语言大模型 / LLM

CBRS: Cognitive Blood Request System with Bilingual Dataset and Dual-Layer Filtering for Multi-Platform Social Streams

CBRS：具有双语数据集和双层过滤的认知献血请求系统，用于多平台社交媒体流

Anik Saha, Mst. Fahmida Sultana Naznin, Zia Ul Hassan Abdullah, Anisa Binte Asad, K. G. Subarno Bithi, A. B. M. Alim Al Islam

机构 * Bangladesh University of Engineering and Technology（孟加拉工程与技术大学） 纠错

专题命中 评测与基准 ：LLM(abstract_cn)；分类 cs.CL

AI总结 CBRS通过双语数据集和双层过滤机制，高效提取社交媒体流中的献血请求，实现99%的准确率，优于传统方法，且在解析任务中达到92%零样本准确率，显著降低输入token使用量。

Comments Accepted to Findings of the ACL 2026

Expert-Annotated Embryo Image Dataset with Natural Language Descriptions for Evidence-Based Patient Communication in IVF

具有自然语言描述的专家标注胚胎图像数据集：用于基于证据的患者沟通的体外受精

Nicklas Neu, Thomas Ebner, Jasmin Primus, Bernhard Schenkenfelder, Raphael Zefferer, Mathias Brunbauer, Florian Kromp

机构 * Software Competence Center Hagenberg（海因斯贝格软件能力中心） ； Kepler Universitätsklinikum, Kinderwunsch Zentrum（凯普勒大学医院，生育中心） ； Wunschkind Klinik Dr. Brunbauer（布鲁纳auer生育诊所） 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.AI

AI总结 本文提出一个包含胚胎图像和自然语言描述的专家标注数据集，用于提升体外受精中胚胎选择的可解释性和透明度，支持基于证据的决策和患者沟通。

Comments 7 pages, 3 figures, in submission to Nature Scienfitic Data

Generalizable Face Forgery Detection via Separable Prompt Learning

通过可分离提示学习实现通用的面部伪造检测

Enrui Yang, Yuezun Li

机构 * School of Computer Science and Technology, Ocean University of China（中国海洋大学计算机科学与技术学院） 纠错

专题命中 评测与基准 ：pretraining(abstract)

AI总结 本文提出可分离提示学习策略，利用文本模态改进面部伪造检测，通过跨模态对齐策略和专用目标实现信息解耦，实验表明方法在跨数据集和跨方法评估中表现优异。

CARI4D: Category Agnostic 4D Reconstruction of Human-Object Interaction

CARI4D：类别无关的人-物体交互4D重建

Xianghui Xie, Bowen Wen, Yan Chang, Hesam Rabeti, Jiefeng Li, Ye Yuan, Gerard Pons-Moll, Stan Birchfield

机构 * NVIDIA ； University of Tübingen（图宾根大学） ； Tübingen AI Center（图宾根人工智能中心） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 CARI4D提出了一种无需假设物体类别即可从单目RGB视频中重建人-物体交互的4D模型，通过姿态假设选择算法和渲染-比较方法提升重建精度与物理一致性。

Comments CVPR2026 camera ready version. Project page: https://nvlabs.github.io/CARI4D/

A Benchmark Study of Segmentation Models and Adaptation Strategies for Landslide Detection from Satellite Imagery

面向滑坡检测的卫星图像分割模型与适应策略基准研究

Md Kowsher, Weiwei Zhan, Chen Chen

机构 * University of Central Florida（佛罗里达中央大学） 纠错

专题命中 评测与基准 ：foundation model(abstract)

AI总结 本文系统评估了CNN、Transformer分割模型和大预训练模型在滑坡检测中的性能，比较了全微调与参数高效微调方法，发现Transformer模型表现优异，参数高效微调在保持精度的同时大幅降低参数量。

Mind the Way You Select Negative Texts: Pursuing the Distance Consistency in OOD Detection with VLMs

注意你选择负样本的方式：在使用VLMs进行OOD检测时追求距离一致性

Zhikang Xu, Qianqian Xu, Zitai Wang, Cong Hua, Sicong Li, Zhiyong Yang, Qingming Huang

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络与信息安全学院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

专题命中 评测与基准 ：language model(abstract)

AI总结 本文提出InterNeg框架，通过统一的跨模态距离增强提升OOD检测性能，实验显示在ImageNet和Near-OOD基准上取得显著改进。

Comments Accepted by the main track of CVPR 2026

Learning to Seek Help: Dynamic Collaboration Between Small and Large Language Models

学习寻求帮助：小语言模型与大语言模型之间的动态协作

Hang Zeng, Xiangyu Liu, Yong Hu, Chaoyue Niu, Jiarui Zhang, Shaojie Tang, Fan Wu, Guihai Chen

机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； WeChat Tencent, Beijing, China（微信腾讯） ； State University of New York at Buffalo, New York, United States（纽约州立大学布法罗分校） 纠错

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

AI总结 本文提出动态协作框架，使小模型主动请求大模型进行多步推理，大模型提供适应性反馈，通过系统研究协作策略受模型能力与效率隐私约束的影响，实验表明动态策略优于静态流程和独立推理，并能稳健迁移至未见的大模型。

Comments 8 content pages

HCRE: LLM-based Hierarchical Classification for Cross-Document Relation Extraction with a Prediction-then-Verification Strategy

HCRE: 基于大语言模型的跨文档关系抽取的分层分类方法

Guoqi Ma, Liang Zhang, Hongyao Tu, Hao Fu, Hui Li, Yujie Lin, Longyue Wang, Weihua Luo, Jinsong Su

机构 * School of Informatics, Xiamen University（厦门大学信息学院） ； Li Auto Inc.（Li Auto公司） ； Alibaba International Digital Commerce Group（阿里巴巴国际数字贸易集团） 纠错

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

AI总结 本文提出HCRE方法，通过分层关系树减少LLM需考虑的关系选项，结合预测-验证策略提升可靠性，实验表明其优于现有基线。

Comments ACL 2026 Findings; camera ready version

D-QRELO: Training- and Data-Free Delta Compression for Large Language Models via Quantization and Residual Low-Rank Approximation

D-QRELO：通过量化和残差低秩近似实现大型语言模型的训练和数据无关的delta压缩

Junlin Li, Shuangyong Song, Guodong Du, Ngai Wong, Xuebo Liu, Yongxiang Li, Min Zhang, Jing Li, Xuelong Li

机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； TeleAI of China Telecom（中国电信TeleAI） ； The Hong Kong Polytechnic University（香港理工大学） ； The University of Hong Kong（香港大学） 纠错

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

AI总结 本文提出DQRELO方法，通过量化和残差低秩近似实现大型语言模型的delta压缩，解决大规模数据训练导致的压缩误差问题，提升压缩效果和实用性。

CLASP: Training-Free LLM-Assisted Source Code Watermarking via Semantic-Preserving Transformations

CLASP：通过语义保持变换实现无需训练的LLM辅助源代码水印技术

Rui Xu, Jiawei Chen, Weizhi Liu, Zhaoxia Yin, Cong Kong, Xinpeng Zhang

机构 * East China Normal University（华东师范大学） ； Fudan University（复旦大学） 纠错

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

AI总结 CLASP提出一种无需训练的LLM辅助源代码水印框架，通过语义保持变换嵌入水印位，实现跨语言的高容量水印插入与提取，提升鲁棒性和部署效率。

ONTO: A Token-Efficient Columnar Notation for LLM Input Optimization

ONTO：一种高效的列式记法用于LLM输入优化

Harshavardhanan Deekeswar

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 ONTO通过列式记法减少LLM输入的token数量，相比JSON在100到1000条记录间实现46-51%的token减少，并提升推理效率。

Comments 8 pages, 5 tables, 1 figure. Code, benchmarks, and specification at https://github.com/harsh-aranga/onto

Breaking Validity-Induced Boundaries to Expand Algorithm Search Space: A Two-Stage AST-Based Operator for LLM-Driven Automated Heuristic Evolution

突破有效性诱导边界以扩展算法搜索空间：一种基于AST的双阶段算子用于LLM驱动的自动启发式进化

Sun Shengming, Shi Jialong

机构 * School of Mathematics and Statistics, Xi'an Jiaotong University（西安交通大学数学与统计学学院） 纠错

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

AI总结 本文提出一种双阶段基于AST的算子，通过生成无效结构并利用LLM修复，提升LLM驱动自动启发式进化算法的搜索能力，在TSP和OBP上验证了其优化性能和收敛速度的提升。

Comments 7 pages, 2 figures

ToMMeR -- Efficient Entity Mention Detection from Large Language Models

ToMMeR -- 从大语言模型中高效实体提及检测

Victor Morand, Nadi Tomeh, Josiane Mothe, Benjamin Piwowarski

机构 * Institut des Systèmes Intelligents et de Robotique (ISIR), Sorbonne Université, CNRS（智能系统与机器人研究所（ISIR），索邦大学，法国国家科学研究中心） ； LIPN, Université Sorbonne Paris Nord, UMR7030 CNRS（LIPN，巴黎-索邦大学，法国国家科学研究中心） ； INSPE, UT2J, Univ. Toulouse, IRIT, CLLE UMR5505 UMR5263 CNRS（INSPE，图卢兹大学，IRIT，CLLE法国国家科学研究中心） 纠错

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

AI总结 ToMMeR通过轻量模型验证早期LLM层的提及检测能力，在13个NER基准中实现93%零样本召回率，证明实体提及自然从语言建模中产生。

Comments Accepted at ACL2026 - Code: https://github.com/VictorMorand/llm2ner

ProTrain: Efficient LLM Training via Memory-Aware Techniques

ProTrain: 通过内存感知技术实现高效的LLM训练

Hanmei Yang, Jin Zhou, Yao Fu, Xiaoqun Wang, Ramine Roane, Hui Guan, Tongping Liu

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Advanced Micro Devices, Inc.（先进微器件公司） 纠错

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

AI总结 本文提出ProTrain系统，通过自动调整内存管理策略提升LLM训练效率，无需人工干预，实验显示训练吞吐量提升1.43至2.71倍。

Comments Accepted to MLSys 2026

VocabTailor: Dynamic Vocabulary Selection for Downstream Tasks in Small Language Models

VocabTailor: 小语言模型下游任务中的动态词汇选择

Hanling Zhang, Yayu Zhou, Tongcheng Fang, Zhihang Yuan, Guohao Dai, Wanli Ouyang, Yu Wang

机构 * The Chinese University of Hong Kong（香港中文大学） ； Infinigence AI ； Tsinghua University（清华大学） ； SLAI ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

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

AI总结 VocabTailor通过动态词汇选择框架减少小语言模型词汇相关组件的内存使用，结合静态与动态策略，实现高达99%的内存节省且不影响性能。

SLO-Guard: Crash-Aware, Budget-Consistent Autotuning for SLO-Constrained LLM Serving

SLO-Guard：面向SLO约束的LLM服务自动调优：崩溃感知、预算一致

Christian Lysenstøen

机构 * Inland Norway University of Applied Sciences（内陆挪威应用科学大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 SLO-Guard通过结合热预算退火与树结构帕泽估计器，实现崩溃感知的自动调优，提升LLM服务在SLO约束下的预算一致性与稳定性。

Comments 20 pages, 6 figures, 5 tables. Code and raw per-trial JSONL data: https://github.com/Chrislysen/SLO-Guard

Sparse Feature Coactivation Reveals Causal Semantic Modules in Large Language Models

稀疏特征共激活揭示大语言模型中的因果语义模块

Ruixuan Deng, Xiaoyang Hu, Miles Gilberti, Shane Storks, Aman Taxali, Mike Angstadt, Chandra Sripada, Joyce Chai

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Brown University（布朗大学） ； University of Michigan（密歇根大学） 纠错

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

AI总结 通过稀疏自编码器特征的共激活，研究发现大语言模型中存在语义连贯且上下文一致的网络组件，揭示了模型的模块化结构及高效操控方法。

Comments ACL 2026

SafeLM: Unified Privacy-Aware Optimization for Trustworthy Federated Large Language Models

SafeLM：面向可信联邦大语言模型的统一隐私意识优化

Noor Islam S. Mohammad, Uluğ Bayazıt

机构 * Istanbul Technical University（伊斯坦布尔技术大学） 纠错

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

AI总结 SafeLM通过整合隐私、安全、虚假信息和对抗鲁棒性四大支柱，提升联邦大语言模型的可信度，实现98%有害内容检测准确率，降低通信开销并提升隐私保护效率。

Spike-driven Large Language Model

基于脉冲的大型语言模型

Han Xu, Xuerui Qiu, Baiyu Chen, Xinhao Luo, Xingrun Xing, Jiahong Zhang, Bo Lei, Tiejun Huang, Bo Xu, Guoqi Li

机构 * Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China ； School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing 100049, China ； Brain-Inspired Models Group, Beijing Academy of Artificial Intelligence, Beijing 100862, China ； School of Future Technology, University of Chinese Academy of Sciences, Beijing 101408, China ； Zhongguancun Academy, Beijing 100094, China ； Pengcheng Laboratory, Guangdong 518055, China ； School of Advanced Inter-disciplinary Sciences, University of Chinese Academy of Sciences, Beijing 101408, China ； School of Computer Science, Peking University, Beijing 100871, China ； Key Laboratory of Brain Cognition ； Spiking Intelligence Lab, Tianqiao \& Chirssy Chen Institute, Shanghai 201203, China 纠错

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

AI总结 本文提出SDLLM，通过稀疏加法替代密集矩阵乘法，结合gamma-SQP编码和对称量化机制，有效降低脉冲 firing 率并提升性能，实验表明在脉冲基础上实现更高效且准确的大型语言模型。

Bielik Guard: Efficient Polish Language Safety Classifiers for LLM Content Moderation

Bielik Guard：高效的波兰语安全分类器用于LLM内容审核

Krzysztof Wróbel, Jan Maria Kowalski, Jerzy Surma, Igor Ciuciura, Maciej Szymański

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

AI总结 Bielik Guard通过高效波兰语安全分类器提升LLM内容审核效果，0.5B模型在F1分数上表现最佳，0.1B模型在效率与低误报率上优于现有方案。

End-to-End Optimization of LLM-Driven Multi-Agent Search Systems via Heterogeneous-Group-Based Reinforcement Learning

通过异质组强化学习实现LLM驱动的多智能体搜索系统的端到端优化

Guanzhong Chen, Shaoxiong Yang, Chao Li, Wei Liu, Jian Luan, Zenglin Xu

机构 * MiLM Plus, Xiaomi Inc.（小米公司MiLM Plus实验室） ； Fudan University（复旦大学） ； Shanghai Academy of AI for Science（上海人工智能科学研究院） 纠错

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

AI总结 本文提出MHGPO方法，通过估计异质组间的相对优势，优化多智能体系统的整体成功而非单个智能体性能，提升了任务表现和计算效率。

Comments Accepted to ACL 2026 Main Conference. 20 pages, 9 figures

Clinical Note Bloat Reduction for Efficient LLM Use

临床笔记去冗余以提高大语言模型使用效率

Jordan L. Cahoon, Chloe Stanwyck, Asad Aali, Rachel Madding, Emma Sun, Yixing Jiang, Renumathy Dhanasekaran, Emily Alsentzer

机构 * Department of Biomedical Data Science, Stanford University, Stanford, CA（斯坦福大学生物医学数据科学系） ； Department of Pathology, Stanford University, Stanford, CA（斯坦福大学病理学系） ； Department of Anesthesiology, Perioperative and Pain Medicine, Stanford University, Stanford, CA（斯坦福大学麻醉学、围术期医学与疼痛医学系） ； Department of Radiology, Stanford University, Stanford, CA（斯坦福大学放射学系） ； Department of Obstetrics and Gynecology, Stanford University, Stanford, CA（斯坦福大学妇产科学系） ； Division of Gastroenterology and Hepatology, Stanford University, Stanford, CA（斯坦福大学消化内科与肝病学系） ； Department of Computer Science, Stanford University, Stanford, CA（斯坦福大学计算机科学系） ； Weill Cancer Hub West（韦尔癌症中心西区） 纠错

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

AI总结 本文提出TRACE方法，通过EHR元数据去除临床笔记中的冗余文本，降低LLM计算成本，实验证明在保持信息提取和预测性能的同时，减少47.3%的文本量，节省每年约950万美元的推理成本。

Intelligent Drill-Down: Large Language Model-Driven Drill-Down Technique for Human-AI Collaborative Visual Exploration

智能钻取：基于大语言模型的人机协作视觉探索钻取技术

Zhijun Zheng, Tian Qiu, Yuheng Zhao, Siming Chen

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

AI总结 本文提出基于大语言模型的智能钻取框架，通过生成视觉洞察、解读用户意图和生成钻取路径，提升多维数据探索效率，减少认知负担。

Comments 11 pages, 6 figures. Accepted to IEEE PacificVis 2026

Toward Zero-Egress Psychiatric AI: On-Device LLM Deployment for Privacy-Preserving Mental Health Decision Support

迈向零数据外溢的心理AI：设备端LLM部署用于隐私保护的心理健康决策支持

Eranga Bandara, Asanga Gunaratna, Ross Gore, Anita H. Clayton, Christopher K. Rhea, Sachini Rajapakse, Isurunima Kularathna, Sachin Shetty, Ravi Mukkamala, Xueping Liang, Preston Samuel, Atmaram Yarlagadda

机构 * Old Dominion University（旧 Dominion 大学） ； AI Motion Labs（AI Motion 实验室） ； Department of Psychiatry and Neurobehavioral Sciences（精神病学与神经行为科学系） ； University of Virginia School of Medicine（弗吉尼亚大学医学院） ； Florida International University（佛罗里达国际大学） ； Blanchfield Army Community Hospital（Blanchfield陆军社区医院） ； McDonald Army Health Center（McDonald陆军医疗中心） 纠错

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

AI总结 本文提出一种零数据外溢的设备端AI平台，通过本地执行推理管道，实现隐私保护的心理健康决策支持，使用轻量级LLM进行诊断评估。

HopRank: Self-Supervised LLM Preference-Tuning on Graphs for Few-Shot Node Classification

HopRank: 图上基于自监督的LLM偏好微调用于少样本节点分类

Ziqing Wang, Kaize Ding

机构 * Northwestern University（西北大学） 纠错

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

AI总结 本文提出HopRank，通过自监督学习在文本属性图上实现少样本节点分类，利用图拓扑结构编码的类别信息，无需标注数据即可提升分类性能。

CAMP: Cumulative Agentic Masking and Pruning for Privacy Protection in Multi-Turn LLM Conversations

CAMP：累积代理掩码与剪枝用于多轮LLM对话中的隐私保护

Aman Panjwani

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 CAMP通过跨轮次隐私保护框架，解决多轮对话中累积PII暴露问题，通过会话级注册、共现图和CPE评分实现有效隐私保护，同时保持对话实用性。

Comments Submitted to arXiv. Finance-domain multi-turn demo evaluated on 4 synthetic scenarios. Independent research

HybridGen: Efficient LLM Generative Inference via CPU-GPU Hybrid Computing

HybridGen: 通过CPU-GPU混合计算实现高效的LLM生成推理

Mao Lin, Xi Wang, Guilherme Cox, Dong Li, Hyeran Jeon

专题命中 效率与部署 ：LLM(title,title_cn)

AI总结 HybridGen通过CPU-GPU混合计算解决长上下文LLM推理中的内存带宽和负载不平衡问题，采用注意力logit并行、反馈调度器和语义感知的KV缓存映射，提升效率1.41倍至3.2倍。

Randomized Antipodal Search Done Right for Data Pareto Improvement of LLM Unlearning

随机抗双极搜索：为大语言模型反向学习的数据帕累托改进

Ziwen Liu, Huawei Lin, Yide Ran, Denghui Zhang, Jianwen Xie, Chuan Li, Weijie Zhao, Zhaozhuo Xu

机构 * Rice University（里士大学） ； Rochester Institute of Technology（罗切斯特理工学院） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Lambda 纠错

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

AI总结 本文提出数据帕累托改进概念，通过随机抗双极搜索算法提升LLM反向学习的遗忘与保留平衡，实现高效高质量的反向学习解决方案。

Comments Preprint

Cloud-native and Distributed Systems for Efficient and Scalable Large Language Models -- A Research Agenda

云原生与分布式系统用于高效可扩展的大语言模型——研究议程

Minxian Xu, Jingfeng Wu, Shengye Song, Satish Narayana Srirama, Bahman Javad, Rajiv Ranjan, Devki Nandan Jha, Sa Wang, Wenhong Tian, Huanle Xu, Li Li, Zizhao Mo, Shuo Ren, Thomas Kunz, Petar Kochovski, Vlado Stankovski, Kejiang Ye, Chengzhong Xu, Rajkumar Buyya

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

AI总结 本文探讨云平台和分布式系统在支持大语言模型的可扩展性、效率和优化中的作用，分析部署复杂性及新兴趋势，提出未来研究方向。

Comments 45 pages, 5 figures

SpikingMamba: Towards Energy-Efficient Large Language Models via Knowledge Distillation from Mamba

SpikingMamba: 通过从Mamba知识蒸馏实现能量高效的大型语言模型

Yulong Huang, Jianxiong Tang, Chao Wang, Ziyi Wang, Jianguo Zhang, Zhichao Lu, Bojun Cheng, Luziwei Leng

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

AI总结 SpikingMamba通过知识蒸馏从Mamba模型中实现高效能的Spiking神经网络大型语言模型，结合SI-LIF神经元和SGC路径，在保持精度的同时显著降低能耗。

Journal ref Transactions on Machine Learning Research (01/2026)