大厂专区
RTLC -- 研究、教以学、批判：一种受费曼学习技术启发的三阶段提示范式，无需微调即可提升LLM-as-judge在JudgeBench上的准确性
机构 * Cisco（思科）
AI总结 RTLC通过三阶段提示方法提升LLM在JudgeBench上的准确性，无需微调或外部工具，其核心方法包括研究、教以学和批判三个阶段，显著提升客观正确性评分的准确性。
用可重用的跨领域管道评估AI会议摘要
机构 * Cisco Systems, Inc.（思科系统公司）
AI总结 本文提出一个可重用的跨领域管道，用于评估AI会议摘要，通过结构化真实数据构建、固定候选生成、基于声明评分等方法，在114次会议上验证了不同模型的性能，发现gpt-5.1在保留性上表现更优。
Comments AI Application Feature Quality Evaluation (28 pages total)
修正大规模语言模型质量评估中稀疏用户反馈的选择偏差：一种多智能体分层贝叶斯方法
机构 * Cisco（思科）
AI总结 本文提出一种多智能体分层贝叶斯方法，用于修正大规模语言模型质量评估中稀疏用户反馈的选择偏差，通过主题聚类、偏差建模和合成智能体，改进质量评估的准确性。
用LLM作为裁判的两种去偏方法：对分层贝叶斯校准和神经ODE分数传输的连续分数比较
机构 * Cisco（思科）
AI总结 本文比较了两种校正方法以减少LLM作为裁判的偏见，发现数据预算决定了方法选择，两种方法在不同锚点数量下表现各异。
深度持续学习中塑性的预测：一种理论视角
机构 * University of Virginia（弗吉尼亚大学） ； Cisco Research（思科研究） ； California Institute of Technology（加州技术研究院） ； Purdue University（普渡大学）
AI总结 本文从理论角度探讨深度持续学习中塑性预测问题，提出新的度量标准优化准备度，证明其在回归和分类任务中能更可靠地预测可训练性。
Comments 21 pages, 4 figures, 2 tables
LogitTrace：通过层间logit轨迹检测基准污染
机构 * New Jersey Institute of Technology（新泽西理工学院） ； Cisco Research（思科研究） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 本文提出LogitTrace框架，通过分析中间logit轨迹检测记忆化决策动态，发现污染样本更早承诺，而干净样本证据积累更渐进，帮助区分污染与干净样本。
Comments 23pages, 10 figures, 9tables
Rep2Text：从单个LLM标记表示解码完整文本
机构 * New Jersey Institute of Technology（新泽西理工学院） ； National University of Singapore（国立新加坡大学） ； Cisco Research（思科研究） ； Wake Forest University（威克森林大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
AI总结 研究探讨如何从LLM单个最后标记表示恢复原始文本，提出Rep2Text框架，通过可训练适配器将目标模型的最后标记表示映射到解码语言模型的token嵌入空间，实现文本自回归重建，实验显示在16-token序列中约半数token可被恢复且保持语义连贯。
Comments 18 pages, 6 figures, 6 tables
通过强化学习保障代码水印：SWaRL
机构 * ECE Department UC San Diego（UC圣地亚哥大学电子与计算机工程系） ； Cisco Research（思科研究）
AI总结 SWaRL通过强化学习框架实现稳健且保真度高的代码水印，保护大语言模型的知识产权，通过在生成程序中嵌入唯一可验证签名，有效抵御移除攻击并保持功能正确性。
Comments Preprint
D3-Gym：构建现实世界可验证环境用于数据驱动发现
机构 * The Ohio State University（俄亥俄州立大学） ； Cisco Research（思科研究）
AI总结 D3-Gym通过构建首个自动化的可验证环境数据集，提升科学数据驱动发现的模型能力，验证信号质量高，训练效果显著。
InfantAgent-Next：一种用于自动化计算机交互的多模态通用代理
机构 * University of Minnesota（明尼苏达大学） ； University of Illinois Chicago（伊利诺伊大学香槟分校） ； University of Connecticut（康涅狄格大学） ； The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） ； Cisco Research（思科研究）
AI总结 本文提出InfantAgent-Next，一种多模态通用代理，能够通过文本、图像、音频和视频与计算机交互。该代理结合工具型和纯视觉代理，在高度模块化架构中协同解决解耦任务。在OSWorld等基准上取得7.27%准确率，超越Claude-Computer-Use。
FAMA：面向交互工具使用环境的开源大语言模型失败意识元代理框架
机构 * Arizona State University（亚利桑那州立大学） ； Cisco Research（思科研究）
AI总结 FAMA框架通过分析基线代理的失败轨迹识别常见错误，并利用 orchestration 机制激活专门的代理来针对性解决失败问题，实验显示在开源LLM上性能提升达27%。
Comments Accepted to ACL 2026 Findings
一个扰动，两种失效模式：通过嵌入引导的字形扰动探测VLM安全性
机构 * Cisco Systems（思科系统）
AI总结 本文通过实证研究揭示多模态嵌入距离对VLM攻击成功率的预测作用，并提出基于嵌入引导的字形扰动方法，验证了可读性与安全对齐的交互影响。
基于大语言模型的对话用户模拟综述
机构 * Vanderbilt University（范德比大学） ； Adobe Research（Adobe研究） ； Yale University（耶鲁大学） ； University of Oregon（俄勒冈大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Dolby Laboratories（Dolby实验室） ； University of California, Berkeley（加州大学伯克利分校） ； Cisco AI Research（思科人工智能研究） ； University of Southern California（南加州大学） ； Texas A&M University（德克萨斯阿姆斯特朗大学） ； UC Davis（加州大学戴维斯分校）
AI总结 本文综述了基于大语言模型的对话用户模拟最新进展，提出新的分类体系，分析核心技术和评估方法，旨在推动未来研究。
Comments Submitted in August 2025. MOD-81000 approved survey
Cornserve：一种用于任意到任意多模态模型的分布式服务系统
机构 * University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Cisco Research（思科研究）
AI总结 本文提出Cornserve，一种支持任意到任意多模态模型的分布式服务系统，通过灵活的任务抽象和组件解耦实现高效部署，提升了吞吐量和延迟性能。
Comments CAIS 2026 Demo track | Open source at https://github.com/cornserve-ai/cornserve | Demo video at https://www.youtube.com/watch?v=nb8R-vztLRg
在杂乱中导航：基于路标的目标级规划用于多机器人系统
机构 * UC Santa Barbara（加州大学圣芭芭拉分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard University（哈佛大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Cisco Research（思科研究）
AI总结 本文提出了一种混合多机器人控制框架，通过引入路标和课程训练策略，解决多机器人任务和运动规划的联合优化问题，提升了任务成功率。
Aether：利用代理AI和数字孪生进行网络验证
机构 * Cisco Systems（思科系统） ； Swisscom（瑞士通讯）
AI总结 本文提出Aether，结合生成代理AI与多功能网络数字孪生，自动化网络变更验证流程，提升验证效率与准确性，减少人工错误。
Comments 12 pages, 6 figures
Cornfigurator：任意到任意多模态模型服务的自动化规划
机构 * University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Cisco Research（思科研究）
AI总结 Cornfigurator是首个针对通用任意到任意模型推理服务的部署规划器，通过统计评估最大化服务吞吐量，比现有系统和专家调优方案提升1.12至6.32倍。
Comments Open-source at https://github.com/cornserve-ai/cornfigurator
在像素之间阅读：将文本-图像嵌入对齐与字体攻击成功性联系起来
机构 * Cisco Systems（思科系统）
AI总结 研究了视觉-语言模型中字体提示注入攻击的影响，发现字体大小、文本攻击有效性及嵌入距离对攻击成功率有显著影响，为防御策略提供实证指导。
Comments Accepted at ICLR 2026 Workshop on Agents in the Wild
在边缘计算中利用空闲计算资源进行基础模型训练
机构 * The University of Edinburgh（爱丁堡大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Cisco Research（思科研究院）
AI总结 本文提出Cleave框架，通过利用边缘设备的异构计算资源，实现与云训练相媲美的性能，并在设备异构性和故障恢复方面取得显著优势。
Comments Extended abstract version of this paper appeared in ACM MobiCom 2025. Workshop version of this paper appeared in EuroMLSys 2026
防御三重困境：为何提示注入防御包装失效？
机构 * OWASP ； Amazon Leo ； UNO ； Amazon Web Services（亚马逊云服务） ； Cisco（思科） ； Shrewd Security
AI总结 研究证明连续且保持效用的防御包装无法使语言模型的所有输出严格安全，并揭示了防御必须失败的精确位置。通过三个逐步加强的假设，证明了连续性、效用保持性和完整性无法共存。
团队规模还是时间规模？基于内存的持续学习在大语言模型多智能体系统中的应用
机构 * Emory University（埃默里大学） ； Illinois Institute of Technology（伊利诺伊理工学院） ； University of Notre Dame（圣母大学） ； Cisco Research（思科研究院）
AI总结 本文研究了大语言模型多智能体系统在团队规模和持续学习能力上的协同优化，提出LLMA-Mem框架，通过灵活内存拓扑提升长期性能并降低成本。
Omni-SimpleMem：自主研究引导的终身多模态代理记忆发现
机构 * UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Pennsylvania（宾夕法尼亚大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California Berkeley（加州大学伯克利分校） ； Cisco（思科）
AI总结 本文提出Omni-SimpleMem，通过自主研究流程发现多模态记忆框架，提升AI代理的长期记忆能力，其核心贡献在于通过自动实验发现架构改进、数据管道修复等关键突破，超越传统AutoML。
LangMARL: 自然语言多智能体强化学习
机构 * Arizona State University（亚利桑那州立大学） ； Cisco Research（思科研究院） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 LangMARL通过引入语言空间中的信用分配和策略梯度进化，解决大语言模型在动态环境中自主协调策略演化的问题，提升样本效率、可解释性和泛化能力。
Comments 20 pages, 12 figures
SemLoc：基于结构化语义绑定的自由形式LLM推理故障定位
机构 * UC Riverside（加州大学河滨分校） ； Cisco Research（思科研究院） ； Independent Researcher（独立研究员）
AI总结 SemLoc通过结构化语义绑定将自由形式LLM推理转化为封闭中间表示，结合语义违反光谱提升故障定位精度，实现7.6%的代码检查效率提升。
SafeMath: 在推理过程中提升安全性以提高数学准确性
机构 * Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校） ； Cisco Systems（思科系统公司） ； National University of Singapore（新加坡国立大学）
AI总结 本文研究了有害数学问题对LLM的影响，提出SafeMath技术在保障安全的同时提升数学推理能力。
Comments Submitted in ARR March 2026
Unicorn: 一种通用且协作的强化学习方法用于可推广的网络级交通信号控制
机构 * Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系） ； State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications（北京邮电大学网络与交换技术国家重点实验室） ； Cisco-NUS Accelerated Digital Economy Corporate Laboratory（Cisco-NUS加速数字经济企业实验室）
AI总结 本文提出Unicorn框架，通过统一状态动作映射、通用交通表示和对比学习提升交通信号控制的适应性与协作性，解决复杂交通网络的可扩展优化问题。
Comments \c{opyright} 20XX IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works
面向大视觉-语言模型的注意力感知推理优化
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Cisco Research（思科研究）
AI总结 本文提出AttentionPack框架，通过紧凑注意力机制和解压机制提升大视觉-语言模型解码效率，实验表明内存效率提升8倍，支持更大批次和更快推理，同时保持输出质量。
RayMap3R: 动态3D重建的推理时RayMap
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Cisco Research（思科研究）
AI总结 本文提出RayMap3R框架，通过对比RayMap与图像预测识别动态区域，采用重置度量对齐和状态感知平滑技术，实现动态场景重建的高精度性能。
Comments Project page: https://raymap3r.github.io/
kRAIG：一种基于自然语言的自动化数据Ops流水线生成代理
机构 * Cisco（思科公司）
AI总结 kRAIG通过ReQuesAct框架明确用户意图，利用检索增强的工具合成过程生成KFP流水线，提升数据提取和加载的成功率及转换准确性。
Comments 9 pages, 7 figures
一种多智能体感知-行动联盟用于高效长视频推理
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Cisco Systems（思科系统）
AI总结 本文提出A4VL多智能体感知-行动探索联盟，通过多轮感知-行动探索循环提升长视频推理效率，采用事件驱动划分和线索引导块对齐技术，实现高质量推理并降低推理延迟。
Comments Accepted by CVPR2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈