AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
异构带宽预算下的联邦探针-逻辑蒸馏匹配率与最优分配
机构 * H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology, Atlanta, GA 30332, U.S.A（H. Milton Stewart工业与系统工程学院，佐治亚理工学院，亚特兰大，GA 30332，美国）
专题命中 效率与部署 ：language model(abstract)；分类 cs.LG
AI总结 针对联邦探针-逻辑蒸馏（FPLD）中带宽项速率紧性及异构节点带宽分配问题，提出匹配下界、多轮改进方案及闭合形式最优分配规则。
RAT+：密集训练，稀疏推理——用于扩张推理的循环增强注意力
机构 * CLAIRE lab at EPFL, Lausanne, Switzerland（EPFL 拉沃斯实验室）
专题命中 效率与部署 ：pretraining(abstract)；分类 cs.LG
AI总结 提出RAT+架构，通过密集预训练和循环增强注意力，使模型在推理时可灵活切换为稀疏扩张注意力，大幅降低计算和缓存开销，同时保持高精度。
Comments Accepted by ICML2026
UI-KOBE：面向轻量级图引导GUI代理的知识导向行为探索
机构 * CUHK MMLab（香港大学多模态实验室） ； Huawei Research（华为研究） ； Shenzhen Loop Area Institute（深圳河套学院） ； CPII under InnoHK（创新香港下的CPII）
专题命中 效率与部署 ：language model(abstract)；分类 cs.AI
AI总结 提出UI-KOBE框架，通过自动构建应用知识图谱并引导轻量级GUI代理进行运行时决策，以提升其移动端GUI任务执行效果。
用于评估机器学习中成员推断攻击的全流程框架
机构 * City University of Hong Kong（香港城市大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 效率与部署 ：post-training(abstract)；分类 cs.LG
AI总结 提出一个涵盖数据、架构、算法和后训练模块的全流程评估框架，系统分析不同上下文对成员推断攻击效果的影响，并通过标准化威胁模型和互补指标提供实用指南。
跨任务预测驱动推理在AI评估与社会科学研究中的应用
机构 * MIT（麻省理工学院）
专题命中 效率与部署 ：language model(abstract)；分类 cs.LG
AI总结 提出多任务预测驱动推理框架，通过跨任务重校准利用共享结构，在标签稀缺时提升统计推断效率，并证明非线性结构是跨任务增益的必要条件。
minWM: 用于实时交互式视频世界模型的全栈开源框架
机构 * ShengShu（盛书） ； THU（清华大学） ； RUC（中国人民大学） ； HKUST（香港科技大学） ； UT-Austin（德克萨斯大学奥斯汀分校）
专题命中 效率与部署 ：foundation model(abstract)
AI总结 提出minWM全栈开源框架，通过因果强制/因果强制++流水线将双向视频扩散模型转化为可控制、低延迟的自回归世界模型，支持相机控制与多种骨干架构。
DVSM: 正确的仅解码器视图合成模型
机构 * NVIDIA ； National Taiwan University（国立台湾大学）
专题命中 效率与部署 ：foundation model(abstract)
AI总结 提出仅解码器架构DVSM，通过隐式KV-cache表示场景，在相同渲染复杂度下以更少参数超越编码器-解码器变体，并利用共享权重、基础模型先验和分阶段块大小优化效率与质量，在多个基准上实现新视点合成的最优结果。
Comments Code at https://github.com/NVLabs/dvsm
GaussianDream：用于机器人操作的前馈3D高斯世界模型
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Beihang University（北京航空航天大学） ； Carnegie Mellon University（卡内基梅隆大学） ； The University of Hong Kong（香港大学）
专题命中 效率与部署 ：language model(abstract)
AI总结 提出GaussianDream，一种前馈3D高斯世界模型插件，通过可学习查询编码当前帧3D空间结构和短期未来演化，在训练时用静态重建和未来预测头监督，推理时仅保留查询条件化动作生成，在多个机器人操作基准上达到最先进性能。
Comments 19 pages, 9 figures
ElegantVLA：学习何时思考以实现高效的视觉-语言-动作模型
机构 * Tsinghua University（清华大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 效率与部署 ：LLM(abstract)
AI总结 提出ElegantVLA，一种即插即用的相位自适应推理框架，通过动态计算调度在视觉编码器、大语言模型和动作头之间分配计算资源，实现VLA模型加速，在GR00T和CogACT上分别获得最高2.55倍和3.77倍加速。
通过CNN-分层注意力Transformer混合加速HEVC帧内划分
机构 * Department of Artificial Intelligence, Indian Institute of Technology Kharagpur（人工智能系，印度理工学院Kharagpur）
专题命中 效率与部署 ：post-training(abstract)
AI总结 提出HFViT混合架构，融合重参数化深度可分离卷积与分层注意力Transformer，以低复杂度实现高效全局信息传播，在HEVC帧内划分预测中降低VMAF BD-rate惩罚并保持低CPU延迟。
UA-Legal-Bench：评估大语言模型在乌克兰法律推理上的基准
机构 * SecondLayer
专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；LLM(summary_cn,abstract_cn)；prompting(abstract)
AI总结 针对法律NLP基准以英语为中心的问题，构建了基于乌克兰法院判决的五个任务基准，评估11个LLM，发现少样本提示效果因任务而异，且在不平衡任务中准确率具有误导性。
Comments 13 pages, 5 figures, 4 tables. Data: https://huggingface.co/datasets/overthelex/ua-legal-bench
Compass: 通过专家引导的LLM代理导航全球海洋铅数据整合
机构 * School of Information Science ； Electronic Engineering,\ Jiao Tong University Shanghai China ； School of Artificial Intelligence,\ Jiao Tong University Shanghai China ； State Key Laboratory of Estuarine ； Coastal Research,\ China Normal University Shanghai China ； School of Oceanography,\ Jiao Tong University Shanghai China ； Institute of Geographical Science ； Natural Resources Research,\ Academy of Sciences Beijing China ； Electronic Engineering,\ Jiao Tong University ； School of Artificial Intelligence,\ Jiao Tong University ； Coastal Research,\ China Normal University ； School of Oceanography,\ Jiao Tong University ； Natural Resources Research,\ Academy of Sciences
专题命中 领域大模型 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 针对海洋铅数据分散于非结构化论文中的问题，提出专家引导的LLM代理框架Compass，结合知识树分解任务，从23万篇论文中提取3751条铅记录，构建最大海洋铅数据库，准确率达92%。
ACE: 面向LLM增强序列推荐的可控各向异性嵌入
专题命中 领域大模型 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)
AI总结 针对LLM生成嵌入的强各向异性问题，提出ACE方法，通过线性自编码器结合L2正则化与重构损失控制嵌入分布，平衡几何均匀性与语义保持，在序列推荐中提升性能。
Comments Accepted by SIGIR 2026. 5 pages
利用结构化外部知识增强LLM医学编码
机构 * Oracle Health and AI（Oracle健康与AI）
专题命中 领域大模型 ：LLM(title,title_cn)；分类 cs.CL、cs.AI
AI总结 提出RAG-Coding方法，通过将ICD表格列表编码为知识图谱并提炼指南摘要，无需训练即可增强LLM的医学编码能力，在MDACE和MDACE-2025数据集上显著优于基线。
AgentSchool：基于LLM的多智能体教育模拟系统
机构 * Shanghai Institute of AI for Education（上海人工智能教育研究院） ； School of Computer Science and Technology（计算机科学与技术学院） ； East China Normal University（东华大学） ； School of Design（设计学院） ； Faculty of Education（教育学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
专题命中 领域大模型 ：LLM(title,title_cn)；分类 cs.AI
AI总结 提出AgentSchool，一种LLM驱动的多智能体模拟器，通过可成长的学生智能体（带知识图谱、思维工作流和错误概念）与自适应教师智能体（基于最近发展区）模拟学习过程，支持多尺度模拟，实验验证了其生成差异化掌握轨迹和符合课堂社会理论的行为模式。
Comments 39 pages, 10 figures
Review Arcade: 关于LLM评审的人类对齐与可博弈性
机构 * Language Technology Group, University of Hamburg, Germany（汉堡大学语言技术小组） ； Hub of Computing and Data Science (HCDS), University of Hamburg, Germany（汉堡大学计算与数据科学中心） ； OTH Amberg-Weiden, Germany（阿姆伯-魏登工业大学）
专题命中 领域大模型 ：LLM(title,title_cn)；分类 cs.AI
AI总结 通过实验评估LLM生成论文评审与人类评审的对齐程度，并发现作者可根据LLM评审迭代修改论文以提升评分（最多35%的论文显著提高），揭示了LLM评审的可博弈性。
Comments Under Review EMNLP 26
EASE配置促进LLM社会模拟的可重复科学
专题命中 领域大模型 ：LLM(title,title_cn)
AI总结 提出EASE模块化框架（环境、智能体、模拟引擎、评估指标）并构建SiliSocS开源沙盒，通过三个案例研究验证其在高可配置、可重复的LLM社会模拟中的效用。
Comments 22 pages, 5 figures, under review at NeurIPS 2026
通过显式上下文反馈实现LLM推荐中的用户偏好对齐
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Meta
专题命中 领域大模型 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文主张在基于大语言模型的推荐系统中优先利用显式上下文反馈（如评论文本）来对齐用户偏好，提升推荐的个性化和可解释性。
Comments Published in CogMI 2025. https://ieeexplore.ieee.org/abstract/document/11417068
连续性与序数性至关重要：利用大语言模型进行有效时间序列分析的时间序列令牌约束
机构 * Department of Electronic Engineering（电子工程系）
专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI、cs.LG
AI总结 针对令牌化时间序列大语言模型忽略连续性和序数性的问题，提出COM策略，通过几何约束初始化与训练阶段，提升模型在多个时间序列分析基准上的性能与泛化能力。
语法感知的 literate 生成式数学编程与编译器在环
机构 * Business School, University of Edinburgh（爱丁堡大学商学院） ； Insight Centre for Data Analytics, University College Cork（科克大学数据分析研究所）
专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；prompting(abstract)
AI总结 提出 SyntAGM 系统，通过迭代生成-编译-评估-修正循环，利用编译器反馈和 LLM 对齐判断，生成可读的代数建模语言优化模型，实现成本与质量的更优权衡。
Comments 18 pages, 7 figures
影响引导的符号回归：基于大语言模型与细粒度反馈的方程搜索科学发现
机构 * University of Cambridge（剑桥大学） ； Thomson Reuters Foundational Research（汤姆森·路透基础研究） ； U. Colorado, Anschutz Medical Campus（科罗拉多大学安舒茨医疗校区）
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG
AI总结 提出影响引导符号回归（IGSR）方法，利用大语言模型生成候选函数并通过细粒度影响分数进行剪枝，结合蒙特卡洛树搜索高效探索组合空间，在多个基准和真实生物数据中发现新关系。
Comments ICML 2026
Eureka：面向企业AI云资源需求预测的智能特征工程
机构 * Alibaba Cloud Computing Co. Ltd, Hangzhou, China（阿里云计算有限公司，杭州，中国） ； School of Computer Science, Fudan University, Shanghai, China（复旦大学计算机学院，上海，中国） ； School of Computer Science and Technology, Tongji University, Shanghai, China（同济大学计算机科学与技术学院，上海，中国） ； Independent Researcher, United States（独立研究员，美国）
专题命中 领域大模型 ：LLM(summary_cn,abstract)；SFT(abstract,abstract_cn)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出Eureka框架，将特征工程视为智能体代码生成问题，通过专家代理、LLM特征工厂和自演化对齐引擎三阶段，自动生成可执行特征代码，在医疗、金融、社交等7个公开基准及阿里云GPU资源需求预测中显著提升性能。
Comments accepted at NeurIPS 2025 Workshop, DASFAA 2026 (International Conference on Database Systems for Advanced Applications)
Journal ref Database Systems for Advanced Applications (DASFAA 2026), Lecture Notes in Computer Science, vol. 16540, pp. 528-540, Springer
EvoRubric: 用于开放生成的自我进化评分标准驱动强化学习
机构 * Tongyi Lab , Alibaba Group（通义实验室，阿里巴巴集团）
专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 提出EvoRubric，一种单策略共进化强化学习框架，通过动态交替生成响应和评分标准，并引入多层验证机制，解决开放生成任务中缺乏明确奖励的问题，在医学、写作和科学领域超越传统静态和外部LLM驱动方法。
免疫介导疾病的专科医学语言模型
机构 * John Snow Labs Inc.（约翰·斯诺实验室公司）
专题命中 领域大模型 ：language model(title)；LLM(abstract,abstract_cn)；prompting(abstract)；分类 cs.CL、cs.AI
AI总结 针对免疫介导和传染病领域，通过专家标注数据集和临床领域嵌入的Transformer模型，提出专科NER模型，F1达0.89，优于基线和零样本方法。
Comments 15 pages, 5 figures. Funded in part by NIAID/NIH under contract 75N93024C00010
EvoRepair: 通过基于经验的自我进化增强漏洞修复智能体
专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)
AI总结 提出EvoRepair框架，通过循环学习-修复过程积累和复用漏洞修复经验，在多个基准上显著提升LLM的自动漏洞修复性能。
CodeEvolve：用于算法发现和优化的开源进化编码智能体
机构 * Inter Science - Inter&Co ； Federal University of Minas Gerais（联邦大学伯南迪斯） ； Worcester Polytechnic Institute（沃思彻斯特理工大学）
专题命中 领域大模型 ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)
AI总结 提出CodeEvolve开源框架，结合大语言模型与岛屿进化搜索，通过灵感交叉、元提示和深度细化，在AlphaEvolve基准上匹配或超越5/9问题，并在匹配条件下优于OpenEvolve和ShinkaEvolve，以更低成本超越前沿闭源集成。
Comments 21 pages, 16 figures, 8 tables
SURGENT: 一种跨围手术期工作流程的手术多智能体辅助系统
机构 * East China Normal University（华东师范大学） ； City University of Hong Kong（香港城市大学）
专题命中 领域大模型 ：LLM(summary_cn,abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 提出SURGENT手术多智能体辅助系统，结合思维树规划器、多科室协作智能体和检索增强推理，通过新型记忆设计管理长期患者病史和短期工作摘要，在五项围手术期任务中优于基线LLM和现有医疗多智能体框架。
Comments preprint
WER陷阱：打破语音语言模型中统一令牌的幻觉
专题命中 领域大模型 ：language model(title,abstract)；SLM(abstract,abstract_cn)
AI总结 本文通过动态压缩分词器提取纯语义令牌，揭示了低WER令牌无法保留声学合成所需的连续语音轨迹，从而打破统一令牌的幻觉。
SAMD：一种识别AI/ML医疗设备中虚假数据注入场景的工具
专题命中 领域大模型 ：LLM(summary_cn,abstract_cn)；large language model(abstract)；language model(abstract)
AI总结 提出SAMD工具，基于STPA-Sec和LLM自动化识别AI/ML医疗设备设计阶段的虚假数据注入漏洞与攻击场景，在五个FDA批准设备上验证了高精度与效率。
Comments 10 pages, 6 figures, 3 tables
Croissant Tasks：一种用于可重复机器学习评估的元数据格式
机构 * Google DeepMind（谷歌DeepMind） ； ChaLearn ； Université Paris-Saclay（巴黎-萨克雷大学） ； Jetty ； Mila, Quebec AI Institute（魁北克AI研究所） ； Inst. of Computational Biology, Helmholtz Munich（海德堡慕尼黑计算生物学研究所） ； German Center for Diabetes Research（德国糖尿病研究中心） ； School of CIT, TUM（技术大学 CIT 学校） ； Helmholtz AI（海德堡人工智能研究所） ； Brickroad ； Eindhoven Univ. of Technology（埃因霍温技术大学）
专题命中 领域大模型 ：LLM(summary_cn,abstract)；分类 cs.AI
AI总结 提出Croissant Tasks元数据格式，通过声明式规范解耦任务问题与解决方案，结合自动化LLM管道实现概念可重复性，使自主代理能从零生成可复现的评估流水线。
Comments 10 pages, 4 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈