语言大模型 / LLM

Tiny-Critic RAG: Empowering Agentic Fallback with Parameter-Efficient Small Language Models

Tiny-Critic RAG：赋能代理回退的参数高效小型语言模型

Yichao Wu, Penghao Liang, Yafei Xiang, Mengwei Yuan, Jianan Liu, Jing Yang, Xianyou Li, Weiran Yan

机构 * Northeastern University（东北大学） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） ； New York University（纽约大学） 纠错

专题命中 效率与部署 ：language model(title,abstract)；small language model(title,abstract)；large language model(abstract)；SLM(abstract)

AI总结 Tiny-Critic RAG通过参数高效的Small Language Model实现低延迟的二进制路由，有效降低代理部署成本。

Your Inference Request Will Become a Black Box: Confidential Inference for Cloud-based Large Language Models

您的推理请求将变成一个黑箱：面向云上大型语言模型的保密推理

Chung-ju Huang, Huiqiang Zhao, Yuanpeng He, Lijian Li, Wenpin Jiao, Zhi Jin, Peixuan Chen, Leye Wang

机构 * Key Lab of High Confidence Software Technologies (Peking University), Ministry of Education, China（高可信软件技术重点实验室（北京大学）） ； School of Computer Science, Peking University, Beijing, China（北京大学计算机学院） ； Tencent, Shenzhen, China（腾讯（深圳）） ； Macau university, China（澳门大学） 纠错

专题命中 效率与部署 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI

AI总结 Talaria通过在客户端控制的CVM中执行敏感操作并使用ReMO协议保护隐私，实现云上LLM的保密推理，同时保持性能和效率。

Comments 19 pages, 5 figures

nchellwig at SemEval-2026 Task 3: Self-Consistent Structured Generation (SCSG) for Dimensional Aspect-Based Sentiment Analysis using Large Language Models

nchellwig 在 SemEval-2026 任务 3: 使用大语言模型进行维度方面基于情感分析的自一致结构生成（SCSG）

Nils Constantin Hellwig, Jakob Fehle, Udo Kruschwitz, Christian Wolff

机构 * Media Informatics Group, University of Regensburg（雷姆施泰因大学媒体信息学小组） ； Information Science Group, University of Regensburg（雷姆施泰因大学信息科学小组） 纠错

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

AI总结 nchellwig 在 SemEval-2026 任务 3 中提出 SCSG 方法，利用大语言模型进行维度方面基于情感分析，通过自一致性生成提升预测可靠性，实验显示在多个语言和领域组合中表现优异。

Wild-Drive: Off-Road Scene Captioning and Path Planning via Robust Multi-modal Routing and Efficient Large Language Model

Wild-Drive: 通过鲁棒多模态路由和高效大语言模型实现越野场景描述与路径规划

Zihang Wang, Xu Li, Benwu Wang, Wenkai Zhu, Xieyuanli Chen, Dong Kong, Kailin Lyu, Yinan Du, Yiming Peng, Haoyang Che

机构 * School of Instrument Science and Engineering, Southeast University（东南大学仪器科学与工程学院） ； Southeast University Nanjing Jiangbei New Area Innovation Research Institute（东南大学南京江滨新区创新研究院） ； National Key Laboratory of Equipment State Sensing and Smart Support, National University of Defense Technology（国防科技大学装备状态感知与智能支撑国家重点实验室） ； School of Transportation, Shandong University of Science and Technology（山东科技大学交通学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

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

AI总结 Wild-Drive通过鲁棒多模态路由和高效大语言模型实现越野场景描述与路径规划，提升复杂环境下的可解释性和稳定性。

What Do Visual Tokens Really Encode? Uncovering Sparsity and Redundancy in Multimodal Large Language Models

视觉标记究竟编码了什么？揭示多模态大语言模型中的稀疏性与冗余性

Yingqi Fan, Junlong Tong, Anhao Zhao, Xiaoyu Shen

机构 * Institute of Digital Twin, Eastern Institute of Technology（数字孪生研究所，东部技术研究所） ； Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative（宁波空间智能与数字衍生关键实验室） ； Shanghai Jiao Tong University（上海交通大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 本研究揭示多模态大语言模型中视觉标记的稀疏性与冗余性，通过EmbedLens工具发现活跃标记在进入模型前已编码细粒度信息，并提出中层注入方法提升效率。

Comments Accepted by CVPR2026

A Contemporary Overview: Trends and Applications of Large Language Models on Mobile Devices

大型语言模型在移动设备上的趋势与应用综述

Lianjun Liu, Hongli An, Pengxuan Chen, Longxiang Ye

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

AI总结 本文综述了大型语言模型在移动设备上的发展趋势与应用，探讨了其在语音助手、实时翻译等领域的潜力及对智能设备和物联网的推动作用。

Comments The authors withdraw this manuscript. A substantially revised version will be submitted later

Plan and Budget: Effective and Efficient Test-Time Scaling on Reasoning Large Language Models

计划与预算：在推理大语言模型中实现有效且高效的测试时扩展

Junhong Lin, Xinyue Zeng, Jie Zhu, Song Wang, Julian Shun, Jun Wu, Dawei Zhou

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

AI总结 Plan-and-Budget通过分解复杂查询并动态分配token预算，提升大语言模型在推理任务中的效率与准确性。

Comments This work has been accepted to the ICLR 2026 (International Conference on Learning Representations)

Gender Bias in Emotion Recognition by Large Language Models

大语言模型在情绪认知中的性别偏见

Maureen Herbert, Katie Sun, Angelica Lim, Yasaman Etesam

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

AI总结 本研究探讨了大语言模型在情绪认知任务中的性别偏见问题，并提出基于训练的干预方法以减少偏见。

Comments Accepted at AAAI 2026 Workshop (WS37)

Distribution-Aware Companding Quantization of Large Language Models

面向分布的扩增量化：大型语言模型

Athul Radhakrishnan, Siddhant Mohan, Mahima Sachdeva

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

AI总结 本研究提出一种多标记预测方法，通过提升样本效率和推理速度，显著提高大型语言模型在编码等生成任务中的性能。

Addition is almost all you need: Compressing large language models with double binary factorization

加法几乎就够了：通过双重二进制分解压缩大语言模型

Vladimír Boža, Vladimír Macko

机构 * Faculty of Mathematics, Physics and Informatics（数学、物理与信息学系） ； Comenius University（科尼乌斯大学） 纠错

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

AI总结 本文提出双重二进制分解方法，通过分解权重矩阵为二进制矩阵乘积，实现高效压缩大语言模型，同时保持较高的精度和压缩率。

Entropy-Guided Dynamic Tokens for Graph-LLM Alignment in Molecular Understanding

熵引导的动态令牌用于分子理解中的图-语言模型对齐

Zihao Jing, Qiuhao Zeng, Ruiyi Fang, Yan Sun, Boyu Wang, Pingzhao Hu

专题命中 效率与部署 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 EDT-Former通过熵引导的动态令牌生成，在无需微调LLM主干的情况下实现图编码器与LLM的对齐，提升分子图理解的效率和泛化能力。

Comments Accepted by ICLR 2026

EasySteer: A Unified Framework for High-Performance and Extensible LLM Steering

EasySteer: 一种高绩效且可扩展的LLM引导统一框架

Haolei Xu, Xinyu Mei, Yuchen Yan, Rui Zhou, Wenqi Zhang, Weiming Lu, Yueting Zhuang, Yongliang Shen

机构 * Zhejiang University（浙江大学） 纠错

专题命中 效率与部署 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 EasySteer通过模块化架构和预计算引导向量，实现高效且可扩展的LLM引导，提升推理效率并支持多种应用场景。

Comments Functionality upgrade. Code: https://github.com/ZJU-REAL/EasySteer Demo: https://www.youtube.com/watch?v=3rRGzZmhrXg

LIDS: LLM Summary Inference Under the Layered Lens

LLM摘要推断的分层视角：LIDS

Dylan Park, Yingying Fan, Jinchi Lv

机构 * Department of Mathematics, University of Southern California（数学系，南加州大学） ； Data Sciences and Operations Department, Marshall School of Business, University of Southern California（数据科学与运营系，马歇尔商学院，南加州大学） 纠错

专题命中 效率与部署 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.LG

AI总结 LIDS是一种基于BERT-SVD方向度量和SOFARI的LLM摘要推断方法，通过可解释的关键字分析实现摘要准确性的评估，并通过实证研究验证其在大规模文本缩减中的有效性。

Comments 48 pages, 15 figures

FLYING SERVING: On-the-Fly Parallelism Switching for Large Language Model Serving

FLYING SERVING: 面向大语言模型服务的实时并行切换

Shouwei Gao, Junqi Yin, Feiyi Wang, Wenqian Dong

专题命中 效率与部署 ：large language model(title)；language model(title)；LLM(abstract)

AI总结 Flying Serving通过实时切换数据并行与张量并行，提升大语言模型服务在高负载和低负载下的性能，同时支持多样化的请求需求。

Comments This paper is accepted by the 40th ACM International Conference on Supercomputing (ICS 2026)

DualSentinel: A Lightweight Framework for Detecting Targeted Attacks in Black-box LLM via Dual Entropy Lull Pattern

DualSentinel: 一种用于通过双熵低谷模式检测黑盒LLM中针对性攻击的轻量级框架

Xiaoyi Pang, Xuanyi Hao, Pengyu Liu, Qi Luo, Song Guo, Zhibo Wang

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The State Key Laboratory of Blockchain and Data Security（区块链与数据安全国家重点实验室） ； School of Cyber Science and Technology（网络安全科学与技术学院） 纠错

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

AI总结 DualSentinel通过双熵低谷模式检测黑盒LLM中的针对性攻击，提供高效且准确的防御方案。

ZeroDVFS: Zero-Shot LLM-Guided Core and Frequency Allocation for Embedded Platforms

ZeroDVFS: 面向嵌入式平台的零样本LLM引导的核心与频率分配

Mohammad Pivezhandi, Mahdi Banisharif, Abusayeed Saifullah, Ali Jannesari

机构 * Wayne State University（韦恩州立大学） ； Iowa State University（爱荷华州立大学） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

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

AI总结 ZeroDVFS通过基于模型的强化学习和LLM引导的语义特征提取，实现嵌入式平台的零样本核心与频率分配，显著提升能效和任务完成效率。

Comments 56 pages, 14 figures, 18 tables (including appendix)

Token-Efficient Item Representation via Images for LLM Recommender Systems

通过图像实现高效的物品表示用于LLM推荐系统

Kibum Kim, Sein Kim, Hongseok Kang, Jiwan Kim, Heewoong Noh, Yeonjun In, Kanghoon Yoon, Jinoh Oh, Julian McAuley, Chanyoung Park

机构 * KAIST（韩国科学技术院） ； Amazon Alexa（亚马逊Alexa） ； UC San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 本文提出I-LLMRec方法，通过利用图像替代文本描述，提高LLM推荐系统的效率和有效性，同时增强对噪声的鲁棒性。

Comments ICLR 2026

Beyond Microservices: Testing Web-Scale RCA Methods on GPU-Driven LLM Workloads

超越微服务：在GPU驱动的LLM工作负载上测试Web级RCA方法

Dominik Scheinert, Alexander Acker, Thorsten Wittkopp, Soeren Becker, Hamza Yous, Karnakar Reddy, Ibrahim Farhat, Hakim Hacid, Odej Kao

专题命中 效率与部署 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 本研究评估了RCA方法在GPU驱动LLM工作负载上的有效性，发现多源方法表现最佳，而基于追踪的方法大多失效，推动了定制分析技术和增强可观测性的需求。

Comments 13 pages, 8 figures, 1 table

SFCo-Nav: Efficient Zero-Shot Visual Language Navigation via Collaboration of Slow LLM and Fast Attributed Graph Alignment

SFCo-Nav: 通过慢LLM与快速属性图对齐的协作实现高效的零样本视觉语言导航

Chaoran Xiong, Litao Wei, Xinhao Hu, Kehui Ma, Ziyi Xia, Zixin Jiang, Zhen Sun, Ling Pei

机构 * Shanghai Key Laboratory of Navigation and Location Based Services, Shanghai Jiao Tong University（上海导航与位置基于服务重点实验室，上海交通大学） 纠错

专题命中 效率与部署 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 SFCo-Nav通过慢LLM与快速属性图对齐的协作，实现了高效的零样本视觉语言导航，显著提升效率并降低计算成本。

Comments Accepted by 2026 IEEE International Conference on Robotics and Automation (ICRA)

VidDoS: Universal Denial-of-Service Attack on Video-based Large Language Models

VidDoS：针对基于视频的大语言模型的通用拒绝服务攻击

Duoxun Tang, Dasen Dai, Jiyao Wang, Xiao Yang, Jianyu Wang, Siqi Cai

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； The Chinese University of Hong Kong, Hong Kong SAR（香港中文大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳研究院） ； Shenzhen Loop Area Institute, China（深圳环园院） ； McGill University（麦吉尔大学） ； The Hong Kong University of Science and Technology, Guangzhou（香港科学与技术大学） 纠错

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

AI总结 VidDoS是一种针对视频大语言模型的通用拒绝服务攻击方法，通过通用优化生成实例无关的触发器，导致模型推理延迟和token扩展显著增加，引发安全问题。

AdaBlock-dLLM: Semantic-Aware Diffusion LLM Inference via Adaptive Block Size

AdaBlock-dLLM: 通过自适应块大小实现语义感知的扩散语言模型推理

Guanxi Lu, Hao Mark Chen, Yuto Karashima, Zhican Wang, Daichi Fujiki, Hongxiang Fan

专题命中 效率与部署 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 AdaBlock-dLLM通过自适应块大小实现语义感知的扩散语言模型推理，提升解码准确性与效率。

Comments Published as a conference paper at ICLR 2026

Distribution-Aligned Decoding for Efficient LLM Task Adaptation

面向高效大语言模型任务适应的分布对齐解码

Senkang Hu, Xudong Han, Jinqi Jiang, Yihang Tao, Zihan Fang, Yong Dai, Sam Tak Wu Kwong, Yuguang Fang

机构 * Hong Kong JC STEM Lab of Smart City（香港JC智能城市STEM实验室） ； City University of Hong Kong（香港城市大学） ； University of Sussex（苏塞克斯大学） ； Huazhong University of Science and Technology（华中科技大学） ； Fudan University（复旦大学） ； Lingnan University（岭大大学） 纠错

专题命中 效率与部署 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 SVDecode通过引导输出分布对齐提升大语言模型任务适应性能，理论证明其与全微调等价，实验显示在多个任务上准确率提升显著。

Comments Accepted by NeurIPS'25

PARCER as an Operational Contract to Reduce Variance, Cost, and Risk in LLM Systems

PARCER作为运营合同以减少LLM系统中的方差、成本和风险

Elzo Brito dos Santos Filho

机构 * cps.sp.gov.br（巴西圣保罗州公共事务厅） 纠错

专题命中 效率与部署 ：LLM(title,comments)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 PARCER通过引入运营合同框架，旨在减少LLM系统中的方差、成本和风险，提升治理和可控性。

Comments 11 pages. Presents the PARCER framework for LLM governance. Appendix contains the full YAML operational contract

TAP-SLF: Parameter-Efficient Adaptation of Vision Foundation Models for Multi-Task Ultrasound Image Analysis

TAP-SLF：面向多任务超声图像分析的视觉基础模型参数高效适应

Hui Wan, Libin Lan

机构 * College of Computer Science and Engineering, Chongqing University of Technology, Chongqing, China（计算机科学与工程学院，重庆科技学院，重庆） 纠错

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

AI总结 TAP-SLF通过任务感知提示和选择性层微调，实现视觉基础模型在多任务超声图像分析中的高效适应。

Comments 4 pages, 2 figures, 4 tables; Submitted to ISBI FMC UIA 2026; Our code is publicly available at https://github.com/huiwanHW/Florence-2-adaptation

Dynamic Token Reweighting for Robust Vision-Language Models

动态令牌重加权用于鲁棒的视觉-语言模型

Tanqiu Jiang, Jiacheng Liang, Rongyi Zhu, Jiawei Zhou, Fenglong Ma, Ting Wang

机构 * Stony Brook University（石溪大学） ； Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 DTR通过优化KV缓存动态调整视觉令牌权重，提升视觉-语言模型对多模态劫持攻击的鲁棒性，同时保持模型性能。

Comments CVPR 2026

Inference-Time Safety For Code LLMs Via Retrieval-Augmented Revision

通过检索增强的修订实现代码LLM的推理时安全性

Manisha Mukherjee, Vincent J. Hellendoorn

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 通过检索增强的修订机制提升代码LLM的推理时安全性，提高生成代码的安全性并减少漏洞。

Comments Accepted at the ICLR 2026 Workshop on Principled Design for Trustworthy AI: Interpretability, Robustness, and Safety Across Modalities

Scaling with Collapse: Efficient and Predictable Training of LLM Families

按比例崩溃：高效且可预测的LLM家族训练

Shane Bergsma, Bin Claire Zhang, Nolan Dey, Shaheer Muhammad, Gurpreet Gosal, Joel Hestness

机构 * Cerebras Systems（Cerebras系统） 纠错

专题命中 效率与部署 ：LLM(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 该研究发现LLM训练中的崩溃现象，表明通过优化超参数可实现高效且可预测的训练，提出了Celerity模型并展示了其在训练诊断和超参数调优中的应用。

Comments ICLR 2026

When Scaffolding Breaks: Investigating Student Interaction with LLM-Based Writing Support in Real-Time K-12 EFL Classrooms

当支架失效：研究学生与基于LLM的写作支持在实时K-12英语课堂中的互动

Junho Myung, Hyunseung Lim, Hana Oh, Hyoungwook Jin, Nayeon Kang, So-Yeon Ahn, Hwajung Hong, Alice Oh, Juho Kim

专题命中 效率与部署 ：LLM(title)；large language model(abstract)；language model(abstract)

AI总结 研究探讨了基于LLM的实时写作支持在K-12英语课堂中的效果，发现其虽提升写作能力，但对低水平学生有负面影响，并提出了包容性设计建议。

Comments Conditionally Accepted to CHI2026

BinaryShield: Cross-Service Threat Intelligence in LLM Services using Privacy-Preserving Fingerprints

BinaryShield: 在LLM服务中利用隐私保护指纹实现跨服务威胁情报

Waris Gill, Natalie Isak, Matthew Dressman

机构 * Microsoft Redmond, USA（微软红mond分校） ； Microsoft New York, USA（微软纽约分校） 纠错

专题命中 效率与部署 ：LLM(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 BinaryShield通过隐私保护技术实现跨服务威胁情报共享，提升LLM安全防护能力。

Comments Accepted at the 2026 IEEE Conference on Secure and Trustworthy Machine Learning (SaTML)

Actions Speak Louder than Prompts: A Large-Scale Study of LLMs for Graph Inference

行动胜于提示：大型语言模型在图推断中的大规模研究

Ben Finkelshtein, Silviu Cucerzan, Sujay Kumar Jauhar, Ryen White

机构 * University of Oxford（牛津大学） ； Microsoft Research（微软研究院） 纠错

专题命中 效率与部署 ：LLM(abstract)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 研究通过大规模评估揭示LLM在图推断中的表现，发现代码生成在长文本图中表现最佳，异质图上交互策略仍有效，且方法能灵活适应不同输入类型。