语言大模型 / LLM

Threshold-Based Early Stopping of Accumulations in Neural Networks with Binary Activation

基于阈值的二值激活神经网络累积量早停机制

Quentin Luquet de Saint-Germain, Massil Ait Abdeslam, Jean Pierre David

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

AI总结 本文提出一种训练后早停机制，通过预测二值神经网络累积量的最终符号，可减少VGG11在CIFAR-10上的运算量，仅造成小幅准确率下降。

Comments 9 pages, 3 figures, 1 table

When Do Prompt-Side Agent Playbooks Transfer? Accuracy, Cost, and Runtime Shift in Agent Deployment

提示侧智能体剧本何时可迁移？智能体部署中的准确性、成本与运行时偏移

Weihong Lin, Lin Sun, Xiangzheng Zhang

机构 * Beijing Qiyuan Technology Co., Ltd.（北京奇源科技有限公司） 纠错

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

AI总结 该研究在蒸馏-验证-迁移协议下探究提示侧智能体剧本的可迁移性，在ALFWorld、TAU2-Bench、XBench-DeepSearch等基准上测试发现其为有条件的冷启动选项，需目标侧验证相关指标。

Kastor: An efficient fine-tuning strategy for generative emulation of PDE simulations

Kastor：一种用于生成式模拟偏微分方程（PDE）仿真的高效微调策略

Guillaume Couairon, Alexis Jacq, Yu-Han Wu, Renu Singh, Yana Hasson, Quentin Berthet, Romuald Elie

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

AI总结 本研究提出Kastor微调策略，通过两阶段推理、均值预测正则化等方法改进物理基础模型，在The Well数据集上实现比Walrus更优的PDE仿真性能，降低预测误差并提升效率。

Comments 34 pages, 32 figures

AFD-Ledger: Deployment Provisioning for Attention--FFN Disaggregation

AFD-Ledger：注意力-前馈网络（FFN）拆分的部署配置

Chengyu Qiu, Xiao Fu, Fengcun Li, Yulei Qian, Yuchen Xie, Xunliang Cai, Yingdi Shan, Yongwei Wu, Mingxing Zhang

机构 * Tsinghua University（清华大学） ； Meituan（美团） 纠错

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

AI总结 AFD-Ledger是离线分析配置系统，可优化AFD与同置部署的硬件分配，减少部署评估量，预测吞吐量偏差小，揭示同构/异构AFD及角色硬件改进的部署规律。

Comments 14 pages, 14 figures, 2 tables

Task-Oriented Candidate-Latent Feedback for Coarse-to-Fine Sensing in Distributed OFDM-ISAC Networks

面向任务的候选隐变量反馈：分布式OFDM-ISAC网络中的粗到细感知

Shiv Shankar, Radha Krishna Ganti, J Klutto Milleth

机构 * Indian Institute of Technology (IIT), Madras（印度马德拉斯理工学院） ； Centre of Excellence in Wireless Technology (CEWiT)（无线技术卓越中心） 纠错

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

AI总结 该研究针对分布式OFDM-ISAC网络的SE-SF接口，提出基于学习的粗到细感知流水线与候选隐变量反馈方法，实现高检测率与低传输速率，且跨场景泛化性能良好。

Equivariant Music Transformer

等变音乐Transformer

Zixun Guo, Simon Dixon

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

AI总结 针对标准音乐Transformer等变性不足的问题，提出EMT模型，通过自蒸馏联合优化预测与等变正则化损失，在等变性和生成能力上优于现有方法。

Journal ref ISMIR 2026

When and Where to Look: Adaptive Visual Evidence Scheduling for Efficient Long Video Understanding

何时与何地查看：用于高效长视频理解的自适应视觉证据调度

Ke Li, Jiayu Chen, Maoliang Li, Zihao Zheng, Hailong Zou, Hengyi Zhang, Xuanzhe Liu, Xiang Chen

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

AI总结 提出无需训练的EcoFrame框架，通过熵门控预算调度和注意力引导候选提议实现高效视觉证据调度，在多个长视频理解基准上实现精度与效率的更优权衡。

Moving the Safety Barrier: Dynamic Routing Adaptive Alignment Against White-Box Attacks

移动安全屏障：针对白盒攻击的动态路由自适应对齐

Shangze Li, Chuancheng Shi, Simiao Xie, Lingzhi He, Cheng Ji, Zifeng Cheng, Fei Shen, Chao Wu, Tat-Seng Chua

机构 * Nanjing University of Science and Technology（南京理工大学） ； The University of Sydney（悉尼大学） ； National University of Singapore（新加坡国立大学） ； University of New South Wales（新南威尔士大学） ； Nanjing University（南京大学） 纠错

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

AI总结 针对大型基础模型易受路由级白盒攻击的问题，提出动态路由自适应对齐框架，通过引入动态补偿路由提升模型安全稳健性且保留通用实用性。

KC-Agent: A Dual-Process Cognitive Architecture for Efficient ML Model Improvement

KC-Agent：用于高效机器学习模型改进的双进程认知架构

Gusseppe Bravo-Rocca, Jordi Guitart, Ajay Dholakia, David Ellison, Puneet Jain

专题命中 效率与部署 ：LLM(abstract_cn)；分类 cs.AI

AI总结 KC-Agent是一种双进程认知架构，结合快速模式识别与审慎增量更新，在五组数据集评估中，以最优效率和领先性能优于现有认知架构，可高效应对真实世界数据漂移场景。

Comments Accepted at IEEE COMPSAC 2026

DART: Decoded Attention over Recurrent States for Efficient Long-Context Sequence Modeling

DART：用于高效长上下文序列建模的循环状态解码注意力

Yixiao Qian, Song Chen, Pengkai Wang, Jiaxu Liu, Shengze Cai, Chao Xu

机构 * College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院） ； National University of Singapore（新加坡国立大学） ； Hong Kong Polytechnic University（香港理工大学） ； School of Science, Huzhou Normal University（湖州师范学院理学院） 纠错

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

AI总结 DART基于Mamba-2的状态空间对偶性，通过保留分块状态记忆并解码键值执行状态-记忆注意力，减少长上下文推理缓存，同时提升关联召回与检索性能。

TALSC: Timeliness-Aware Large-Small VLM Collaboration for Infrastructure-Assisted Autonomous Driving

TALSC：面向基础设施辅助自动驾驶的时效性感知大小视觉语言模型协作

Mengmeng Zhu, Yuxuan Sun, Wei Chen, Bo Ai

机构 * School of Electronic and Information Engineering, Beijing Jiaotong University（北京交通大学电子与信息工程学院） 纠错

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

AI总结 针对基础设施辅助自动驾驶中VLM协作的时效性问题，提出TALSC框架，通过李雅普诺夫漂移加估计惩罚算法优化调度，在nuScenes仿真中较最优基线实现Micro-F1最高12.6%的归一化提升。

Comments This paper has been accepted by IEEE GLOBECOM 2026

EviSD: Evidence-Conditioned Self-Distillation for Search-Augmented Agents

EviSD：面向搜索增强智能体的证据条件自蒸馏

Jianan Xie, Xin Sun, Zhongqi Chen, Xing Zheng, Shu Wu, Bowen Song, Liang Wang

机构 * Ant Group（蚂蚁集团） ； NLPR, MAIS, CASIA（中国科学院自动化研究所模式识别国家重点实验室、多模态人工智能系统实验室） 纠错

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

AI总结 该研究针对搜索增强智能体的轨迹级信用问题，提出EviSD证据条件自蒸馏框架，在7个问答基准及3种骨干模型上，其宏观平均精确匹配优于最强对比方法1.3-2.3个百分点。

Comments 12 pages

3DZip: Spatial-Aware Feature Diversity-Guided Token Compression for 3D Question Answering

3DZip：面向3D视觉问答的空间感知特征多样性引导的Token压缩方法

Changwoo Baek, Kyeongbo Kong

机构 * Pusan National University（釜山国立大学） 纠错

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

AI总结 本文针对3D视觉问答中Token压缩忽略空间特性的问题，提出三阶段框架3DZip，在三个基准上以128个Token保留94.7%性能、提速1.92倍，优于现有方法。

Comments Accepted to ECCV 2026. Project page: https://cvsp-lab.github.io/3DZip

Coverage-Driven Adaptive Keyframe Selection for Video Understanding

面向视频理解的覆盖驱动型自适应关键帧选择

Junyang Zhang, Puhan Luo, Chen Tang, Yuxi Shi, Xiang-Yang Li

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

AI总结 本文针对视频理解中LVLM处理大量帧计算开销大的问题，提出无需训练的CSES关键帧选择器，通过覆盖驱动的自适应策略减少需评分和选择的帧数量，同时保持准确率并提升选择速度。

ORCA: ORgan-Centroid Aggregation for Training-Free 3D CT Visual Token Compression

ORCA：面向无需训练的3D CT视觉令牌压缩的器官质心聚合方法

Renjie Liang, Zijian Xu, Jinqian Pan, Chengkun Sun, Zhengkang Fan, Shawn Li, You Qin, Mei Liu, Jie Xu

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

AI总结 针对3D CT视觉令牌压缩的痛点，提出无需训练的即插即用ORCA方法，在多数据集、多任务上实现显著压缩比与速度提升，性能优于现有方法。

Interpretability-Guided Soft Pruning of Attention Heads in Vision Transformers

视觉Transformer中可解释性引导的注意力头软剪枝

Kamil Książek, Piotr Suszyński, Michał Jan Włodarczyk, Jacek Tabor, Przemysław Biecek

机构 * University of Warsaw（华沙大学） 纠错

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

AI总结 该研究针对视觉基础模型架构庞大的问题，提出可解释性引导的注意力头软剪枝框架SAPER，在ImageNet-1K上实现了优于RAPTOR的精度-效率权衡。

Bridging the Question-Answer Gap in Retrieval-Augmented Generation: Hypothetical Prompt Embeddings

弥合检索增强生成中的问答差距：假设提示嵌入

Domen Vake, Jernej Vičič, Aleksandar Tošić

机构 * University of Primorska（普里莫尔斯卡大学） ； InnoRenew CoE ； Research Centre of the Slovenian Academy of Sciences and Arts（斯洛文尼亚科学与艺术研究院研究中心） ； The Fran Ramovš Institute（弗兰·拉莫夫什研究所） 纠错

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

AI总结 该研究提出假设提示嵌入（HyPE）框架，将假设内容生成移至索引阶段，提升RAG的检索对齐度与效率，在六个数据集上实现检索精度和召回率的显著提升且兼容多种RAG技术

Comments 10 pages, 8 figures, 5 tables. Published in IEEE Access

Journal ref IEEE Access, vol. 13, pp. 129952-129961, 2025

$β$-OPSD: Deriving with Policy Optimization, Training with Self-Distillation

β-OPSD：基于策略优化推导，采用自蒸馏训练

Jiawei Xu, Minghui Liu, Juzheng Zhang, Tom Goldstein, Furong Huang

机构 * University of Maryland（马里兰大学） 纠错

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

AI总结 β-OPSD是将普通OPSD扩展为含可控正则化参数β的策略优化通用形式，通过蒸馏近似策略优化解，在数学推理基准上性能与稳定性均优于普通OPSD。

Beyond Geometric Complementarity: Coherent Overlap in Sparse Mixture-of-Experts Routing

超越几何互补性：稀疏混合专家路由中的相干重叠

Huiyuan Tian, Bonan Xu, Shijian Li

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

AI总结 该研究区分了MoE路由的相干性等量，提出相干重叠概念，发现所选专家子空间重叠显著但实际路由更优，且添加后续专家多能提升预测，说明几何相似性无法决定冗余或剪枝价值。

Beyond Binary Rewards: A Comparative Study of Reward Design for Reinforcement Unlearning

超越二元奖励：强化遗忘的奖励设计比较研究

Efstratios Zaradoukas, Davide Gabrielli, Bardh Prenkaj, Gjergji Kasneci

机构 * Technical University of Munich（慕尼黑工业大学） ； Sapienza University of Rome（罗马大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

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

AI总结 该研究在RUL框架下提出两种新型奖励函数，经RWKU基准实验，其遗忘效率较二元奖励提升，速度快达3倍且保留模型效用，表明奖励设计是机器遗忘效率的关键驱动因素。

Comments Accepted to WIPE-OUT 2 @ ECML-PKDD 2026

LAST: The Last Query Token Guides Visual Token Pruning for Edge-Cloud Collaborative MLLM Inference

LAST：最后一个查询令牌指导视觉令牌剪枝用于边缘-云协作多模态大语言模型（MLLM）推理

Feng Yang, Xinrui Ju, Keyang Zhang, Xiandong Meng, Rongqun Lin, Howard Leung, Shiqi Wang, Haoliang Li, Chris Xing Tian

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

AI总结 该研究提出无训练框架LAST，利用边缘侧VLM的最后查询令牌注意力实现查询感知视觉令牌剪枝，在11个多模态基准上以12.5%视觉令牌保留率维持95.4%全令牌准确率，降低边缘和云侧开销。

The Sparsity Ceiling: Where Spiking Networks Can and Cannot Trade Activity for Energy

稀疏上限：脉冲网络可在何处及为何用活动换能量

Zeyu Wang

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 该研究揭示脉冲网络稀疏上限由任务类型决定，前馈感知可低至5%放电率，循环语言模型约50%，脉冲Transformer可至2%，并提出信息论边界解释该现象，明确神经形态硬件在事件驱动感知的优势。

Comments 5 pages, 6 figures. Code: https://github.com/zeyuyuyu/sparsity-ceiling

VetClaw: An Edge-Cloud Multimodal Agentic System for Veterinary Disease Screening

VetClaw：一种用于兽医疾病筛查的边缘云多模态智能系统

Syed Mhamudul Hasan, Anas AlSobeh, Hussein Zangoti, Abdur R. Shahid

机构 * Southern Illinois University（南伊利诺伊大学） ； Utah Valley University（犹他谷大学） ； Jazan University（吉赞大学） 纠错

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

AI总结 VetClaw是用于兽医疾病筛查的边缘云多模态智能系统，用相机模块采集图像等并发送至视觉语言模型分类。它分离智能体交互与工作流编排，超越静态图像分类，症状引导和多模态输入提升性能，将静态模型转变为多功能安全感知系统。

Penelope: Localized Latent Recurrence for Efficient Structured Reasoning

佩内洛普：用于高效结构化推理的局部潜在循环

Yutong Chen, Shouqian Shi, Xinran Liu, Haochen Wang, Jiaying Wang, Tianxing Xu, Yuanxi Wang, Zirui Ding

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

AI总结 研究复杂结构化推理任务计算问题，提出佩内洛普框架，通过局部潜在循环实现高效推理，将可见推理转移到内部循环路径，在开源基准实验中降低推理延迟，实现准确性-效率权衡。

Comments 8 pages, 2 figures

SpeechLLM Meets Federated Learning for End-to-End ASR: English and Italian Case Studies

语音语言模型与联邦学习结合实现端到端语音识别：英语和意大利语案例研究

Mohamed Nabih Ali, Daniele Falavigna, Alessio Brutti

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

AI总结 研究将联邦学习应用于基于语音语言模型的端到端语音识别，设计通信高效的联邦优化策略，通过英语和意大利语单语ASR任务评估其有效性与稳定性，进行消融研究分析语音编码器架构影响，为多语言场景部署联邦SpeechLLM奠定基础。

Comments Accepted at the 2nd International Conference on Federated Learning and Intelligent Computing Systems (FLICS2026)

ProcAgent: An Agentic Framework for Procedural Task Guidance on Edge with Human-in-the-Loop

ProcAgent：一种用于边缘端人机协作的过程性任务指导的智能体框架

Azizul Zahid, Subrata Biswas, Bashima Islam, Sai Swaminathan

机构 * University of Tennessee Knoxville（田纳西大学诺克斯维尔分校） ； Worcester Polytechnic Institute（伍斯特理工学院） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI

AI总结 研究针对家具组装等过程性任务，提出ProcAgent框架，利用提议与验证架构，结合多种技术，在边缘设备上实现实时自适应指导，经多维度评估及用户研究，证明能在不牺牲可用性的情况下于边缘硬件达成自适应过程性辅助。

Are Prompt Optimizers Blind? Cross-Modal Visual Feedback for Automatic Prompt Optimization

提示优化器是盲目运行的吗？用于自动提示优化的跨模态视觉反馈

Haoyue Liu, Xiaoyu Ma, Ye Chen, Yuexian Zou, Xiaoying Tang

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

AI总结 研究多模态任务中自动提示优化的盲目性问题，提出跨模态视觉反馈方法，含故障条件视觉诊断和错误感知聚合阶段，在多个VQA数据集和目标VLM上效果显著，能提升分数且优化器可跨模型转移。

Verification-Notebook Learning for Source-Aware Multimodal Misinformation Detection

用于源感知多模态错误信息检测的验证笔记本学习

Junyuan Tan

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

AI总结 针对多模态错误信息检测，提出验证笔记本学习框架VNL，通过构建包含决策原则等的笔记本，在推理时指导验证新示例，实验显示其性能优于基线，能提高源归因且紧凑可解释，无需模型训练积累知识。

Semantic Semi-Incremental Data-Association-Free Object SLAM

语义半增量无数据关联目标 SLAM

Yihao Zhang, Jungseok Hong, John J. Leonard

机构 * Computer Science and Artificial Intelligence Laboratory, Massachusetts Institute of Technology（计算机科学与人工智能实验室，麻省理工学院） 纠错

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

AI总结 研究针对 SLAM 中数据关联难题，提出广义无数据关联 SLAM 框架，利用深度学习语义信息，通过半增量估计方案联合估计多要素，经合成与真实数据集评估，相比基线展现出卓越性能，提升框架实用性与可解释性。

FedTaste: Topology-Aware Structural Transfer for Multimodal Federated Learning with Missing Modalities

FedTaste：用于具有缺失模态的多模态联邦学习的拓扑感知结构转移

Haochen Liang, Jie Zhang, Hideya Ochiai

机构 * The University of Tokyo（东京大学） ； Great Bay University（大湾区大学） 纠错

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

AI总结 针对多模态联邦学习中模态缺失和数据分布问题，提出FedTaste框架，利用冻结基础模型提取联合多模态拓扑，结合模态自适应结构提示等方法，避免显式模态插补，在多数据集和非IID设置下性能优越且通信开销低。

Comments Accepted to ACM Multimedia (ACM MM) 2026