语言大模型 / LLM

SHIFT: Steering Hidden Intermediates in Flow Transformers

SHIFT: 在流变换器中操控隐藏中间量

Nina Konovalova, Andrey Kuznetsov, Aibek Alanov

机构 * FusionBrain Lab（FusionBrain实验室） ； HSE University（高等经济大学） ； AXXX 纠错

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

AI总结 SHIFT通过在推理时操控中间激活值，实现对DiT扩散模型中概念的去除，同时保持图像质量，支持风格域转换和目标对象的偏移。

Conversations Risk Detection LLMs in Financial Agents via Multi-Stage Generative Rollout

通过多阶段生成 rollout 检测金融代理中的对话风险

Xiaotong Jiang, Jun Wu

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

AI总结 本文提出FinSec框架，通过多阶段生成rollout方法检测金融代理中的对话风险，提升高风险对话检测的鲁棒性，实验显示其在F1分数、ASR和AUPRC等方面均优于基线模型。

How Should Video LLMs Output Time? An Analysis of Efficient Temporal Grounding Paradigms

视频大语言模型应如何输出时间？对高效时间接地范式的分析

Shengji Jin, Yuanhao Zou, Victor Zhu, Zhengping Ji, Chen Chen

机构 * The University of Central Florida（中佛罗里达大学） ； Axon（Axon公司） 纠错

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

AI总结 本文对比三种主流视频时间接地范式，探讨输出设计对精度与效率的影响，发现连续分布范式在效率-精度权衡中表现最佳。

Comments CVPR 2026 Workshop Paper

RADSeg: Unleashing Parameter and Compute Efficient Zero-Shot Open-Vocabulary Segmentation Using Agglomerative Models

RADSeg: 通过凝聚模型提升参数和计算效率的零样本开放词汇分割

Omar Alama, Darshil Jariwala, Avigyan Bhattacharya, Seungchan Kim, Wenshan Wang, Sebastian Scherer

机构 * Carnegie Mellon University（卡内基梅隆大学） ； IIIT Hyderabad（海得拉巴国际信息技术学院） 纠错

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

AI总结 RADSeg利用凝聚视觉基础模型RADIO，同时提升mIoU、延迟和参数效率，实现更高效的零样本开放词汇分割。

Comments Accepted to CVPR'26 Findings Code at https://radseg-ovss.github.io/

SQuARE: Structured Query & Adaptive Retrieval Engine For Tabular Formats

SQuARE：结构化查询与自适应检索引擎用于表格格式

Chinmay Gondhalekar, Urjitkumar Patel, Fang-Chun Yeh

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

AI总结 SQuARE通过结构化查询和自适应检索引擎解决表格中多行标题、合并单元格等问题，提升表格问答精度与鲁棒性。

Comments Accepted in The IEEE International Workshop on Large Language Models in Finance, Dec 8-11, Macau, China, 2025, Preprint Copy

Journal ref 2025 IEEE International Conference on Big Data (BigData), Macau, China

Distilling Genomic Models for Efficient mRNA Representation Learning via Embedding Matching

通过嵌入匹配高效表示mRNA的基因组模型压缩

Rasched Haidari, Sam Martin, Maxime Allard

机构 * Helical London, UK（Helical 伦敦，英国） 纠错

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

AI总结 本文提出通过嵌入匹配方法将先进基因组基础模型的mRNA表示压缩至更小模型，减少200倍，验证了嵌入级蒸馏优于logit方法，展示了压缩模型在mRNA-bench上的最优性能。

Comments Accepted at the Tiny Papers Track for the Machine Learning for Genomics Explorations Workshop at ICLR 2026 an the Gen2 Workshop at ICLR 2026

EMA Is Not All You Need: Mapping the Boundary Between Structure and Content in Recurrent Context

EMA并非全部所需：在循环上下文中的结构与内容边界映射

Arth Singh

机构 * AIM Intelligence ； National Institute of Technology Agartala（阿加尔塔拉国立理工学院） 纠错

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

AI总结 本文通过EMA轨迹探讨循环模型中结构与内容的边界，发现其在语法角色分配和语言模型性能上的优势，揭示固定系数积累的局限性。

Comments 10 pages, 1 figure, 7 tables

PACED: Distillation and On-Policy Self-Distillation at the Frontier of Student Competence

PACED: 在学生能力前沿进行蒸馏与在线自蒸馏

Yuanda Xu, Hejian Sang, Zhengze Zhou, Ran He, Zhipeng Wang

机构 * LinkedIn Corporation（领英公司） 纠错

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

AI总结 PACED通过动态调整训练问题权重，聚焦学生能力前沿，提升模型在数学和竞赛任务中的表现，同时减少遗忘。

Accelerating Local LLMs on Resource-Constrained Edge Devices via Distributed Prompt Caching

通过分布式提示缓存加速资源受限边缘设备上的本地LLM

Hiroki Matsutani, Naoki Matsuda, Naoto Sugiura

机构 * Keio University（庆应义塾大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.LG

AI总结 本文提出分布式提示缓存方法，通过多台低功耗边缘设备协同共享中间状态以提升LLM推理性能，实验表明可显著降低TTFT和TTLT。

Comments EuroMLSys'26

Think Less, Know More: State-Aware Reasoning Compression with Knowledge Guidance for Efficient Reasoning

少思多知：基于知识引导的状态感知推理压缩以实现高效推理

Yi Sui, Chaozhuo Li, Dawei Song

机构 * Beijing Institute of Technology（北京理工大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； The Open University（开放大学） 纠错

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

AI总结 本文提出STACK框架，通过建模阶段特定冗余源并整合检索增强指导，实现逐步推理压缩，减少冗余验证，提升推理效率与准确性。

QCFuse: Query-Centric Cache Fusion for Efficient RAG Inference

QCFuse：基于查询的缓存融合用于高效RAG推理

Jianxin Yan, Zeheng Qian, Wangze Ni, Zhitao Shen, Zhiping Wang, Haoyang Li, Jia Zhu, Lei Chen, Kui Ren

机构 * Zhejiang University（浙江大学） ； The University of Sydney（悉尼大学） ； Zhejiang Normal University（浙江师范大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI

AI总结 QCFuse通过基于查询的缓存融合提升RAG推理效率，利用语义摘要锚点优化查询表示并选择性重计算相关token，实验证明在保持准确性的同时提升响应效率40%。

Another BRIXEL in the Wall: Towards Cheaper Dense Features

墙中另个BRIXEL：迈向更便宜的密集特征

Alexander Lappe, Martin A. Giese

机构 * Hertie Institute, University of Tübingen（赫蒂研究所，蒂宾根大学） ； IMPRS-IS（国际马克斯·普朗克研究学校-智能系统） 纠错

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

AI总结 本文提出BRIXEL方法，通过知识蒸馏在固定分辨率下提升密集特征表现，优于基线DINOv3模型。

Adaptor: Advancing Assistive Teleoperation with Few-Shot Learning and Cross-Operator Generalization

Adaptor：通过少样本学习和跨操作者泛化提升辅助远程操作

Yu Liu, Yihang Yin, Tianlv Huang, Fei Yan, Yuan Xu, Weinan Hong, Wei Han, Yue Cao, Xiangyu Chen, Zipei Fan, Xuan Song

机构 * School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； IO-AI TECH 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 Adaptor通过少样本学习和跨操作者泛化方法，提升辅助远程操作中意图识别的鲁棒性，实验表明其在真实和模拟基准上表现优异，具备低方差和跨操作者泛化能力。

Comments Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)

DMA-Latte: Expanding the Reach of DMA Offloads to Latency-bound ML Communication

DMA-Latte: 扩展DMA卸载在延迟受限的机器学习通信中的应用范围

Suchita Pati, Shaizeen Aga, Mahzabeen Islam, Ryan Quach, Saleel Kudchadker, Mohamed Assem Ibrahim

专题命中 效率与部署 ：LLM(abstract)

AI总结 本文通过利用AMD Instinct MI300X GPU的先进特性，扩展DMA卸载在延迟受限的机器学习通信中的应用，提升性能并降低能耗。

WisdomInterrogatory (LuWen): An Open-Source Legal Large Language Model Technical Report

WisdomInterrogatory (LuWen): 一种开源法律大语言模型技术报告

Yiquan Wu, Yuhang Liu, Yifei Liu, Ang Li, Siying Zhou, Kun Kuang, Fei Wu

机构 * Zhejiang University（浙江大学） 纠错

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

AI总结 本文提出基于Baichuan模型的开源中文法律语言模型LuWen，通过持续预训练、监督微调和检索增强生成技术，提升法律领域任务表现。

Comments 10 pages, 4 figures

SynDocDis: A Metadata-Driven Framework for Generating Synthetic Physician Discussions Using Large Language Models

SynDocDis：一种基于元数据的生成合成医生讨论的框架

Beny Rubinstein, Sergio Matos

机构 * University of Aveiro（阿威罗大学） ； IEETA, DETI, LASI, University of Aveiro（阿威罗大学 IEETA、DETI、LASI） 纠错

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

AI总结 SynDocDis通过结合结构化提示技术和隐私保护的去标识病例元数据，生成临床准确的医生间对话，经九个肿瘤学和肝病学场景评估，显示优异的沟通效果和医学内容质量。

Journal ref In: Valente de Oliveira, J., Leite, J., Rodrigues, J., Dias, J., Cardoso, P. (eds) Progress in Artificial Intelligence. EPIA 2025. Lecture Notes in Computer Science(), vol 16121. Springer, Cham

Sentiment Classification of Gaza War Headlines: A Comparative Analysis of Large Language Models and Arabic Fine-Tuned BERT Models

加沙战争头条的情感分类：大型语言模型与阿拉伯语微调BERT模型的比较分析

Amr Eleraqi, Hager H. Mustafa, Abdul Hadi N. Ahmed

机构 * Anmat Media 纠错

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

AI总结 本文通过加沙战争头条数据，比较大型语言模型与阿拉伯语微调BERT模型在情感分类中的表现，揭示模型架构对情感解读的影响及系统性差异。

Comments 45 pages, 6 figures (including diagrams), 8 tables. Dataset available at this https URL . Previously posted at https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/FFENX3

Journal ref SSRN (2026)

Improving Automatic Summarization of Radiology Reports through Mid-Training of Large Language Models

通过在大语言模型中段训练改进放射报告的自动摘要

Mengxian Lyu, Cheng Peng, Ziyi Chen, Mengyuan Zhang, Jieting Li Lu, Yonghui Wu

机构 * University of Florida（佛罗里达大学） ； Department of Health Outcomes and Biomedical Informatics（健康结果与生物医学信息学系） ； Department of Engineering Education（工程教育系） 纠错

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

AI总结 本文提出在大语言模型中段训练的方法，通过三种策略提升放射报告摘要效果，实验表明GatorTronT5-Radio在文本和事实性指标上表现最佳，且在少样本学习中表现更优。

AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents Advances Understanding of Human Behaviors and Society

AgentSociety: 基于大语言模型的生成代理大规模模拟推动对人类行为与社会的理解

Jinghua Piao, Yuwei Yan, Jun Zhang, Nian Li, Junbo Yan, Xiaochong Lan, Zhihong Lu, Zhiheng Zheng, Jing Yi Wang, Di Zhou, Chen Gao, Fengli Xu, Fang Zhang, Ke Rong, Jun Su, Yong Li

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AgentSociety平台，通过大规模模拟人类行为和社会动态，探索社会问题如极化、虚假信息传播等，验证其在社会科学研究中的应用价值。

Low-Data Supervised Adaptation Outperforms Prompting for Cloud Segmentation Under Domain Shift

低数据监督适应在云分割领域优于提示

Harshith Kethavath, Weiming Hu

机构 * University of Georgia（佐治亚大学） 纠错

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

AI总结 本文研究了在遥感影像云分割任务中，低数据监督微调优于提示方法，发现使用少量标注数据可显著提升性能，而提示方法效果有限。

Comments 10 pages, 6 figures, to be published in EarthVision @ CVPR 2026

Enhancing the Safety of Medical Vision-Language Models by Synthetic Demonstrations

通过合成演示增强医疗视觉-语言模型的安全性

Zhiyu Xue, Reza Abbasi-Asl, Ramtin Pedarsani

机构 * UC Santa Barbara（加州大学圣塔芭芭拉分校） ； UC San Francisco（加州大学旧金山分校） 纠错

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

AI总结 本文提出一种新的推理时防御策略，通过合成临床演示提升模型安全性，同时平衡安全与性能。

Towards Responsible Multimodal Medical Reasoning via Context-Aligned Vision-Language Models

通过上下文对齐的视觉-语言模型实现负责任的多模态医疗推理

Sumra Khan, Sagar Chhabriya, Aizan Zafar, Sheeraz Arif, Amgad Muneer, Anas Zafar, Shaina Raza, Rizwan Qureshi

机构 * Salim Habib University（萨利姆·哈比卜大学） ； Institute of Business Administration Sukkur（苏库尔工商管理学院） ； University of Central Florida（中佛罗里达大学） ； The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Toronto Metropolitan University（多伦多都会大学） ； Vector Institute（向量研究所） 纠错

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

AI总结 本文提出一种上下文对齐的框架，通过整合多种临床证据提升医疗多模态推理的可靠性与可信度，实验显示其在胸部X光数据集上提升了判别性能并减少幻觉关键词。

SiMing-Bench: Evaluating Procedural Correctness from Continuous Interactions in Clinical Skill Videos

SiMing-Bench：从连续交互评估临床技能视频中的过程正确性

Xiyang Huang, Jiawei Lin, Keying Wu, Jiaxin Huang, Kailai Yang, Renxiong Wei, Cheng zeng, Jiayi Xiang, Ziyan Kuang, Min Peng, Qianqian Xie, Sophia Ananiadou

机构 * School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） ； Center for Language and Information Research, Wuhan University（武汉大学语言与信息研究中心） ； Southwest Jiaotong University（西南交通大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； The University of Manchester（曼彻斯特大学） ； Zhongnan Hospital of Wuhan University（武汉大学中南医院） 纠错

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

AI总结 SiMing-Bench旨在评估多模态大语言模型在临床技能视频中通过连续交互更新过程状态的能力，通过医师标注的数据集和标准化评分标准，揭示模型在过程级判断上的不足。

Music Audio-Visual Question Answering Requires Specialized Multimodal Designs

音乐音频视觉问答需要专门的多模态设计

Wenhao You, Xingjian Diao, Wenjun Huang, Chunhui Zhang, Keyi Kong, Weiyi Wu, Chiyu Ma, Zhongyu Ouyang, Tingxuan Wu, Ming Cheng, Soroush Vosoughi, Jiang Gui

机构 * University of Waterloo（滑铁卢大学） ； Dartmouth College（达特茅斯学院） ； UC Irvine（加州大学尔湾分校） ； New York University（纽约大学） 纠错

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

AI总结 本文探讨了音乐音频视觉问答任务中多模态设计的必要性，指出需专门的输入处理、空间时间架构和音乐特定建模策略以应对连续密集的音频视觉内容和复杂时间动态。

Comments Accepted to Annual Meeting of the Association for Computational Linguistics (ACL 2026). The first two authors contributed equally

You Can't Fight in Here! This is BBS!

你不能在这里战斗！这是BBS！

Richard Futrell, Kyle Mahowald

机构 * University of California Irvine（加州大学尔湾分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 本文通过讨论语言模型在语言科学中的作用，揭示了字符串统计谬误和'好到不能再好'假设等核心问题，呼吁建立更广阔的语言科学研究计划。

Comments Accepted at Behavioral and Brain Sciences as a response to the commentaries to the accepted target article "How Linguistics Learned to Stop Worrying and Love the Language Models", whose preprint appears here: arXiv:2501.17047

ActivityEditor: Learning to Synthesize Physically Valid Human Mobility

ActivityEditor: 学习合成物理有效的行人移动

Chenjie Yang, Yutian Jiang, Anqi Liang, Wei Qi, Chenyu Wu, Junbo Zhang

机构 * Southwest Jiaotong University（西南交通大学） ； HKUST (Guangzhou)（香港科技大学（广州）） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； JD Technology（京东科技） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 本文提出ActivityEditor，一种双LLM代理框架，用于零样本跨区域轨迹生成。通过意图生成代理和编辑代理协同工作，结合强化学习和物理约束，实现高保真轨迹生成。

LLM-Rosetta: A Hub-and-Spoke Intermediate Representation for Cross-Provider LLM API Translation

LLM-Rosetta: 一个用于跨提供商LLM API翻译的枢纽-辐射中间表示

Peng Ding

机构 * University of Chicago（芝加哥大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 LLM-Rosetta通过枢纽-辐射中间表示捕捉共享语义核心，实现跨提供商LLM API双向转换，支持流式传输和状态管理，覆盖主要商业提供商，具备高效率和中立性。

CIR+CVN: Bridging LLM Semantic Understanding and Petri-Net Verification for Concurrent Programs

CIR+CVN：连接LLM语义理解与Petri网验证以实现并发程序

Kaiwen Zhang, Guanjun Liu

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 本文提出CIR+CVN框架，通过LLM生成并发抽象模型，结合Petri网验证并发程序，实现迭代调试与修复，提升并发程序的可靠性。

Every Response Counts: Quantifying Uncertainty of LLM-based Multi-Agent Systems through Tensor Decomposition

每种回应都重要：通过张量分解量化基于大语言模型的多智能体系统不确定性

Tiejin Chen, Huaiyuan Yao, Jia Chen, Evangelos E. Papalexakis, Hua Wei

机构 * Arizona State University（亚利桑那州立大学） ； University of California, Riverside（加利福尼亚大学河滨分校） 纠错

专题命中 知识编辑与模型理解 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出MATU框架，通过张量分解量化多智能体系统中的不确定性，解决多步推理、通信路径变化和拓扑多样性等挑战，提供通用可靠性评估。

Comments Accept to ACL 26

Structured Uncertainty guided Clarification for LLM Agents

结构不确定性引导的LLM代理澄清

Manan Suri, Puneet Mathur, Nedim Lipka, Franck Dernoncourt, Ryan A. Rossi, Dinesh Manocha

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Adobe Research（Adobe研究院） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；prompting(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出结构不确定性框架，通过量化潜在问题的澄清价值，提升LLM代理在模糊任务中的推理效率和训练效率，展示了其在SAGE-Agent和ClarifyBench中的有效性。