语言大模型 / LLM

OpInf-LLM: Parametric PDE Solving with LLMs via Operator Inference

OpInf-LLM：通过算子推断实现基于LLM的参数PDE求解

Zhuoyuan Wang, Hanjiang Hu, Xiyu Deng, Saviz Mowlavi, Yorie Nakahira

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室） 纠错

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

AI总结 本文提出OpInf-LLM框架，利用少量解数据实现多样PDE实例的准确预测，支持自然语言任务指定和物理基础推理，降低计算需求并提高异构环境下的求解成功率。

Do LLM Decoders Listen Fairly? Benchmarking How Language Model Priors Shape Bias in Speech Recognition

大语言模型解码器是否公平？评估语言模型先验如何塑造语音识别中的偏见

Srishti Ginjala, Eric Fosler-Lussier, Christopher W. Myers, Srinivasan Parthasarathy

机构 * The Ohio State University（俄亥俄州立大学） ； Air Force Research Laboratory（空军研究实验室） 纠错

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

AI总结 研究评估九种模型在不同人口特征上的语音识别性能，发现LLM解码器在种族偏见上表现更公平，但Whisper在印度口音语音上出现病理学幻觉，且音频压缩对口音公平性影响更大。

A Task Decomposition and Planning Framework for Efficient LLM Inference in AI-Enabled WiFi-Offload Networks

一种用于AI赋能Wi-Fi卸载网络中高效LLM推理的任务分解与规划框架

Mingqi Han, Xinghua Sun

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

AI总结 本文提出一种用户-边缘协作框架，通过LLM规划器实现任务分解与子任务难度预测，优化多用户多边缘Wi-Fi网络中的子任务分配与执行，降低延迟并提升整体性能。

Comments 7 pages, 4 figures, conference version

FairyFuse: Multiplication-Free LLM Inference on CPUs via Fused Ternary Kernels

FairyFuse：通过融合三进制内核实现CPU上的无乘法LLM推理

Fei Zuo, Xiaoyan Xi, Quanyi Zeng, Feiyu Wang, Ho Fai Leung

机构 * Peking University（北京大学） 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.LG

AI总结 本文提出FairyFuse，通过融合三进制权重的八次实值子GEMV，实现CPU上的无乘法LLM推理，显著提升性能，单CPU达到32.4 tokens/s，质量接近FP16。

Comments 16 pages, 10 figures, 4 tables

DiP-SD: Distributed Pipelined Speculative Decoding for Efficient LLM Inference at the Edge

DiP-SD：分布式流水线推测解码用于边缘高效LLM推理

Yaodan Xu, Sheng Zhou, Zhisheng Niu

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

AI总结 本文提出DiP-SD，通过设备级分布式生成与阶段级生成-验证流水线，优化边缘多用户LLM推理的吞吐量，实现比自回归解码高17.89倍的性能。

Comments Accepted by 2026 IEEE 103rd Vehicular Technology Conference (VTC2026-Spring)

Unlocking the Power of Large Language Models for Multi-table Entity Matching

解锁大型语言模型在多表实体匹配中的潜力

Yingkai Tang, Taoyu Su, Wenyuan Zhang, Xiaoyang Guo, Tingwen Liu

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安全学院） 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

AI总结 本文提出LLM4MEM框架，通过多风格提示增强模块、传递共识嵌入匹配模块和密度感知修剪模块，提升多表实体匹配的准确性和效率，实验表明在六个数据集上F1得分提升5.1%。

Comments Accepted by NLPCC 2025

LLM-Steered Power Allocation for Parallel QPSK-AWGN Channels

基于大语言模型的并行QPSK-AWGN信道功率分配

Tadashi Wadayama

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

AI总结 本文提出LLM-Steered Power Allocation，通过大语言模型与数值优化器协同，实现安全灵活的通信系统优化，实验表明不同自然语言策略可引导不同的操作点，且在突发信道变化时显著提升信息熵。

Toward Efficient Membership Inference Attacks against Federated Large Language Models: A Projection Residual Approach

迈向高效成员推断攻击对抗联邦大语言模型：一种投影残差方法

Guilin Deng, Silong Chen, Yuchuan Luo, Yi Liu, Songlei Wang, Zhiping Cai, Lin Liu, Xiaohua Jia, Shaojing Fu

机构 * Colleague of Computer Science and Technology, National University of Defense Technology, Changsha, China（计算机科学与技术系，国防科技大学，中国长沙） ； City University of Hong Kong, Hong Kong, China（香港城市大学，中国香港） ； Shenzhen University, Shenzhen, China（深圳大学，中国深圳） 纠错

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

AI总结 本文提出ProjRes方法，通过分析隐藏嵌入向量在梯度子空间中的投影残差，有效识别联邦大语言模型中的成员推断攻击，实现近100%的准确率，优于现有方法75.75%。

Comments This is the full version (including complete appendices and supplementary materials) of the paper accepted for publication at the 2026 IEEE Symposium on Security and Privacy

Trust but Verify: Introducing DAVinCI -- A Framework for Dual Attribution and Verification in Claim Inference for Language Models

信任但验证：介绍DAVinCI——一种用于语言模型声明推断中双属性和验证的框架

Vipula Rawte, Ryan Rossi, Franck Dernoncourt, Nedim Lipka

机构 * Adobe（Adobe公司） ； Adobe Research（Adobe研究院） 纠错

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

AI总结 本文提出DAVinCI框架，通过双属性和验证机制提升语言模型输出的事实可靠性与可解释性，实验表明其在分类准确率、属性精度、召回率和F1分数上提升5-20%。

Distributed Generative Inference of LLM at Internet Scales with Multi-Dimensional Communication Optimization

在互联网规模上通过多维通信优化实现大语言模型的分布式生成推理

Jiu Chen, Shuangyan Yang, Xu Xiong, Hexiao Duan, Xinran Zhang, Jie Ren, Dong Li

专题命中 效率与部署 ：LLM(title,summary_cn)

AI总结 本文提出BloomBee框架，通过多维优化提升分布式LLM推理性能，降低通信开销，提升吞吐量和减少延迟。

SparKV: Overhead-Aware KV Cache Loading for Efficient On-Device LLM Inference

SparKV：面向设备的大语言模型高效推断的开销感知KV缓存加载

Hongyao Liu, Liuqun Zhai, Junyi Wang, Zhengru Fang

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

AI总结 SparKV通过结合云端KV流和设备端计算，优化KV缓存加载策略，降低延迟并提升推断效率，实验显示在不同数据集和设备上均有效降低时延和能耗。

Comments IEEE INTERNET OF THINGS HOURNAL, 11 pages under major revision

VLA-Forget: Vision-Language-Action Unlearning for Embodied Foundation Models

VLA-Forget：面向具身基础模型的视觉-语言-动作去学习

Ravi Ranjan, Agoritsa Polyzou

机构 * Florida International University（佛罗里达国际大学） 纠错

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

AI总结 本文提出VLA-Forget框架，通过结合感知选择性编辑与层选择性推理去学习，提升去学习效果，保留感知特性和推理能力，减少量化恢复。

Comments 18 pages, 9 figures, Accepted to ACL-2026, KnowFM

Pre-trained LLMs Meet Sequential Recommenders: Efficient User-Centric Knowledge Distillation

预训练大语言模型遇见序列推荐者：高效的用户导向知识蒸馏

Nikita Severin, Danil Kartushov, Vladislav Urzhumov, Vladislav Kulikov, Oksana Konovalova, Alexey Grishanov, Anton Klenitskiy, Artem Fatkulin, Alexey Vasilev, Andrey Savchenko, Ilya Makarov

机构 * Independent researcher（独立研究者） ； Sber AI Lab（Sber AI实验室） ； Innopolis University（Innopolis大学） ； HSE University（俄罗斯高等经济大学） ； ITMO University（ITMO大学） ； AIRI 纠错

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

AI总结 本文提出一种高效的用户导向知识蒸馏方法，利用预训练大语言模型生成的文本用户资料提升序列推荐系统对用户语义的理解，无需实时调用大语言模型，保持传统序列模型的推理效率。

Comments Accepted to ECIR 2026. 7 pages. This version of the contribution has been accepted for publication, after peer review but is not the Version of Record and does not reflect post-acceptance improvements, or any corrections. The Version of Record is available online at: http://dx.doi.org/10.1007/978-3-032-21300-6_42

Not-a-Bandit: Provably No-Regret Drafter Selection in Speculative Decoding for LLMs

非老虎机：在推测解码中具有证明无遗憾的草案模型选择

Hongyi Liu, Jiaji Huang, Zhen Jia, Youngsuk Park, Yu-Xiang Wang

机构 * Rice University（里士大学） ； Amazon Web Services（亚马逊网络服务） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 本文提出一种在推测解码中能证明无遗憾的草案模型选择算法，通过评估所有草案模型而非仅选定模型，显著提升性能，适用于多种解码方法，并在多个领域优于现有方法。

Comments ICLR'26

Propensity Inference: Environmental Contributors to LLM Behaviour

倾向推断：对大语言模型行为的环境贡献

Olli Järviniemi, Oliver Makins, Jacob Merizian, Robert Kirk, Ben Millwood

机构 * UK AI Security Institute（英国人工智能安全研究所） 纠错

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

AI总结 研究通过分析环境因素对大语言模型行为的影响，提出三种方法改进，发现战略与非战略因素对行为的解释作用相近，且战略因素随能力提升不显著变化，同时发现目标冲突敏感性趋势。

iPDB -- Optimizing Semantic SQL Queries

iPDB -- 优化语义SQL查询

Udesh Kumarasinghe, Tyler Liu, Ahmed R. Mahmood, Chunwei Liu, Walid G. Aref

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

AI总结 iPDB通过引入语义查询优化技术，支持在数据库内进行机器学习和大语言模型推理，实现语义SQL查询的高效执行，平均提速2.5倍，最高可达30倍。

VFM-VAE: Vision Foundation Models Can Be Good Tokenizers for Latent Diffusion Models

VFM-VAE：视觉基础模型可以作为潜在扩散模型的良好分词器

Tianci Bi, Xiaoyi Zhang, Yan Lu, Nanning Zheng

机构 * State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（人机混合增强智能国家重点实验室，人工智能与机器人研究院，西安交通大学） ； Microsoft Research Asia（微软亚洲研究院） 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VFM-VAE，利用冻结的视觉基础模型作为潜在扩散模型的分词器，通过设计新解码器提升图像重建能力，实现分词器与扩散模型的协同优化，提升训练效率与性能。

Comments Accepted at CVPR 2026. Code and models available at: https://github.com/tianciB/VFM-VAE

Analytical FFN-to-MoE Restructuring via Activation Pattern Analysis

通过激活模式分析实现分析性FFN到MoE的重构

Zehua Pei, Hui-Ling Zhen, Lancheng Zou, Xianzhi Yu, Wulong Liu, Sinno Jialin Pan, Mingxuan Yuan, Bei Yu

机构 * The Chinese University of Hong Kong（香港中文大学） ； Huawei Technologies Co., Ltd（华为技术有限公司） 纠错

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

AI总结 本文提出一种分析性后训练框架，通过小数据集将FFN重构为稀疏MoE，利用激活模式分析划分共享专家和路由专家，实现快速部署或轻量微调，实验显示在计算受限场景下速度提升达1.17倍。

Comments Accepted by ACL 2026 Main

HyperFM: An Efficient Hyperspectral Foundation Model with Spectral Grouping

HyperFM：一种高效的超光谱基础模型与光谱分组

Zahid Hassan Tushar, Sanjay Purushotham

机构 * University of Maryland, Baltimore County（马里兰大学巴尔的摩分校） 纠错

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

AI总结 本文提出HyperFM，一种高效超光谱基础模型，通过光谱分组和混合参数分解，提升对光谱空间关系的建模能力，同时降低计算成本，在四个大气云特性检索任务中表现优异，并发布HyperFM250K数据集支持进一步研究。

Comments 15 pages, 8 figures, to be published in CVPR 2026 findings, Code and data are publicly available on https://github.com/umbc-sanjaylab/HyperFM

Does Welsh media need a review? Detecting bias in Nation.Cymru's political reporting

威尔士媒体是否需要审查？检测国家·威尔士政治报道中的偏见

Cai Parry-Jones

机构 * University of Cambridge, Cambridge, United Kingdom（剑桥大学） 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 本文通过计算方法检测威尔士媒体中的偏见，发现Reform UK的报道偏见程度显著高于Plaid Cymru，为威尔士媒体审查提供依据。

Fairness Evaluation and Inference Level Mitigation in LLMs

在大型语言模型中公平性评估与推断层面缓解

Afrozah Nadeem, Mark Dras, Usman Naseem

机构 * School of Computing, Macquarie University, Australia（麦考瑞大学计算机学院，澳大利亚） 纠错

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

AI总结 本文提出动态可逆剪枝框架，通过检测上下文感知的神经元激活并应用自适应遮蔽，实现细粒度内存感知的公平性缓解，提升多语言单轮和多轮对话的连贯性与公平性控制。

Comments Accepted at The 64th Annual Meeting of the Association for Computational Linguistics San Diego, California, United, States July 2 to 7, 2026

Efficient Agent Evaluation via Diversity-Guided User Simulation

通过多样性引导的用户模拟实现高效的代理评估

Itay Nakash, George Kour, Ateret Anaby-Tavor

机构 * IBM Research（IBM研究院） 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DIVERT框架，通过快照和覆盖引导的方式高效探索代理与用户交互，提升评估效率和覆盖范围。

When Agents Look the Same: Quantifying Distillation-Induced Similarity in Tool-Use Behaviors

当代理看起来相同：量化蒸馏诱导的工具使用行为相似性

Chenghao Yang, Yuning Zhang, Zhoufutu Wen, Tao Gong, Jiaheng Liu, Qi Chu, Nenghai Yu

机构 * School of Cyber Science and Technology, USTC（USTC计算机科学与技术学院） ； Anhui Province Key Laboratory of Digital Security（安徽省数字安全重点实验室） ； M-A-P 纠错

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

AI总结 本文提出两种新指标RPS和AGS，用于区分任务成功必需行为与模型自主偏好，通过评估18个模型发现AGS能区分教师特定收敛与通用改进。

Comments Accepted by ACL 2026 Main Conference

Prefix Parsing is Just Parsing

前缀解析只是解析

Clemente Pasti, Andreas Opedal, Timothy J. O'Donnell, Ryan Cotterell, Tim Vieira

机构 * ETH Zürich（苏黎世联邦理工学院） ； McGill University（麦吉尔大学） ； Canada CIFAR AI Chair（加拿大 CIFAR 人工智能主席） ； Mila ； CHI-FRO 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 本文提出通过前缀文法变换将前缀解析转化为普通解析，从而高效解决前缀解析问题，并引入基于算法微分的策略计算下一token权重向量，提供了一种简单、通用且高效的前缀解析框架。

Comments To appear at ACL 2026

Reason Only When Needed: Efficient Generative Reward Modeling via Model-Internal Uncertainty

仅在必要时推理：通过模型内部不确定性实现高效的生成奖励建模

Chao Xue, Yao Wang, Mengqiao Liu, Di Liang, Xingsheng Han, Peiyang Liu, Xianjie Wu, Chenyao Lu, Lei Jiang, Yu Lu, Haibo Shi, Shuang Liang, Minlong Peng, Flora D. Salim

机构 * University of New South Wales（新南威尔士大学） ； Tencent Hunyuan（腾讯文言） ； Tencent Yuanbao（腾讯元宝） ； UESTC（电子科技大学） ； Peking University（北京大学） 纠错

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

AI总结 本文提出E-GRM框架，利用模型内部不确定性选择性触发推理，减少计算成本并提升答案准确性。

Comments accepted by ACL 2026 Findings

Masked-Token Prediction for Anomaly Detection at the Large Hadron Collider

基于掩码词预测的大型强子对撞机异常检测

Ambre Visive, Roberto Ruiz de Austri, Polina Moskvitina, Clara Nellist, Sascha Caron

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

AI总结 本文首次将大语言模型的掩码词预测技术应用于高能物理异常检测，通过轻量级编码器架构捕捉标准模型物理结构，识别偏离该结构的异常事件，展示了其在四顶夸克生产和超对称胶子对产生等场景中的有效性。

Comments 11 pages, 30 figures

A Systematic Study of Biomedical Retrieval Pipeline Trade-offs in Performance and Efficiency

生物医学检索流水线性能与效率权衡的系统研究

Hayk Stepanyan, Matthew McDermott

专题命中 效率与部署 ：LLM(abstract,abstract_cn)

AI总结 本文通过实证研究探讨了生物医学检索流水线设计对性能和效率的影响，发现语料聚合优于绝对检索质量，MedRAG/pubmed在图基（HNSW）索引下达到性能效率最优平衡。

ELMoE-3D: Leveraging Intrinsic Elasticity of MoE for Hybrid-Bonding-Enabled Self-Speculative Decoding in On-Premises Serving

ELMoE-3D: 利用MoE的内在弹性特性实现混合键合赋能的自推测解码

Yuseon Choi, Jingu Lee, Jungjun Oh, Sunjoo Whang, Byeongcheol Kim, Minsung Kim, Hoi-Jun Yoo, Sangjin Kim

机构 * KAIST（韩国科学技术院） ； Samsung Electronics（三星电子） ； GIST（全南国立大学） 纠错

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

AI总结 本文提出ELMoE-3D框架，结合缓存加速与推测解码，通过弹性自推测解码实现跨批处理大小的整体加速，提升内存效率与能效。

Decoupled DiLoCo for Resilient Distributed Pre-training

解耦DiLoCo用于鲁棒的分布式预训练

Arthur Douillard, Keith Rush, Yani Donchev, Zachary Charles, Nova Fallen, Ayush Dubey, Ionel Gog, Josef Dean, Blake Woodworth, Zachary Garrett, Nate Keating, Jenny Bishop, Henry Prior, Edouard Yvinec, Arthur Szlam, Marc'Aurelio Ranzato, Jeff Dean

机构 * Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究） 纠错

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

AI总结 本文提出解耦DiLoCo，通过打破锁步同步障碍，提升分布式预训练效率，在高故障率环境中实现零全局停机，保持模型性能。

The Recurrent Transformer: Greater Effective Depth and Efficient Decoding

递归变换器：更大的有效深度和高效的解码

Costin-Andrei Oncescu, Depen Morwani, Samy Jelassi, Alexandru Meterez, Mujin Kwun, Sham Kakade

机构 * Harvard University（哈佛大学） 纠错

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

AI总结 递归变换器通过层间递归记忆机制，在保持标准自回归解码成本的同时，提升了有效深度并减少了内存占用，实现了比传统变换器更高效的解码性能。