语言大模型 / LLM

TAMTRL: Teacher-Aligned Reward Reshaping for Multi-Turn Reinforcement Learning in Long-Context Compression

TAMTRL：教师对齐的奖励重塑用于长上下文压缩中的多轮强化学习

Li Wang, Yandong Wang, Xin Yu, Kui Zhang, Tianhao Peng, Wenjun Wu

机构 * School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院） ； Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院） ； Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing, Beihang University（北京航空航天大学未来区块链与隐私计算先进创新中心） 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.CL

AI总结 针对多轮强化学习中长上下文压缩的信用分配问题，TAMTRL通过教师信号对齐和自监督奖励分配提升记忆更新质量，实验显示其在多个基准测试中优于基线方法。

Generalizable Self-Evolving Memory for Automatic Prompt Optimization

通用可推广的自我进化记忆用于自动提示优化

Guanbao Liang, Yuanchen Bei, Sheng Zhou, Yuheng Qin, Huan Zhou, Bingxin Jia, Bin Li, Jiajun Bu

机构 * Zhejiang University（浙江大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 本文提出MemAPO框架，通过双记忆机制积累可推广的提示经验，提升提示优化的泛化能力和持续改进能力。

Moneyball with LLMs: Analyzing Tabular Summarization in Sports Narratives

Moneyball with LLMs: 分析体育叙事中的表格摘要

Ritam Upadhyay, Naman Ahuja, Rishabh Baral, Aparna Garimella, Vivek Gupta

机构 * School of Computing and Augmented Intelligence, Arizona State University（计算与增强智能学院，亚利桑那州立大学） ； Adobe Research, India（印度Adobe研究） 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.CL

AI总结 本文通过SPORTABSET基准测试，分析长上下文表格摘要中多实体记忆的瓶颈，揭示分解策略在多实体干扰下的表现及模型鲁棒性问题。

A Training-Free Regeneration Paradigm: Contrastive Reflection Memory Guided Self-Verification and Self-Improvement

无训练再生范式：对比反思记忆引导的自验证与自改进

Yuran Li, Di Wu, Benoit Boulet

机构 * Department of Electrical and Computer Engineering, McGill University（麦吉尔大学电气与计算机工程系） ； Department of Mechanical, Industrial and Aerospace Engineering, Concordia University（Concordia大学机械、工业与航空航天工程系） 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.CL

AI总结 本文提出一种无需训练的再生范式，利用离线整理的对比反思记忆提供纠正指导，通过从头再生突破错误推理，提升大语言模型输出准确性。

Comments 18 pages, 5 figures

FactorSmith: Agentic Simulation Generation via Markov Decision Process Decomposition with Planner-Designer-Critic Refinement

FactorSmith: 通过马尔可夫决策过程分解实现代理模拟生成

Ali Shamsaddinlou, Morteza NourelahiAlamdari

机构 * Ali Shamsaddinlou（阿里·沙姆萨丁卢） ； Morteza NourelahiAlamdari（莫尔塔扎·努尔埃拉希阿尔马达里） 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FactorSmith框架，通过分解POMDP实现从文本描述生成可执行模拟，结合分解策略与分层代理工作流提升生成质量。

Characterizing State Space Model and Hybrid Language Model Performance with Long Context

通过长上下文分析状态空间模型和混合语言模型的性能

Saptarshi Mitra, Rachid Karami, Haocheng Xu, Sitao Huang, Hyoukjun Kwon

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

AI总结 本文研究了长上下文推理中Transformer、状态空间模型（SSM）及混合模型的性能差异，发现SSM在处理长上下文时效率显著高于Transformer，且内存占用更低。

Comments 13 pages, 7 figures

Rethinking Retrieval-Augmentation as Synthesis: A Query-Aware Context Merging Approach

重新思考检索增强作为合成：一种查询感知的上下文合并方法

Jiarui Guo, Yuemeng Xu, Zongwei Lv, Yangyujia Wang, Xiaolin Wang, Kan Liu, Tao Lan, Lin Qu, Tong Yang

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

AI总结 本文提出MergeRAG框架，通过查询感知合成优化检索增强过程，提升信息密度和效率，实验表明在F1和精确匹配上优于现有方法。

Toward a Theory of Hierarchical Memory for Language Agents

迈向语言智能体的分层记忆理论

Yashar Talebirad, Ali Parsaee, Csongor Y. Szepesvari, Amirhossein Nadiri, Osmar Zaiane

机构 * University of Alberta（阿尔伯塔大学） ； York University（约克大学） 纠错

专题命中 长上下文与记忆 ：language agent(title)；分类 cs.AI

AI总结 本文提出分层记忆理论，通过三个操作符统一描述语言智能体的上下文处理机制，分析代表函数的自足谱并展示其在不同系统中的应用。

Coding Agents are Effective Long-Context Processors

编码代理是有效的长上下文处理器

Weili Cao, Xunjian Yin, Bhuwan Dhingra, Shuyan Zhou

机构 * Duke University（杜克大学） 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

AI总结 本文研究通过允许编码代理在文件系统中组织文本并使用其原生工具处理长上下文，发现编码代理在长上下文推理、检索增强生成和开放领域问答中表现优异，比现有最佳方法平均提升17.3%。

An experimental study of KV cache reuse strategies in chunk-level caching systems

基于块级缓存系统的KV缓存重用策略实验研究

Samuel Cestola, Tianxiang Xia, Zheng Weiyan, Zheng Pengfei, Diego Didona

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

AI总结 本文通过实验探讨块级缓存系统中KV缓存重用策略的局限性与优化方法，提出一种融合现有技术的改进设计以提升准确性。

Memory poisoning and secure multi-agent systems

记忆污染与安全多智能体系统

Vicenç Torra, Maria Bras-Amorós

机构 * Department of Computing Science, Ume University, Ume , Sweden（瑞典乌梅大学计算机科学系） ； Departament of Mathematics, Universitat Politècnica de Catalunya, Catalonia, Spain（西班牙加泰罗尼亚理工大学数学系） 纠错

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

AI总结 本文探讨了多智能体系统中记忆污染攻击的风险，分析了不同记忆系统类型的安全性，并提出基于密码学的缓解策略，强调了智能体交互中的实际风险及安全设计的重要性。

Comments 15 pages, 2 figures

SelfMOTR: Revisiting MOTR with Self-Generating Detection Priors

SelfMOTR：重新审视MOTR并采用自生成检测先验

Fabian Gülhan, Emil Mededovic, Yuli Wu, Johannes Stegmaier

机构 * Chair of Imaging and Computer Vision, RWTH Aachen University, Germany（图像与计算机视觉教研室，亚琛工业大学，德国） 纠错

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SelfMOTR，一种无需检测器的多目标跟踪方法，通过自生成内部检测先验解耦提案发现与关联，展示了端到端Transformer跟踪器在复杂动态环境中的高性能。

Comments 18 pages, 7 figures, 7 tables

Mixture of Chapters: Scaling Learnt Memory in Transformers

章节混合：在变换器中扩展学习记忆

Tasmay Pankaj Tibrewal, Pritish Saha, Ankit Meda, Kunal Singh, Pradeep Moturi

机构 * IIT Kharagpur（印度理工学院Kharagpur分校） ； Fractal AI 纠错

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

AI总结 本文提出学习稀疏内存银行，通过交叉注意力机制使变换器层检索存储知识，通过章节路由扩展内存容量，实验证明模型在预训练和指令微调中优于基线，展示显式关联记忆的补充能力。

Comments 20 pages, 2 figures, 8 tables. Accepted at ICLR 2026 New Frontiers in Associative Memory Workshop. Code available at https://github.com/Tasmay-Tibrewal/Memory

GSEM: Graph-based Self-Evolving Memory for Experience Augmented Clinical Reasoning

基于图的自演化记忆：用于经验增强的临床推理

Xiao Han, Yuzheng Fan, Sendong Zhao, Haochun Wang, Bing Qin

机构 * Research Center for Social Computing and Interactive Robotics, Harbin Institute of Technology, China（社会计算与交互机器人研究中心，哈尔滨工业大学，中国） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI

AI总结 本文提出GSEM，一种基于图的自演化记忆框架，通过双层记忆图组织临床经验，捕捉决策结构与经验间的关系依赖，实现应用感知检索和在线反馈校准，实验显示在两个基准上均取得最高准确率。

Exploring Multimodal Prompts For Unsupervised Continuous Anomaly Detection

探索多模态提示用于无监督连续异常检测

Mingle Zhou, Jiahui Liu, Jin Wan, Gang Li, Min Li

机构 * Key Laboratory of Computing Power Network（计算能力网络重点实验室） ； Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences)（信息安全，教育部，山东计算机科学中心（济南国家超算中心），齐鲁工业大学（山东科学院）） ； Shandong Provincial Key Laboratory of Computing Power Internet（山东省计算能力互联网重点实验室） ； Service Computing, Shandong Fundamental Research Center for Computer Science（服务计算，山东省计算机基础研究中心） ； Faculty of Data Science, City University of Macau（数据科学学院，澳门城市大学） 纠错

专题命中 长上下文与记忆 ：prompting(abstract)

AI总结 本文提出基于多模态提示的无监督连续异常检测框架，通过持续多模态提示记忆库和缺陷语义引导自适应融合机制提升检测精度与鲁棒性，实验表明在MVTec AD和VisA数据集上取得最优性能。

Tell Me What I Missed: Interacting with GPT during Recalling of One-Time Witnessed Events

告诉我我错过了什么：在回忆一次目睹事件时与GPT互动

Suifang Zhou, Qi Gong, Ximing Shen, Ray LC

专题命中 长上下文与记忆 ：LLM(abstract)

AI总结 研究探讨了在回忆一次性目睹事件时，用户如何与GPT交互，发现默认模式下用户更信任GPT输出，而引导模式下用户回忆与主观清晰度更一致，且不同条件下对事件中人物的合法性评价也不同。

Comments 19 pages, 9 figures, CHI 2026

Expand Your SCOPE: Semantic Cognition over Potential-Based Exploration for Embodied Visual Navigation

拓展你的SCOPE：基于潜在探索的语义认知用于具身视觉导航

Ningnan Wang, Weihuang Chen, Liming Chen, Haoxuan Ji, Zhongyu Guo, Xuchong Zhang, Hongbin Sun

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

AI总结 本文提出SCOPE框架，通过利用前沿信息驱动潜在探索，提升具身视觉导航中的决策质量与目标相关性，实验表明其在准确性和泛化能力上优于现有方法。

Comments Accepted to AAAI 2026

TrEnv-X: Transparently Share Serverless Execution Environments Across Different Functions and Nodes

TrEnv-X：跨不同函数和节点透明共享无服务器执行环境

Jialiang Huang, Teng Ma, Zheng Liu, Sixing Lin, Kang Chen, Jinlei Jiang, Xia Liao, Yingdi Shan, Yongwei Wu, Ning Zhang, Mengting Lu, Tao Ma, Haifeng Gong, Mingxing Zhang

专题命中 长上下文与记忆 ：LLM(abstract)

AI总结 TrEnv-X通过整合无服务器平台与操作系统及CXL/RDMA远程内存池，实现跨函数的可重用沙箱和内存模板，降低创建开销并提升内存弹性，实验表明其在P99延迟和内存使用上均有显著提升。

Comments Accepted by ACM Transactions on Computer Systems (TOCS)

Enhancing reasoning accuracy in large language models during inference time

在推理过程中增强大语言模型的推理准确性

Vinay Sharma, Manish Jain

机构 * Firstsource 纠错

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；prompting(abstract)

AI总结 本文研究了提升大语言模型推理准确性的推理时技术，通过自一致性、双模型推理一致性和自反思三种策略，发现自一致性在核采样和受控温度下能显著提高准确性，适用于低风险领域。

MSADM: Large Language Model (LLM) Assisted End-to-End Network Health Management Based on Multi-Scale Semanticization

MSADM：基于多尺度语义化的大型语言模型（LLM）辅助端到端网络健康管理系统

Fengxiao Tang, Xiaonan Wang, Xun Yuan, Linfeng Luo, Ming Zhao, Tianchi Huang, Nei Kato

专题命中 推理与问题求解 ：LLM(title,abstract)；language model(title,abstract)；large language model(title)

AI总结 本文提出基于多尺度语义化的LLM辅助端到端网络健康管理系统，通过多尺度数据缩放、语义规则树与注意力机制结合的异常检测模型，以及链式推理的大规模语言模型，提升异构网络的故障诊断性能。

Reasoning or Rhetoric? An Empirical Analysis of Moral Reasoning Explanations in Large Language Models

推理还是修辞？对大型语言模型中道德推理解释的实证分析

Aryan Kasat, Smriti Singh, Aman Chadha, Vinija Jain

机构 * TCS AI Practice（TCS人工智能实践） ； UT Austin（德克萨斯大学奥斯汀分校） ； Amazon GenAI（亚马逊生成人工智能） ； Google GenAI（谷歌生成人工智能） 纠错

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；prompting(abstract)

AI总结 研究通过分析LSTM对道德困境的回应，探讨其是否具备道德发展阶段的真正进展，发现其表现出后常规推理，且存在道德解耦现象，揭示了对成熟道德推理的修辞模仿。

Comments 32 pages, 34 figures, 7 tables

From Five Dimensions to Many: Large Language Models as Precise and Interpretable Psychological Profilers

从五维到更多：大型语言模型作为精确且可解释的心理档案师

Yi-Fei Liu, Yi-Long Lu, Di He, Hang Zhang

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.AI

AI总结 本文研究了大型语言模型能否通过少量量化输入建模人类心理特质的相关结构，发现其在零样本情况下能准确预测心理特质，揭示了LLM通过抽象和推理实现精确预测的机制。

Comments Accepted to ICLR2026

Graph Fusion Across Languages using Large Language Models

跨语言图融合使用大型语言模型

Kaung Myat Kyaw, Khush Agarwal, Jonathan Chan

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL

AI总结 本文提出利用大型语言模型进行跨语言图融合框架，通过结构线性化和语义优先级解决多语言知识图谱融合问题，展示了LLM在跨语言知识整合中的有效性。

Left Behind: Cross-Lingual Transfer as a Bridge for Low-Resource Languages in Large Language Models

落后者：跨语言迁移作为低资源语言在大语言模型中的桥梁

Abdul-Salem Beibitkhan

机构 * North American University（北美大学） 纠错

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；prompting(abstract)；分类 cs.CL

AI总结 研究评估了大语言模型在低资源语言上的表现，发现英语与低资源语言之间存在13.8-16.7个百分点的性能差距，跨语言迁移对双语架构有帮助，但对英语主导模型无益。

Deliberative multi-agent large language models improve clinical reasoning in ophthalmology

协商式多智能体大语言模型提升眼科临床推理

Ehsan Misaghi, Sean T Berkowitz, Bing Yu Chen, Qingyu Chen, Renaud Duval, Pearse A Keane, Danny A Mammo, Ariel Yuhan Ong, Mertcan Sevgi, Sumit Sharma, Sunil K Srivastava, Yih Chung Tham, Fares Antaki

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)

AI总结 本研究比较了多智能体协商系统与单一模型在眼科临床推理中的表现，发现协商系统在准确性和安全性上均优于单一模型，且能减少有害错误。

Learning Trajectory-Aware Multimodal Large Language Models for Video Reasoning Segmentation

学习轨迹感知的多模态大语言模型用于视频推理分割

Jingnan Luo, Mingqi Gao, Jun Liu, Bin-Bin Gao, Feng Zheng

机构 * Southern University of Science and Technology（南方科技大学） ； Tencent YouTu Lab（腾讯优图实验室） 纠错

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)

AI总结 本文提出TrajSeg框架，通过双向文本轨迹对齐提升视频对象轨迹感知能力，采用帧级内容整合模块和统一掩码解码器实现端到端训练，实验表明其在视频推理分割任务中优于现有方法。

Beyond Test-Time Compute Strategies: Advocating Energy-per-Token in LLM Inference

超越测试时计算策略：倡导语言模型推理中的能耗-token指标

Patrick Wilhelm, Thorsten Wittkopp, Odej Kao

机构 * Technische Universität Berlin（柏林技术大学） 纠错

专题命中 推理与问题求解 ：LLM(title)；large language model(abstract)；language model(abstract)；small language model(abstract)

AI总结 本文探讨了在小模型中测试时计算策略的能耗-准确率权衡，提出能耗-token指标和受控推理策略，以实现可持续的AI部署。

Journal ref EuroMLSys2025

SafePilot: A Framework for Assuring LLM-enabled Cyber-Physical Systems

SafePilot: 一种确保基于大语言模型的嵌入式物理系统框架

Weizhe Xu, Mengyu Liu, Fanxin Kong

机构 * University of Notre Dame（诺克斯维尔大学） ； Washington State University（华盛顿州立大学） 纠错

专题命中 推理与问题求解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出SafePilot框架，通过层级神经符号方法确保基于大语言模型的嵌入式物理系统安全性，通过任务复杂度评估和分治策略，结合形式化验证提升任务规划可靠性。

Comments 12 pages, 8 figures

Formula-R1: Incentivizing LLM Reasoning over Complex Tables with Numerical Computation via Formula-Driven Reinforcement Learning

Formula-R1：通过公式驱动强化学习激励LLM对复杂表格进行数值计算的推理

Lang Cao, Jingxian Xu, Hanbing Liu, Jinyu Wang, Mengyu Zhou, Haoyu Dong, Shi Han, Dongmei Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nankai University（南开大学） ； Tsinghua University（清华大学） ； Shandong University（山东大学） ； Microsoft Research（微软研究院） 纠错

专题命中 推理与问题求解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出Formula-R1，通过公式驱动强化学习框架提升LLM对复杂表格的推理能力，尤其在多步数值计算任务中表现优异，且优于现有方法。

TimeXL: Explainable Multi-modal Time Series Prediction with LLM-in-the-Loop

TimeXL：基于LLM的多模态时间序列预测可解释方法

Yushan Jiang, Wenchao Yu, Geon Lee, Dongjin Song, Kijung Shin, Wei Cheng, Yanchi Liu, Haifeng Chen

机构 * School of Computing, University of Connecticut（大学计算机学院） ； Data Science & System Security Department, NEC Labs America（数据科学与系统安全部，NEC美国实验室） ； Kim Jaechul Graduate School of AI, KAIST（金 Jaechul人工智能研究生院，韩国科学技术院） 纠错

专题命中 推理与问题求解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 TimeXL通过集成原型时间序列编码器与三个协作LLM，提升时间序列预测的准确性与可解释性，实验证明在四个真实数据集上AUC提升达8.9%。

Comments NeurIPS 2025 camera ready version