语言大模型 / LLM

AdaptVision: Efficient Vision-Language Models via Adaptive Visual Acquisition

AdaptVision: 通过自适应视觉获取实现高效的视觉-语言模型

Zichuan Lin, Yicheng Liu, Yang Yang, Lvfang Tao, Deheng Ye

机构 * Tencent Hunyuan（腾讯文言） 纠错

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

AI总结 AdaptVision通过自适应视觉获取机制，结合强化学习与工具学习，提升视觉-语言模型在视觉问答任务中的效率与准确性。

Comments Accepted by CVPR 2026. Code and models are available at https://github.com/AdaptVision/AdaptVision

Okara: Detection and Attribution of TLS Man-in-the-Middle Vulnerabilities in Android Apps with Foundation Models

Okara：基于基础模型的Android应用TLS中间人漏洞检测与归因

Haoyun Yang, Ronghong Huang, Yong Fang, Beizeng Zhang, Junpu Guo, Zhanyu Wu, Xianghang Mi

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

AI总结 Okara利用基础模型自动化检测和归因Android应用中的TLS中间人漏洞，发现8374个存在漏洞的应用，揭示第三方库和不安全模式为主要问题，提出新的分类体系并推动责任披露。

Comments Accepted to ACISP 2026

ERGO: Efficient High-Resolution Visual Understanding for Vision-Language Models

ERGO：高效高分辨率视觉理解用于视觉-语言模型

Jewon Lee, Wooksu Shin, Seungmin Yang, Ki-Ung Song, DongUk Lim, Jaeyeon Kim, Tae-Ho Kim, Bo-Kyeong Kim

机构 * Nota Inc.（Nota公司） 纠错

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

AI总结 ERGO提出一种两阶段'粗到细'推理流程，通过下采样图像识别任务相关区域，再以全分辨率裁剪处理，从而在降低计算成本的同时保留必要的细粒度视觉细节，提升视觉-语言模型的效率与准确性。

VisionZip: Longer is Better but Not Necessary in Vision Language Models

VisionZip: 更长并非必要，但在视觉语言模型中更优

Senqiao Yang, Yukang Chen, Zhuotao Tian, Chengyao Wang, Jingyao Li, Bei Yu, Jiaya Jia

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

AI总结 本文提出VisionZip方法，通过选择信息性视觉token提升效率并保持性能，实验显示在多种设置下性能提升至少5%，同时显著加快推理速度。

Comments Code: https://github.com/dvlab-research/VisionZip

MaDiS: Taming Masked Diffusion Language Models for Sign Language Generation

MaDiS：驯服掩码扩散语言模型用于手语生成

Ronglai Zuo, Rolandos Alexandros Potamias, Qi Sun, Evangelos Ververas, Jiankang Deng, Stefanos Zafeiriou

机构 * Imperial College London（伦敦帝国学院） 纠错

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

AI总结 本文提出MaDiS，一种基于掩码扩散的语言模型，用于手语生成，通过双向依赖捕捉和高效并行多令牌生成，提升生成效率和质量，同时引入三级交叉模态预训练方案和混合部分嵌入层，实现多层级手语表示。

Aligning Language Models from User Interactions

从用户交互对齐语言模型

Thomas Kleine Buening, Jonas Hübotter, Barna Pásztor, Idan Shenfeld, Giorgia Ramponi, Andreas Krause

机构 * ETH Zurich（苏黎世联邦理工学院） ； MIT（麻省理工学院） ； University of Zurich（苏黎世大学） 纠错

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

AI总结 本文提出通过自蒸馏直接从用户交互学习的方法，利用用户反馈调整模型行为，提升对齐和指令遵循能力，同时实现个性化和持续适应。

$Ψ_0$: An Open Foundation Model Towards Universal Humanoid Loco-Manipulation

$Ψ_0$：一种面向通用人形机器人运动- manipulation 的开放基础模型

Songlin Wei, Hongyi Jing, Boqian Li, Zhenyu Zhao, Jiageng Mao, Zhenhao Ni, Sicheng He, Jie Liu, Xiawei Liu, Kaidi Kang, Sheng Zang, Weiduo Yuan, Marco Pavone, Di Huang, Yue Wang

专题命中 效率与部署 ：foundation model(title,abstract)；post-training(abstract)

AI总结 本文提出$Ψ_0$模型，通过分阶段训练和异构数据利用，实现高效的人形机器人运动- manipulation 任务，仅用800小时视频和30小时机器人数据即超越基线性能。

ForensicZip: More Tokens are Better but Not Necessary in Forensic Vision-Language Models

ForensicZip: 更多令牌更好但并非必要在取证视觉-语言模型中

Yingxin Lai, Zitong Yu, Jun Wang, Linlin Shen, Yong Xu, Xiaochun Cao

机构 * Great Bay University（大湾大学） ； Shenzhen University（深圳大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； School of Cyber Science and Technology, Sun Yat-sen University（中山大学网络安全科学与技术学院） 纠错

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

AI总结 ForensicZip通过引入无需训练的框架，从伪造驱动的角度重新定义令牌压缩，利用最优传输问题量化物理不连续性，实现高压缩率下的取证证据分离与高效检测性能。

Enhancing Lightweight Vision Language Models through Group Competitive Learning for Socially Compliant Navigation

通过群体竞争学习增强轻量级视觉语言模型以实现符合社会规范的导航

Xinyu Zhang, Atsushi Konno, Toshihiko Yamasaki, Ling Xiao

机构 * Hokkaido University（北海道大学） ； The University of Tokyo（东京大学） 纠错

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

AI总结 本文提出群体竞争学习策略，通过协调全局语义与分布正则化，提升轻量级VLMs在社交导航中的推理与决策能力，实现高准确性和高效性。

Novel Semantic Prompting for Zero-Shot Action Recognition

新颖的语义提示用于零样本动作识别

Salman Iqbal, Waheed Rehman

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

AI总结 本文提出SP-CLIP框架，通过结构化语义提示提升零样本动作识别性能，尤其在细粒度和组合动作上表现优异，同时保持模型效率和泛化能力。

The Dual-Stream Transformer: Channelized Architecture for Interpretable Language Modeling

双流变压器：用于可解释语言模型的通道化架构

J. Clayton Kerce, Alexis Fox

机构 * Georgia Tech Research Institute（佐治亚理工学院研究机构） 纠错

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

AI总结 双流变压器通过分解残差流为两个功能组件，实现可解释性与性能之间的权衡，适用于可解释语言模型。

LLM-Guided Decentralized Exploration with Self-Organizing Robot Teams

基于大语言模型的去中心化探索与自组织机器人团队

Hiroaki Kawashima, Shun Ikejima, Takeshi Takai, Mikita Miyaguchi, Yasuharu Kunii

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

AI总结 本研究提出一种基于大语言模型的自组织机器人团队探索方法，通过自主动态形成团队和自主确定探索目标，提升多团队探索的效率与鲁棒性。

Comments Author's version of the paper presented at AROB-ISBC 2026

Journal ref Proc. of the Joint Symposium of AROB 31st and ISBC 11th (AROB-ISBC 2026), pp. 923-927, 2026

Scaling with Collapse: Efficient and Predictable Training of LLM Families

按比例崩溃：高效且可预测的LLM家族训练

Shane Bergsma, Bin Claire Zhang, Nolan Dey, Shaheer Muhammad, Gurpreet Gosal, Joel Hestness

机构 * Cerebras Systems（Cerebras系统） 纠错

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

AI总结 该研究发现LLM训练中的崩溃现象，表明通过优化超参数可实现高效且可预测的训练，提出了Celerity模型并展示了其在训练诊断和超参数调优中的应用。

Comments ICLR 2026

When Scaffolding Breaks: Investigating Student Interaction with LLM-Based Writing Support in Real-Time K-12 EFL Classrooms

当支架失效：研究学生与基于LLM的写作支持在实时K-12英语课堂中的互动

Junho Myung, Hyunseung Lim, Hana Oh, Hyoungwook Jin, Nayeon Kang, So-Yeon Ahn, Hwajung Hong, Alice Oh, Juho Kim

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

AI总结 研究探讨了基于LLM的实时写作支持在K-12英语课堂中的效果，发现其虽提升写作能力，但对低水平学生有负面影响，并提出了包容性设计建议。

Comments Conditionally Accepted to CHI2026

BinaryShield: Cross-Service Threat Intelligence in LLM Services using Privacy-Preserving Fingerprints

BinaryShield: 在LLM服务中利用隐私保护指纹实现跨服务威胁情报

Waris Gill, Natalie Isak, Matthew Dressman

机构 * Microsoft Redmond, USA（微软红mond分校） ； Microsoft New York, USA（微软纽约分校） 纠错

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

AI总结 BinaryShield通过隐私保护技术实现跨服务威胁情报共享，提升LLM安全防护能力。

Comments Accepted at the 2026 IEEE Conference on Secure and Trustworthy Machine Learning (SaTML)

A data- and compute-efficient chest X-ray foundation model beyond aggressive scaling

超越激进扩展的高效胸片基础模型

Chong Wang, Yabin Zhang, Yunhe Gao, Maya Varma, Clemence Mottez, Faidra Patsatzi, Jiaming Liu, Jin Long, Jean-Benoit Delbrouck, Sergios Gatidis, Akshay S. Chaudhari, Curtis P. Langlotz

机构 * Stanford Center for Artificial Intelligence in Medicine and Imaging（斯坦福大学人工智能医学与成像中心） ； Stanford University（斯坦福大学） ； Department of Radiology（放射科） ； Department of Computer Science（计算机科学系） ； Department of Pediatrics（儿科） ； Department of Biomedical Data Science（生物医学数据科学系） ； Department of Medicine（医学系） 纠错

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

AI总结 CheXficient通过高效数据整理和计算资源利用，在少量数据和计算预算下实现了与大规模预训练模型相当的性能，提升了医学影像基础模型的泛化能力。

Variation-aware Vision Token Dropping for Faster Large Vision-Language Models

面向变化的视觉令牌丢弃以加速更大的视觉-语言模型

Junjie Chen, Xuyang Liu, Zichen Wen, Yiyu Wang, Siteng Huang, Honggang Chen

机构 * Sichuan University（四川大学） ； EPIC Lab, Shanghai Jiao Tong University（上海交通大学EPIC实验室） ； Zhejiang University（浙江大学） 纠错

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

AI总结 本文提出V²Drop方法，通过动态令牌变化机制在LVLM推理中减少令牌数量，提升计算效率，同时保持任务性能。

Comments Accepted by CVPR 2026. Code is available at \url{https://github.com/xuyang-liu16/V2Drop}

TOM: A Ternary Read-only Memory Accelerator for LLM-powered Edge Intelligence

TOM：一种用于LLM赋能边缘智能的三进制只读存储器加速器

Hongyi Guan, Yijia Zhang, Wenqiang Wang, Yizhao Gao, Shijie Cao, Chen Zhang, Ningyi Xu

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

AI总结 TOM通过三进制量化与混合ROM-SRAM架构，实现高密度、低功耗的边缘智能推理加速。

Comments 13 pages

Protein Language Models Diverge from Natural Language: Comparative Analysis and Improved Inference

蛋白质语言模型偏离自然语言：比较分析与改进推理

Anna Hart, Chi Han, Jeonghwan Kim, Huimin Zhao, Heng Ji

机构 * Siebel School of Data Science and Computing（数据科学与计算系） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； DOE Center for Advanced Bioenergy and Bioproducts Innovation（能源与生物产品创新部门） ； Chemical and Biomolecular Engineering（化学与生物分子工程系） 纠错

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

AI总结 本研究通过比较蛋白质与自然语言领域中信息分布差异，改进蛋白质非结构性质预测的准确性和效率。

LinVideo: A Post-Training Framework towards O(n) Attention in Efficient Video Generation

LinVideo: 一种面向高效视频生成的O(n)注意力后训练框架

Yushi Huang, Xingtong Ge, Ruihao Gong, Chengtao Lv, Jun Zhang

机构 * Hong Kong University of Science and Technology（香港科技大学） ； Beihang University（北航） ； Sensetime Research（商汤科技研究院） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 效率与部署 ：post-training(title,abstract)；pretraining(abstract)

AI总结 LinVideo提出一种高效的无数据后训练框架，通过选择性迁移将部分自注意力模块替换为线性注意力，从而在保持性能的同时显著提升视频生成效率。

Comments Accepted by CVPR 2026

Towards LLM-centric Affective Visual Customization via Efficient and Precise Emotion Manipulating

面向高效精准情感操控的基于大语言模型的有情感视觉定制

Jiamin Luo, Xuqian Gu, Jingjing Wang, Jiahong Lu

机构 * School of Computer Science and Technology, Soochow University（计算机科学与技术学院，苏州大学） 纠错

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

AI总结 本文提出基于大语言模型的有情感视觉定制任务，通过高效精准的情感操控方法实现图像主观情感的生成与修改。

Sink-Aware Pruning for Diffusion Language Models

面向扩散语言模型的Sink-aware剪枝

Aidar Myrzakhan, Tianyi Li, Bowei Guo, Shengkun Tang, Zhiqiang Shen

机构 * VILA Lab, MBZUAI（VILA实验室，MBZUAI） 纠错

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

AI总结 面向扩散语言模型的Sink-aware剪枝方法通过识别并剪枝不稳定sink，提升模型效率与质量的平衡，优于现有基线方法。

Comments Code at: https://github.com/VILA-Lab/Sink-Aware-Pruning

Lossless Vocabulary Reduction for Auto-Regressive Language Models

无损词汇缩减用于自回归语言模型

Daiki Chijiwa, Taku Hasegawa, Kyosuke Nishida, Shin'ya Yamaguchi, Tomoya Ohba, Tamao Sakao, Susumu Takeuchi

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

AI总结 本文提出了一种无损词汇缩减框架，使不同分词方式的语言模型能通过最大公共词汇高效合作，提升模型集成效率。

Comments The Fourteenth International Conference on Learning Representations (ICLR 2026)

Are foundation models for computer vision good conformal predictors?

计算机视觉基础模型是否是良好的符合预测器？

Leo Fillioux, Julio Silva-Rodríguez, Ismail Ben Ayed, Paul-Henry Cournède, Maria Vakalopoulou, Stergios Christodoulidis, Jose Dolz

机构 * MICS, CentraleSupélec, Université Paris-Saclay（MICS、中央理工巴黎高等学院、巴黎-萨克雷大学） ； LIVIA, ILLS, ETS Montréal（LIVIA、ILLs、蒙特利尔工程师学院） 纠错

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

AI总结 本文研究了计算机视觉基础模型在符合预测中的表现，发现其适合符合化过程，但校准置信度预测会降低效率，且视觉-语言模型在少样本适应中表现更优。

Characterize LSM-tree Compaction Performance via On-Device LLM Inference

通过设备端LLM推理特性化LSM树压缩性能

Jiabiao Ding, Yina Lv, Qiao Li, Zhirong Shen, Chun Jason Xue

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

AI总结 本文通过设备端LLM推理特性化LSM树压缩性能，评估不同规模LLM在调优与延迟间的权衡，并针对RocksDB v8.8.1优化键压缩参数。

Internalizing Multi-Agent Reasoning for Accurate and Efficient LLM-based Recommendation

内部化多智能体推理以实现准确且高效的基于LLM的推荐

Yang Wu, Haoze Wang, Qian Li, Jun Zhang, Huan Yu, Jie Jiang

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

AI总结 本文提出STAR模型，通过轨迹驱动的内部化方法，将多智能体推理能力高效整合到单模型中，实现准确且高效的推荐系统。

Vulnerabilities in Partial TEE-Shielded LLM Inference with Precomputed Noise

部分TEE防护LLM推断中的漏洞

Abhishek Saini, Haolin Jiang, Hang Liu

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

AI总结 研究揭示了部分TEE防护LLM推断中的漏洞，通过两种攻击证明了预计算静态秘密基础导致的加密漏洞，并展示了对先进LLMs的实际攻击效果。

Environment-in-the-Loop: Rethinking Code Migration with LLM-based Agents

环境在环：重新思考基于LLM代理的代码迁移

Xiang Li, Zhiwei Fei, Ying Ma, Jerry Zhang, Sarro Federica, He Ye

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

AI总结 本文提出了一种整合自动环境设置与代码迁移流程的框架，强调自动环境交互对代码迁移自动化的重要性。

LLM-CoOpt: A Co-Design and Optimization Framework for Efficient LLM Inference on Heterogeneous Platforms

LLM-CoOpt: 一种用于异构平台高效大语言模型推理的协同设计与优化框架

Jie Kong, Wei Wang, Jiehan Zhou, Chen Yu

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

AI总结 LLM-CoOpt通过协同设计与优化框架，提升大语言模型在异构平台上的推理效率，实现吞吐量和延迟的显著提升。

Revisiting the Shape Convention of Transformer Language Models

重新审视变换器语言模型的形状约定

Feng-Ting Liao, Meng-Hsi Chen, Guan-Ting Yi, Da-shan Shiu

机构 * National Taiwan University（国立台湾大学） 纠错

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

AI总结 本文重新审视变换器语言模型的MLP形状约定，提出更深层但更轻的hourglass FFN作为传统FFN的竞争替代品，并通过实验证明其在不同模型规模下的优越性能。