GeoPix: Multi-Modal Large Language Model for Pixel-level Image Understanding in Remote Sensing
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)
AI 大模型
语言大模型 / LLM
大语言模型、预训练、指令微调、后训练和语言模型应用。
1. 长上下文与记忆 4789 篇
Multimodal Needle in a Haystack: Benchmarking Long-Context Capability of Multimodal Large Language Models
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI、cs.LG
Comments Accepted at NAACL 2025 Main
AgentMove: A Large Language Model based Agentic Framework for Zero-shot Next Location Prediction
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI、cs.LG
Comments Accepted by NAACL 2025 as main conference paper, https://github.com/tsinghua-fib-lab/AgentMove
Tapping the Potential of Large Language Models as Recommender Systems: A Comprehensive Framework and Empirical Analysis
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；prompting(abstract)
Comments 52 pages, under review
Mell: Memory-Efficient Large Language Model Serving via Multi-GPU KV Cache Management
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)
DaDu-E: Rethinking the Role of Large Language Model in Robotic Computing Pipeline
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)
Comments 27 pages, 5 figures, submitted to JFR
Harnessing Large Language Models for Seed Generation in Greybox Fuzzing
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)
VidCompress: Memory-Enhanced Temporal Compression for Video Understanding in Large Language Models
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)
Comments 9 pages, 4 figures
Re-Tuning: Overcoming the Compositionality Limits of Large Language Models with Recursive Tuning
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI、cs.LG
Comments Accepted to ACL 2024
VERT: Verified Equivalent Rust Transpilation with Large Language Models as Few-Shot Learners
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)
Memoro: Using Large Language Models to Realize a Concise Interface for Real-Time Memory Augmentation
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)
Comments 18 pages, 9 figures, project page at https://www.media.mit.edu/projects/memoro/overview
Journal ref Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI '24), May 11--16, 2024, Honolulu, HI, USA
KwaiAgents: Generalized Information-seeking Agent System with Large Language Models
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI、cs.LG
Small Models are Valuable Plug-ins for Large Language Models
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI、cs.LG
Are they human? Detecting large language models by probing human memory constraints
他们真的是人类吗？通过探测人类记忆限制来检测大语言模型
机构 * Princeton University（普林斯顿大学）
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI；LLM(comments)
AI总结 本文通过探测人类认知限制来区分大语言模型与人类，展示了在特定任务中人类工作记忆容量的限制可被利用以识别非人类参与者。
Comments Code available at https://github.com/smonsays/llm-humanness
Long Context RAG Performance of Large Language Models
专题命中 长上下文与记忆 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.LG；foundation model(comments)
Comments 2024 NeurIPS workshop on Adaptive Foundation Models: Evolving AI for Personalized and Efficient Learning
Mitigating Identity Essentialism in LLM Agents with Longitudinal Life Trajectories
通过纵向生活轨迹缓解大语言模型智能体中的本质主义身份偏差
专题命中 长上下文与记忆 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 针对现有LLM智能体存在的身份本质主义偏差导致组内反应同质化的问题，提出LifeMem纵向记忆框架，在Add Health等数据集上验证其可提升与人类数据的一致性。
Comments 23 pages, 12 figures
Remember, Verify, or Ask? Cross-Family Evaluation of Memory Commitment in LLM Agents
记住、验证还是询问？大语言模型智能体中记忆承诺的跨家族评估
机构 * Southern Methodist University（南卫理公会大学） ； Washington University in St. Louis（圣路易斯华盛顿大学）
专题命中 长上下文与记忆 ：LLM(title,summary_cn)；prompting(abstract)；分类 cs.CL
AI总结 本研究通过MCB数据集评估LLM智能体的记忆承诺，发现模型验证事实变化更可靠，策略提示可降低错误持久率，少样本提示能提升部分任务准确率，但澄清召回率仍较低。
Credo: Declarative Control of LLM Pipelines via Beliefs and Policies
Credo：通过信念和策略实现LLM流水线的声明式控制
机构 * Brown University（布朗大学） ； Northwestern University（西北大学）
专题命中 长上下文与记忆 ：LLM(title,title_cn)；分类 cs.AI
AI总结 本文提出Credo，通过声明式策略和信念管理LLM流水线的决策，实现可适应、可审计和可组合的执行。
Comments VLDB 2026 (Demo)
Towards Improving Sequential Decision-Making in LLM Agents via Experience Memory
基于经验记忆提升大语言模型智能体的序列决策能力
专题命中 长上下文与记忆 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本研究针对LLM智能体序列决策性能不足的问题，提出带经验记忆的智能体框架，通过对局后反思与规则提取，在不修改模型权重的情况下提升了井字棋任务的表现。
Comments 8 pages, 6 figures, 14 tables, 5 appendices, accepted at Neuro-Symbolic Intelligence for LLMs and Autonomous Agents workshop at IJCAI 2026
LLM Agents Are Latent Context Managers: Eliciting Self-Managed Context via State Proprioception
LLM 智能体是潜在上下文管理者：通过本体感觉仪表盘引发自我管理上下文
机构 * Tencent（腾讯）
专题命中 长上下文与记忆 ：LLM(title,title_cn)；language model(abstract)；分类 cs.CL
AI总结 提出 VISTA 框架，通过为 LLM 智能体提供上下文状态仪表盘（令牌使用量、时效性、访问历史），无需训练即可实现自我上下文管理，在多个基准上显著提升性能。
Comments 27 pages, 12 figures
SafeHarbor: Defining Precise Decision Boundaries via Hierarchical Memory-Augmented Guardrail for LLM Agent Safety
SafeHarbor：用于LLM智能体安全的分层记忆增强防护栏
机构 * School of Cyber Science and Technology, Beihang University, Beijing, China（北京航空航天大学网络安全学院） ； Institute of Artificial Intelligence, Beihang University, Beijing, China（北京航空航天大学人工智能研究院） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学） ； AI Security Lab, Beijing, China（360人工智能安全实验室）
专题命中 长上下文与记忆 ：LLM(title,title_cn)；foundation model(abstract)；分类 cs.AI
AI总结 提出SafeHarbor框架，通过分层记忆系统和信息熵自进化机制，在保持高安全拒绝率的同时提升对良性请求的响应能力。
Comments Accepted by ICML 2026
On the Limits of Prompt-Conditioned Language Models as General-Purpose Learners
关于提示条件语言模型作为通用学习器的局限性
机构 * Queen Mary University London（伦敦玛丽女王大学） ； University College London（伦敦大学学院）
专题命中 长上下文与记忆 ：language model(title,abstract)；LLM(abstract,abstract_cn)；large language model(abstract)；prompting(abstract)
AI总结 本文通过廉价谈话博弈模型分析提示条件语言模型，证明语言作为容量受限通道导致任务不可区分性，并因对齐约束产生不可约误差，从而否定其通过提示实现通用问题求解的能力。
AtomMem: Building Simple and Effective Memory System for LLM Agents via Atomic Facts
AtomMem: 通过原子事实构建简单有效的LLM智能体记忆系统
机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能国家重点实验室） ； Anhui University（安徽大学）
专题命中 长上下文与记忆 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 针对现有记忆系统存储粗粒度、更新不稳定的问题，提出AtomMem，通过事实执行器提取高价值原子事实作为高效记忆表示，并组织为层次化事件结构和时间档案，实现价值密集存储和稳定演化，在LoCoMo基准上取得最优性能。
Comments 19 pages, 10 figures, 5 tables
DELTAMEM: Incremental Experience Memory for LLM Agents via Residual Trees
DELTAMEM: 通过残差树为LLM智能体增量式经验记忆
机构 * Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大模型与智能治理重点实验室） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（下一代智能搜索与推荐工程技术研究中心，教育部） ； Gaoling School of Artificial, Renmin University of China（中国人民大学人工智能学院） ； Duke University School of Medicine（杜克大学医学学院）
专题命中 长上下文与记忆 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 提出DeltaMem框架，通过构建两个独立的残差树（目标条件任务经验和场景级环境知识）组织经验记忆，利用增量节点减少冗余，并通过失败惩罚相似度扫描和自主合并机制实现高效检索与自组织，在多种交互环境中优于现有基线。
Can LLM Agents Sustain Long-Horizon Organizational Dynamics?
LLM智能体能否维持长期组织动态？
机构 * Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 长上下文与记忆 ：LLM(title,title_cn)；language agent(abstract)；分类 cs.AI
AI总结 提出TaskWeave分层智能体框架，通过记忆中心的协调机制（规划-分解-诊断-对齐循环和依赖感知追踪记忆）实现长期组织模拟，实验表明该框架能维持连贯的组织动态并产生可靠的人工制品。
SelfGrader: LLM Jailbreak Detection via Anchored Token-Level Logits
SelfGrader: 基于锚定令牌级对数概率的LLM越狱检测
机构 * Department of Computer Science and Engineering, University of Nevada, Reno（内华达大学里诺分校计算机科学与工程系） ； Oak Ridge National Laboratory（橡树岭国家实验室）
专题命中 长上下文与记忆 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 提出SelfGrader方法，利用锚定令牌级对数概率将越狱检测转化为数值评分问题，实现低延迟、低误报率的鲁棒检测。
KVDrive: A Holistic Multi-Tier KV Cache Management System for Long-Context LLM Inference
KVDrive: 一个面向长上下文LLM推理的多层级KV缓存管理系统
机构 * Hong Kong University of Science and Technology China（香港科技大学中国） ； Xi’an Jiaotong University China（西安交通大学中国）
专题命中 长上下文与记忆 ：LLM(title,title_cn)；分类 cs.CL
AI总结 本文提出KVDrive，一个面向长上下文LLM推理的多层级KV缓存管理系统，通过联合缓存放置、流水线调度和跨层级协调，实现了高吞吐量的推理，在有限的GPU预算下保持高精度。
Don't Start What You Can't Finish: A Counterfactual Audit of Support-State Triage in LLM Agents
不要开始无法完成的任务：对LLM代理支持状态分拣的反事实审计
机构 * Globeholder Paris, France（巴黎 Globeholder 机构，法国）
专题命中 长上下文与记忆 ：LLM(title,title_cn)；prompting(abstract)；分类 cs.AI
AI总结 本文通过反事实审计框架评估LLM代理在任务分拣中的能力，发现默认执行过度承诺非完整任务，而通过特定提示条件可显著提升分拣准确性。
AgentForge: Execution-Grounded Multi-Agent LLM Framework for Autonomous Software Engineering
AgentForge: 基于执行的多智能体LLM框架用于自主软件工程
机构 * International Research Center for Complexity Sciences（复杂科学国际研究中心） ； Hangzhou International Innovation Institute（杭州国际创新研究院） ； Beihang University（北京航空航天大学） ； College of Science, Mathematics and Technology（科学、数学与技术学院） ； Wenzhou-Kean University（温州-凯恩大学） ； Fakulti Teknologi Maklumat dan Komunikasi（信息技术与通信学院） ； Universiti Teknikal Malaysia Melaka（马来西亚Melaka理工大学） ； Computer Systems Engineering Department（计算机系统工程系） ； Sukkur IBA University（苏库尔IBA大学） ； University of Electronic Science and Technology of China（电子科学与技术大学）
专题命中 长上下文与记忆 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 AgentForge通过引入执行验证原则，提升代码正确性验证，实现40.0%的SWE-BENCH Lite解决率，优于单智能体基线。
EMBER: Autonomous Cognitive Behaviour from Learned Spiking Neural Network Dynamics in a Hybrid LLM Architecture
EMBER：在混合大语言模型架构中通过学习的脉冲神经网络动态实现自主认知行为
机构 * Independent Researcher（独立研究者）
专题命中 长上下文与记忆 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；prompting(abstract)
AI总结 本文提出EMBER架构，通过学习的脉冲神经网络动态实现大语言模型与记忆之间的关系重组，利用STDP和奖励调节学习实现自主行为决策。
Comments Preprint. 9 pages, 2 figures, 3 tables. NeurIPS 2026 format
