语言大模型 / LLM

Teaching Diffusion to Speculate Left-to-Right

教导扩散模型从左到右推测

Lexington Whalen, Yuki Ito, Ryo Sakamoto

机构 * Lexington Whalen ； Yuki Ito ； Ryo Sakamoto 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 针对自回归解码的推理瓶颈，提出三种训练时干预方法（位置加权、首次错误焦点损失、链损失）来弥合块扩散草稿模型的双向生成与自回归目标模型从左到右验证之间的不对称性，显著提升接受草稿长度。

Comments 13 pages, technical report

Fix Initial Programs and Iteratively Refine Repair Instructions Toward Non-Elimination Multi-Turn Program Correction

修正初始代码并迭代细化文本方向以实现安全的多轮代码修正

Yuto Tanaka, Issei Sato

机构 * Department of Computer Science（计算机科学系） ； The University of Tokyo（东京大学） 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 本文提出简化方法IRTD，通过修正初始代码并迭代细化文本方向，理论证明其安全性，并在代码生成基准测试中表现与最先进方法相当。

Ground Then Rank: Revisiting Knowledge-Based VQA with Training-Free Entity Identification

先定位再排序：基于知识的视觉问答中无训练实体识别的再探讨

Qian Ma, Qiong Wu, Zhengyi Zhou, Yao Ma

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； AT&T Chief Data Office（AT&T首席数据办公室） 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 针对知识型视觉问答中实体与证据双重定位瓶颈，提出解耦实体识别与段落排序的无训练IBA框架，利用MLLM候选名称选择与文本重排序器，在降低复杂度同时提升性能。

Comments Accepted by ACL 2026 Findings. Project page https://github.com/VAN-QIAN/ACL26-IBA/

HilDA: Hierarchical Distillation with Diffusion for Advancing Self-Supervised LiDAR Pre-training

HilDA：利用扩散的分层蒸馏推进自监督LiDAR预训练

Maciej Wozniak, Jesper Ericsson, Hariprasath Govindarajan, Truls Nyberg, Thomas Gustafsson, Patric Jensfelt, Olov Andersson

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； Linköping University（林雪平大学） ； TRATON AB（TRATON公司） ； Qualcomm Auto Ltd Sweden Filial（高通汽车有限公司瑞典分公司） 纠错

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

AI总结 提出HilDA框架，通过分层蒸馏（多层蒸馏和全局上下文蒸馏）结合时间占用扩散目标，自监督预训练LiDAR骨干网络，在3D检测、场景流和语义占用预测任务上达到最先进水平。

Comments Accepted to ECCV 2026. Maciej and Jesper contributed equally

Block-wise Codeword Embedding for Reliable Multi-bit Text Watermarking

分块码字嵌入用于可靠的多比特文本水印

Joeun Kim, HoEun Kim, Dongsup Jin, Young-Sik Kim

机构 * Department of AI, DGIST, Daegu, Republic of Korea（韩国大邱科学技术院人工智能系） ； Department of EECS, DGIST, Daegu, Republic of Korea（韩国大邱科学技术院电子工程与计算机科学系） ； ICT convergence, University of Ulsan, Ulsan, Republic of Korea（韩国釜山大学信息通信融合学院） 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 本文提出BREW框架，通过分块盲消息估计和窗口位移验证，解决多比特水印中高误报率问题，实现高真阳性率和低误报率。

Comments Accepted at ICML 2026

Political DEBATE: Efficient Zero-shot and Few-shot Classifiers for Political Text

政治辩论：用于政治文本的高效零样本和少样本分类器

Michael Burnham, Kayla Kahn, Ryan Yank Wang, Rachel X. Peng

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

AI总结 本文提出Political DEBATE语言模型，用于政治文档的零样本和少样本分类，模型在效率和开放性上优于现有模型，并发布包含20多万政治文档的PolNLI数据集。

Comments 26 pages, 5 figures

Journal ref Polit. Anal. 34 (2026) 329-343

FiMMIA: scaling semantic perturbation-based membership inference across modalities

FiMMIA: 在多模态领域中扩展基于语义扰动的成员推断

Anton Emelyanov, Sergei Kudriashov, Alena Fenogenova

机构 * SberAI 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FiMMIA框架，用于多模态大语言模型中的成员推断攻击，通过识别数据分布偏移和改进基线流程，提升对抗检测性能。

Comments System demo track paper for EACL 2026

Explainable AI for Next-Generation Wireless Physical Layer: Basics, State-of-the-Art, and Open Challenges

下一代无线物理层的可解释人工智能：基础、最新进展与开放挑战

Bingnan Xiao, Shuyan Hu, Xiaojing Chen, Zhiyuan Zhai, Bingcong Li, Wei Ni, Xin Wang, Ekram Hossain

专题命中 效率与部署 ：LLM(abstract,abstract_cn)

AI总结 本文综述了无线物理层中可解释人工智能（XAI）的应用，提出了面向责任的目标，建立了系统分类法，并讨论了可解释性-性能权衡等开放挑战。

Comments 30 pages, 11 figures

Latent Visual States for Efficient Multimodal Reasoning

用于高效多模态推理的潜在视觉状态

Xiuwei Chen, Wentao Hu, Yongxin Wang, Zisheng Chen, Likui Zhang, Kun Xiang, Jianhua Han, Hui-Ling Zhen, Jingyuan Zou, Hang Xu, Xiaodan Liang

机构 * Sun Yat-sen University（中山大学） ； The Hong Kong Polytechnic University（香港理工大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Huawei Noah’s Ark Lab（华为诺亚方舟实验室） ； Yinwang Intelligent Technology Co. Ltd（银旺智能科技有限公司） 纠错

专题命中 效率与部署 ：SFT(abstract,abstract_cn)

AI总结 提出EVA框架，通过生成连续潜在视觉表示（Latent_slot tokens）作为中间推理思考，并设计D-GSPO解决优化策略偏差，构建EVA-230K数据集，在多个基准上提升性能与推理效率。

Surprise-Guided MergeSort: Budget-Efficient Human-in-the-Loop Ranking via Adaptive Comparison Scheduling

惊喜引导的归并排序：通过自适应比较调度实现预算高效的人机协同排名

Yujin Park, Haejun Chung, Ikbeom Jang

机构 * Hanyang University（汉阳大学） ； Hankuk University of Foreign Studies（韩国外国语大学） 纠错

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

AI总结 提出惊喜引导的归并排序（SGS）框架，利用视觉语言模型（VLM）作为问题优先级排序器，通过自适应预算分配将高模糊度比较路由给人类，在六个基准上以相同预算实现Kendall's τ×100提升6-12点。

Comments After submission, we discovered significant issues in the reference and citation information used in the manuscript. Because these issues affect the integrity of the scholarly record and require substantial revision and verification, we request withdrawal of the current submission. A corrected version may be submitted in the future after a comprehensive review

MOCHA: Multi-modal Objects-aware Cross-arcHitecture Alignment

MOCHA: 多模态对象感知的跨架构对齐

Elena Camuffo, Francesco Barbato, Mete Ozay, Simone Milani, Umberto Michieli

机构 * University of Padova（帕多瓦大学） 纠错

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

AI总结 提出MOCHA蒸馏框架，将冻结VLM教师的多模态区域知识迁移至轻量视觉检测器，通过双重损失实现局部对齐与全局关系一致性，在少样本个性化检测中平均提升10.1%。

Comments 18 pages main paper, 10 pages supplementary material

Journal ref Proceedings of ECCV 2026

Posterior Refinement: Fast Language Generation via Any-Order Flow Maps

后验精炼：通过任意阶流映射实现快速语言生成

Manan Agarwal, Sheel Shah, Chanhyuk Lee, Jaehoon Yoo, Jerry Huang, Seunghoon Hong, Aditi Raghunathan, Jinwoo Kim, Nicholas M. Boffi

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 提出FMLM+框架，结合掩码噪声调度实现单步生成，并利用后验评分进行自适应精炼，在32倍更少NFE下达到离散基线性能，改善速度-质量权衡。

Comments 24 pages, 23 figures

Parallel Manifold Steering: Efficient Adaptation of Large Associative Memories via Residual Energy Shaping

并行流形引导：通过残差能量塑形实现大型联想记忆的高效适应

Kanishk Awadhiya

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 提出H-Res机制，通过残差能量塑形在不改变全局平衡或扩展序列长度的情况下调节Transformer的能量景观，实现高效任务适应，在联想检索任务上比全局权重修改提升26%并消除提示方法的计算开销。

Comments Accepted at ICLR Workshop 2026

Similarity of Neural Network Representations in Superposition

神经网络表示在叠加中的相似性

Sunny Liu, Habon Issa, André Longon, Liv Gorton, Meenakshi Khosla, Alex Williams, David Klindt

机构 * Cold Spring Harbor Laboratory（冷泉港实验室） ； UC San Diego（加州大学圣地亚哥分校） ； Anthropic（Anthropic公司） ； New York University Flatiron Institute（纽约大学Flatiron研究所） 纠错

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

AI总结 研究线性对齐度量在神经网络叠加表示中的失效问题，通过理论推导和稀疏自编码器实验证明对齐度量受投影Gram矩阵影响，并展示基于恢复潜在特征的度量能正确反映特征共享。

Comments 17 pages, 4 figures

Boosting Text-Driven Video Segmentation via Geometry-Aware Distillation

通过几何感知蒸馏提升文本驱动视频分割

Tianyu Zhu, Yingping Liang, Hesong Li, Ying Fu

机构 * Beijing Institute of Technology（北京理工大学） 纠错

专题命中 效率与部署 ：pretraining(abstract)

AI总结 提出GeoLaV两阶段框架，通过单目几何预训练和几何感知蒸馏，将3D几何知识从图像迁移到视频，提升文本驱动视频分割的时空一致性和语言定位能力，在多个基准上达到最优。

Comments Accepted by ECCV2026

P-MTP: Efficient Document Parsing via Multi-Token Prediction with Progressive Depth Scaling

P-MTP: 通过渐进深度缩放的多令牌预测实现高效文档解析

Le Xiang, Chenxi Zhai, Shu Wei, Jingjing Wu, Qunyi Xie, Xiao Tan, Kunbin Chen, Wei He

机构 * Department of Computer Vision Technology (VIS) Baidu Inc China（百度计算机视觉技术部（VIS）） ； Tsinghua University Shenzhen International Graduate School China（清华大学深圳国际研究生院） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 提出P-MTP框架，通过渐进式多令牌预测和轻量级MTP模块，结合渐进课程损失和置信门控动态草稿，实现文档解析高达5倍加速且精度损失极小。

Flow as Flow: Modeling Robot Velocity Fields as Probability Velocity Fields for Flow-Based Object Manipulation

Flow as Flow：将机器人速度场建模为概率速度场用于基于流的物体操作

Koki Seno, Daichi Yashima, Yusuke Takagi, Kento Tokura, Komei Sugiura

机构 * Keio University（庆应义塾大学） 纠错

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

AI总结 提出Flow as Flow框架，将机器人速度场建模为概率流，基于流匹配公式实现高效高质量的机器人流生成，在标准基准和真实世界实验中优于基线方法。

Data-Forcing Distillation: Restoring Diversity and Fidelity in Few-Step Video Generation

数据强制蒸馏：恢复少步视频生成中的多样性和保真度

Siyi Chen, Shaowei Liu, Yixuan Jia, Zian Wang, Huan Ling, Qing Qu, Jun Gao

机构 * University of Michigan（密歇根大学） ； NVIDIA（英伟达） ； 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 ：post-training(abstract)

AI总结 针对分布匹配蒸馏（DMD）在少步视频生成中出现的模式坍塌和过饱和问题，提出数据强制蒸馏（DFD）框架，通过教师评分差异引导学生接近真实数据分布，仅需一行代码修改即可恢复多样性和保真度。

PRISM-SLAM: Probabilistic Ray-Grounded Inference for Scale-aware Metric SLAM

PRISM-SLAM: 面向尺度感知度量SLAM的概率射线基础推理

Eunsoo Im, Gyeonggwan Lee, Seunghwan Hong, Junghun Suh

机构 * KakaoMobility, South Korea（韩国 KakaoMobility） 纠错

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

AI总结 提出PRISM-SLAM框架，通过将视觉基础模型先验集成到贝叶斯因子图中，利用Plücker射线距离因子和动态场景不确定性门控机制，实现无尺度漂移的实时单目度量SLAM。

Generative Manifold Distillation: Aligning Restoration Trajectories with Natural Image Prior

生成式流形蒸馏：将恢复轨迹与自然图像先验对齐

Yuyang Hu, Mojtaba Sahraee-Ardakan, Arpit Bansal, Kangfu Mei, Chenyang Qi, Peyman Milanfar, Mauricio Delbracio

机构 * Google（谷歌） ； Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

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

AI总结 提出生成式流形蒸馏（GMD），通过几何流形对齐实现无配对域自适应，利用冻结文本到图像基础模型的流匹配动力学将离流形恢复投影到自然图像流形，并引入质量门控滤波器和源锚定轨迹正则化，无需架构修改或推理延迟即可提升感知质量。

LLM-MINE: Large Language Model based Alzheimer's Disease and Related Dementias Phenotypes Mining from Clinical Notes

LLM-MINE：基于大语言模型的临床笔记中阿尔茨海默病及相关痴呆症表型挖掘

Mingchen Shao, Yuzhang Xie, Carl Yang, Jiaying Lu

机构 * Northwestern University（西北大学） ； Emory University（埃默里大学） 纠错

专题命中 领域大模型 ：LLM(title,title_cn)；large language model(title,abstract)；language model(title,abstract)；prompting(abstract)

AI总结 提出LLM-MINE框架，利用大语言模型从临床笔记中自动提取ADRD表型，通过统计显著性和无监督疾病分期评估，发现记忆障碍是最强区分因子，少样本提示结合表型列表实现最佳聚类性能。

RASC+: Retrieval-Constrained LLM Adjudication for Clinical Value Set Authoring

RASC+: 用于临床值集创作的检索约束LLM裁决

Sumit Mukherjee

机构 * Oracle Health, USA（美国甲骨文健康） 纠错

专题命中 领域大模型 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 提出RASC+方法，通过检索优化候选池召回率，并利用约束LLM裁决器选择候选，在临床值集完成任务上显著提升F1分数，同时保证返回代码来自可审计候选池。

Policies Permitting LLM Use for Polishing Peer Reviews Are Currently Not Enforceable

允许使用LLM润色同行评审的政策目前无法执行

Rounak Saha, Gurusha Juneja, Dayita Chaudhuri, Naveeja Sajeevan, Nihar B Shah, Danish Pruthi

机构 * Indian Institute of Science（印度科学研究院） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 领域大模型 ：LLM(title,title_cn)；分类 cs.CL、cs.AI、cs.LG

AI总结 本研究通过模拟多级人机协作的同行评审数据集，评估五种AI文本检测器，发现它们无法可靠区分LLM润色后的评审与纯人工评审，导致误判风险，表明当前政策不可执行。

Comments ICML 2026

When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments

当AI遇见金融（StockAgent）：基于大语言模型的模拟真实环境股票交易

Chong Zhang, Xinyi Liu, Zhongmou Zhang, Mingyu Jin, Lingyao Li, Zhenting Wang, Wenyue Hua, Dong Shu, Suiyuan Zhu, Xiaobo Jin, Sujian Li, Mengnan Du, Yongfeng Zhang

机构 * University of Liverpool（利物浦大学） ； Peking University（北京大学） ； Shanghai University of Finance（上海金融学院） ； Rutgers University（罗格斯大学） ； University of Michigan（密歇根大学） ； Northwestern University（西北大学） ； New York University（纽约大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； New Jersey Institute of Technology（新泽西理工学院） 纠错

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 提出基于大语言模型的多智能体系统StockAgent，模拟真实股票交易环境，评估外部因素对交易行为的影响，并避免测试集泄露问题。

Comments 33 pages, 10 figures. Published in ACM Transactions on Intelligent Systems and Technology (TIST)

Toward Self-Evolution-Ready Workflow Harnesses: A Reversible Migration Path and Convertibility Taxonomy for Expert LLM Pipelines

面向自进化就绪工作流工具：专家大语言模型管道的可逆迁移路径与可转换性分类法

Yimo Lin, Zhen Zhang, Yibin Li

机构 * Yunyong Century (Beijing) Artificial Intelligence Technology Co., Ltd.（云涌世纪（北京）人工智能科技有限公司） ； Tsinghua University（清华大学） 纠错

专题命中 领域大模型 ：LLM(title,summary_cn)；分类 cs.AI、cs.LG

AI总结 针对专家验证的“LLM+脚本”工作流静态、无法自适应的问题，提出一种基于绞杀者模式的可逆迁移路径，将遗留工作流重构为可组合、类型化、可审计的阶段，并引入三级可转换性分类法（A/B/C）作为路由阶段诊断工作流就绪状态。

Transformer-Based Language Models Across Domain Verticals: Architectures, Applications and Critical Assessment

基于Transformer的语言模型在垂直领域中的应用：架构、应用与批判性评估

Guruprakash J, Krithika L. B

机构 * SCOPE, VIT-AP University（VIT-AP大学SCOPE学院） ； SCORE, VIT（VIT大学SCORE学院） 纠错

专题命中 领域大模型 ：language model(title,abstract)；RLHF(summary_cn)；instruction tuning(abstract)；分类 cs.CL

AI总结 本文系统梳理Transformer架构变体（编码器、解码器、长上下文等）及后2023年进展（指令微调、RLHF、MoE等），评估其在医疗、金融等领域的部署，并批判性分析模型选择、参数-能耗权衡及“SOTA”含义。

Knowledge-Graph Grounding Helps LLMs Only for Out-of-Training Knowledge: A Controlled Study on Clinical Question Answering

知识图谱基础仅对训练外知识帮助LLM：临床问答的受控研究

Madhulatha Mandarapu, Sandeep Kunkunuru

专题命中 领域大模型 ：LLM(title_cn,summary_cn)；分类 cs.CL

AI总结 通过受控实验发现，知识图谱基础仅在问题涉及模型训练外知识时提升LLM性能，对已知事实无帮助，且公共KG信息冗余。

Comments 9 pages. Code: https://github.com/samyama-ai/clinical-llm-graphrag

LLMs Prompted for Legal Context Object More: Overrefusal from Small On-Premises LLMs in Criminal Legal Context

LLMs在刑事法律语境中被提示为法律上下文对象：小型本地LLM的过度拒绝

Anastasiia Kucherenko, François Brouchoud, Dimitri Percia David, Andrei Kucharavy

机构 * IEM, HEG, HES-SO Valais-Wallis（瓦莱州-瓦利斯高等专业学院，管理与工程学院，经济与酒店管理学院） 纠错

专题命中 领域大模型 ：LLM(title_cn,summary_cn)；分类 cs.AI

AI总结 研究小型本地LLM在法律提示中的过度拒绝现象，发现权威性前缀（如“国家最高法院助理”）使拒绝率提高2-20倍，而角色扮演前缀效果不一，表明模型在真实机构用户可能引入的上下文框架下不稳定。

An LLM-based Two-Stage Transformer Framework for Cross-Domain Bearing Fault Diagnosis with Limited Data

基于LLM的两阶段Transformer框架用于跨域轴承故障诊断与有限数据

Jinghan Wang, Feng Cheng, Wentao Wu, Hang Li, Gaoliang Peng, Tianchen Liu

专题命中 领域大模型 ：LLM(title,title_cn)；分类 cs.CL、cs.LG

AI总结 提出知识引导的两阶段迁移学习框架，使用轻量级GPT-2风格Transformer提取振动信号层次特征，通过原型知识调制和分类自适应实现跨域故障诊断，在仅10%标注数据下达到92.61%准确率。

Comments Accepted as a conference article of AIM 2026

Closing the Loop: Formally Verified Law as a Reward Signal for Self-Improving Legal AI

闭环：形式化验证的法律作为自我改进法律AI的奖励信号

Armin Heydari, Torben Leowald

机构 * Harvard University（哈佛大学） ； Columbia University（哥伦比亚大学） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；分类 cs.LG

AI总结 提出一种架构，通过LLM驱动的形式化转换和验证内核，为法律AI提供可验证的奖励信号，实现闭环强化学习，并在多个法律领域展示其优势。

Comments 14 pages, no figures