agents Learn to Strategize? Emergent Deception and Trust in a Multi-Agent NYC Simulation

CONSCIENTIA：LLM代理能否学会策略性行为？多智能体纽约市模拟中的涌现欺骗与信任

Aarush Sinha, Arion Das, Soumyadeep Nag, Charan Karnati, Shravani Nag, Chandra Vadhan Raj, Aman Chadha, Vinija Jain, Suranjana Trivedy, Amitava Das

机构 * University of Copenhagen（哥本哈根大学） ； IIIT Ranchi（印度信息技术学院兰契分校） ； ISI Kolkata（印度统计学院加尔各答分校） ； NIT Andhra Pradesh（印度国家理工学院安得拉邦分校） ； IGDTUW（英迪拉·甘地德里技术女子大学） ； IIT Kharagpur（印度理工学院卡哈拉格普尔分校） ； Google DeepMind（谷歌DeepMind） ； Google（谷歌） ； AI Institute, University of South Carolina（南卡罗来纳大学人工智能研究所） 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、cs.AI

AI总结 研究通过多智能体模拟探讨LLM在对抗性环境中的策略行为，发现智能体在导航中表现出有限的策略性，包括选择性信任与欺骗，但易受对抗性说服影响。

Self-Calibrating Language Models via Test-Time Discriminative Distillation

通过测试时判别蒸馏实现自校准语言模型

Mohamed Rissal Hedna, Jan Strich, Martin Semmann, Chris Biemann

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

AI总结 本文提出SECL方法，利用模型在回答正确性问题时的真实概率与声明置信度之间的差距进行无监督训练，有效降低校准误差，优于现有方法。

Comments Submitted to ACL March 26

ChatInject: Abusing Chat Templates for Prompt Injection in LLM Agents

ChatInject: 利用聊天模板对LLM代理进行提示注入

Hwan Chang, Yonghyun Jun, Hwanhee Lee

机构 * Department of Artificial Intelligence, Chung-Ang University（中央大学人工智能系） 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 研究提出ChatInject攻击，通过模拟聊天模板诱导LLM代理执行恶意指令，实验显示其攻击成功率显著高于传统方法，且现有防御措施对多轮对话变种效果有限。

Comments ICLR 2026

Flow-Controlled Scheduling for LLM Inference with Provable Stability Guarantees

具有可证明稳定性的LLM推理流控制调度

Zhuolun Dong, Junyu Cao

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 本文提出一种流控制框架，通过控制提示加入活跃集的速度，解决LLM推理中解码长度未知导致的内存溢出问题，并证明算法的稳定性。

LLM-based Realistic Safety-Critical Driving Video Generation

基于LLM的现实安全关键驾驶视频生成

Yongjie Fu, Ruijian Zha, Pei Tian, Xuan Di

机构 * Department of Civil Engineering and Engineering Mechanics, Columbia University（哥伦比亚大学土木工程与工程力学系） ； Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系） 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 本文提出利用LLM生成少样本代码实现安全关键驾驶场景生成，结合CARLA模拟器与Cosmos-Transfer1和ControlNet生成真实驾驶视频，提升自动驾驶测试效率。

ConfigSpec: Profiling-Based Configuration Selection for Distributed Edge--Cloud Speculative LLM Serving

ConfigSpec：基于配置分析的分布式边缘-云推测LLM服务配置选择

Xiangchen Li, Saeid Ghafouri, Jiakun Fan, Babar Ali, Hans Vandierendonck, Dimitrios S. Nikolopoulos

机构 * Queen's University Belfast（贝尔法斯特女王大学） 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 本文提出ConfigSpec框架，通过分析边缘设备和草案模型对齐，评估不同配置下的吞吐量、验证成本效率和能耗，揭示了在边缘-云LLM推理中配置优化的结构性冲突。

Comments 6 Pages, 6 figures, accepted by the 4th International Workshop on Testing Distributed Internet of Things Systems (TDIS 2026)

Low-rank Optimization Trajectories Modeling for LLM RLVR Acceleration

低秩优化轨迹建模用于LLM RLVR加速

Zhipeng Chen, Tao Qian, Wayne Xin Zhao, Ji-Rong Wen

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； China University of Mining and Technology (Beijing)（中国矿业大学（北京）） 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NExt框架，通过非线性插值方法建模和预测LLM参数轨迹，降低RLVR训练计算开销，提升模型性能。

Comments Working in progress

LLM-enabled Antenna Partitioning and Beamforming Optimization for Segmented Pinching

基于大语言模型的天线分区与波束成形优化用于分段捏合

Qian Gao, Ruikang Zhong, Hyundong Shin, Yuanwei Liu

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

AI总结 本文提出基于大语言模型的框架，用于优化分段捏合天线辅助的集成感知与通信系统，通过构建CSI诱导自图和任务特定头，实现天线部署、分区和波束成形的联合预测，提升系统适应性。

Comments arXiv admin note: substantial text overlap with arXiv:2604.10256. arXiv admin note: substantial text overlap with arXiv:2604.10256

fabric-lib: RDMA Point-to-Point Communication for LLM Systems

fabric-lib: 用于LLM系统的RDMA点对点通信

Nandor Licker, Kevin Hu, Vladimir Zaytsev, Lequn Chen

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

AI总结 fabric-lib通过统一接口实现灵活的点对点通信，支持异步强化学习微调和MoE路由，提升吞吐量并增强硬件兼容性。

Improving Dynamic Specification Inference with LLM-Generated Counterexamples

通过LLM生成的反例改进动态规范推断

Agustín Balestra, Agustín Nolasco, Facundo Molina, Diego Garbervetsky, Renzo Degiovanni, Nazareno Aguirre

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

AI总结 本文利用大语言模型生成反例以提高动态规范推断的精度，实验表明可减少无效断言并提升精度7%。

LLM-assisted Agentic Edge Intelligence Framework

基于大语言模型的代理边缘智能框架

Chinmaya Kumar Dehury, Siddharth Singh Kushwaha, Qiyang Zhang, Alaa Saleh, Praveen Kumar Donta

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LEI框架，利用云托管的大语言模型协调设备端逻辑的生成与更新，通过生成轻量级程序并部署以适应变化条件，提升边缘计算的灵活性与资源效率。

Comments 35 pages, 22 Figures, Journal version

ForestPrune: High-ratio Visual Token Compression for Video Multimodal Large Language Models via Spatial-Temporal Forest Modeling

ForestPrune: 通过时空森林建模实现视频多模态大语言模型的高比率视觉令牌压缩

Shaobo Ju, Baiyang Song, Tao Chen, Jiapeng Zhang, Qiong Wu, Chao Chang, HuaiXi Wang, Yiyi Zhou, Rongrong Ji

机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（厦门大学多媒体可信感知与高效计算教育部重点实验室） ； National University of Defense Technology（国防科技大学） 纠错

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

AI总结 本文提出ForestPrune，一种无需训练的视频MLLM令牌压缩方法，通过时空森林建模实现高效高比率压缩，实验表明其在视频任务中效果优于现有方法。

Efficient Training for Cross-lingual Speech Language Models

多语言语音语言模型的高效训练

Yan Zhou, Qingkai Fang, Yun Hong, Yang Feng

机构 * Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences (ICT/CAS)（中国科学院计算技术研究所智能信息处理重点实验室） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

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

AI总结 本文提出CSLM，通过离散语音标记实现多语言语音大模型的高效训练，采用持续预训练策略提升模态对齐质量，减少延迟，展现良好的语言扩展能力。

Comments Accepted to Findings of ACL 2026