语言大模型 / LLM

AQPIM: Breaking the PIM Capacity Wall for LLMs with In-Memory Activation Quantization

AQPIM: 突破LLM的PIM容量墙：基于内存激活量化

Kosuke Matsushima, Yasuyuki Okoshi, Masato Motomura, Daichi Fujiki

机构 * Institute of Science Tokyo（东京科学研究院） 纠错

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

AI总结 本文提出AQPIM，一种基于内存激活量化的PIM框架，通过聚类向量量化提升带宽和计算效率，显著减少内存占用和计算开销。

Comments Accepted to HPCA 2026

Oblivion: Self-Adaptive Agentic Memory Control through Decay-Driven Activation

遗忘：通过衰减驱动的激活实现自适应的代理记忆控制

Ashish Rana, Chia-Chien Hung, Qumeng Sun, Julian Martin Kunkel, Carolin Lawrence

机构 * NEC Laboratories Europe（NEC欧洲实验室） ； GWDG, Georg-August-Universität Göttingen（GWDG与哥廷根亚利桑德罗大学） 纠错

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

AI总结 Oblivion通过衰减驱动的激活机制实现自适应的记忆控制，平衡学习与遗忘，提升LLM代理推理效果。

Comments 30 pages, 6 figures, and 17 tables. The source code is available at https://github.com/nec-research/oblivion

FlexiCache: Leveraging Temporal Stability of Attention Heads for Efficient KV Cache Management

FlexiCache: 利用注意力头的时序稳定性实现高效的KV缓存管理

Nazmul Takbir, Hamidreza Alikhani, Nikil Dutt, Sangeetha Abdu Jyothi

机构 * Anonymous Authors（匿名作者） 纠错

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

AI总结 本文提出FlexiCache，通过利用注意力头的时序稳定性减少GPU内存和计算开销，同时保持模型精度，适用于长上下文和长生成场景。

Comments Accepted at MLSys-2026

Non-Stationarity in the Embedding Space of Time Series Foundation Models

时间序列基础模型嵌入空间中的非平稳性

Jinmyeong Choi, Brad Shook, Artur Dubrawski

机构 * Auton Lab（自动化实验室） ； Robotics Institute（机器人研究所） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 研究时间序列基础模型嵌入空间中非平稳性的检测方法，分析不同分布非平稳性和时间非平稳性对模型检测能力的影响。

Comments 17 pages, 7 figures

Latent Preference Modeling for Cross-Session Personalized Tool Calling

潜在偏好建模用于跨会话个性化工具调用

Yejin Yoon, Minseo Kim, Taeuk Kim

机构 * Hanyang University（翰阳大学） 纠错

专题命中 长上下文与记忆 ：LLM(abstract,abstract_cn)；prompting(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出MPT基准和PRefine方法，通过生成-验证-细化循环提升工具调用准确性，仅用1.24%的token实现稳健的个性化。

Comments Under review. 25 pages, 10 figures, 16 tables

Raw Pointer Rewriting with LLMs for Translating C to Safer Rust

使用LLM的原始指针重写用于将C翻译为更安全的Rust

Yifei Gao, Chengpeng Wang, Pengxiang Huang, Xuwei Liu, Mingwei Zheng, Xiangyu Zhang

机构 * Purdue University（普渡大学） ； University of Rochester（罗切斯特大学） 纠错

专题命中 长上下文与记忆 ：LLM(title_cn)；prompting(abstract)；分类 cs.AI

AI总结 本文提出PR2技术，通过决策树提示引导指针提升，消除C到Rust翻译中的原始指针，提升代码安全性。

Evidence-Augmented Policy Optimization with Reward Co-Evolution for Long-Context Reasoning

增强证据的策略优化用于长上下文推理

Xin Guan, Zijian Li, Shen Huang, Pengjun Xie, Jingren Zhou, Jiuxin Cao

机构 * Tongyi Lab（通义实验室） ； Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 本文提出EAPO方法，通过引入组相对证据奖励和适应性奖励-策略共演机制，提升长上下文推理中的证据提取质量，从而增强推理性能。

MegaRAG: Multimodal Knowledge Graph-Based Retrieval Augmented Generation

MegaRAG：基于多模态知识图谱的检索增强生成

Chi-Hsiang Hsiao, Yi-Cheng Wang, Tzung-Sheng Lin, Yi-Ren Yeh, Chu-Song Chen

机构 * Department of Computer Science and Information Engineering, National Taiwan University（国立台湾大学计算机科学与信息工程系） ； Department of Mathematics, National Kaohsiung Normal University（高雄师范大学数学系） ； FinTech Center, National Taiwan University（国立台湾大学金融科技中心） ； E.SUN Financial Holding Co., Ltd.（E.SUN财务公司） 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 MegaRAG通过引入多模态知识图谱，提升大语言模型在跨模态推理中的内容理解能力，在文本和多模态语料中均优于现有RAG方法。

Comments ACL 2026

MoE-nD: Per-Layer Mixture-of-Experts Routing for Multi-Axis KV Cache Compression

MoE-nD：多轴KV缓存压缩的分层专家路由

Libo Sun, Peixiong He, Po-Wei Harn, Xiao Qin

机构 * Department of Computer Science and Software Engineering, Auburn University, Auburn, AL, USA（计算机科学与软件工程系，阿伯拉罕大学，阿伯丁，阿拉巴马州，美国） ； Department of Information Management, National Central University, Taoyuan, Taiwan（信息管理系，国立中央大学，桃园，台湾） 纠错

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

AI总结 本文提出MoE-nD方法，通过分层专家路由实现多轴KV缓存压缩，优化每层的缓存策略以提升模型性能，实验表明其在多个基准测试中表现优异。

Comments 9 pages, 3 figures, 6 tables

ASTRA: An Automated Framework for Strategy Discovery, Retrieval, and Evolution for Jailbreaking LLMs

ASTRA：一种用于对抗大语言模型 jailbreak 的自动化框架

Xu Liu, Yan Chen, Kan Ling, Yichi Zhu, Hengrun Zhang, Guisheng Fan, Huiqun Yu

机构 * School of Information Science and Engineering, East China University of Science and Technology, Shanghai, China（东华大学信息科学与工程学院，上海，中国） 纠错

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

AI总结 ASTRA 提出了一种自动化框架，通过闭环机制自动发现、检索和演化攻击策略，提升攻击策略的多样性和适应性。

Comments Acccepted by ACL 2026, 20 pages, 7 figures, 13 tables

Video Panels for Long Video Understanding

用于长视频理解的视频面板

Lars Doorenbos, Federico Spurio, Juergen Gall

机构 * University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所） 纠错

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

AI总结 本文提出一种无需训练的视觉提示策略，通过将多帧组合成图像以换取时间分辨率，提升了长视频理解模型的性能，实验表明在多个基准上效果显著。

Comments CVPR 2026

Layer-wise MoE Routing Locality under Shared-Prefix Code Generation: Token-Identity Decomposition and Compile-Equivalent Fork Redundancy

层间MoE路由局部性在共享前缀代码生成中的研究：令牌身份分解与编译等效分支冗余

Shun-ichiro Hayashi, Daichi Mukunoki, Tetsuya Hoshino, Takahiro Katagiri

机构 * Shun-ichiro Hayashi（Hayashi 馃一郎） ； Daichi Mukunoki（Mukunoki 大地） ； Tetsuya Hoshino（Hoshino 艾田） ； Takahiro Katagiri（Katagiri 谷田） 纠错

专题命中 长上下文与记忆 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 研究探讨了在共享前缀代码生成中，MoE专家路由的层间局部性，通过令牌身份分解和编译等效分支冗余分析，揭示了路由重叠模式及优化搜索效率的潜力。

CIG: Measuring Conversational Information Gain in Deliberative Dialogues with Semantic Memory Dynamics

CIG：基于语义记忆动态的辩论对话中会话信息增益测量

Ming-Bin Chen, Jey Han Lau, Lea Frermann

机构 * School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院） 纠错

专题命中 长上下文与记忆 ：LLM(abstract,abstract_cn)；分类 cs.CL

AI总结 本文提出CIG框架，通过语义记忆动态评估辩论对话中每个发言对集体理解的推进，展示基于记忆动态的指标比传统方法更有效。

Comments 24 pages, 5 figures

SOK: A Taxonomy of Attack Vectors and Defense Strategies for Agentic Supply Chain Runtime

SOK：代理供应链运行时的攻击向量和防御策略分类

Xiaochong Jiang, Shiqi Yang, Wenting Yang, Yichen Liu, Cheng Ji

机构 * Independent Researcher（独立研究者） 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 本文系统化了现有研究，提出统一的运行时框架，区分数据和工具供应链攻击，并识别出病毒代理循环现象，主张采用零信任运行时架构。

Comments Published at ICLR 2026 Workshop on AI for Mechanism Design and Strategic Decision Making

BrainMem: Brain-Inspired Evolving Memory for Embodied Agent Task Planning

BrainMem: 为具身智能任务规划设计的脑启发式记忆系统

Xiaoyu Ma, Lianyu Hu, Wenbing Tang, Zixuan Hu, Zeqin Liao, Zhizhen Wu, Yang Liu

机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Tianjin University, Tianjin, China（天津大学，天津，中国） 纠错

专题命中 长上下文与记忆 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 本文提出BrainMem，一种无训练的分层记忆系统，通过构建知识图谱和符号指南，提升具身智能在复杂环境中的任务规划能力，尤其在长周期和空间复杂任务中表现突出。

PRINCIPLES: Synthetic Strategy Memory for Proactive Dialogue Agents

PRINCIPLES：面向前瞻性对话代理的合成策略记忆

Namyoung Kim, Kai Tzu-iunn Ong, Yeonjun Hwang, Minseok Kang, Iiseo Jihn, Gayoung Kim, Minju Kim, Jinyoung Yeo

机构 * Department of Artificial Intelligence, Yonsei University（燕山大学人工智能学院） 纠错

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

AI总结 本文提出PRINCIPLES，一种基于离线自play模拟的合成策略记忆，用于提升前瞻性对话代理的策略规划能力，无需额外训练和数据标注，在情感支持和说服领域均表现出色。

Comments Accepted to EMNLP 2025 Findings

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, pages 21329-21368

ReCap: Lightweight Referential Grounding for Coherent Story Visualization

ReCap：轻量级指代 grounding 以实现连贯故事可视化

Aditya Arora, Akshita Gupta, Pau Rodriguez, Marcus Rohrbach

机构 * 1 Technical University of Darmstadt \& hessian.AI, Germany -2em 纠错

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

AI总结 ReCap 提出一种轻量级框架，通过视觉锚点提升角色稳定性与视觉一致性，无需修改基础扩散模型，在两个故事可视化基准上取得新高。

Comments Diffusion Models, Story Visualization

Empowering Vocabulary Learning Through Teaching AI: Using LLMs as a Student to Perform Learning by Teaching in Vocabulary Acquisition

通过教学AI赋能词汇学习：利用LLMs作为学生在词汇获取中进行学习教学

Tokio Uchida, Ko Watanabe, Andrew Vargo, Shoya Ishimaru, Ralph L. Rose, Ayaka Sugawara, Andreas Dengel, Koichi Kise

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

AI总结 本文提出利用LLMs生成动态问题以提升学习效果，研究发现其在记忆保持和个性化学习方面优于传统方法。

AccelCIM: Systematic Dataflow Exploration for SRAM Compute-in-Memory Accelerator

AccelCIM：面向SRAM计算存内加速器的系统数据流探索

Chenhao Xue, Yukun Wang, An Guo, Yuhui Shi, Jinwei Zhou, Xiping Dong, Yihan Yin, Yuanpeng Zhang, Tianyu Jia, Wei Gao, Qiang Wu, Xin Si, Jun Yang, Guangyu Sun

专题命中 长上下文与记忆 ：LLM(abstract,abstract_cn)

AI总结 本文提出AccelCIM框架，系统探索SRAM存内加速器的数据流，解决传统方法的两大局限：系统化设计空间和严格评估方法，通过模拟与布局分析提升DNN加速器性能。

Comments Accepted by DAC'26

Graph-Guided Adaptive Channel Elimination for KV Cache Compression

图引导自适应通道消除用于KV缓存压缩

Enwei Tong, Yao Zhu, Yuanchao Bai, Kai Wang, Xianming Liu, Xiangyang Ji

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GRACE框架，通过图优化方法改进KV缓存压缩，通过建模通道交互实现最优通道子集选择，实验表明可将缓存大小减少60%且性能损失小。

Comments ICME2026 paper

Self-Distilled Reinforcement Learning for Co-Evolving Agentic Recommender Systems

基于共演代理推荐系统的自我蒸馏强化学习

Zongwei Wang, Min Gao, Hongzhi Yin, Junliang Yu, Tong Chen, Quoc Viet Hung Nguyen, Shazia Sadiq, Tianrui Li

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CoARS框架，通过交互奖励和自我蒸馏信用分配，解决传统ARs在交互性和轨迹监督方面的不足，提升推荐性能和用户对齐度。

Comments 13 pages

SEARL: Joint Optimization of Policy and Tool Graph Memory for Self-Evolving Agents

SEARL：自进化智能体中策略与工具图记忆的联合优化

Xinshun Feng, Xinhao Song, Lijun Li, Gongshen Liu, Jing Shao

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiaotong University（上海交通大学） 纠错

专题命中 长上下文与记忆 ：LLM(abstract_cn)；分类 cs.AI、cs.LG

AI总结 SEARL通过构建结构化经验记忆实现策略与工具图记忆的联合优化，提升智能体在知识推理和数学任务中的实用性和效率。

Comments ACL 2026

RACE Attention: A Strictly Linear-Time Attention Layer for Training on Outrageously Large Contexts

RACE 注意力：一种严格线性时间的注意力层，用于在极端长上下文中训练

Sahil Joshi, Agniva Chowdhury, Amar Kanakamedala, Ekam Singh, Evan Tu, Anshumali Shrivastava

机构 * Department of Computer Science, Rice University（计算机科学系，里士大学） 纠错

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

AI总结 RACE 注意力通过替代指数核为锐化角相似性，并利用高斯随机投影和软局部敏感哈希，实现线性时间复杂度的注意力层，适用于超长上下文训练，同时减少时间和内存消耗。

Comments Accepted at ICLR 2026. 29 pages, 8 figures

Progressive Online Video Understanding with Evidence-Aligned Timing and Transparent Decisions

渐进式在线视频理解与证据对齐的透明决策

Kecheng Zhang, Zongxin Yang, Mingfei Han, Haihong Hao, Yunzhi Zhuge, Changlin Li, Junhan Zhao, Zhihui Li, Xiaojun Chang

机构 * University of Science and Technology of China（中国科学技术大学） ； Harvard University（哈佛大学） ； Department of CV, MBZUAI（MBZUAI计算机视觉部门） ； Dalian University of Technology（大连理工大学） ； Stanford University（斯坦福大学） ； Chicago University（芝加哥大学） 纠错

专题命中 长上下文与记忆 ：LLM(abstract_cn)；分类 cs.AI

AI总结 本文提出一种新型框架，通过分离推理控制与记忆整合，解决在线视频理解中的决策透明、时间对齐和计算预算限制问题，显著提升了性能。

ATANT v1.1: Positioning Continuity Evaluation Against Memory, Long-Context, and Agentic-Memory Benchmarks

ATANT v1.1：针对内存、长上下文和代理记忆基准的连续性评估

Samuel Sameer Tanguturi

机构 * Kenotic Labs（肯otic实验室） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI

AI总结 本文基于ATANT v1.0，分析了现有内存基准与连续性定义的不匹配，指出各基准仅覆盖少量连续性属性，提出连续性评估的校准对比例。

Comments Companion paper to arXiv:2604.06710 (ATANT v1.0). 12 pages, 1 table, 2 appendices. Related-work extension; does not modify the v1.0 standard

Memory Intelligence Agent

记忆智能代理

Jingyang Qiao, Weicheng Meng, Yu Cheng, Zhihang Lin, Zhizhong Zhang, Xin Tan, Jingyu Gong, Kun Shao, Yuan Xie

机构 * East China Normal University（华东师范大学） ； Shanghai Innovation Institute（上海创新研究院） ； Harbin Institute of Technology（哈尔滨工业大学） ； Xiamen University（厦门大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Independent Researcher（独立研究者） 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Memory Intelligence Agent框架，通过Manager-Planner-Executor架构实现高效记忆演化，结合强化学习与双向记忆转换，提升推理与自进化能力。

MEMRES: A Memory-Augmented Resolver with Confidence Cascade for Agentic Python Dependency Resolution

MEMRES: 一种带有置信度级联的内存增强解析器用于代理Python依赖解析

Dao Sy Duy Minh, Tran Chi Nguyen, Trung Kiet Huynh, Pham Phu Hoa, Nguyen Lam Phu Quy, Vu Nguyen

机构 * Faculty of Information Technology（信息科技学院） ； University of Science（科学大学） ； Vietnam National University（越南国家大学） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI

AI总结 MEMRES通过多级置信度级联和内存增强技术提升Python依赖解析效率，其结合自演化记忆、错误模式知识库、语义导入分析及Python 2启发式检测器，实现86.6%的解析成功率。

Comments 4 pages, 1 figure, to appear in Proc. FSE Companion '26

EmbodiedLGR: Integrating Lightweight Graph Representation and Retrieval for Semantic-Spatial Memory in Robotic Agents

EmbodiedLGR：整合轻量级图表示与检索用于机器人代理中的语义-空间记忆

Paolo Riva, Leonardo Gargani, Matteo Frosi, Matteo Matteucci

机构 * Department of Electronics, Information, and Bioengineering (DEIB), Politecnico di Milano（电子、信息与生物工程系（DEIB），米兰理工大学） 纠错

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

AI总结 本文提出EmbodiedLGR-Agent，通过参数高效VLM构建语义-空间记忆，实现高效的环境记忆表示与检索，实验证明其在推理和查询时间上达到SOTA，且在实际部署中表现出良好的实用性。

Comments 8 pages, 3 figures

TOOLCAD: Exploring Tool-Using Large Language Models in Text-to-CAD Generation with Reinforcement Learning

TOOLCAD: 探索用于文本到CAD生成的工具使用大型语言模型与强化学习

Yifei Gong, Xing Wu, Wenda Liu, Kang Tu

机构 * School of Computer Engineering & Science, Shanghai University（上海大学计算机工程与科学学院） 纠错

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

AI总结 本文提出TOOLCAD框架，利用LLM作为工具使用代理进行文本到CAD生成，并通过交互式CAD建模环境和强化学习提升模型性能。

Comments ACL2026

Bridging the Reasoning Gap in Vietnamese with Small Language Models via Test-Time Scaling

通过测试时间扩展弥合越南语中的推理差距

Bui The Trung, Do Minh Duc, Nguyen Van Vinh, Bui Nguyen Quoc Trinh

机构 * Computer Science and Engineering（计算机科学与工程） ； Information Science Faculty（信息科学系） ； Faculty of Information（信息学院） ； Faculty of Advanced Technologies and Engineering（先进技术和工程学院） ； VNU Vietnam（越南VNU） ； Japan University（日本大学） ； JAIST ； VNU University of Engineering and Technology（VNU工程大学） ； VNU Vietnam Japan University（越南日本大学） ； Hanoi, Vietnam（越南河内） ； Ishikawa, Japan（日本石川） 纠错

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

AI总结 本文研究了在越南小学数学中通过测试时间扩展策略提升小语言模型推理能力，提出Vi-S1K和Vi-Elementary-Bench基准，发现SFT显著提升解释质量，证明简化测试时间扩展优于复杂代理流程。

Comments FJICAI conference