Dynamic Topic Modeling for Cross-Corpus Temporal Analysis
面向跨语料时间分析的动态主题模型
机构 * Columbia University（哥伦比亚大学）
AI总结 针对跨语料时间分析中主题对应不稳定的问题，提出带共享主干和残差适配的D-ETM框架，在三个97年跨度的语料上验证其对齐效果显著优于全微调及独立训练方法。
Comments 12 pages, 2 figures. Accepted at CIKM 2026
高校专区
Columbia University（哥伦比亚大学）
Don't Repeat Yourself: Stopping Verbatim Loops at Sampling Time
不要重复你自己：在采样时停止逐字循环
机构 * Thoughtworks ； Columbia University（哥伦比亚大学） ； Oracle（甲骨文公司） ； New York University（纽约大学）
AI总结 研究针对大语言模型的逐字循环问题，提出采样时的DRY对数几率调整方法，在多模型和研究中有效降低循环率并保持性能，已被开源LLM推理框架采用。
XTC: Head-Aware Sampling by Excluding Top Choices
XTC：通过排除顶部选择的头感知采样
机构 * Thoughtworks（Thoughtworks公司） ； Columbia University（哥伦比亚大学） ； Oracle（甲骨文公司） ； New York University（纽约大学）
AI总结 XTC是一种轻量头感知解码算子，通过排除部分高概率词元改善自回归语言模型的多样性-重复帕累托前沿，在多项实验中提升创意生成效果且准确率损失极小，已被多个工具采用。
From Diagnosis to Redesign: Using Quantitative Ethnography to Improve Multi-Agent LLM Reasoning
从诊断到重新设计：使用定量人种志改进多智能体大语言模型推理
机构 * University of California, Irvine（加利福尼亚大学欧文分校） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Monash University（莫纳什大学） ； Columbia University（哥伦比亚大学） ； University of Pennsylvania（宾夕法尼亚大学）
AI总结 本研究提出定量人种志方法，以自动作文评分为例，通过分析五智能体辩论系统的交互模式诊断问题并修改提示词，使多智能体LLM的评分准确率从27.78%提升至40.28%。
Comments Accepted at ICQE 2026 (to appear in Springer CCIS)
Toward a First-Principles Update Geometry for the Language-Model Head
面向语言模型头部的第一性原理更新几何
机构 * Columbia University（哥伦比亚大学）
AI总结 该研究将语言模型头部与softmax作为整体推导更新几何，基于Muon的奇异值条件提出最大化最小行间距并约束直径的方法，为V≫d时的近似等距问题提供了思路。
Comments 7 pages
LLM assisted writing deserves empirical evaluation
大语言模型辅助写作值得实证评估
机构 * Weill Cornell Medicine（威尔康奈尔医学院） ； Columbia University（哥伦比亚大学）
AI总结 该研究针对常被当作检测问题的大语言模型辅助写作，分析69209篇健康信息学论文发现其关联更聚焦呈现等特征，主张应从学术质量而非工具使用角度评估手稿。
Context as an Environment: Programmatic Context Management for Long-Horizon Agents
上下文作为环境：面向长程智能体的程序化上下文管理
机构 * Alibaba Group（阿里巴巴集团） ； Columbia University（哥伦比亚大学）
AI总结 本研究提出名为Scroll的上下文管理器，将智能体会话视为可执行环境，结合事件日志与Python内核实现程序化上下文管理，在多个长程智能体基准测试中大幅超越现有最优系统。
Congruence Decomposition with Neural Block Solvers for Large-Scale PCI Assignment
基于神经块求解器的同余分解用于大规模物理小区标识分配
机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Research Institute of Big Data（深圳大数据研究院） ； Columbia University（哥伦比亚大学） ； Sun Yat-sen University（中山大学） ； Tongji University（同济大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Huawei Technologies（华为技术有限公司）
AI总结 本研究针对大规模5G网络PCI分配难题，提出带神经块求解器的同余分解框架，将问题解耦为子问题并结合图神经网络优化，实验显示其性能优于现有基线方法。
