语言大模型 / LLM

Poisoned Identifiers Survive LLM Deobfuscation: A Case Study on Claude Opus 4.6

被污染的标识符在LLM去混淆中存活：对Claude Opus 4.6的案例研究

Luis Guzmán Lorenzo

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

AI总结 研究探讨了在LLM去混淆JavaScript时，被污染的标识符名称是否能存活于模型重构的代码中，发现被污染名称在多个实验中持续存在，并且即使模型正确理解语义，也会在注释中出现错误变量名。

Comments 18 pages, 1 figure, 17 references. Code and data: https://github.com/Kieleth/obfuscated-sentinel

General Geospatial Inference with a Population Dynamics Foundation Model

基于人口动态基础模型的通用地理推断

Mohit Agarwal, Mimi Sun, Chaitanya Kamath, Arbaaz Muslim, Prithul Sarker, Joydeep Paul, Hector Yee, Marcin Sieniek, Kim Jablonski, Swapnil Vispute, Atul Kumar, Yael Mayer, David Fork, Sheila de Guia, Jamie McPike, Adam Boulanger, Tomer Shekel, David Schottlander, Yao Xiao, Manjit Chakravarthy Manukonda, Yun Liu, Neslihan Bulut, Sami Abu-el-haija, Bryan Perozzi, Monica Bharel, Von Nguyen, Luke Barrington, Niv Efron, Yossi Matias, Greg Corrado, Krish Eswaran, Shruthi Prabhakara, Shravya Shetty, Gautam Prasad

机构 * Google Research（谷歌研究院） ； University of Nevada, Reno（内华达大学雷诺分校） ； PURI AI 纠错

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

AI总结 本文提出PDFM模型，通过构建地理索引数据集和图神经网络，实现多模态数据的跨领域应用，有效提升空间插值、外推和超分辨率任务的性能，结合TimesFM预测失业和贫困，超越全监督预测。

Comments updated access information

Gram-Anchored Prompt Learning for Vision-Language Models via Second-Order Statistics

基于二阶统计的Gram锚定提示学习用于视觉-语言模型

Minglei Chen, Weilong Wang, Jiang Duan, Ye Deng

机构 * Southwestern University of Finance and Economics（西南财经大学） 纠错

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

AI总结 本文提出GAPL框架，通过引入Gram矩阵增强局部语义对齐与全局结构一致性，解决传统一阶特征在领域偏移下的鲁棒性不足问题。

MUXQ: Mixed-to-Uniform Precision MatriX Quantization via Low-Rank Outlier Decomposition

MUXQ: 通过低秩异常分解实现混合到均匀精度矩阵量化

Seoungsub Lee, In Seo Kim, Seon Wook Kim

机构 * School of Electrical Engineering, Korea University（高丽大学电气工程学院） 纠错

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

AI总结 MUXQ通过低秩异常分解检测输入激活中的异常通道，引入辅助矩阵重新分布异常幅度，实现低精度整数量化，降低内存占用并提升边缘设备上的LLM推理效率。

PRISM: Prompt-Refined In-Context System Modelling for Financial Retrieval

PRISM：基于上下文的系统建模用于金融检索

Chun Chet Ng, Jia Yu Lim, Wei Zeng Low

机构 * AI Lens 纠错

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

AI总结 PRISM通过精细化提示、上下文学习和轻量级多代理协调，提升金融信息检索效率，其简单配置在FinAgentBench上取得NDCG@5 0.71818，为实际应用提供实用指导。

Comments 3rd-place solution for the ACM ICAIF 2025 Agentic Retrieval Grand Challenge. Accepted for poster presentation at ICLR 2026 (Advances in Financial AI Workshop)

Inference-Path Optimization via Circuit Duplication in Frozen Visual Transformers for Marine Species Classification

通过冻结视觉变换器中的电路复制实现推理路径优化用于海洋物种分类

Thomas Manuel Rost

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

AI总结 本文通过在冻结视觉变换器中应用电路复制方法，提升海洋物种分类的推理性能，无需微调模型权重，在类不平衡数据集上实现宏F1值提升。

Comments pre study, more ablations to come

TAPE: A two-stage parameter-efficient adaptation framework for foundation models in OCT-OCTA analysis

TAPE：一种用于OCT-OCTA分析的foundation models的两阶段参数高效适应框架

Xiaofei Su, Zengshuo Wang, Minghe Sun, Xin Zhao, Mingzhu Sun

机构 * National Key Laboratory of Intelligent Tracking and Forecasting for Infectious Diseases（传染病智能追踪与预测国家重点实验室） ； Tianjin Key Laboratory of Intelligent Robotic（天津市智能机器人重点实验室） ； Institute of Robotics and Automatic Information System, Nankai University（南开大学机器人与自动化信息系统研究所） ； Institute of Intelligence Technology and Robotic Systems（智能技术与机器人系统研究所） ； Shenzhen Research Institute of Nankai University（南开大学深圳研究院） 纠错

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

AI总结 本文提出TAPE框架，通过两阶段参数高效微调解决OCT-OCTA分析中的领域偏移和任务不匹配问题，实现更高效的模型适应与更广的病理泛化性能。

Comments 5 pages, 2 figures, accepted by IEEE ISBI 2026

Training a Student Expert via Semi-Supervised Foundation Model Distillation

通过半监督基础模型蒸馏训练学生专家

Pardis Taghavi, Tian Liu, Renjie Li, Reza Langari, Zhengzhong Tu

机构 * Texas A&M University（德克萨斯农工大学） 纠错

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

AI总结 本文提出半监督知识蒸馏框架，利用有限标注和大量未标注数据压缩预训练视觉基础模型，提升实例分割性能，通过对比学习和多目标损失提升学生模型效果。

Comments Accepted to the 2026 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). 14 pages, 9 figures

Automated Segmentation and Tracking of Group Housed Pigs Using Foundation Models

基于基础模型的群养猪自动分割与跟踪

Ye Bi, Bimala Acharya, David Rosero, Juan Steibel

机构 * Iowa State University（爱荷华州立大学） 纠错

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

AI总结 本文提出基于基础模型的群养猪自动化监测流程，利用预训练的视觉-语言基础模型作为通用视觉骨干，并通过模块化后处理实现农场特定适应，通过Grounded-SAM2进行视频分割并结合长时间跟踪管道实现稳定的身份一致性。

DualScale: Energy-Efficient Disaggregated LLM Serving via Phase-Aware Placement and DVFS

DualScale：通过相意识放置和DVFS实现能量高效的解耦LLM服务

Omar Basit, Yunzhao Liu, Z. Jonny Kong, Y. Charlie Hu

专题命中 效率与部署 ：LLM(title,abstract)

AI总结 DualScale通过预测延迟和功率模型，在预填和解码阶段联合优化放置和DVFS，以满足SLO约束并减少能耗，实验显示在预填和解码中分别降低能耗39%和48%。

Subspace Control: Turning Constrained Model Steering into Controllable Spectral Optimization

子空间控制：将受约束的模型操控转化为可控的谱优化

Yancheng Huang, Changsheng Wang, Chongyu Fan, Yicheng Lang, Bingqi Shang, Yang Zhang, Mingyi Hong, Qing Qu, Alvaro Velasquez, Sijia Liu

机构 * OPTML, Michigan State University（OPTML，密歇根州立大学） ； MIT-IBM Watson AI Lab, IBM Research（MIT-IBM Watson AI Lab，IBM研究院） ； University of Minnesota（明尼苏达大学） ； University of Michigan（密歇根大学） ； University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

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

AI总结 本文提出子空间控制框架，通过分析谱交叉任务干扰并利用一阶解正交化合并子空间，引入SIFT方法，实现可控更新以缓解目标与约束冲突，在四个应用中均取得显著性能提升。

Sandpiper: Orchestrated AI-Annotation for Educational Discourse at Scale

Sandpiper：大规模教育对话中的协同AI标注

Daryl Hedley, Doug Pietrzak, Jorge Dias, Ian Burden, Bakhtawar Ahtisham, Zhuqian Zhou, Kirk Vanacore, Josh Marland, Rachel Slama, Justin Reich, Kenneth Koedinger, René Kizilcec

机构 * National Tutoring Observatory（国家辅导观察站） ； FreshCognate ； Cornell University（康奈尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 Sandpiper通过结合交互式研究仪表板与大语言模型，实现高体积对话数据与人类定性专家的协同分析，提升研究效率和可靠性。

3D-IDE: 3D Implicit Depth Emergent

3D-IDE: 3D隐式深度涌现

Chushan Zhang, Ruihan Lu, Jinguang Tong, Yikai Wang, Hongdong Li

机构 * School of Computing, Australian National University（澳大利亚国立大学计算学院） ； School of EECS, The University of Queensland（昆士兰大学电气工程与计算机科学学院） ； FreiNexus ； School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） 纠错

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

AI总结 本文提出3D-IDE方法，通过几何自监督学习实现3D感知的隐式涌现，消除了深度和姿态依赖，提升推理效率和多任务性能。

Comments CVPR 2026 accepted. Project page: https://chushanzhang.github.io/3D-IDE/

Rethinking Model Efficiency: Multi-Agent Inference with Large Models

重新思考模型效率：基于大模型的多智能体推断

Sixun Dong, Juhua Hu, Steven Li, Wei Wen, Qi Qian

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

AI总结 本文通过分析不同视觉-语言模型的延迟，发现大模型通过减少输出token数量可提升效率，并提出多智能体推断框架以复用小模型的推理token，从而接近大模型性能。

Don't Waste Bits! Adaptive KV-Cache Quantization for Lightweight On-Device LLMs

不要浪费比特！面向轻量级设备LLM的自适应KV缓存量化

Sayed Pedram Haeri Boroujeni, Niloufar Mehrabi, Patrick Woods, Gabriel Hillesheim, Abolfazl Razi

机构 * Clemson University（克莱姆森大学） 纠错

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

AI总结 本文提出自适应KV缓存量化方法，通过动态调整token重要性分配比特数，减少内存和延迟并提升准确性。

Comments Accepted by the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

REAM: Merging Improves Pruning of Experts in LLMs

REAM：合并改进LLMs中专家的剪枝

Saurav Jha, Maryam Hashemzadeh, Ali Saheb Pasand, Ali Parviz, Min-Joong Lee, Boris Knyazev

机构 * Mila – Quebec AI Institute（Mila – 魁北克人工智能研究所） ； Polytechnique Montréal（蒙特利尔综合理工学院） ； Université de Montréal（蒙特利尔大学） ； McGill University（麦吉尔大学） ； AI Center, Samsung, South Korea（三星人工智能中心，韩国） ； Samsung AI Lab, Montreal（三星人工智能实验室，蒙特利尔） 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 REAM通过合并而非移除专家，优化MoE LLMs的剪枝，保留性能。在多个基准上验证，显示在不同数据混合下存在MC与GEN性能的权衡，REAM在多数情况下优于基线。

Comments code is at https://github.com/SamsungSAILMontreal/ream

BadgeX: IoT-Enhanced Wearable Analytics Meets LLMs for Collaborative Learning

BadgeX：物联网增强型可穿戴分析与大语言模型结合用于协作学习

Zaibei Li, Shunpei Yamaguchi, Qiuchi Li, Daniel Spikol

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

AI总结 BadgeX结合轻量级可穿戴物联网设备与大语言模型，实现实时协作学习分析，通过多模态传感器数据生成高层面学习洞察。

Comments 4 pages, 2 figures. Preprint. Work in progress

LensAgent: A Self Evolving Agent for Autonomous Physical Inference of Sub-galactic Structure

LensAgent：一种用于自主物理推断亚银河结构的自演化代理

Xiaotang Feng, Zihan Wang, Zilang Shu, Jean-Paul Kneib, Philip Torr

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LensAgent，一种无需训练的大型语言模型驱动框架，用于自主推断质量分布，克服了质量片退化和手动或神经网络建模的可扩展性问题，成功重建了SLACS Grade A强引力透镜系统的质量分布。

All is Not Lost: LLM Recovery without Checkpoints

并非全然失败：无需检查点的LLM恢复

Nikolay Blagoev, Oğuzhan Ersoy, Lydia Yiyu Chen

机构 * Gensyn ； Université de Neuchâtel（纳沙泰尔大学） 纠错

专题命中 效率与部署 ：LLM(title)；分类 cs.LG

AI总结 本文提出CheckFree方法，通过邻居阶段加权平均实现故障恢复，无需额外计算或存储，且扩展CheckFree+支持流水线异序执行以容忍首尾阶段崩溃，实验显示在低至中等故障率下，方法在收敛时间上优于检查点和冗余计算。

Human-AI Collaborative Game Testing with Vision Language Models

人机协作的游戏测试与视觉语言模型

Boran Zhang, Muhan Xu, Zhijun Pan

机构 * Zhengzhou University（郑州大学） ； University of the Arts London（伦敦艺术大学） ； Royal College of Art（皇家艺术学院） 纠错

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

AI总结 本文研究了如何利用AI提升游戏测试效率，通过800个测试用例和276名参与者实验，发现AI辅助能显著提高缺陷识别，但AI错误会影响人类决策，强调优化人机协作的重要性。

Comments Experiment Report

EvoEdit: Evolving Null-space Alignment for Robust and Efficient Knowledge Editing

EvoEdit：基于空域对齐的鲁棒高效知识编辑

Sicheng Lyu, Yu Gu, Xinyu Wang, Jerry Huang, Sitao Luan, Yufei Cui, Xiao-Wen Chang, Peng Lu

机构 * Institute for Clarity in Documentation（文档清晰度研究所） ； Inria Paris-Rocquencourt（法国国家信息与自动化研究所巴黎-罗康库尔中心） ； Rajiv Gandhi University（拉吉夫·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕默研究实验室） 纠错

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

AI总结 EvoEdit通过序列空域对齐缓解知识编辑中的灾难性干扰，实现稳定高效的模型更新，实验显示其性能优于现有方法且速度提升达3.53倍。

Comments Accepted to Findings of ACL 2026

Diagonal-Tiled Mixed-Precision Attention for Efficient Low-Bit MXFP Inference

对角 tiled 混合精度注意力机制用于高效低比特 MXFP 推理

Yifu Ding, Xinhao Zhang, Jinyang Guo

机构 * State Key Laboratory of Complex & Critical Software Environment (SKLCCSE), Beihang University（北京航空航天大学复杂关键软件环境国家重点实验室） ； School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院） ； Beijing Jiaotong University（北京交通大学） 纠错

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

AI总结 本文提出了一种低比特混合精度注意力核，利用MXFP数据格式在下一代GPU架构上实现高效低比特MXFP推理，通过融合核和硬件级并行性提升推理速度而不牺牲模型性能。

Comments CVPR Workshop EDGE 2026

TriAttention: Efficient Long Reasoning with Trigonometric KV Compression

TriAttention: 有效长推理的三角KV压缩

Weian Mao, Xi Lin, Wei Huang, Yuxin Xie, Tianfu Fu, Bohan Zhuang, Song Han, Yukang Chen

机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； ZJU（浙江大学） 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 TriAttention通过三角序列利用KV集中性，提升长推理效率，实现2.5倍吞吐量和10.7倍KV内存节省。

Comments Code is available at https://github.com/WeianMao/triattention

From Curiosity to Caution: Mitigating Reward Hacking for Best-of-N with Pessimism

从好奇心到谨慎：通过悲观主义缓解最佳-N中的奖励黑客

Zhuohao Yu, Zhiwei Steven Wu, Adam Block

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 本文提出一种基于悲观主义的缓解方法，通过降低不典型响应的奖励估计来避免奖励黑客，证明其在最佳-N采样中有效。

Comments 29 pages, 8 figures

Learning Robust Visual Features in Computed Tomography Enables Efficient Transfer Learning for Clinical Tasks

在计算机断层扫描中学习鲁棒的视觉特征以实现临床任务的高效迁移学习

Rubén Moreno-Aguado, Alba Magallón, Victor Moreno, Yingying Fang, Guang Yang

机构 * Bioengineering Department and Imperial-X, Imperial College London（帝国理工学院生物工程系与Imperial-X） ； Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系） ； Oncology Data Analytics Program, Catalan Institute of Oncology（加泰罗尼亚肿瘤研究所肿瘤数据分析项目） ； Colorectal Cancer Group, ONCOBELL Program, Institut d’Investigació Biomèdica de Bellvitge（贝尔维特奇生物医学研究所ONCOBELL项目结直肠癌研究组） ； Consortium for Biomedical Research in Epidemiology and Public Health（流行病学与公共卫生生物医学研究联盟） ； Department of Clinical Sciences, Faculty of Medicine and Health Sciences, Universitat de Barcelona（巴塞罗那大学医学与健康科学学院临床科学系） ； Institute of Complex Systems, University of Barcelona（巴塞罗那大学复杂系统研究所） ； National Heart and Lung Institute, Imperial College London（帝国理工学院国家心肺研究所） ； Cardiovascular Research Centre, Royal Brompton Hospital（皇家布朗普顿医院心血管研究中心） ； School of Biomedical Engineering & Imaging Sciences, King’s College London（伦敦国王学院生物医学工程与影像科学学院） 纠错

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

AI总结 本文提出VoxelFM，一种基于自蒸馏的3D CT基础模型，通过学习语义丰富的特征，实现了在多种临床任务中无需微调即可高效迁移。

When Do Hallucinations Arise? A Graph Perspective on the Evolution of Path Reuse and Path Compression

当幻觉何时出现？从图视角看路径复用和路径压缩的演变

Xinnan Dai, Kai Yang, Cheng Luo, Shenglai Zeng, Kai Guo, Jiliang Tang

机构 * Michigan State University（密歇根州立大学） ； University of Michigan（密歇根大学） ； Independent Researcher（独立研究员） 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 本文从图视角分析大语言模型中幻觉产生的机制，揭示路径复用与路径压缩对推理幻觉的影响，提出统一解释框架。

Hume's Representational Conditions for Causal Judgment: What Bayesian Formalization Abstracted Away

休谟因果判断的表征条件：贝叶斯形式化抽象了什么

Yiling Wu

机构 * BridgeM, Inc.（BridgeM公司） ； Department of Philosophy, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校哲学系） 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 本文探讨休谟因果判断的三个表征条件，并分析其在从休谟到贝叶斯主义的正式化过程中如何被保留和抽象，指出大语言模型展示了统计更新而不满足这些条件的现象。

HOSL: Hybrid-Order Split Learning for Memory-Constrained Edge Training

HOSL：混合阶数分裂学习用于内存受限的边缘训练

Aakriti Lnu, Zhe Li, Dandan Liang, Chao Huang, Rui Li, Haibo Yang

机构 * Rochester Institute of Technology（罗切斯特理工学院） ； Montclair State University（蒙特克莱尔州立大学） 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HOSL框架，结合零阶优化与一阶优化，通过在客户端使用高效零阶梯度估计和服务器端一阶优化，提升边缘设备上的内存效率与训练效果。

Comments 14 pages, 2 figures, 9 tables. Accepted at WiOpt 2026

AURA: Always-On Understanding and Real-Time Assistance via Video Streams

AURA: 通过视频流实现始终在线的理解与实时协助

Xudong Lu, Yang Bo, Jinpeng Chen, Shuhan Li, Xintong Guo, Huankang Guan, Fang Liu, Dunyuan Xu, Peiwen Sun, Heyang Sun, Rui Liu, Hongsheng Li

机构 * Huawei Research（华为研究院） ； CUHK MMLab（香港中文大学多媒体实验室） 纠错

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

AI总结 AURA提出一个端到端的视频流交互框架，实现视频大语言模型持续处理视频流并支持实时问答与主动响应，达到流式基准的最先进性能。

QEIL v2: Heterogeneous Computing for Edge Intelligence via Roofline-Derived Pareto-Optimal Energy Modeling and Multi-Objective Orchestration

QEIL v2：通过基于 Roofline 的帕累托最优能量建模和多目标编排实现边缘智能的异构计算

Satyam Kumar, Saurabh Jha

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

AI总结 QEIL v2通过基于 Roofline 的帕累托最优能量建模和多目标编排，优化边缘智能中的能耗、推理质量和可靠性，实现75.7%的通过率和2.86倍的改进。