语言大模型 / LLM

Measuring and Exploiting Confirmation Bias in LLM-Assisted Security Code Review

衡量和利用LLM辅助安全代码审查中的确认偏见

Dimitris Mitropoulos, Nikolaos Alexopoulos, Georgios Alexopoulos, Diomidis Spinellis

机构 * University of Athens（雅典大学） ； National Infrastructures for Research（研究与技术国家基础设施） ； Athens University of Economics and Business（雅典经济与商业大学） 纠错

专题命中 长上下文与记忆 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 研究LLM在安全代码审查中是否存在确认偏见及其对漏洞检测的影响，并通过实验验证偏见在软件供应链攻击中的可利用性。

EntropyCache: Decoded Token Entropy Guided KV Caching for Diffusion Language Models

EntropyCache: 基于解码令牌熵的KV缓存用于扩散语言模型

Minsoo Cheong, Donghyun Son, Woosang Lim, Sungjoo Yoo

机构 * Seoul National University（首尔国立大学） 纠错

专题命中 长上下文与记忆 ：language model(title,abstract)；large language model(abstract)；分类 cs.CL

AI总结 EntropyCache利用解码令牌熵指导KV缓存，通过最大熵信号决定是否重新计算，实现高效缓存更新，提升推理速度和效率。

Do Vision Language Models Understand Human Engagement in Games?

视觉语言模型是否能理解游戏中的玩家参与度？

Ziyi Wang, Qizan Guo, Rishitosh Singh, Xiyang Hu

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of Southern California（南加州大学） ； Arizona State University（亚利桑那州立大学） 纠错

专题命中 长上下文与记忆 ：language model(title,abstract)；prompting(abstract)；分类 cs.AI

AI总结 研究评估了三种视觉语言模型在不同提示策略下的表现，发现零样本预测效果差，而基于理论的提示策略难以有效提升参与度预测能力。

Implicit Patterns in LLM-Based Binary Analysis

基于LLM的二进制分析中的隐式模式

Qiang Li, XiangRui Zhang, Haining Wang

机构 * Beijing Jiaotong University（北京交通大学） 纠错

专题命中 长上下文与记忆 ：LLM(title,abstract)；分类 cs.AI

AI总结 研究揭示了基于LLM的多轮二进制漏洞分析中隐式形成的结构化模式，包括早期剪枝、路径依赖锁定、目标回溯和知识引导优先级，为构建更可靠的分析系统提供了基础。

Comments 18 pages

MEMO: Memory-Augmented Model Context Optimization for Robust Multi-Turn Multi-Agent LLM Games

MEMO: 带记忆的模型上下文优化用于鲁棒的多轮多智能体大语言模型游戏

Yunfei Xie, Kevin Wang, Bobby Cheng, Jianzhu Yao, Zhizhou Sha, Alexander Duffy, Yihan Xi, Hongyuan Mei, Cheston Tan, Chen Wei, Pramod Viswanath, Zhangyang Wang

机构 * Rice University（里士满大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Princeton University（普林斯顿大学） ； A*STAR ； Good Start Labs ； TTIC 纠错

专题命中 长上下文与记忆 ：LLM(title,abstract)；分类 cs.AI

AI总结 MEMO通过优化推理时的上下文，结合记忆保留和探索，提升了多轮多智能体大语言模型游戏的鲁棒性和性能，显著提高了胜率并降低了运行间方差。

Comments Code has been released https://github.com/openverse-ai/MEMO

MemArchitect: A Policy Driven Memory Governance Layer

MemArchitect：一种基于策略的记忆管理层

Lingavasan Suresh Kumar, Yang Ba, Rong Pan

机构 * Arizona State University（亚利桑那州立大学） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 MemArchitect通过引入规则化的记忆治理机制，解决大语言模型代理中的内存管理问题，提升自主系统可靠性和安全性。

Comments This is an on going research work and will be updated periodically

A Trace-Based Assurance Framework for Agentic AI Orchestration: Contracts, Testing, and Governance

基于跟踪的代理AI编排保证框架：合同、测试与治理

Ciprian Paduraru, Petru-Liviu Bouruc, Alin Stefanescu

机构 * University of Bucharest Romania ； University of Bucharest \& Institute for Logic 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出一种基于跟踪的代理AI编排保证框架，通过显式步骤和跟踪合同进行执行仪器化，支持机器可验证的判定和确定性回放，同时提供压力测试和结构化故障注入以评估在现实故障和退化条件下的容错能力。

Memory Bear AI A Breakthrough from Memory to Cognition Toward Artificial General Intelligence

记忆熊AI：从记忆到认知迈向通用人工智能的突破

Deliang Wen, Ke Sun

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出Memory Bear系统，通过整合多模态感知、动态记忆维护和适应性认知服务，提升LLM的记忆机制，实现跨领域知识准确性和检索效率的提升，减少幻觉并增强推理能力。

Redundancy-as-Masking: Formalizing the Artificial Age Score (AAS) to Model Memory Aging in Generative AI

冗余作为遮蔽：形式化人工年龄评分（AAS）以建模生成AI中的记忆老化

Seyma Yaman Kayadibi

机构 * Victoria University（维多利亚大学） 纠错

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出人工年龄评分（AAS）作为衡量生成AI记忆老化的新指标，通过结构不对称性分析，揭示模型在持续交互中的记忆保持与重置后的老化现象。

Comments 37 pages, 17 figures. Includes theoretical development and mathematical proofs of the Artificial Age Score (AAS), with empirical illustrations via ChatGPT-based memory recall experiments

Journal ref Frontiers in Artificial Intelligence 9 (2026), 1732691

D-Mem: A Dual-Process Memory System for LLM Agents

D-Mem：一种用于LLM代理的双过程记忆系统

Zhixing You, Jiachen Yuan, Jason Cai

机构 * Einstein Institute of Mathematics（爱因斯坦数学研究所） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； AWS AI（AWS人工智能） 纠错

专题命中 长上下文与记忆 ：LLM(title)；分类 cs.AI

AI总结 本文提出D-Mem双过程记忆系统，通过轻量向量检索与全面深入模块结合，提升长期推理准确性，实验表明其在LoCoMo基准上F1得分达53.5，优于传统方法。

Memento-Skills: Let Agents Design Agents

Memento-Skills：让代理设计代理

Huichi Zhou, Siyuan Guo, Anjie Liu, Zhongwei Yu, Ziqin Gong, Bowen Zhao, Zhixun Chen, Menglong Zhang, Yihang Chen, Jinsong Li, Runyu Yang, Qiangbin Liu, Xinlei Yu, Jianmin Zhou, Na Wang, Chunyang Sun, Jun Wang

机构 * Memento-Team（Memento团队） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 Memento-Skills是一种能够持续学习的通用大语言模型代理系统，通过经验自主构建、适应和改进任务特定代理，利用状态提示的强化学习框架和可重用的技能库实现持续学习。

Comments Memento-Skills Technical Report

Sparse Checkpointing for Fast and Reliable MoE Training

稀疏检查点机制用于快速可靠的MoE训练

Swapnil Gandhi, Christos Kozyrakis

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)

AI总结 本文提出MoEvement系统，通过稀疏检查点、稀疏到密集转换和激活日志记录，有效降低MoE模型训练中的检查点开销和恢复开销，提升训练效率。

Comments NSDI'26 | Camera-Ready

MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution

MemMA：通过多智能体推理和现场自进化协调内存循环

Minhua Lin, Zhiwei Zhang, Hanqing Lu, Hui Liu, Xianfeng Tang, Qi He, Xiang Zhang, Suhang Wang

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Amazon（亚马逊） ； Microsoft（微软） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI

AI总结 MemMA通过多智能体推理和现场自进化协调内存循环，解决内存循环正向路径的战略盲区和反向路径的稀疏延迟监督问题，提升长周期交互性能。

Comments 23 pages, 5 figures

Modality Equilibrium Matters: Minor-Modality-Aware Adaptive Alternating for Cross-Modal Memory Enhancement

模态均衡至关重要：面向跨模态记忆增强的次要模态感知自适应交替方法

Xiang Shi, Rui Zhang, Jiawei Liu, Yinpeng Liu, Qikai Cheng, Wei Lu

机构 * School of Information Management, Wuhan University（武汉大学信息管理学院） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.LG

AI总结 本文提出一种基于Shapley值的自适应交替训练框架，通过优先考虑次要模态平衡融合，引入记忆模块和跨模态映射机制，提升多模态学习性能，在四个基准数据集上取得SOTA结果。

Comments Accepted by TPAMI

GSMem: 3D Gaussian Splatting as Persistent Spatial Memory for Zero-Shot Embodied Exploration and Reasoning

GSMem: 3D高斯溅射作为持久空间记忆用于零样本具身探索与推理

Yiren Lu, Yi Du, Disheng Liu, Yunlai Zhou, Chen Wang, Yu Yin

机构 * Case Western Reserve University（凯斯西储大学） ； Spatial AI & Robotics (SAIR) Lab, University at Buffalo（布法罗大学空间人工智能与机器人实验室） 纠错

专题命中 长上下文与记忆 ：language model(abstract)

AI总结 本文提出GSMem框架，利用3D高斯溅射构建持久空间记忆，解决具身探索中空间知识遗忘问题，通过检索机制与混合探索策略提升视觉语言模型推理效果。

Comments Project page at https://vulab-ai.github.io/GSMem/