语言大模型 / LLM

CoDial: Interpretable Task-Oriented Dialogue Systems Through Dialogue Flow Alignment

通过对话流程对齐构建可解释的任务导向对话系统：CoDial

Radin Shayanfar, Chu Fei Luo, Rohan Bhambhoria, Samuel Dahan, Xiaodan Zhu

机构 * Department of Electrical and Computer Engineering & Ingenuity Labs, Queen’s University（电气与计算机工程系及Ingenuity实验室，女王大学） ； Conflict Analytics Lab, Queen’s University（冲突分析实验室，女王大学） ； Cornell Law School（康奈尔法学院） ； Vector Institute for AI（人工智能向量研究所） 纠错

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

AI总结 CoDial通过将预定义任务 schema 转换为结构化异构图并生成程序化 LLM 防御代码，实现对话策略的高效可解释对齐，提升任务导向对话系统的泛化能力与可解释性。

Comments Accepted to ACL 2026

Alignment Data Map for Efficient Preference Data Selection and Diagnosis

用于高效偏好数据选择与诊断的对齐数据图

Seohyeong Lee, Eunwon Kim, Hwaran Lee, Buru Chang

机构 * Sogang University（ソガン大学） ； Upstage（アップステージ） ； Korea University（韩国大学） 纠错

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

AI总结 本文提出对齐数据图，通过评估偏好数据的对齐分数，选择高质量低变异性样本，提升对齐效果并提高标注准确性。

Comments ACL 2026 Findings Camera-Ready

Align Documents to Questions: Question-Oriented Document Rewriting for Retrieval-Augmented Generation

对齐文档与问题：面向问题的文档重写以增强检索增强生成

Jiaang Li, Zhendong Mao, Quan Wang, Yuning Wan, Yongdong Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 本文提出QREAM框架，通过风格控制重写使检索文档更符合问题需求，提升检索增强生成的准确性与效率。

Comments ACL'26 Findings

CIMple: Standard-cell SRAM-based CIM with LUT-based split softmax for attention acceleration

CIMple: 基于标准单元SRAM的CIM及其基于LUT的拆分softmax用于注意力加速

Bas Ahn, Xingjian Tao, Manil Dev Gomony, Marc Geilen, Henk Corporaal

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

AI总结 本文提出CIMple，一种基于标准单元SRAM的CIM架构，通过8位并行权重喂送和LUT固定点实现，实现高效注意力加速，评估了28nm实现的32kb自注意力加速器性能。

Comments 10 pages, 11 figures

Journal ref 2025 Cross-Disciplinary Conference on Memory-Centric Computing (CCMCC), 1-10

BioVLM: Routing Prompts, Not Parameters, for Cross-Modality Generalization in Biomedical VLMs

BioVLM：通过路由提示而非参数实现生物医学VLMs的跨模态泛化

Mainak Singha, Tanisha Gupta, Ankit Jha, Muhammad Haris Khan, Sayantani Ghosh, Biplab Banerjee

机构 * University of Trento（特伦托大学） ； Carnegie Mellon University（卡内基梅隆大学） ； LNMIIT Jaipur（贾伊普尔 LNMIIT） ； MBZUAI ； Sunandan Divatia School of Science（Sunandan Divatia 科学学院） ； IIT Bombay（博伊斯大学） 纠错

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

AI总结 BioVLM通过动态提示选择和提示银行学习，提升跨域泛化能力，无需大量骨干网络微调，在11个MedMNIST+2D数据集上取得新突破。

Comments Accepted in ACL Findings 2026

Tabular foundation models for in-context prediction of molecular properties

表格基础模型用于分子属性的上下文预测

Karim K. Ben Hicham, Jan G. Rittig, Martin Grohe, Alexander Mitsos

机构 * RWTH Aachen University, Process Systems Engineering (AVT.SVT)（RWTH亚琛大学，过程系统工程（AVT.SVT）） ； Lehrstuhl Informatik 7, RWTH Aachen University（信息学7系，RWTH亚琛大学） ； Forschungszentrum Jülich GmbH, Institute of Climate and Energy Systems ICE-1: Energy Systems Engineering（焦耳研究中心有限公司，气候和能源系统ICE-1：能源系统工程） ； JARA-CSD 纠错

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

AI总结 本文提出利用表格基础模型进行分子属性的上下文预测，通过减少计算成本并提升预测性能，在低至中等数据量下展示出优于传统方法的潜力。

FM-CAC: Carbon-Aware Control for Battery-Buffered Edge AI via Time-Series Foundation Models

FM-CAC：通过时间序列基础模型实现电池缓冲的边缘AI碳感知控制

Kang Yang, Walid A. Hanafy, Prashant Shenoy, Mani Srivastava

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

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

AI总结 本文提出FM-CAC框架，利用电池作为时间缓冲，通过时间序列基础模型进行碳预测，减少碳排放同时保持高服务质量。

Stop Tracking Me! Proactive Defense Against Attribute Inference Attack in LLMs

别跟踪我！对抗大语言模型中属性推断攻击的主动防御

Dong Yan, Jian Liang, Ran He, Tieniu Tan

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； NLPR & MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

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

AI总结 本文提出TRACE-RPS框架，通过细粒度匿名化和推断阻止优化，有效降低大语言模型中属性推断准确性，实现隐私保护与模型效用的平衡。

Comments Accepted at ICLR 2026

Sharpening Lightweight Models for Generalized Polyp Segmentation: A Boundary Guided Distillation from Foundation Models

提升轻量模型用于通用息肉分割：从基础模型中引导的边界指导蒸馏

Shivanshu Agnihotri, Snehashis Majhi, Deepak Ranjan Nayak

机构 * Dept. of Computer Science and Engineering（计算机科学与工程系） ； Malaviya National Institute of Technology（马拉维亚国立理工学院） ； INRIA Sophia Antipolis（INRIA索菲亚-安蒂波利斯研究中心） ； Côte d'Azur University（蔚蓝海岸大学） 纠错

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

AI总结 本文提出LiteBounD框架，通过从基础模型中提取互补的语义和结构先验，提升轻量分割模型的边界感知能力，实验证明其在多个数据集上均优于基线模型，同时保持高效性。

Towards Joint Quantization and Token Pruning of Vision-Language Models

面向视觉-语言模型的联合量化与令牌剪枝

Xinqing Li, Xin He, Xindong Zhang, Ming-Ming Cheng, Lei Zhang, Yun Liu

机构 * VCIP, College of Computer Science, Nankai University（VCIP，计算机科学学院，南开大学） ； School of Computer Science and Engineering, Tianjin University of Technology（计算机科学与工程学院，天津工业大学） ； OPPO Research Institute（OPPO研究院） ； Academy for Advanced Interdisciplinary Studies, Nankai University（先进跨学科研究院，南开大学） ； Nankai International Advanced Research Institute, Shenzhen Futian（南开国际先进研究 institutes，深圳福田） ； Department of Computing, Hong Kong Polytechnic University（计算学院，香港理工大学） 纠错

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

AI总结 本文提出联合量化与令牌剪枝框架，通过统一低比特推理和确定性视觉令牌剪枝，提升视觉-语言模型在低比特下的鲁棒性与效率。

A Rapid Deployment Pipeline for Autonomous Humanoid Grasping Based on Foundation Models

基于基础模型的快速部署管道用于自主人形抓取

Yifei Yan, Yankai Liao, Linqi Ye

机构 * School of Future Technology, Shanghai University（未来技术学院，上海大学） ； School of Mechanical Engineering, Shanghai Institute of Technology（机械工程学院，上海理工大学） 纠错

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

AI总结 本文提出一种端到端的快速部署管道，利用基础模型组件将新物体的上boarding周期缩短至约30分钟，包括自动标注、3D重建和零样本6自由度姿态跟踪。

HiPrune: Hierarchical Attention for Efficient Token Pruning in Vision-Language Models

HiPrune：面向视觉-语言模型的层次注意力高效标记修剪

Jizhihui Liu, Feiyi Du, Guangdao Zhu, Niu Lian, Jun Li, Bin Chen, Weili Guan, Yaowei Wang

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory（鹏城实验室） 纠错

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

AI总结 本文提出HiPrune，通过分析视觉编码器中不同层次的注意力特性，实现高效的标记修剪，无需训练且适用于多种模型，在低token预算下保持高任务准确率。

Comments Accepted at ACL-2026 Findings

SIF: Semantically In-Distribution Fingerprints for Large Vision-Language Models

SIF：用于大视觉-语言模型的语义内分布指纹

Yifei Zhao, Qian Lou, Mengxin Zheng

机构 * University of Central Florida（中央佛罗里达大学） 纠错

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

AI总结 本文提出SIF，一种无需参数修改的非侵入性所有权验证框架，通过语义对齐指纹蒸馏和鲁棒指纹优化，提升大视觉-语言模型的版权保护能力。

Comments Accepted at CVPR 2026

Towards a Data-Parameter Correspondence for LLMs: A Preliminary Discussion

迈向大语言模型的数据-参数对应关系：初步讨论

Ou Wu

机构 * HIAS, University of Chinese Academy of Sciences（中国科学院大学杭州研究院） 纠错

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

AI总结 本文探讨大语言模型优化中数据与参数的统一对应关系，揭示数据处理与模型调整在统计流形上的几何结构，提出数据剪枝、低秩适应和安全隐私保护的三种核心对应关系。

Comments 25 pages

AutoSearch: Adaptive Search Depth for Efficient Agentic RAG via Reinforcement Learning

AutoSearch: 通过强化学习实现高效的代理RAG自适应搜索深度

Jingbo Sun, Wenyue Chong, Songjun Tu, Qichao Zhang, Yaocheng Zhang, Jiajun Chai, Xiaohan Wang, Wei Lin, Guojun Yin, Dongbin Zhao

机构 * SKL-MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所SKL-MAIS实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学交叉学科学院） ； Meituan（美团） 纠错

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

AI总结 本文提出AutoSearch框架，通过强化学习动态调整搜索深度，在保证搜索质量的同时提升效率，实现在复杂问题上的准确率与效率的平衡。

RefineStat: Efficient Exploration for Probabilistic Program Synthesis

RefineStat: 高效探索概率程序合成

Madhav Kanda, Shubham Ugare, Sasa Misailovic

机构 * University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 RefineStat通过引入语言模型驱动框架，在概率程序合成中强制语义约束并应用诊断感知细化，提升生成程序的语法正确性和统计可靠性。

Comments RefineStat constrains LM decoding with statistical validity checks and uses diagnostic-guided resampling (priors/likelihoods) to transform small LMs' drafts into correct, reliable probabilistic programs that can match or surpass closed-source models

Journal ref ICLR 2026 (Oral)

OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models

OneDrive: 统一的多范式驾驶与视觉-语言-动作模型

Yiwei Zhang, Xuesong Chen, Jin Gao, Hanshi Wang, Fudong Ge, Weiming Hu, Shaoshuai Shi, Zhipeng Zhang

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, CASIA School of Artificial Intelligence, University of Chinese Academy of Sciences AutoLab, School of Artificial Intelligence, Shanghai Jiao Tong University Voyager Research, Didi Chuxing School of Information Science（多模态人工智能系统国家重点实验室，中国科学院自动化所人工智能学院，中国科学院大学，AutoLab，上海交通大学人工智能学院，Voyager Research，滴滴出行，信息科学与技术学院） 纠错

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

AI总结 本文提出基于预训练视觉语言模型的统一自动驾驶框架，通过单一Transformer解码器整合异构解码行为，实现多任务联合优化，实验表明在nuScenes和NAVSIM上取得最优性能，且推理效率高。

Culinary Crossroads: A RAG Framework for Enhancing Diversity in Cross-Cultural Recipe Adaptation

烹饪交汇点：一种增强跨文化食谱适应多样性的RAG框架

Tianyi Hu, Andrea Morales-Garzón, Jingyi Zheng, Maria Maistro, Daniel Hershcovich

机构 * Aarhus University（奥胡斯大学） ； University of Copenhagen（哥本哈根大学） ； Dept. of Computer Science and Artificial Intelligence, University of Granada（格拉纳达大学计算机科学与人工智能系） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 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 本文提出CARRIAGE框架，通过增强检索与上下文组织来提升跨文化食谱适应的多样性，解决了RAG在生成多样化结果时的局限性。

Comments ACL 2026 (main)

Spatial-Regularization-Aware Dual-Branch Collaborative Inference for Training-Free OVSS in Remote Sensing Imagery

面向空间正则化的双分支协作推理用于无训练开放词汇语义分割在遥感图像中

Jianzheng Wang, Huan Ni

机构 * Nanjing University of Information Science \& Technology Nanjing China ； Nanjing University of Information Science \& Technology 纠错

专题命中 效率与部署 ：pretraining(abstract,abstract_cn)；foundation model(abstract)

AI总结 本文提出SDCI框架，通过跨模型注意力融合模块和双向跨图扩散细化模块，提升遥感图像无训练开放词汇分割的几何定位和语义预测能力。

A Unified Framework for Modeling Heterogeneous Financial Data via Dual-Granularity Prompting

通过双粒度提示构建异质金融数据建模的统一框架

Yu Lei, Zixuan Wang, Yiqing Feng, Junru Zhang, Yahui Li, Chu Liu, Tongyao Wang, Dongyang Li

机构 * DiDi International Business Group（滴滴国际商务集团） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Zhejiang University（浙江大学） 纠错

专题命中 效率与部署 ：prompting(title)；分类 cs.AI

AI总结 本文提出FinLangNet框架，通过双模块架构结合表格特征提取与时间序列建模，解决工业信用评分中异质金融数据复杂性和信用worthiness演变的挑战，实验证明其在KS指标和坏账率上有显著提升。

Comments ACL 2026 Oral

Reinforced Efficient Reasoning via Semantically Diverse Exploration

通过语义多样探索增强高效推理

Ziqi Zhao, Zhaochun Ren, Jiahong Zou, Liu Yang, Zhiwei Xu, Xuri Ge, Zhumin Chen, Xinyu Ma, Daiting Shi, Shuaiqiang Wang, Dawei Yin, Xin Xin

机构 * Shandong University（山东大学） ； Leiden University（莱顿大学） ； Baidu Inc.（百度公司） 纠错

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

AI总结 本文提出ROSE方法，通过语义熵分支策略和ε探索机制提升大语言模型的推理多样性与效率，并通过实验验证其有效性。

Comments Accepted at ACL 2026 Main

FastKV: Decoupling of Context Reduction and KV Cache Compression for Prefill-Decoding Acceleration

FastKV: 解耦上下文缩减与KV缓存压缩以加速预填解码

Dongwon Jo, Jiwon Song, Yulhwa Kim, Jae-Joon Kim

机构 * Seoul National University（首尔国立大学） ； Sungkyunkwan University（庆州大学） 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 FastKV通过解耦上下文缩减与KV缓存压缩，提升预填和解码效率，实验显示在预填和解码阶段分别获得1.82倍和2.87倍加速，同时保持解码-only基线的准确性。

Comments Findings of ACL: ACL 2026

Condense, Don't Just Prune: Enhancing Efficiency and Performance in MoE Layer Pruning

压缩而非单纯剪枝：在MoE层剪枝中提升效率和性能

Mingyu Cao, Gen Li, Jie Ji, Jiaqi Zhang, Ajay Jaiswal, Li Shen, Xiaolong Ma, Shiwei Liu, Lu Yin

机构 * University of Surrey（萨里大学） ； Clemson University（克莱姆森大学） ； Meituan（美团） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sun Yat-sen University（中山大学） ； The University of Arizona（亚利桑那大学） ； ELLIS Institute（ELLIS研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； Tübingen AI Center（图宾根人工智能中心） 纠错

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

AI总结 本文提出CD-MoE方法，通过压缩稀疏MoE层为更密集的层，提升效率和性能，实验证明在DeepSeekMoE-16B模型中，内存使用减少27.5%，推理速度提升1.26倍，且通过轻量专家微调恢复98%原始性能。

Journal ref Published in TMLR 10/2025 (https://openreview.net/pdf?id=BQe6j6sAu6)

The Illusion of Certainty: Decoupling Capability and Calibration in On-Policy Distillation

确定性的幻觉：在在线策略蒸馏中解耦能力与校准

Jiaxin Zhang, Xiangyu Peng, Qinglin Chen, Qinyuan Ye, Caiming Xiong, Chien-Sheng Wu

机构 * Salesforce AI Research（Salesforce AI研究院） 纠错

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

AI总结 本文提出CaOPD框架，通过估计模型运行时的置信度来解决在线策略蒸馏中因信息不匹配导致的过度自信问题，实现了校准优化与能力保持的平衡。

Comments 40 pages, Code: https://github.com/SalesforceAIResearch/CaOPD

Scalable and Adaptive Parallel Training of Graph Transformer on Large Graphs

可扩展且自适应的图变换器在大规模图上的并行训练

Jun-Liang Lin, Kamesh Madduri, Mahmut Taylan Kandemir

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 本文提出一种分布式训练框架，通过自动选择和优化并行策略提升图变换器在大规模图上的可扩展性，实现3.8倍的加速和78%的内存节省。

Comments Accepted to the 63rd ACM/IEEE Design Automation Conference (DAC 2026)

DynaWeb: Model-Based Reinforcement Learning of Web Agents

DynaWeb：基于模型的Web代理强化学习

Hang Ding, Peidong Liu, Junqiao Wang, Ziwei Ji, Meng Cao, Rongzhao Zhang, Lynn Ai, Eric Yang, Tianyu Shi, Lei Yu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Sichuan University（四川大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； McGill University（麦吉尔大学） ； Shanghai AI Lab（上海人工智能实验室） ； Gradient ； University of Toronto（多伦多大学） ； Mila - Quebec AI Institute（魁北克AI研究所） 纠错

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

AI总结 本文提出DynaWeb框架，通过模拟环境提升Web代理的强化学习效率，实验表明其在WebArena和WebVoyager基准上显著提升性能。

Inference-Time Distillation: Cost-Efficient Agents Without Fine-Tuning or Manual Prompt Engineering

推理时蒸馏：无需微调或手动提示工程的低成本代理

Vishnu Sarukkai, Asanshay Gupta, James Hong, Michaël Gharbi, Kayvon Fatahalian

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出通过推理时技术实现低成本高准确率的代理，无需微调或手动提示工程，在ALFWorld和AppWorld上分别实现2.5倍和3.5倍的成本降低，同时保持高准确率。

Comments 21 pages, 4 figures

Universally Empowering Zeroth-Order Optimization via Adaptive Layer-wise Sampling

通过自适应分层采样实现通用的零阶优化

Fei Wang, Li Shen, Liang Ding, Chao Xue, Ye Liu, Changxing Ding

机构 * South China University of Technology（华南理工大学） ； JD Explore Academy（京东探索研究院） ； Shenzhen Campus of Sun Yat-sen University（深圳校区中山大学） ； University of Sydney（悉尼大学） ； Center for AI Theoretical Foundation and Systems, Shenzhen Loop Area Institute（人工智能理论基础与系统中心，深圳loop区研究院） 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 本文提出AdaLeZO框架，通过自适应分层采样和逆概率加权机制，提升零阶优化效率，实验显示在LLaMA和OPT模型上加速1.7至3倍，且不增加内存开销。

M100: An Orchestrated Dataflow Architecture Powering General AI Computing

M100：一种赋能通用人工智能计算的协同数据流架构

Yan Xie, Changkui Mao, Changsong Wu, Chao Lu, Chao Suo, Cheng Qian, Chun Yang, Danyang Zhu, Hengchang Xiong, Hongzhan Lu, Hongzhen Liu, Jiafu Liu, Jie Chen, Jie Dai, Junfeng Tang, Kai Liu, Kun Li, Lipeng Ge, Meng Sun, Min Luo, Peng Chen, Peng Wang, Shaodong Yang, Shibin Tang, Shibo Chen, Weikang Zhang, Xiao Ling, Xiaobo Du, Xin Wu, Yang Liu, Yi Jiang, Yihua Jin, Yin Huang, Yuli Zhang, Zhen Yuan, Zhiyuan Man, Zhongxiao Yao

机构 * Li Auto 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 M100通过协同数据流架构提升自动驾驶、大语言模型等领域的AI计算效率与成本效益，采用编译器-架构协同设计优化数据传输，减少缓存依赖，提升系统性能。

Comments Accepted to appear at ISCA 2026 Industry Track. 12 pages, 16 figures

Query-Efficient Agentic Graph Extraction Attacks on GraphRAG Systems

高效查询的代理图提取攻击对GraphRAG系统

Shuhua Yang, Jiahao Zhang, Yilong Wang, Dongwon Lee, Suhang Wang

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 本文提出AGEA框架，通过引导探索与利用策略、外部图记忆模块和两阶段图提取流程，高效恢复GraphRAG系统的隐藏图结构，在医疗、农业和文学数据集上表现优异。

Comments To be published in ACL Main 2026