语言大模型 / LLM

Point Cloud as a Foreign Language for Multi-modal Large Language Model

点云作为多模态大语言模型的外语

Sneha Paul, Zachary Patterson, Nizar Bouguila

机构 * Concordia University（康科迪亚大学） 纠错

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

AI总结 SAGE是首个端到端3D多模态大语言模型，通过轻量级3D分词器直接处理点云，提升3D任务的推理能力与鲁棒性。

Comments Accepted in The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026

Information Capacity: Evaluating the Efficiency of Large Language Models via Text Compression

信息容量：通过文本压缩评估大语言模型的效率

Cheng Yuan, Jiawei Shao, Xuelong Li

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 本文提出信息容量作为评估大语言模型效率的新指标，通过文本压缩性能与计算复杂性关系衡量模型效率，并揭示主流模型的语言偏见问题。

Comments Code: https://github.com/TeleAI-AI-Flow/InformationCapacity. Data: https://huggingface.co/datasets/TeleAI-AI-Flow/InformationCapacity

Large Language Model-Assisted Superconducting Qubit Experiments

大语言模型辅助的超导量子比特实验

Shiheng Li, Jacob M. Miller, Phoebe J. Lee, Gustav Andersson, Christopher R. Conner, Yash J. Joshi, Bayan Karimi, Amber M. King, Howard L. Malc, Harsh Mishra, Hong Qiao, Minseok Ryu, Xuntao Wu, Siyuan Xing, Haoxiong Yan, Jian Shi, Andrew N. Cleland

机构 * University of Chicago（芝加哥大学） ； Pritzker School of Molecular Engineering（普ritz克分子工程学院） ； Aalto University School of Science（阿alto大学科学学院） ； Pico group（Pico组） ； QTF Centre of Excellence（QTF卓越中心） ； Department of Applied Physics（应用物理系） ； Department of Mathematics（数学系） ； Applied Materials, Inc（应用材料公司） 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 本文提出利用大语言模型自动化超导量子比特实验，实现快速部署标准协议和新型实验程序，提升复杂量子硬件控制的灵活性和易用性。

Comments 10 pages, 5 figures

Large Language Model Assisted Automated Algorithm Generation and Evolution via Meta-black-box optimization

通过元黑箱优化实现大型语言模型辅助的自动算法生成与进化

Xu Yang, Rui Wang, Kaiwen Li, Wenhua Li, Weixiong Huang

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

AI总结 本研究提出AwesomeDE，利用大型语言模型生成约束进化算法的更新规则，提升计算效率和解的准确性，并展示其在不同领域中的泛化能力。

Embodied AI with Foundation Models for Mobile Service Robots: A Systematic Review

基于基础模型的具身AI在移动服务机器人中的应用：系统综述

Matthew Lisondra, Beno Benhabib, Goldie Nejat

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

AI总结 本文系统综述了基础模型在移动服务机器人中的应用，探讨了其在具身AI中的整合、核心挑战及未来研究方向。

Comments v2: Expanded systematic review; resubmitted to Robotics

Journal ref Robotics 2026, 15(3), 55

PIM-SHERPA: Software Method for On-device LLM Inference by Resolving PIM Memory Attribute and Layout Inconsistencies

PIM-SHERPA：一种通过解决PIM内存属性和布局不一致性的软件方法实现设备端LLM推理

Sunjung Lee, Sanghoon Cha, Hyeonsu Kim, Seungwoo Seo, Yuhwan Ro, Sukhan Lee, Byeongho Kim, Yongjun Park, Kyomin Sohn, Seungwon Lee, Jaehoon Yu

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

AI总结 PIM-SHERPA通过解决PIM内存属性和布局不一致问题，实现了设备端LLM推理的高效性能和内存节省。

Comments 13 pages, 13 figures

LLM-Agent Interactions on Markets with Information Asymmetries

在信息不对称市场中的人工智能代理互动

Alexander Erlei, Lukas Meub

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

AI总结 本文研究了在信息不对称市场中，人工智能代理的行为，发现社会偏好协调对市场效率至关重要。

ChatNeuroSim: An LLM Agent Framework for Automated Compute-in-Memory Accelerator Deployment and Optimization

ChatNeuroSim：一种用于自动计算在内存加速器部署和优化的LLM代理框架

Ming-Yen Lee, Shimeng Yu

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

AI总结 ChatNeuroSim是一种基于LLM的代理框架，用于自动部署和优化计算在内存加速器，通过设计空间修剪技术提升优化效率。

Comments 30 pages, 16 figures

Adaptive Multi-Objective Tiered Storage Configuration for KV Cache in LLM Service

自适应多目标分层存储配置用于LLM服务中的KV缓存

Xianzhe Zheng, Zhengheng Wang, Ruiyan Ma, Rui Wang, Xiyu Wang, Rui Chen, Peng Zhang, Sicheng Pan, Zhangheng Huang, Chenxin Wu, Yi Zhang, Bo Cai, Kan Liu, Teng Ma, Yin Du, Dong Deng, Sai Wu, Guoyun Zhu, Wei Zhang, Feifei Li

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

AI总结 Kareto通过自适应资源管理优化LLM服务中的KV缓存配置，提升吞吐量、降低延迟和成本。

BanaServe: Unified KV Cache and Dynamic Module Migration for Balancing Disaggregated LLM Serving in AI Infrastructure

BanaServe：统一的KV缓存和动态模块迁移以平衡AI基础设施中的解耦LLM服务

Yiyuan He, Minxian Xu, Jingfeng Wu, Jianmin Hu, Chong Ma, Min Shen, Le Chen, Chengzhong Xu, Lin Qu, Kejiang Ye

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

AI总结 BanaServe通过统一的KV缓存和动态模块迁移，平衡解耦LLM服务中的计算与内存资源，提升吞吐量和效率。

Comments 23 pages

Journal ref Software: Practice and Experience 2026

Rating Quality of Diverse Time Series Data by Meta-learning from LLM Judgment

通过LLM判断对异质时间序列数据进行质量评级

Shunyu Wu, Dan Li, Wenjie Feng, Haozheng Ye, Jian Lou, See-Kiong Ng

机构 * Sun Yat-sen University（中山大学） ； State Key Laboratory of Al Safety（人工智能安全国家重点实验室） ； University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 本文提出TSRating框架，利用LLM判断对异质时间序列数据进行质量评级，通过元学习提升跨领域适应性。

Comments Accepted at ICLR 2026

Covenant-72B: Pre-Training a 72B LLM with Trustless Peers Over-the-Internet

Covenant-72B：通过互联网无信任同伴预训练一个72B LLM

Joel Lidin, Amir Sarfi, Erfan Miahi, Quentin Anthony, Shivam Chauhan, Evangelos Pappas, Benjamin Thérien, Eugene Belilovsky, Samuel Dare

机构 * Covenant AI ； Mila 纠错

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

AI总结 Covenant-72B通过全球分布式预训练实现了大规模无许可参与，展示了去中心化训练的可行性与高效性。

Comments 26 pages, 6 figures, 4 tables; minor update, no content changes

Multimodal LLM-assisted Evolutionary Search for Programmatic Control Policies

多模态大语言模型辅助进化搜索用于程序化控制策略

Qinglong Hu, Xialiang Tong, Mingxuan Yuan, Fei Liu, Zhichao Lu, Qingfu Zhang

机构 * Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

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

AI总结 本研究提出多模态大语言模型辅助进化搜索方法，用于生成透明且可验证的程序化控制策略，通过结合视觉反馈与进化搜索提高策略发现效率。

The AetherFloat Family: Block-Scale-Free Quad-Radix Floating-Point Architectures for AI Accelerators

AetherFloat家族：面向AI加速器的无块缩放四进制浮点架构

Keita Morisaki

机构 * Keita Morisaki（独立研究者） 纠错

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

AI总结 AetherFloat家族是一种面向AI加速器的无块缩放四进制浮点架构，通过显式尾数和四进制缩放实现更高的动态范围和更低的功耗，同时支持量化感知训练。

SA$^{2}$GFM: Enhancing Robust Graph Foundation Models with Structure-Aware Semantic Augmentation

SA$^{2}$GFM: 通过结构感知语义增强提升鲁棒图基础模型

Junhua Shi, Qingyun Sun, Haonan Yuan, Xingcheng Fu

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

AI总结 SA$^{2}$GFM通过结构感知语义增强提升图基础模型的鲁棒性和泛化能力。

Self-hosted Lecture-to-Quiz: Local LLM MCQ Generation with Deterministic Quality Control

本地讲座到测验：本地LLM多选题生成与确定性质量控制

Seine A. Shintani

机构 * Department of Biomedical Science, College of Life and Health Sciences, Chubu University（生物医学科学系、生命与健康科学学院、Chubu大学） ； Center for AI, Mathematical and Data Sciences, Chubu University（人工智能中心、数学与数据科学、Chubu大学） 纠错

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

AI总结 本文提出一种自托管的本地LLM生成多项选择题方法，结合确定性质量控制，确保生成问题的准确性和可靠性，并通过实验验证其有效性。

Comments 16 pages, 8 tables, appendix included. Includes ancillary files (anc/) with JSONL/CSV exports, QC traces, reproducibility notebook, and dummy lecture PDFs

Active Prompt Learning with Vision-Language Model Priors

基于视觉-语言模型先验的主动提示学习

Hoyoung Kim, Seokhee Jin, Changhwan Sung, Jaechang Kim, Jungseul Ok

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

AI总结 本文提出了一种基于视觉-语言模型先验的主动提示学习框架，通过类引导聚类和自适应阈值筛选，提升主动学习效率与准确性。

Diagnosing FP4 inference: a layer-wise and block-wise sensitivity analysis of NVFP4 and MXFP4

诊断FP4推理：NVFP4和MXFP4的逐层和分块敏感性分析

Musa Cim, Burak Topcu, Mahmut Taylan Kandemir

机构 * Department of Computer Science and Engineering The Pennsylvania State University（计算机科学与工程系宾夕法尼亚州立大学） 纠错

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

AI总结 本研究通过分析MXFP4和NVFP4在不同模型规模下的敏感性，揭示了FP4量化在不同层和分块中的表现差异，为理解FP4推理行为提供了诊断依据。

Unveiling the Potential of Quantization with MXFP4: Strategies for Quantization Error Reduction

揭示MXFP4量化潜力：降低量化误差的策略

Jatin Chhugani, Geonhwa Jeong, Bor-Yiing Su, Yunjie Pan, Hanmei Yang, Aayush Ankit, Jiecao Yu, Summer Deng, Yunqing Chen, Nadathur Satish, Changkyu Kim

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

AI总结 MXFP4通过OAS和MBS技术显著提升量化精度，将与NVFP4的准确性差距从10%降至1%，同时保持硬件效率优势。

OOD-MMSafe: Advancing MLLM Safety from Harmful Intent to Hidden Consequences

OOD-MMSafe: 推进多模态大语言模型安全性从有害意图到隐藏后果

Ming Wen, Kun Yang, Jingyu Zhang, Yuxuan Liu, shiwen cui, Shouling Ji, Xingjun Ma

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

AI总结 OOD-MMSafe通过CASPO框架提升多模态大语言模型对隐藏后果的识别能力，显著降低风险识别失败率。

Comments 30 pages

ReDON: Recurrent Diffractive Optical Neural Processor with Reconfigurable Self-Modulated Nonlinearity

ReDON：具有可重构自调制非线性的递归衍射光学神经处理器

Ziang Yin, Qi Jing, Raktim Sarma, Rena Huang, Yu Yao, Jiaqi Gu

机构 * Arizona State University（亚利桑那州立大学） ； Center for Integrated Nanotechnologies, Sandia National Laboratories（沙伊达国家实验室集成纳米技术中心） ； Rensselaer Polytechnic Institute（伦塞拉尔理工学院） 纠错

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

AI总结 ReDON通过递归自调制非线性机制提升光学计算效率，实现20%的准确率提升

Comments 18 pages

The Virtuous Cycle: AI-Powered Vector Search and Vector Search-Augmented AI

良性循环：AI驱动的向量搜索与向量搜索增强的AI

Jiuqi Wei, Quanqing Xu, Chuanhui Yang

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

AI总结 本文探讨了AI与向量搜索的协同优化，通过AI增强向量搜索和向量搜索增强AI，形成良性循环，提升智能信息系统的性能和能力。

Entropy-and-Channel-Aware Adaptive-Rate Semantic Communication with MLLM-Aided Feature Compensation

熵与信道感知的自适应速率语义通信 with MLLM辅助特征补偿

Weixuan Chen, Qianqian Yang, Yuhao Chen, Chongwen Huang, Qian Wang, Zehui Xiong, Zhaoyang Zhang

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

AI总结 本文提出一种基于熵与信道感知的自适应速率语义通信框架，利用MLLM辅助特征补偿提升通信效率。

Efficiently Aligning Draft Models via Parameter- and Data-Efficient Adaptation

通过参数和数据高效适应实现草稿模型的高效对齐

Luxi Lin, Zhihang Lin, Zhanpeng Zeng, Yuhao Chen, Qingyu Zhang, Jixiang Luo, Xuelong Li, Rongrong Ji

机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（中国教育部多媒体可信感知与高效计算重点实验室，厦门大学） ； Shanghai Innovation Institute（上海创新研究院） ； Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究所（TeleAI）） ； University of Science and Technology of China (USTC)（中国科学技术大学） 纠错

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

AI总结 本文提出高效草稿适应框架EDA，通过解耦架构、数据再生策略和样本选择机制，实现草稿模型在特定领域微调时的高效适应，降低训练成本并提升推测解码性能。

Comments 10 pages

LooComp: Leverage Leave-One-Out Strategy to Encoder-only Transformer for Efficient Query-aware Context Compression

LooComp: 通过留一法策略提升仅编码器Transformer的查询感知上下文压缩效率

Thao Do, Dinh Phu Tran, An Vo, Seon Kwon Kim, Daeyoung Kim

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.CL

AI总结 LooComp通过留一法策略提升仅编码器Transformer的查询感知上下文压缩效率，实现高效压缩与高吞吐量推理。

PonderLM-3: Adaptive Token-Wise Pondering with Differentiable Masking

PonderLM-3: 基于可微掩码的自适应逐token pondering

He Li, Feichen Song, Boyi Zeng, Shixiang Song, Zhiqin John Xu, Ziwei He, Zhouhan Lin

机构 * LUMIA Lab（LUMIA实验室） ； School of Artificial Intelligence（人工智能学院） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 效率与部署 ：pretraining(abstract)；分类 cs.CL

AI总结 PonderLM-3通过可微掩码实现token级自适应计算分配，降低预训练困惑度并提升推理效率。

Can AI Agents Generate Microservices? How Far are We?

AI代理能否生成微服务？我们距离多远？

Bassam Adnan, Matteo Esposito, Davide Taibi, Karthik Vaidhyanathan

专题命中 效率与部署 ：prompting(abstract)

AI总结 本文研究了AI代理生成微服务的能力，发现渐进式生成在单元测试中表现较好，而清洁状态生成在集成测试中表现更优，但整体上仍需人类监督。

Comments 10 pages, 7 figures, accepted at the 2026 IEEE International Conference on Software Architecture (ICSA 2026). This is the pre-print version; the camera-ready version is published by IEEE

Lightening the Load: A Cluster-Based Framework for A Lower-Overhead, Provable Website Fingerprinting Defense

减轻负担：一种基于集群的框架，用于设计一种低开销、可证明的网站指纹攻击防御

Khashayar Khajavi, Tao Wang

专题命中 效率与部署 ：prompting(abstract)

AI总结 本文提出了一种基于集群的自适应网站指纹攻击防御框架，通过结合正则化和超序列方法，实现低开销和可证明安全性的平衡。

Comments NDSS'26