语言大模型 / LLM

FaithSteer-BENCH: A Deployment-Aligned Stress-Testing Benchmark for Inference-Time Steering

FaithSteer-BENCH：一种面向部署的应力测试基准，用于推理时的操控

Zikang Ding, Qiying Hu, Yi Zhang, Hongji Li, Junchi Yao, Hongbo Liu, Lijie Hu

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Mohamed bin Zayed University of Artificial Intelligence（马尔代夫人工智能大学） ； South China University of Technology（华南理工大学） 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 本文提出FaithSteer-BENCH基准，通过可控性、效用保持和鲁棒性三个指标评估推理时操控方法，揭示现有方法在部署场景下的可靠性问题及机制层面的对齐问题。

LLMIA: An Out-of-the-Box Index Advisor via In-Context Learning with LLMs

LLMIA: 一种通过大语言模型进行上下文学习的即开型索引顾问

Xinxin Zhao, Xinmei Huang, Haoyang Li, Jing Zhang, Shuai Wang, Tieying Zhang, Jianjun Chen, Rui Shi, Cuiping Li, Hong Chen

机构 * School of Information, Renmin University of China, Beijing, China（中国人民大学信息学院，北京，中国） ； ByteDance Inc., China（字节跳动公司，中国） 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 LLMIA利用大语言模型进行上下文学习，通过高质量演示池和全面的工作负载特征提取，高效推荐和优化索引，无需调优，在多个基准测试中表现优异。

Mobile-VideoGPT: Fast and Accurate Model for Mobile Video Understanding

Mobile-VideoGPT：用于移动视频理解的高效模型

Abdelrahman Shaker, Muhammad Maaz, Chenhui Gou, Hamid Rezatofighi, Salman Khan, Fahad Shahbaz Khan

机构 * Mohamed Bin Zayed University of Artificial Intelligence（莫扎德人工智能大学） ； Monash University（莫纳什大学） ； Linköping University（利尔贝里大学） 纠错

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

AI总结 本文提出Mobile-VideoGPT，一种轻量级多模态框架，通过高效编码器、投影器和小语言模型实现快速推理，提升移动视频理解效率。

Comments Technical Report. Project: https://amshaker.github.io/Mobile-VideoGPT

SpecForge: A Flexible and Efficient Open-Source Training Framework for Speculative Decoding

SpecForge：一种灵活且高效的开源训练框架用于推测解码

Shenggui Li, Chao Wang, Yikai Zhu, Yubo Wang, Fan Yin, Shuai Shi, Yefei Chen, Xiaomin Dong, Qiaoling Chen, Jin Pan, Ji Li, Laixin Xie, Yineng Zhang, Lei Yu, Yonggang Wen, Ivor Tsang, Tianwei Zhang

机构 * Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出SpecForge，一种支持EAGLE-3的开源框架，通过解耦目标与草案模型、混合并行等技术，显著提升Qwen3-235B-A22B的训练速度，并发布SpecBundle草案模型以解决高质量草案稀缺问题。

CNT: Safety-oriented Function Reuse across LLMs via Cross-Model Neuron Transfer

CNT：通过跨模型神经转移实现面向安全的功能重用

Yue Zhao, Yujia Gong, Ruigang Liang, Shenchen Zhu, Kai Chen, Xuejing Yuan, Wangjun Zhang

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

AI总结 本文提出CNT方法，通过转移少量神经元实现LLM间安全功能重用，有效提升安全对齐和偏见消除效果，性能损失低于1%。

Behavioral Fingerprints for LLM Endpoint Stability and Identity

面向LLM端点稳定性和身份的行为指纹

Jonah Leshin, Manish Shah, Ian Timmis, Daniel Kang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 效率与部署 ：LLM(title)；分类 cs.AI

AI总结 本文提出Stability Monitor系统，通过固定提示集采样输出并比较输出分布，检测端点行为变化，揭示模型家族、版本等变化。

Comments 4 pages, 1 figure, submitted to CAIS 2026 System Demonstrations

AdaSwitch: Balancing Exploration and Guidance in Knowledge Distillation via Adaptive Switching

AdaSwitch: 通过自适应切换平衡探索与引导在知识蒸馏中的应用

Jingyu Peng, Maolin Wang, Hengyi Cai, Yuchen Li, Kai Zhang, Shuaiqiang Wang, Dawei Yin, Xiangyu Zhao

机构 * University of Science and Technology of China（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； Baidu Inc（百度公司） 纠错

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

AI总结 AdaSwitch通过自适应切换机制动态结合在线和离线生成，解决知识蒸馏中探索与引导的平衡问题，提升模型准确性和推理能力。

Support Basis: Fast Attention Beyond Bounded Entries

支持基：超越有限条目的快速注意力

Maryam Aliakbarpour, Vladimir Braverman, Junze Yin, Haochen Zhang

机构 * Rice University（里士满大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 本文提出支持基分解技术，无需有限条目假设实现高效注意力推理与训练，理论证明其亚二次运行时间并验证其计算效率与任务性能。

Comments AISTATS 2026 (Spotlight). Our code can be found at: https://github.com/yinj66/support_basis

Unlocking 3D Affordance Segmentation with 2D Semantic Knowledge

通过2D语义知识解锁3D affordance分割

Yu Huang, Zelin Peng, Changsong Wen, Xiaokang Yang, Wei Shen

机构 * MoE Key Lab of Artificial Intelligence, School of Computer Science, Shanghai Jiaotong University（人工智能大模型实验室，计算机科学学院，上海交通大学） 纠错

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

AI总结 本文提出CMAT预训练策略，利用2D视觉基础模型的语义知识引导3D表征学习，提升3D affordance分割的准确性和效率。

Comments Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition

Sliding-Window Merging for Compacting Patch-Redundant Layers in LLMs

滑动窗口合并用于压缩LLMs中的补丁冗余层

Xuan Ding, Rui Sun, Yunjian Zhang, Xiu Yan, Yueqi Zhou, Kaihao Huang, Suzhong Fu, Angelica I Aviles-Rivero, Chuanlong Xie, Yao Zhu

专题命中 效率与部署 ：LLM(abstract)；SLM(abstract)

AI总结 本文提出滑动窗口合并方法，通过动态压缩冗余层提升LLM性能，实验显示在35%剪枝下零样本任务性能提升1.654%。

F2LLM-v2: Inclusive, Performant, and Efficient Embeddings for a Multilingual World

F2LLM-v2：面向多语言世界的包容性、高性能和高效嵌入模型

Ziyin Zhang, Zihan Liao, Hang Yu, Peng Di, Rui Wang

机构 * Ant Group（蚂蚁集团） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 F2LLM-v2通过两阶段LLM嵌入训练流程、matryoshka学习等技术，实现了更高效的多语言嵌入模型，在11个MTEB基准测试中表现优异，同时为资源受限应用提供了新状态的前沿成果。

SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction

SCALE：可扩展的条件图谱级端点传输用于虚拟细胞扰动预测

Shuizhou Chen, Lang Yu, Kedu Jin, Songming Zhang, Hao Wu, Wenxuan Huang, Sheng Xu, Quan Qian, Qin Chen, Lei Bai, Siqi Sun, Zhangyang Gao

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； School of Life Science and Technology, China Pharmaceutical University（中国药科大学生命科学与技术学院） ； Faculty of Computer Science and Control Engineering, Shenzhen University of Advanced Technology, Shenzhen（深圳先进技术大学计算机科学与控制工程学院） 纠错

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

AI总结 本文提出SCALE模型，通过改进训练框架、条件传输方法和评估协议，提升虚拟细胞扰动预测的效率和生物合理性。

cuGenOpt: A GPU-Accelerated General-Purpose Metaheuristic Framework for Combinatorial Optimization

cuGenOpt：一种基于GPU的通用元启发式框架用于组合优化

Yuyang Liu

机构 * Independent Researcher（独立研究者） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI

AI总结 cuGenOpt通过GPU加速解决组合优化问题，采用统一编码抽象和适应性操作选择机制，提供纯Python接口和LLM辅助建模，实验显示其在多个问题上性能优越，优化效果显著。

Comments 28 pages, 9 figures. Code available at https://github.com/L-yang-yang/cugenopt

From Inference Efficiency to Embodied Efficiency: Revisiting Efficiency Metrics for Vision-Language-Action Models

从推理效率到具身效率：重新审视视觉-语言-动作模型的效率指标

Zhuofan Li, Hongkun Yang, Zhenyang Chen, Yangxuan Chen, Yingyan, Lin, Chaojian Li

机构 * Hong Kong University of Science and Technology（香港理工大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 本文重新审视视觉-语言-动作模型的效率指标，发现传统参数、FLOPs或token解码吞吐量无法反映机器人平台的实际表现，提出具身效率指标如任务完成时间、轨迹平滑度等，揭示传统方法在具身效率上的不足。

Milco: Learned Sparse Retrieval Across Languages via a Multilingual Connector

Milco：通过多语言连接器实现跨语言学习稀疏检索

Thong Nguyen, Yibin Lei, Jia-Huei Ju, Eugene Yang, Andrew Yates

机构 * University of Amsterdam（阿姆斯特丹大学） ； Johns Hopkins University, HLTCOE（约翰霍普金斯大学，语言学与认知科学系） 纠错

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

AI总结 Milco通过多语言连接器将不同语言的查询和文档映射到共享的英语词汇空间，采用两阶段训练策略提升表示透明性和有效性，实现跨语言稀疏检索的最优性能。

Comments ICLR 2026

Offload or Overload: A Platform Measurement Study of Mobile Robotic Manipulation Workloads

卸载或超载：移动机器人操控工作负载的平台测量研究

Sara Pohland, Xenofon Foukas, Ganesh Ananthanarayanan, Andrey Kolobov, Sanjeev Mehrotra, Bozidar Radunovic, Ankit Verma

机构 * UC Berkeley（加州大学伯克利分校） ； Microsoft Corp（微软公司） 纠错

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

AI总结 本文首次研究了移动机器人操控工作负载在车载、边缘和云GPU平台上的表现，发现小车载GPU无法运行完整工作栈，而大车载GPU会更快耗尽电池，卸载虽缓解约束但引入网络延迟和带宽问题，最终量化了机器人舰队共享计算的机会与风险。

Comments 15 pages, 17 figures

LRConv-NeRV: Low Rank Convolution for Efficient Neural Video Compression

LRConv-NeRV：低秩卷积用于高效神经视频压缩

Tamer Shanableh

机构 * American University of Sharjah（阿联酋夏尔贾大学） 纠错

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

AI总结 本文提出LRConv-NeRV，通过将NeRV中的部分密集卷积层替换为低秩分离卷积，实现高效神经视频解码，在降低计算复杂度和模型大小的同时保持高质量重建。

Comments This work has been submitted to the IEEE for possible publication

Conflict-Free Policy Languages for Probabilistic ML Predicates: A Framework and Case Study with the Semantic Router DSL

用于概率机器学习谓词的无冲突策略语言：一个框架和语义路由器DSL的案例研究

Xunzhuo Liu, Hao Wu, Huamin Chen, Bowei He, Xue Liu

机构 * vLLM Semantic Router Project（vLLM语义路由项目） ； MBZUAI / McGill University（MBZUAI / 麦吉尔大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.LG

AI总结 本文提出一个无冲突策略语言框架，解决概率ML信号在路由和访问控制中的冲突问题，通过温度缩放softmax划分嵌入空间，避免模型冲突，应用于语义路由器DSL。

Comments Work in progess

Q-Drift: Quantization-Aware Drift Correction for Diffusion Model Sampling

Q-Drift：扩散模型采样中的量化感知漂移校正

Sooyoung Ryu, Mathieu Salzmann, Saqib Javed

机构 * Department of Computer Science and Engineering, Seoul National University, Seoul, South Korea（计算机科学与工程系，首尔国立大学，韩国首尔） ； School of Computer and Communication Sciences, EPFL, Lausanne, Switzerland（计算机与通信科学学院，瑞士洛桑联邦理工学院） ； Meta Reality Labs, Redmond, USA（Meta现实实验室，美国西雅图） 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Q-Drift，一种在采样端校正量化噪声的方法，通过将量化误差视为隐含的随机扰动，提升扩散模型生成质量，实验显示在多种模型和方法上均有效。

Comments 29 pages, 6 figures

SwiftTailor: Efficient 3D Garment Generation with Geometry Image Representation

SwiftTailor: 基于几何图像表示的高效3D服装生成

Phuc Pham, Uy Dieu Tran, Binh-Son Hua, Phong Nguyen

机构 * Qualcomm AI Research（高通AI研究） ； Trinity College Dublin（都柏林大学） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 本文提出SwiftTailor框架，通过紧凑的几何图像表示统一缝纫图案推理与几何网格合成，提升3D服装生成的效率与精度。

Comments CVPR 2026

6Bit-Diffusion: Inference-Time Mixed-Precision Quantization for Video Diffusion Models

6Bit-Diffusion：视频扩散模型推理时的混合精度量化

Rundong Su, Jintao Zhang, Zhihang Yuan, Haojie Duanmu, Jianfei Chen, Jun Zhu

机构 * Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 效率与部署 ：post-training(abstract)

AI总结 本文提出了一种推理时的混合精度量化框架，通过动态分配NVFP4和INT8精度，提升视频扩散模型的效率与质量，实验显示在推理速度和内存占用上有显著提升。

KAN-Enhanced Contrastive Learning Accelerating Crystal Structure Identification from XRD Patterns

KAN增强的对比学习加速XRD图案中的晶体结构识别

Chenlei Xu, Tianhao Su, Jie Xiong, Yue Wu, Shuya Dong, Tian Jiang, Mengwei He, Shuai Chen, Tong-Yi Zhang

专题命中 效率与部署 ：pretraining(abstract)

AI总结 本文提出XCCP框架，通过对比学习在共享嵌入空间中对齐XRD模式与候选晶体结构，实现高效结构检索和对称识别，展示出在结构检索和空间群识别上的高准确率。

Robotic Agentic Platform for Intelligent Electric Vehicle Disassembly

智能电动汽车拆解机器人平台

Zachary Allen, Max Conway, Lyle Antieau, Allen Ponraj, Nikolaus Correll

机构 * Department of Computer Science, University of Colorado, Boulder（科罗拉多大学博尔德分校计算机科学系） 纠错

专题命中 效率与部署 ：LLM(abstract)

AI总结 本文提出RAPID平台，通过感知驱动操作、灵活自动化和AI辅助机器人编程，解决电动汽车电池包拆解的自动化问题，实验评估了三种快拆策略并引入代理AI规范以提升人机协作效率。

LLM-Augmented Computational Phenotyping of Long Covid

增强型语言模型的长期新冠计算表型分析

Jing Wang, Jie Shen, Amar Sra, Qiaomin Xie, Jeremy C Weiss

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

AI总结 本文提出基于LLM的Grace Cycle框架，通过迭代整合假设生成、证据提取和特征优化，发现长期新冠的三个临床亚型，为复杂纵向数据的表型筛查提供统计学支持。

LLM-Augmented Changepoint Detection: A Framework for Ensemble Detection and Automated Explanation

基于大语言模型的变更点检测：一种用于集合检测和自动解释的框架

Fabian Lukassen, Christoph Weisser, Michael Schlee, Manish Kumar, Anton Thielmann, Benjamin Saefken, Alexander Silbersdorff, Thomas Kneib

机构 * University of Göttingen（哥廷根大学） ； TU Clausthal（Clausthal 技术大学） ； Hochschule Bielefeld（比勒菲尔德应用科学大学） 纠错

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

AI总结 本文提出一种结合集合统计方法与大语言模型的变更点检测框架，解决单一方法选择困难和自动解释缺失的问题，通过集合方法提升检测准确性和解释性。

From Logs to Language: Learning Optimal Verbalization for LLM-Based Recommendation at Industry Scale

从日志到语言：学习用于基于LLM的推荐系统的最优 verbalization

Yucheng Shi, Ying Li, Yu Wang, Yesu Feng, Arjun Rao, Rein Houthooft, Shradha Sehgal, Jin Wang, Hao Zhen, Ninghao Liu, Linas Baltrunas

机构 * University of Georgia（佐治亚大学） ； Netflix ； Capital One ； Hong Kong Polytechnic University（香港理工大学） 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 本文提出了一种数据驱动框架，通过强化学习学习最优 verbalization 方法，提升基于LLM的推荐系统表现，实验显示在Netflix数据集上推荐准确率提升达93%。

Comments Work in progress

LLM Use, Cheating, and Academic Integrity in Software Engineering Education

大语言模型的使用、作弊与软件工程教育中的学术诚信

Ronnie de Souza Santos, Italo Santos, Mariana Bento, Giuseppe Destefanis, Cleyton Magalhães, Mairieli Wessel

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

AI总结 本研究探讨了软件工程学生在编程作业中使用大语言模型时的不当行为，分析了评估和教学条件对学术诚信的影响。

STEP: Scientific Time-Series Encoder Pretraining via Cross-Domain Distillation

STEP: 通过跨领域知识蒸馏实现科学时间序列的编码器预训练

Chen Zhang, Liwei Liu, Jun Tao, Xiaoyu Yang, Xuenan Xu, Kai Chen, Bowen Zhou, Wen Wu, Chao Zhang

机构 * Shanghai Aritificial Intelligence Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Sichuan University（四川大学） ； University of Cambridge（剑桥大学） 纠错

专题命中 领域大模型 ：pretraining(title,abstract)；foundation model(abstract)；分类 cs.CL、cs.LG

AI总结 本文提出STEP框架，通过跨领域知识蒸馏整合多领域基础模型，构建统一的科学时间序列编码器，提升科学时间序列的表示学习能力。

GeoReg: Weight-Constrained Few-Shot Regression for Socio-Economic Estimation using LLM

GeoReg: 基于LLM的带权重少样本回归用于社会经济估计

Kyeongjin Ahn, Sungwon Han, Seungeon Lee, Donghyun Ahn, Hyoshin Kim, Jungwon Kim, Jihee Kim, Sangyoon Park, Meeyoung Cha

机构 * School of Computing, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院计算机科学学院） ； College of Business, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院商学院） ； Graduate School of Data Science, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院数据科学研究生院） ； Division of Social Science, Hong Kong University of Science and Technology (HKUST)（香港科学与技术大学社会科学系） ； Max Planck Institute for Software Systems (MPI-SWS)（马克斯·普朗克软件系统研究所） ； Max Planck Institute for Security and Privacy (MPI-SP)（马克斯·普朗克安全与隐私研究所） 纠错

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

AI总结 GeoReg通过整合卫星图像和网络地理信息等数据源，利用大语言模型的先验知识，在数据稀缺地区实现社会经济指标的少样本回归估计，实验表明其在不同发展水平国家均优于基线模型。

Comments 10 pages, 9 figures, 4 tables

STELLAR: Structure-guided LLM Assertion Retrieval and Generation for Formal Verification

STELLAR: 基于结构的LLM断言检索与生成用于形式验证

Saeid Rajabi, Chengmo Yang, Satwik Patnaik

机构 * Department of Electrical \& Computer Engineering, University of Delaware, Newark, DE, US 纠错

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

AI总结 STELLAR通过结构相似性引导LLM生成高质量SystemVerilog断言，提升形式验证的语法正确性、风格一致性及功能正确性。

Comments Accepted at the 63rd Design Automation Conference (DAC 2026), Long Beach, CA, USA (July 26-29, 2026) 7 pages, 6 figures