语言大模型 / LLM

KitchenTwin: Semantically and Geometrically Grounded 3D Kitchen Digital Twins

KitchenTwin: 基于语义和几何的3D厨房数字孪生

Quanyun Wu, Kyle Gao, Daniel Long, David A. Clausi, Jonathan Li, Yuhao Chen

机构 * University of Waterloo（滑铁卢大学） 纠错

专题命中 评测与基准 ：language model(abstract)

AI总结 本文提出一种基于语义和几何的3D厨房数字孪生框架，通过融合视觉引导的对象网格与Transformer预测的全局点云，实现几何一致的数字孪生构建。

EQ-Negotiator: Dynamic Emotional Personas Empower Small Language Models for Edge-Deployable Credit Negotiation

EQ-Negotiator：动态情感人格赋能小型语言模型进行边缘部署的信用谈判

Yunbo Long, Yuhan Liu, Alexandra Brintrup

机构 * Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院） ； Department of Engineering, University of Cambridge（剑桥大学工程系） ； The Alan Turing Institute, London, UK（伦敦阿尔法顿研究所） 纠错

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

AI总结 本文提出EQ-Negotiator框架，通过整合博弈论与隐马尔可夫模型，使小型语言模型具备动态情感人格，提升边缘设备上的信用谈判效率与道德标准。

DiffuGuard: How Intrinsic Safety is Lost and Found in Diffusion Large Language Models

DiffuGuard: 差分扩散语言模型中内在安全的丧失与恢复

Zherui Li, Zheng Nie, Zhenhong Zhou, Yue Liu, Yitong Zhang, Yu Cheng, Qingsong Wen, Kun Wang, Yufei Guo, Jiaheng Zhang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong（香港中文大学） ； Squirrel Ai Learning（松鼠AI） ； Peking University（北京大学） 纠错

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

AI总结 本文分析了差分扩散语言模型在对抗攻击中的脆弱性，提出DiffuGuard框架通过随机退火重标记和块级审计修复提升模型安全性，有效降低攻击成功率。

Comments Accepted by ICLR2026

Photon: Speedup Volume Understanding with Efficient Multimodal Large Language Models

Photon：通过高效多模态大语言模型加速体积理解

Chengyu Fang, Heng Guo, Zheng Jiang, Chunming He, Xiu Li, Minfeng Xu

机构 * Tsinghua University（清华大学） ； DAMO Academy, Alibaba Group（阿里巴巴集团达摩院） ； Hupan Lab（湖畔实验室） ； Duke University（杜克大学） 纠错

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

AI总结 Photon通过高效多模态大语言模型实现3D医学影像的体积理解，采用自适应令牌调度和梯度传播技术降低计算成本，提升模型可靠性与效率。

Comments Accepted by ICLR 2026

How Pruning Reshapes Features: Sparse Autoencoder Analysis of Weight-Pruned Language Models

权重剪枝如何重塑特征：稀疏自编码器对语言模型权重剪枝的分析

Hector Borobia, Elies Seguí-Mas, Guillermina Tormo-Carbó

机构 * organization= VRAIN -- Valencian Research Institute for Artificial Intelligence, Universitat Polit\`ecnica de Val\`encia , city= Valencia , country= Spain ； organization= Department of Economics ； organization= Department of Business Organisation, Universitat Polit\`ecnica de Val\`encia , city= Valencia , country= Spain 纠错

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

AI总结 研究通过稀疏自编码器分析权重剪枝对语言模型特征几何的影响，发现低频特征更易通过剪枝，揭示了剪枝的隐含特征选择机制及压缩下的可解释性挑战。

Comments 27 pages, 6 figures, 6 tables. Analysis covers Gemma 3 1B, Gemma 2 2B, and Llama 3.2 1B across 22 experimental runs. Code and data available at https://github.com/hborobia/sae-pruning-paper

Unveiling the Resilience of LLM-Enhanced Search Engines against Black-Hat SEO Manipulation

揭示LLM增强搜索引擎对抗黑帽SEO攻击的韧性

Pei Chen, Geng Hong, Xinyi Wu, Mengying Wu, Zixuan Zhu, Mingxuan Liu, Baojun Liu, Mi Zhang, Min Yang

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

AI总结 本文首次系统研究针对LLMSEs的SEO攻击，通过构建SEO-Bench基准测试1000个真实世界黑帽SEO网站，发现LLMSEs能有效抵御99.78%的传统SEO攻击，但对LLMSEO攻击如重写查询填充和分段文本存在漏洞。

Comments Accepted at The ACM Web Conference 2026 (WWW 2026)

Foundry: Distilling 3D Foundation Models for the Edge

Foundry：为边缘设备蒸馏3D基础模型

Guillaume Letellier, Siddharth Srivastava, Frédéric Jurie, Gaurav Sharma

机构 * GREYC, Normandy University, Unicaen, ENSICAEN, UMR CNRS 6072（GREYC，诺曼底大学，卡昂大学，ENSICAEN，CNRS UMR 6072） ； IIT Delhi（印度理工学院德里分校） ； IIT Kanpur（印度理工学院坎普尔分校） 纠错

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

AI总结 本文提出Foundry，一种蒸馏3D点云的大规模自监督学习模型的方法，通过压缩模型保留通用表示能力，使模型更适用于资源受限的边缘设备。

Comments Accepted at CVPR 2026

Investigating the Fundamental Limit: A Feasibility Study of Hybrid-Neural Archival

探讨基本极限：混合神经存档的可行性研究

Marcus Armstrong, ZiWei Qiu, Huy Q. Vo, Arjun Mukherjee

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

AI总结 本文探讨了基于大语言模型的存档系统可行性，提出混合LLM架构，发现GPU蝴蝶效应阻碍部署，并通过新的logit量化协议测量神经压缩率，揭示检索与预测密度差异。

Mechanistically Interpreting Compression in Vision-Language Models

视觉语言模型压缩的机理解释

Veeraraju Elluru, Arth Singh, Roberto Aguero, Ajay Agarwal, Debojyoti Das, Hreetam Paul

机构 * Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校） ； AIM Intelligence ； National Institute of Technology Agartala（国立阿加尔塔拉理工学院） ； Fordham University（福特汉姆大学） ； University of Fukui（福井大学） ； Independent Researcher（独立研究员） 纠错

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

AI总结 本文通过因果电路分析和交叉编码器特征比较，研究了剪枝和量化对视觉语言模型内部结构的影响，并提出VLMSafe-420基准测试，揭示压缩对安全行为的影响。

Comments 15 pages, 7 figures, 12 tables

CLAR: CIF-Localized Alignment for Retrieval-Augmented Speech LLM-Based Contextual ASR

CLAR：基于检索增强的语音大语言模型的上下文语音识别中的CIF局部对齐

Shangkun Huang, Huan Shen, Wei Zou, Yunzhang Chen

机构 * BRVoice Team, Bairong, Inc., China（BRVoice团队，百融云创，中国） 纠错

专题命中 效率与部署 ：LLM(title,abstract)

AI总结 CLAR通过CIF学习单调性token级对齐，提升语音识别中专有名词和长尾词的识别效果，减少表示稀释和注意力漂移，提高检索准确率。

Comments Submitted to Interspeech 2026

EcoThink: A Green Adaptive Inference Framework for Sustainable and Accessible Agents

EcoThink: 一种绿色自适应推理框架，用于可持续和可及的智能体

Linxiao Li, Zhixiang Lu

机构 * The University of Sydney（悉尼大学） ； University of Liverpool（利物浦大学） 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EcoThink框架，通过轻量级路由器动态评估查询复杂度，减少推理能耗40.4%，提升AI可持续性和可及性。

Comments Accepted by WWW 2026

Separate Before You Compress: The WWHO Tokenization Architecture

在压缩前分离：WHHO标记化架构

Kusal Darshana

机构 * Remeinium Research（Remeinium 研究院） 纠错

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

AI总结 本文提出WHHO架构和SGPE算法，通过分离语言规则与压缩过程，实现多语言标记化，显著降低复杂Abugida语言的token数量，提升推理效率。

Comments 17 pages, 1 figure, 8 tables. Tokenization Architecture including formal DFA definitions and regular expressions for Sinhala and Devanagari syllabification. Evaluation includes comparisons with OpenAI o200k-base, Llama-4-Scout, and DeepSeek-V3. Source code and datasets: https://github.com/remeinium/WWHO

PIDP-Attack: Combining Prompt Injection with Database Poisoning Attacks on Retrieval-Augmented Generation Systems

PIDP-Attack：将提示注入与数据库污染攻击结合在检索增强生成系统中

Haozhen Wang, Haoyue Liu, Jionghao Zhu, Zhichao Wang, Yongxin Guo, Xiaoying Tang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Taobao and Tmall Group（淘宝和天猫集团） 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PIDP-Attack，结合提示注入与数据库污染攻击，针对检索增强生成系统中的对抗攻击问题，通过在推理时添加恶意字符并注入少量污染文档，有效操控LLM响应，实验显示其在开放域问答任务中攻击成功率提升4%-16%。

Analysing Environmental Efficiency in AI for X-Ray Diagnosis

分析AI在X光诊断中的环境效率

Liam Kearns

机构 * AuraQ Malvern Worcestershire（AuraQ 莫尔文伍斯特郡） 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 本文研究了AI在X光诊断中的环境效率，通过比较不同模型配置，发现小判别模型在碳足迹上更高效，但存在诊断偏差，而LLM在性能和碳足迹上均表现不佳。

Comments Accepted for publication in Journal of AI. The final published version is available at https://doi.org/10.61969/jai.1838517

Journal ref Journal of AI 10 (2026) 37-55

FusionLog: Cross-System Log-based Anomaly Detection via Fusion of General and Proprietary Knowledge

FusionLog：通过通用知识和专有知识融合实现跨系统日志基异常检测

Xinlong Zhao, Tong Jia, Minghua He, Xixuan Yang, Ying Li

机构 * School of Software & Microelectronics, Peking University（北京大学软件与微电子学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） 纠错

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

AI总结 FusionLog通过融合通用和专有知识实现跨系统日志基异常检测，无需目标系统标注数据，实验显示在零标注设置下F1分数超过90%。

Comments 12 pages, 5 figures, and 2 tables

MiDashengLM: Efficient Audio Understanding with General Audio Captions

MiDashengLM：通过通用音频字幕实现高效的音频理解

Heinrich Dinkel, Gang Li, Jizhong Liu, Jian Luan, Yadong Niu, Xingwei Sun, Tianzi Wang, Qiyang Xiao, Junbo Zhang, Jiahao Zhou

机构 * MiLM Plus Xiaomi Inc.（小米公司） 纠错

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

AI总结 本文提出MiDashengLM，一个基于通用音频字幕的开放音频语言模型，通过ACAVCaps数据集实现高效且全面的音频理解，提升透明度和可重复性，并提供更快的推理速度和更高的吞吐量。

Comments Added ACAVCaps reference (ICASSP 2026)

Enhancing Efficiency and Performance in Deepfake Audio Detection through Neuron-level Dropin & Neuroplasticity Mechanisms

通过神经层面的Dropin与神经可塑性机制提升深度伪造音频检测的效率与性能

Yupei Li, Shuaijie Shao, Manuel Milling, Björn Schuller

机构 * Imperial College London（伦敦帝国理工学院） ； Technical University of Munich（慕尼黑工业大学） ； University College London（伦敦大学学院） 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 本文提出Dropin和神经可塑性算法，通过动态调整神经元数量提升模型参数灵活性，实验表明在ASVSpoof2019数据集上，Dropin方法在计算效率和错误率上取得显著提升。

Comments Accepted at IJCNN 2026

Conformal Cross-Modal Active Learning

符合性跨模态主动学习

Huy Hoang Nguyen, Cédric Jung, Shirin Salehi, Tobias Glück, Anke Schmeink, Andreas Kugi

机构 * AIT Austrian Institute of Technology（奥地利理工学院） ； Automation & Control Institute, Technical University of Vienna（维也纳技术大学自动化与控制研究所） ； Chair of Information Theory and Data Analytics (INDA), RWTH Aachen University（亚琛工业大学信息理论与数据分析教席） 纠错

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

AI总结 本文提出CCMA框架，通过教师-学生架构融合视觉与语言模态，利用多模态符合评分与多样性意识选择策略，提升数据效率。

Comments 20 pages, 14 figures

Journal ref CVPR 2026 Findings

Massive Memorization with Hundreds of Trillions of Parameters for Sequential Transducer Generative Recommenders

拥有数十万万亿参数的大规模记忆用于序列转换生成推荐系统

Zhimin Chen, Chenyu Zhao, Ka Chun Mo, Yunjiang Jiang, Jane H. Lee, Khushhall Chandra Mahajan, Ning Jiang, Kai Ren, Jinhui Li, Wen-Yun Yang

机构 * Meta ； Yale University（耶鲁大学） 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VISTA框架，通过将传统目标注意力分解为两个阶段，实现对超长用户历史的记忆压缩，从而在保持训练和推理成本不变的情况下，支持数百万项的长期用户历史。

Comments ICLR 2026

Prune as You Generate: Online Rollout Pruning for Faster and Better RLVR

在生成过程中剪枝：用于更快更好RLVR的在线回滚剪枝

Haobo Xu, Sirui Chen, Ruizhong Qiu, Yuchen Yan, Chen Luo, Monica Cheng, Jingrui He, Hanghang Tong

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

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

AI总结 本文提出arrol方法，通过在生成过程中剪枝回滚，提高RLVR的训练效率和准确性，实验显示在Qwen-3和LLaMA-3.2模型上平均准确率提升2.30至2.99，训练速度提升1.7倍，测试时扩展性提升8.33。

Comments 17 pages, 4 figures

Conformal Selective Prediction with General Risk Control

符合性选择预测与通用风险控制

Tian Bai, Ying Jin

机构 * Department of Statistics, Stanford University（斯坦福大学统计学系） ； Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计学与数据科学系） 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SCoRe框架，通过符合性推理和假设检验方法，在无需统一集中假设的情况下，为任何训练好的模型和用户定义的有界连续风险提供风险控制保证，并应用于药物发现、健康风险预测和大语言模型等领域。

Is Compression Really Linear with Code Intelligence?

压缩与代码智能之间的真实关系是否线性？

Shijie Xuyang, Xianzhen Luo, Zheng Chu, Houyi Li, Siming Huang, Qiufeng Wang, Wanxiang Che, Qingfu Zhu, Shuigeng Zhou

机构 * Fudan University（复旦大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 本文通过评估多种开源代码LLM在多语言多任务基准上的表现，发现代码智能与压缩效率之间存在对数关系，挑战了此前线性假设。

Comments work in progress

GIFT: Global Irreplaceability Frame Targeting for Efficient Video Understanding

GIFT：全局不可替代性帧目标用于高效视频理解

Junpeng Ma, Sashuai Zhou, Guanghao Li, Xin Gao, Yue Cao, Hengyu Zeng, Yuxiang Yan, Zhibin Wang, Jun Song, Bo Zheng, Shanghang Zhang, Jian Pu

机构 * Institute of Science and Technology for Brain-inspired Intelligence, Fudan University（复旦大学类脑智能科学与技术研究院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室） ； Zhejiang University（浙江大学） ； Alibaba Group Holding Limited（阿里巴巴集团控股有限公司） ； Future Living Lab of Alibaba（阿里巴巴未来生活实验室） 纠错

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

AI总结 GIFT通过评估帧的内在不可替代性选择关键帧，解决视频理解中处理密集帧的高计算成本问题，提升视频分析效率。

Comments 11 pages, 3 figures

Training the Knowledge Base through Evidence Distillation and Write-Back Enrichment

通过证据蒸馏和写回丰富训练知识库

Yuxing Lu, Xukai Zhao, Wei Wu, Jinzhuo Wang

机构 * Peking University（北京大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出WriteBack-RAG框架，通过标注示例识别检索成功区域，提取相关文档并蒸馏为紧凑知识单元，提升RAG系统性能，平均提升2.14%。

Comments 15 pages

Supercharging Federated Intelligence Retrieval

增强联邦智能检索

Dimitris Stripelis, Patrick Foley, Mohammad Naseri, William Lindskog-Münzing, Chong Shen Ng, Daniel Janes Beutel, Nicholas D. Lane

机构 * Flower Labs 纠错

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

AI总结 本文提出一个安全的联邦RAG系统，通过本地数据检索和服务器端加密环境实现隐私保护的远程LLM推理，并引入非保密第三方模型作为辅助上下文。

Comments 6 pages, 1 figure, 2 tables

SWAA: Sliding Window Attention Adaptation for Efficient and Quality Preserving Long Context Processing

SWAA：滑动窗口注意力适应用于高效且保质的长上下文处理

Yijiong Yu, Jiale Liu, Qingyun Wu, Huazheng Wang, Ji Pei

机构 * Oregon State University（俄勒冈州立大学） ； Penn State University（宾夕法尼亚州立大学） ； AG2ai, Inc.（AG2ai公司） ； DeepSolution 纠错

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

AI总结 本文提出SWAA，通过结合四种核心策略，解决Transformer模型中长上下文处理的效率与质量问题，实现30%-100%的加速提升同时保持高质量。

Hierarchy-Guided Multimodal Representation Learning for Taxonomic Inference

层级引导的多模态表示学习用于分类推断

Sk Miraj Ahmed, Xi Yu, Yunqi Li, Yuewei Lin, Wei Xu

机构 * Brookhaven National Laboratory（布鲁克海文国家实验室） ； Rutgers University（罗格斯大学） 纠错

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

AI总结 本文提出两种端到端的多模态学习方法，通过编码生物分类层级结构提升分类鲁棒性，在大规模生物多样性基准上实现超过14%的准确率提升。

Comments Accepted at the ICLR 2026 Workshop on Foundation Models for Science (FM4Science)

Concepts Learned Visually by Infants Can Contribute to Visual Learning and Understanding in AI Models

婴儿通过视觉学习的概念可以促进AI模型中的视觉学习和理解

Shify Treger, Shimon Ullman

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

AI总结 研究探讨婴儿早期视觉学习概念如何促进AI模型学习，通过比较早期概念与标准深度网络模型，发现早期概念提升学习准确性和效率，改善模型表征和泛化能力。

Comments Significantly extended version of earlier work, with additional experiments, expanded discussion and related work, new experiments with human participants, and broader evaluation across multiple vision-language models

Epistemic Compression: The Case for Deliberate Ignorance in High-Stakes AI

知识压缩：高风险AI中的刻意无知案例

Steffen Lukas

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

AI总结 本文提出知识压缩原则，主张在高风险AI中通过模型复杂度与数据有效期匹配来提升鲁棒性，而非单纯参数扩展。通过15个高风险领域探索，Regime Index在86.7%的案例中验证了其有效性。

Comments 28 pages, 6 figures

Autotuning T-PaiNN: Enabling Data-Efficient GNN Interatomic Potential Development via Classical-to-Quantum Transfer Learning

自适应T-PaiNN：通过经典到量子迁移学习实现数据高效的GNN互原子势开发

Vivienne Pelletier, Vedant Bhat, Daniel J. Rivera, Steven A. Wilson, Christopher L. Muhich

机构 * Materials Science & Engineering, School for the Engineering of Matter, Transport, & Energy, Arizona State University（材料科学与工程系，物质、传输与能源工程学院，亚利桑那州立大学） ； Chemical Engineering, School for the Engineering of Matter, Transport, & Energy, Arizona State University（化学工程系，物质、传输与能源工程学院，亚利桑那州立大学） 纠错

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

AI总结 本文提出T-PaiNN框架，利用经典力场数据提升GNN-MLIP的数据效率，通过预训练和微调实现量子精度，显著降低误差并加速训练。

Comments 19 pages, 7 figures