语言大模型 / LLM

Federated Learning of Binary Neural Networks: Enabling Low-Cost Inference

联邦学习二进制神经网络：实现低成本推理

Nitin Priyadarshini Shankar, Soham Lahiri, Sheetal Kalyani, Saurav Prakash

机构 * Department of Electrical Engineering, Indian Institute of Technology Madras（印度理工学院马德拉斯分校电子工程系） ； Department of Computer Science and Engineering, Jadavpur University（贾达布尔大学计算机科学与工程系） 纠错

专题命中 效率与部署 ：post-training(abstract)；分类 cs.LG

AI总结 本文提出FedBNN框架，通过在本地训练中直接学习二进制表示，优化边缘设备的内存和计算效率，减少资源消耗同时保持与传统联邦方法相当的性能。

Comments 26 pages, 13 figures

MA-VLCM: A Vision Language Critic Model for Value Estimation of Policies in Multi-Agent Team Settings

MA-VLCM：一种用于多智能体团队设置中策略价值估计的视觉语言批评模型

Shahil Shaik, Aditya Parameshwaran, Anshul Nayak, Jonathon M. Smereka, Yue Wang

机构 * University of Michigan, Ann Arbor（密歇根大学安娜堡分校） ； Clemson University（克莱姆斯大学） 纠错

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

AI总结 本文提出MA-VLCM，通过预训练的视觉语言模型替代传统集中批评者，提升多智能体强化学习的样本效率和泛化能力，适用于资源受限的机器人部署。

Comments 7 pages, 6 figures

Efficient Document Parsing via Parallel Token Prediction

通过并行标记预测实现高效的文档解析

Lei Li, Ze Zhao, Meng Li, Zhongwang Lun, Yi Yuan, Xingjing Lu, Zheng Wei, Jiang Bian, Zang Li

机构 * Platform and Content Group, Tencent（腾讯平台与内容组） ； Renmin University of China（中国人民大学） 纠错

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

AI总结 本文提出并行标记预测方法，通过在输入序列中插入可学习标记并设计训练目标，使VLM在文档解析中实现并行解码，提升解析速度并减少模型幻觉。

Comments Accepted by CVPR 2026 Findings

RAZOR: Ratio-Aware Layer Editing for Targeted Unlearning in Vision Transformers and Diffusion Models

RAZOR：面向视觉变换器和扩散模型的比率感知层编辑以实现针对性遗忘

Ravi Ranjan, Utkarsh Grover, Xiaomin Lin, Agoritsa Polyzou

机构 * Florida International University（佛罗里达国际大学） ； University of South Florida（佛罗里达州立大学） 纠错

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

AI总结 RAZOR通过比率感知机制实现视觉变换器和扩散模型的针对性遗忘，通过多层和多头编辑提升模型安全性与合规性，实现高效且稳定的遗忘更新。

Comments 18 pages, 6 figures, 8 tables, accepted to the CVPR 2026 and to appear in the Findings Track Proceedings of IEEE/CVF Conference

A Language-Agnostic Hierarchical LoRA-MoE Architecture for CTC-based Multilingual ASR

一种语言无关的分层LoRA-MoE架构用于基于CTC的多语言ASR

Yuang Zheng, Dongxu Chen, Yuxiang Mei, Dongxing Xu, Jie Chen, Yanhua Long

专题命中 效率与部署 ：SLM(abstract)；分类 cs.CL

AI总结 本文提出基于CTC架构的轻量多语言ASR系统，通过分层LoRA-MoE框架实现语言无关解码，实验表明在资源受限场景下提升解码效率。

Comments 5 pages, submitted to IEEE Communications Letters

Data-Efficient ASR Personalization for Non-Normative Speech Using an Uncertainty-Based Phoneme Difficulty Score for Guided Sampling

用于非规范语音的高效ASR个性化：基于不确定性的音素难度评分指导采样

Niclas Pokel, Pehuén Moure, Roman Böhringer, Yingqiang Gao

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

AI总结 本文提出一种基于音素不确定性评分的高效ASR个性化方法，通过VI LoRA估计基础模型的不确定性，提升非规范语音识别的准确性。

True 4-Bit Quantized Convolutional Neural Network Training on CPU: Achieving Full-Precision Parity

在CPU上实现真正的4位量化卷积神经网络训练：实现全精度 parity

Shivnath Tathe

专题命中 效率与部署 ：post-training(abstract)；分类 cs.LG

AI总结 本文提出在标准CPU上使用PyTorch操作训练4位精度CNN的方法，通过tanh-based软权重裁剪技术等实现稳定收敛和高精度，实验显示在CIFAR-10上达到与全精度相同的测试准确率。

Comments 6 pages, 4 figures, 9 tables. Code available at https://github.com/shivnathtathe/vgg4bit-and-simpleresnet4bit

EcoAlign: An Economically Rational Framework for Efficient LVLM Alignment

EcoAlign：一种经济理性框架，用于高效LVLM对齐

Ruoxi Cheng, Haoxuan Ma, Teng Ma, Hongyi Zhang

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

AI总结 本文提出EcoAlign框架，通过经济理性搜索提升LVLM对齐效率，在安全、效用和成本间取得平衡，实验表明其在计算成本更低的情况下性能更优。

SegQuant: A Semantics-Aware and Generalizable Quantization Framework for Diffusion Models

SegQuant: 一种语义感知且通用的扩散模型量化框架

Jiaji Zhang, Ruichao Sun, Hailiang Zhao, Jiaju Wu, Peng Chen, Hao Li, Yuying Liu, Kingsum Chow, Gang Xiong, Shuiguang Deng

专题命中 效率与部署 ：post-training(abstract)；分类 cs.AI

AI总结 SegQuant提出一种统一的量化框架，通过自适应结合互补技术提升跨模型通用性，采用结构感知图量化策略和双尺度量化方案，有效保持视觉保真度，适用于Transformer扩散模型及其他模型。

Comments 22 pages, 15 figures, to be published in The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026 (CVPR 2026), code is available at https://github.com/OptiSys-ZJU/segquant

Inference-Time Scaling of Discrete Diffusion Models via Importance Weighting and Optimal Proposal Design

通过重要加权和最优提案设计实现离散扩散模型的推理时间扩展

Zijing Ou, Chinmay Pani, Yingzhen Li

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

AI总结 本文提出基于SMC框架的重要加权和最优提案设计方法，提升离散扩散模型在推理时的可控制性和样本质量，适用于多个领域任务。

When Should Humans Step In? Optimal Human Dispatching in AI-Assisted Decisions

何时应人类介入？在AI辅助决策中的最优人类调度

Lezhi Tan, Naomi Sagan, Lihua Lei, Jose Blanchet

专题命中 效率与部署 ：LLM(abstract)；分类 cs.LG

AI总结 本文提出一个决策理论框架，用于人类与AI协作，通过优化选择策略提升决策准确性，实验显示其在AI辅助同行评审中表现优异，效率高且效果接近全人工审查。

Post Training Quantization for Efficient Dataset Condensation

训练后量化用于高效数据集压缩

Linh-Tam Tran, Sung-Ho Bae

专题命中 效率与部署 ：post-training(abstract)；分类 cs.AI

AI总结 本文提出基于补丁的训练后量化方法，通过局部量化和聚类减少存储成本，提升压缩数据的表示质量，实验显示在极端压缩下测试准确率提升近一倍。

Comments AAAI-2026 (Oral)

Do Diffusion Models Dream of Electric Planes? Discrete and Continuous Simulation-Based Inference for Aircraft Design

扩散模型是否梦想着电动飞机？基于模拟的推断用于飞机设计

Aurelien Ghiglino, Daniel Elenius, Anirban Roy, Ramneet Kaur, Manoj Acharya, Colin Samplawski, Brian Matejek, Susmit Jha, Juan Alonso, Adam Cobb

机构 * Computer Science Laboratory, SRI（SRI计算机科学实验室） ； Aerospace Design Laboratory, Stanford University（斯坦福大学航空航天设计实验室） 纠错

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

AI总结 本文基于模拟推断方法，生成电动垂直起降飞机的概念设计，引入两级概率模型，结合扩散模型加速设计生成并发现飞机设计中的物理规律。

Balancing Saliency and Coverage: Semantic Prominence-Aware Budgeting for Visual Token Compression in VLMs

平衡显著性与覆盖：面向视觉令牌压缩的语义显著性感知预算分配

Jaehoon Lee, Mingi Jung, Soohyuk Jang, Seungryong Yoo, Dahuin Jung, Sungroh Yoon

机构 * Interdisciplinary Program in AI, Seoul National University（首尔国立大学人工智能跨学科项目） ； Department of Electrical and Computer Engineering, Seoul National University（首尔国立大学电子与计算机工程系） ； Department of Artificial Intelligence, Chung-Ang University（成均馆大学人工智能系） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 本文提出PromPrune框架，通过语义显著性感知预算分配和两阶段选择流程，在视觉令牌压缩中平衡局部显著性保留与全局覆盖，提升性能并减少计算量。

BackdoorIDS: Zero-shot Backdoor Detection for Pretrained Vision Encoder

BackdoorIDS: 预训练视觉编码器的零样本后门检测

Siquan Huang, Yijiang Li, Ningzhi Gao, Xingfu Yan, Leyu Shi, Ying Gao

专题命中 效率与部署 ：language model(abstract)

AI总结 BackdoorIDS通过分析输入在逐步遮蔽过程中的嵌入序列变化，利用密度聚类检测后门攻击，实现对预训练视觉编码器的零样本后门检测，优于现有防御方法。

Comments 17 pages, 10 figures, 6 tables

Measuring Weather Effects and Link Quality Dynamics in LEO Satellite Networks

测量低轨卫星网络中天气影响和链路质量动态

Clemens Lottermoser, Simon Damm, Stefan Schmid

专题命中 效率与部署 ：language model(abstract)

AI总结 本文通过Starlink案例研究，分析了影响链路质量的动态因素，发现大气液态水路径(LWP)是关键影响因素，尤其在降雨时导致下载吞吐量下降，同时网络升级也提升了性能。

Comments satellite networks, non-terrestrial networks, LEOs, measurements, weather

DCP-CLIP:A Coarse-to-Fine Framework for Open-Vocabulary Semantic Segmentation with Dual Interaction

DCP-CLIP:一种面向开放词汇语义分割的粗到细框架

Jing Wang, Huimin Shi, Quan Zhou, Qibo Liu, Suofei Zhang, Huimin Lu

专题命中 效率与部署 ：foundation model(abstract)

AI总结 本文提出DCP-CLIP框架，通过动态生成文本特征和显式建模双交互，解决开放词汇语义分割中的跨模态通信不足和计算成本高的问题，提升分割精度和效率。

Comments 13 pages, 7 figures

ABounD: Adversarial Boundary-Driven Few-Shot Learning for Multi-Class Anomaly Detection

ABounD：面向多类异常检测的对抗边界驱动少样本学习

Runzhi Deng, Yundi Hu, Xinshuang Zhang, Zhao Wang, Xixi Liu, Wang-Zhou Dai, Caifeng Shan, Fang Zhao

专题命中 效率与部署 ：language model(abstract)

AI总结 本文提出ABounD框架，通过语义概念锚定与几何边界优化，解决多类异常检测中特征空间塌陷和跨类干扰问题，实现高效准确的少样本学习。

WonderVerse: Extendable 3D Scene Generation with Video Generative Models

WonderVerse：基于视频生成模型的可扩展3D场景生成

Hao Feng, Zhi Zuo, Jia-Hui Pan, Ka-Hei Hui, Qi Dou, Jingyu Hu, Zhengzhe Liu

专题命中 效率与部署 ：foundation model(abstract)

AI总结 本文提出WonderVerse框架，利用视频生成模型中的世界级先验知识生成沉浸式且几何一致的3D环境，并引入可控扩展技术与异常序列检测模块，实现高效高质量的可扩展3D场景生成。

Comments Accepted at CVM 2026

Taming Vision Priors for Data Efficient mmWave Channel Modeling

驯服视觉先验以实现数据高效的毫米波信道建模

Zhenlin An, Longfei Shangguan, John Kaewell, Philip Pietraski, Jelena Senic, Camillo Gentile, Nada Golmie, Kyle Jamieson

机构 * University of Georgia（佐治亚大学） ； University of Pittsburgh（匹兹堡大学） ； Interdigital（Interdigital公司） ； NIST（国家标准与技术研究院） ； Princeton University（普林斯顿大学） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 本文提出VisRFTwin框架，结合视觉获取的材料先验与可微射线追踪，通过少量稀疏信道测量快速校准参数，提升毫米波信道建模效率与精度。

MedPriv-Bench: Benchmarking the Privacy-Utility Trade-off of Large Language Models in Medical Open-End Question Answering

MedPriv-Bench：医疗开放问答中大语言模型隐私-效用权衡的基准测试

Shaowei Guan, Yu Zhai, Hin Chi Kwok, Jiawei Du, Xinyu Feng, Jing Li, Harry Qin, Vivian Hui

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

AI总结 MedPriv-Bench首次提出医疗开放问答中评估隐私保护与临床效用的基准，通过多代理人机协同流程生成敏感医疗情境，利用预训练RoBERTa-NLI模型量化数据泄露，揭示大语言模型在隐私与效用间的普遍权衡。

Comments 17 pages, 5 figures

Ayn: A Tiny yet Competitive Indian Legal Language Model Pretrained from Scratch

Ayn：一个微小却具有竞争力的印度法律语言模型，从头开始预训练

Mitodru Niyogi, Eric Gaussier, Arnab Bhattacharya

专题命中 领域大模型 ：language model(title,abstract)；large language model(abstract)；prompting(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出Ayn，一个预训练的印度法律领域小型语言模型，在法律案例判断预测任务中超越80倍大的LLM，在摘要任务中与30倍大的LLM竞争，并在通用任务中与大模型竞争。

Comments LREC 2026

Agentic LLM Workflow for MR Spectroscopy Volume-of-Interest Placements in Brain Tumors

基于代理的大语言模型的脑肿瘤MR波谱成像体积感兴趣区放置工作流

Sangyoon Lee, Francesca Branzoli, Małgorzata Marjańska, Patrick Bolan

机构 * Center for Magnetic Resonance Research（磁共振研究中心） ； University of Minnesota（明尼苏达大学） ； ICM – Paris Brain Institute（巴黎脑研究所） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出一种基于代理的大语言模型工作流，用于优化脑肿瘤MR波谱成像中体积感兴趣区的放置，通过生成多个候选区域并选择最优方案，提升临床应用的灵活性和准确性。

Comments 10 pages, 4 figures

Optimizing LLM Annotation of Classroom Discourse through Multi-Agent Orchestration

通过多智能体协调优化LLM对课堂话语的标注

Bakhtawar Ahtisham, Kirk Vanacore, Rene F. Kizilcec

机构 * Cornell University（康奈尔大学） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出一种分层、成本敏感的多阶段标注框架，通过自检和争议解决阶段提升LLM标注的可靠性，以应对教育数据科学中规模与效度之间的矛盾。

Comments Accepted for presentation at the Education Data Science Conference (EDS 2026), Stanford, USA, May 26-28, 2026. Extended abstract

LegacyTranslate: LLM-based Multi-Agent Method for Legacy Code Translation

LegacyTranslate: 基于LLM的多智能体方法用于遗留代码翻译

Zahra Moti, Heydar Soudani, Jonck van der Kogel

专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 本文提出LegacyTranslate多智能体框架，通过三个智能体提升遗留代码翻译质量，实验显示初始翻译智能体达到45.6%可编译输出，结合API grounding和refinement智能体进一步提升编译和测试通过率。

GraphVLM: Benchmarking Vision Language Models for Multimodal Graph Learning

GraphVLM：多模态图学习的视觉语言模型基准测试

Jiajin Liu, Dongzhe Fan, Chuanhao Ji, Daochen Zha, Qiaoyu Tan

机构 * NYU Shanghai（纽约大学上海分校） ； New York University（纽约大学） ； Rice University（休斯顿大学） ； East China Normal University（华东师范大学） 纠错

专题命中 领域大模型 ：language model(title,abstract)；LLM(abstract)；分类 cs.LG

AI总结 GraphVLM通过三种范式评估视觉语言模型在多模态图学习中的能力，发现VLM-as-Predictor在性能上表现最佳，展示了其在多模态图学习中的潜力。

Comments CVPR 2026

Toward Clinically Ready Foundation Models in Medical Image Analysis: Adaptation Mechanisms and Deployment Trade-offs

迈向医学影像分析中临床可用的基础模型：适应机制与部署权衡

Karma Phuntsho, Abdullah, Kyungmi Lee, Ickjai Lee, Euijoon Ahn

专题命中 领域大模型 ：foundation model(title,abstract)；pretraining(abstract)

AI总结 本文探讨了医学影像分析中基础模型的适应机制与部署权衡，分析了不同适应策略对临床鲁棒性、校准和监管可行性的影响，为设计符合临床需求的基础模型系统提供指导。

Unlocking Electronic Health Records: A Hybrid Graph RAG Approach to Safe Clinical AI for Patient QA

解锁电子健康记录：一种混合图RAG方法用于安全临床AI的患者问答

Samuel Thio, Matthew Lewis, Spiros Denaxas, Richard JB Dobson

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出MediGRAF，一种结合图检索与向量嵌入的混合RAG系统，通过整合结构化数据与非结构化文本，提升临床AI在患者问答中的安全性和准确性。

Comments 26 pages, 5 figures, 2 tables

Journal ref Frontiers in Digital Health, vol. 8, 2026

Do Mixed-Vendor Multi-Agent LLMs Improve Clinical Diagnosis?

多供应商多智能体大语言模型是否能改善临床诊断？

Grace Chang Yuan, Xiaoman Zhang, Sung Eun Kim, Pranav Rajpurkar

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文研究了多供应商多智能体系统在临床诊断中的表现，发现混合供应商配置在召回率和准确性上优于单一供应商配置，揭示了供应商多样性对诊断系统鲁棒性的重要性。

Comments Accepted as Oral at the EACL 2026 Workshop on Healthcare and Language Learning (HeaLing)

MOSAIC: Multi-agent Orchestration for Task-Intelligent Scientific Coding

MOSAIC：多智能体协作用于任务智能的科学编码

Siddeshwar Raghavan, Tanwi Mallick

专题命中 领域大模型 ：LLM(abstract,comments)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 MOSAIC通过多智能体协作解决复杂科学编码任务，采用自反思和学生-教师模式提升准确性和鲁棒性。

Comments The paper requires a great deal of restructuring to be beneficial to the research community. We also identified some issues with the current experiments and improvements in LLM models which we want our work to reflect