TMLR

Beyond NL2Code: A Structured Survey of Multimodal Code Intelligence

超越NL2Code：多模态代码智能的结构化综述

Xuanle Zhao, Qiushi Sun, Jingyu Xiao, Xuexin Liu, Haoyue Yang, Qiaosheng Chen, Xianzhen Luo, Jing Huang, Yufeng Zhong, Lei Chen, Shuai Fu, Zhenlin Wei, Jinhe Bi, Lei Jiang, Haibo Qiu, Siqi Yang, Peng Shi, Jian Hu, Zhixiong Zeng

机构 * Meituan（美团） ； The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Nanjing University（南京大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所） ； Ludwig Maximilian University of Munich（慕尼黑大学） ； University of Science and Technology of China（中国科学技术大学） ； Queen Mary University of London（伦敦玛丽女王大学） 纠错

AI总结 本文系统综述多模态代码智能，将任务按代码角色分类，覆盖GUI、科学可视化、结构化图形及前沿任务，并提出四个基于验证的未来方向。

Comments Accepted by TMLR 2026

Breaking MCP with Function Hijacking Attacks: Novel Threats for Function Calling and Agentic Models

打破MCP：函数劫持攻击：函数调用和代理模型的新威胁

Yannis Belkhiter, Giulio Zizzo, Sergio Maffeis, Seshu Tirupathi, John D. Kelleher

机构 * IBM Research Europe（IBM欧洲研究院） ； Trinity College Dublin（三一学院都柏林） ； Imperial College London（帝国理工学院伦敦） ； ADAPT Research Centre（ADAPT研究中心） 纠错

AI总结 本文提出了一种新的函数劫持攻击，通过操纵代理模型的工具选择过程，迫使调用特定攻击者选择的函数，展示了代理模型在函数调用接口上的新漏洞。

Comments Accepted to TMLR (08/26)

Dynamic Model Routing and Cascading for Efficient LLM Inference: A Survey

动态模型路由与级联用于高效LLM推理：综述

Yasmin Moslem, John D. Kelleher

机构 * ADAPT Centre（ADAPT中心） ； School of Computer Science & Statistics（计算机科学与统计学学院） ； Trinity College Dublin（都柏林三一学院） 纠错

AI总结 本文综述了多LLM路由与级联方法，分析了不同路由范式及关键权衡，提出框架揭示路由系统在决策时机、信息使用和计算方式上的特性，强调实际系统常整合多种范式以优化性能。

Comments Accepted by TMLR (2026). Work funded by ADAPT Centre, Trinity College Dublin, and Huawei Ireland

Journal ref Transactions on Machine Learning Research (TMLR). 2026

Small Updates, Big Doubts: Does Parameter-Efficient Fine-tuning Enhance Hallucination Detection ?

小更新，大怀疑：参数高效微调是否增强幻觉检测？

Xu Hu, Yifan Zhang, Songtao Wei, Chen Zhao, Qiannan Li, Bingzhe Li, Feng Chen

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Baylor University（贝勒大学） ； The University of California, Davis（加州大学戴维斯分校） 纠错

AI总结 本文研究参数高效微调对幻觉检测的影响，通过实证分析发现PEFT增强了检测能力，且主要通过重塑不确定性编码而非注入新知识。

Comments 18 pages, 13 figures, 8 tables

Journal ref Transactions on Machine Learning Research (TMLR), 08/2026 Transactions on Machine Learning Research

FocusAgent: Simple Yet Effective Ways of Trimming the Large Context of Web Agents

FocusAgent：修剪网页智能体大上下文的简单有效方法

Imene Kerboua, Sahar Omidi Shayegan, Megh Thakkar, Xing Han Lù, Léo Boisvert, Massimo Caccia, Jérémy Espinas, Alexandre Aussem, Véronique Eglin, Alexandre Lacoste

机构 * LIRIS - CNRS, INSA Lyon, Universite Claude Bernard Lyon 1（LIRIS - CNRS，INSA里昂，克劳德·贝尔纳大学里昂） ； Esker ； ServiceNow Research（ServiceNow研究） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； Polytechnique Montréal（蒙特利尔理工学院） 纠错

AI总结 该研究提出FocusAgent，通过轻量级LLM检索器修剪网页智能体的无关上下文，在保持性能的同时减少观测规模超50%，并降低提示注入攻击风险。

Comments TMLR 08/2026

An Efficient Sparse Fine-Tuning with Low Quantization Error via Neural Network Pruning

一种通过神经网络剪枝实现低量化误差的高效稀疏微调方法

Cen-Jhih Li, Aditya Bhaskara

机构 * Kahlert School of Computing University of Utah（卡勒特计算学院 乌得勒支大学） 纠错

AI总结 本研究基于神经网络剪枝开发了新的稀疏微调框架，在通用语言任务上使稀疏微调内存效率提升20%-50%，且准确率达到低秩适配变体等最优方法的水平

Comments Published in Transactions on Machine Learning Research (TMLR), November 2025. Updated to the final published version

Journal ref Transactions on Machine Learning Research, 2025

Enhancing Self-Supervised Visual Representation Learning via Low-Rank Adapted LLMs

通过低秩适配大语言模型（LLMs）增强自监督视觉表征学习

Selim Kuzucu, Muhammad Ferjad Naeem, Anna Kukleva, Federico Tombari, Bernt Schiele

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） 纠错

AI总结 本文提出语言解锁视觉Transformer（LUViT），通过协同预训练策略，结合掩码自编码（MAE）与低秩适配（LoRA），解决LLMs与ViTs的模态不匹配问题，提升下游视觉任务性能。

Comments Published in Transactions on Machine Learning Research (TMLR), 32 pages, 7 figures

MEGA: Message Passing Neural Networks for Multigraphs with EdGe Attributes

MEGA：面向带边属性的多重图的消息传递神经网络

H. Çağrı Bilgi, Kubilay Atasu

机构 * Delft University of Technology（代尔夫特理工大学） ； University of Neuchâtel（纳沙泰尔大学） 纠错

AI总结 针对带边属性多重图学习的局限，该研究提出邻居感知聚合算子，构建MEGA-GNN框架，在社交和金融数据集上验证其性能达到或超越现有最优方法。

Comments Accepted for publication in TMLR, 2026