大厂专区
用于 CUDA 内核生成的具有结构和性能感知奖励的多轮强化学习
机构 * Iowa State University（爱荷华州立大学） ； Cisco AI Research（思科人工智能研究院）
AI总结 研究针对 CUDA 内核生成，提出 CudaPerf 框架，结合可验证执行奖励与结构代码感知奖励，分离线排序和在线训练两阶段，利用执行反馈迭代细化，通过实验证明其显著优于基线，在加速和正确性上有大幅提升。
随机元遗忘：连接语言主干与多模态遗忘
机构 * UNC at Chapel Hill（北卡罗来纳大学教堂山分校） ； Cisco Research（思科研究院） ； Michigan State University（密歇根州立大学）
AI总结 研究视觉语言模型的机器遗忘问题，提出随机元遗忘框架，利用VLM级反馈学习初始化，经内、外循环更新语言主干，实验证明该方法在遗忘-保留权衡上表现最佳，能提升准确率且可迁移。
Comments 15 pages
联邦轻量级微调
机构 * Cisco Systems Inc.（思科系统公司）
AI总结 研究联邦微调通信瓶颈问题，提出基于映射网络的方法，通过低秩分解和增量公式等改进，实现低带宽通信，在CIFAR - 网络上大幅减少通信量，准确率与全权重FedAvg相近，在带宽 - 准确率方面表现优异。
Comments 22 pages, 10 figures, 6 tables. Extended preprint with appendix. Under review at ACCV 2026
CLIP 潜在空间的超球面几何：一种语义混合模型
机构 * Tsinghua University（清华大学） ； Cisco Research（思科研究院） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
AI总结 研究 CLIP 潜在空间，提出基于冯·米塞斯-费舍尔分布混合的密度模型，用期望最大化算法学习，实现准确可解释的密度估计，改善长尾和分布外检测，建立几何一致的概率框架。
Comments 23 pages, 8 figures
RAGthoven参加SemEval-2026任务1：一个多阶段管道进入基准测试且勉强达标
机构 * Comenius University in Bratislava（布拉迪斯拉发的夸美纽斯大学） ； Cisco Systems（思科系统公司） ； Zaitra s.r.o.（扎伊特拉有限公司） ； NaiveNeuron（天真神经元）
AI总结 介绍用于SemEval-2026任务1子任务A的RAGthoven系统，它将幽默文本生成分解为多阶段LLM管道，经多次实验优化，最终配置用RAG增强规划器，还评估两种智能变体，虽工具调用预算增加，但在英语样本上未超非智能管道，在三种语言中与基线并列第一，显示语言相关回报递减。
Comments SemEval-2026 Task 1
现实世界客户端流失情况下的鲁棒联邦学习
机构 * Georgia Tech（佐治亚理工学院） ； Cisco Research（思科研究院）
AI总结 研究现实世界客户端流失情况下的联邦学习，提出FeLiX框架，通过引入流感知可用性层、新鲜效用选择和信息感知延迟鲁棒聚合三个原语，在实时交互流上最小化达到目标准确率的挂钟时间，相比基线减少挂钟时间和通信带宽。
Comments 13 pages
用于生产中稳定模型更新的全范围二元分类器校准
机构 * Cisco AI Defense（思科人工智能防御）
AI总结 针对对抗环境中检测模型面临的问题，引入基于现有校准原语的方法，使模型输出分数有一致FPR含义，降低FPR误差，且交付工件小，为生产中模型稳定更新提供了有效解决方案。
Sangam：使用AR堆栈高效服务扩散语言模型
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Cisco Research（思科研究）
AI总结 研究扩散语言模型服务问题，提出Sangam系统，用赤字令牌预算调度器实现摊还无停顿调度，采用混合服务策略缓解预填充资源不足，揭示服务设计空间受预填充-解码干扰等因素影响。
TallyTrain: 通信高效的联邦蒸馏
机构 * Cisco Systems Inc（思科系统公司）
AI总结 针对联邦学习中模型大小和类别数导致的通信瓶颈，提出TallyTrain方法，通过传输argmax类别索引将每个探针的通信量压缩至⌈log₂C⌉比特，在非独立同分布训练下优于软标签蒸馏，并在标准基准上匹配或超越软标签蒸馏，通信量降低三个数量级。
Comments 27 pages, 7 figures, 12 tables
蒸馏检测：通过弹药筒蒸馏揭露大语言模型中的隐蔽偏见
机构 * Stanford University（斯坦福大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Foundation AI–Cisco Systems Inc.（Foundation AI–思科系统公司）
AI总结 提出Distill to Detect (D2D)方法，通过蒸馏模型与基座之间的分布偏移到KV缓存前缀适配器中，放大隐蔽偏见信号至可检测程度，并基于Fisher加权投影理论解释其有效性。
Comments Accepted to the ICML 2026 Workshops on TAIGR, AI4GOOD, Mechanistic Interpretability, and CoLoRAI
丢弃-再恢复：视觉-语言-动作模型有多冗余？
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Cisco Research（思科研究院）
AI总结 通过提出Drop-Then-Recovery分析协议和GateProbe敏感性指标，发现VLA模型中语言骨干高度冗余，而视觉和动作路径对移除更敏感。
继承的电路，学习的语义：微调如何创建标准评估不可见的规避漏洞
机构 * Cisco Talos（思科 Talos）
AI总结 研究微调如何引入安全分类模型的规避漏洞，通过因果干预定位继承电路，提出预部署监测方法，发现微调扩展了规避面。
是否需要GraphRAG？从基础RAG到基于图/智能体的上下文优化解决方案
机构 * Generative AI Innovation Center, Amazon Web Services (AWS)（亚马逊云科技（AWS）生成式AI创新中心） ； Cisco Systems, Inc.（思科系统公司）
AI总结 本文提出一个框架，比较常规RAG、GraphRAG、Modular RAG和Agentic RAG在9种标准化场景下的性能，并引入上下文工程方法减少19%-53%的token使用，同时发现检索-生成差距，表明扩展检索未成比例提升生成质量。
Comments Accepted to ACL 2026 GEM Workshop
ReM-MoA：推理记忆维持混合代理的扩展
机构 * University of Southern California（南加州大学） ； Iowa State University（爱荷华州立大学） ； Cisco AI Research（思科人工智能研究院）
AI总结 提出ReM-MoA框架，通过排名推理记忆和策展多样化记忆路由机制，解决混合代理架构随深度增加性能退化问题，在多个推理基准上持续优于现有方法。
DynamicMem：真实世界场景下的长时记忆基准测试
机构 * University of Minnesota（明尼苏达大学） ； University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校） ； Johns Hopkins University（约翰霍普金斯大学） ； Cisco（思科） ； Adobe
AI总结 提出DynamicMem基准，通过合成15个月的多应用用户活动数据，评估LLM代理在异构、动态变化且隐含的用户画像记忆能力，发现记忆检索是主要瓶颈。
协议感知分词与架构协同设计用于无线数据包基础模型
机构 * Cisco Systems（思科系统）
AI总结 通过2x2对比实验发现，协议感知分词是无线数据包基础模型性能的主要杠杆，改变分词器可使准确率波动32个百分点，而改变架构仅影响2个百分点。
Comments 10 pages, 5 figures, 3 tables
FAPO：多步骤LLM流水线的全自动提示优化
机构 * Foundation AI–Cisco Systems Inc.（基础AI–思科系统公司） ； Yale University（耶鲁大学）
AI总结 提出FAPO框架，通过自动诊断流水线瓶颈并迭代优化提示或链结构，在18个模型-基准比较中15次优于基线GEPA，平均提升14.1个百分点。
面向执行约束的自主AI自动化：一种可复现的AIBOM驱动的CSAF-VEX框架
机构 * University of Oxford（牛津大学） ； Cisco Systems（思科系统） ； The Alan Turing Institute（艾伦·图灵研究所） ； University of Warwick – WMG（沃里克大学 – WMG） ； University of Hull（哈罗德大学）
AI总结 提出一种协议驱动框架，通过绑定SBOM和AIBOM工件与确定性环境捕获及结构化运行时遥测，结合静态与运行时证据生成CSAF VEX公告，经密码签名和确定性重放验证，在合成自主AI工作负载上评估。
Journal ref Execution-bound advisory automation for agentic AI: a reproducible AIBOM-driven CSAF-VEX framework. Front Artif Intell 9, (May 2026), 1826384
数据为中心的LLM漏洞利用生成基准测试：理解微调的影响
机构 * Cisco Systems, Inc.（思科系统公司） ； Michigan State University（密歇根州立大学）
AI总结 采用数据驱动方法，构建高质量数据集并设计评估框架，对17个大语言模型进行零样本漏洞利用生成能力基准测试，发现8B开源模型经微调后性能提升超42.5%，接近部分商业模型。
Comments Technical Report
机器遗忘的行为审计具有隐私代价
机构 * University of Pittsburgh（匹兹堡大学） ； Cisco（思科）
AI总结 本文证明，在互不信任的模型所有者和审计者场景下，仅依赖模型行为查询的审计方案无法在不泄露保留集成员信息的情况下识别未充分遗忘的模型，揭示了隐私与审计之间的固有权衡。
Every Eval Ever：AI评估结果的统一模式与社区仓库
机构 * Technical University Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Weizenbaum Institute（魏岑鲍姆研究所） ； Zuse Institute Berlin（柏林祖泽研究所） ； Evidence Prime ； Trustible ； Kitware ； ETH Zurich（苏黎世联邦理工学院） ； StickFlux Labs ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） ； IBM Research（IBM研究院） ； Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学） ； Cisco（思科） ； University of Notre Dame（圣母大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of Oxford（牛津大学） ； Ohio University（俄亥俄大学） ； Writer ； TCS Research（塔塔咨询服务研究院） ； Oxford University Press（牛津大学出版社） ； Queen Mary University of London（伦敦玛丽女王大学） ； Technical University Berlin（柏林工业大学） ； University of Delaware（特拉华大学） ； Cinemo ； Johns Hopkins University（约翰霍普金斯大学） ； University of Copenhagen（哥本哈根大学） ； ELLIS（欧洲学习与智能系统实验室） ； Iowa State University（爱荷华州立大学） ； Meta FAIR ； University of Montreal（蒙特利尔大学） ； Mila Quebec AI Institute（Mila魁北克人工智能研究所） ； EleutherAI ； Yale University（耶鲁大学） ； Hugging Face ； University of Edinburgh（爱丁堡大学） ； Harvard University（哈佛大学） ； ETH AI Center（ETH人工智能中心） ； MIT（麻省理工学院） ； MIT-IBM Watson Lab（MIT-IBM沃森实验室）
AI总结 针对AI评估结果格式不统一、难以比较的问题，提出首个共享模式与社区众包仓库，通过标准化表示、自动转换器和社区数据库实现跨评估框架的统一。
SkMTEB：斯洛伐克大规模文本嵌入基准与模型适配
机构 * Comenius University in Bratislava（布拉迪斯拉发夸美纽斯大学） ； Cisco Systems（思科系统） ； Technical University of Košice（科希策技术大学） ； Kempelen Institute of Intelligent Technologies（肯佩伦智能技术研究所）
AI总结 针对低资源西斯拉夫语斯洛伐克语，构建首个MTEB风格文本嵌入基准SkMTEB（含31个数据集、7类任务），并开发高效本地部署模型e5-sk-small/large，通过词汇裁剪与微调在参数减少62%下达到与商业API相当的竞争力。
Comments ACL 2026
APEX：面向无线边缘运维的预测与异常检测的网络原生时间序列基础模型
机构 * Cisco Systems, USA（思科系统公司）
AI总结 提出网络原生解码器Transformer APEX，针对企业AP遥测数据预训练，在DHCP退化基准上MAE比最强基线降低18%，异常检测F1=0.93，边缘版本实现亚秒级隐私保护推理。
Comments 5 pages, 1 figure, 4 tables. Discusses a network-native time-series foundation model for wireless edge operations
自主AI系统中委托执行的可观测性
机构 * Splunk ； Cisco Inc（思科公司）
AI总结 针对基于LLM的自主系统中委托执行轨迹难以归因的问题，提出一种轻量级网关和通用信息模型，在运行时绑定委托上下文，实现跨工具委托范围的可靠重建和直接取证查询。
TRACE: 通过自适应跨步骤证据聚合的LLM智能体轨迹推理
机构 * University of Massachusetts at Amherst（马萨诸塞大学阿默斯特分校） ； Adobe Research（Adobe研究） ； Dolby Labs（杜比实验室） ； University of Oregon（俄勒冈大学） ； Cisco（思科）
AI总结 提出TRACE框架，通过TIJ循环识别高信号区域、累积跨步骤证据并合成轨迹级判决，在SHADE-Arena的十个任务域上F1达0.713，召回率0.844，尤其擅长长距离证据链接。
原始波形声学模型的音素错误分析
机构 * Centre for Speech Technology Research (CSTR), University of Edinburgh, UK（语音技术研究中心（CSTR），爱丁堡大学，英国） ； Cisco, UK（思科公司，英国） ； SLAI & CUHK-SZ, China（SLAI与CUHK-SZ，中国） ； King's College London, UK（伦敦国王学院，英国）
AI总结 通过分解音素错误率、分析混淆矩阵，发现BLSTM层对过渡依赖类提升最大，WSJ迁移学习对辅音改进约是元音的三倍，且混淆模式反映固有音素相似性。
Comments INTERSPEECH2026
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