语言大模型 / LLM

Proposing Topic Models and Evaluation Frameworks for Analyzing Associations with External Outcomes: An Application to Leadership Analysis Using Large-Scale Corporate Review Data

提出用于分析与外部结果关联的主题模型和评估框架：以利用大规模企业评论数据的领导力分析为例

Yura Yoshida, Masato Kanai, Masataka Nakayama, Haruki Ohsawa, Yukiko Uchida, Arata Yuminaga, Gakuse Hoshina, Nobuo Sayama

机构 * Accenture Japan Ltd（安永日本有限公司） ； Kyoto University Institute for the Future of Human Society（京都大学未来人类社会研究所） ； OpenWork Inc.（OpenWork公司） ； Integral Corporation（Integral公司） 纠错

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

AI总结 本文提出一种利用大语言模型生成主题的方法，结合定制评估框架，提升主题可解释性、特定性和极性一致性，通过日本主要企业评论平台OpenWork的员工评论数据验证，提升了对员工士气等外部结果的解释力。

DimABSA: Building Multilingual and Multidomain Datasets for Dimensional Aspect-Based Sentiment Analysis

DimABSA：构建多语言多领域数据集用于维度方面基于情感分析

Lung-Hao Lee, Liang-Chih Yu, Natalia Loukashevich, Ilseyar Alimova, Alexander Panchenko, Tzu-Mi Lin, Zhe-Yu Xu, Jian-Yu Zhou, Guangmin Zheng, Jin Wang, Sharanya Awasthi, Jonas Becker, Jan Philip Wahle, Terry Ruas, Shamsuddeen Hassan Muhammad, Saif M. Mohammad

机构 * National Yang Ming Chiao Tung University ； Yuan Ze University ； Moscow State University ； Skoltech ； AIRI ； Yunnan University ； University of Cincinnati ； University of Göttingen ； Imperial College London ； National Research Council Canada 纠错

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

AI总结 本文提出DimABSA，首个多语言多领域数据集，通过引入连续valence-arousal评分提升细粒度情感分析能力，提供三个子任务及连续F1指标，推动多语言维度情感分析发展。

Comments accepted at ACL 2026

AgentBound: Securing Execution Boundaries of AI Agents

AgentBound: 保障AI代理的执行边界安全

Christoph Bühler, Matteo Biagiola, Luca Di Grazia, Guido Salvaneschi

机构 * University of St. Gallen（圣加尔大学） ； Università della Svizzera italiana（瑞士联邦理工学院） 纠错

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

AI总结 本文提出AgentBound，首个MCP服务器访问控制框架，通过声明性策略机制和执行引擎自动从源代码生成访问控制策略，有效阻止安全威胁且无显著开销。

Journal ref Proceedings of the 34th ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering (FSE). 2026

Train in Vain: Functionality-Preserving Poisoning to Prevent Unauthorized Use of Code Datasets

无效训练：功能保持污染以防止未经授权使用代码数据集

Yuan Xiao, Jiaming Wang, Yuchen Chen, Wei Song, Jun Sun, Shiqing Ma, Yanzhou Mu, Juan Zhai, Chunrong Fang, Jin Song Dong, Zhenyu Chen

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)

AI总结 本文提出FunPoison，一种保持功能的污染方法，通过注入可编译的弱使用片段来有效防止未经授权的数据集使用，同时保持100%的编译正确性。

Comments Accepted to Findings of the Association for Computational Linguistics (ACL 2026). Code is available at: https://github.com/xiaoyuanpigo/FunPoison

TRACE: Topology-aware Reconstruction of Accidents in CARLA for AV Evaluation

TRACE: 基于拓扑的CARLA中事故重建用于自动驾驶评估

Nahian Salsabil, Sebastian Elbaum

机构 * University of Virginia（弗吉尼亚大学） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)

AI总结 TRACE通过提取OpenStreetMap数据和大语言模型推断车辆初始状态，自动重建NHTSA事故报告，生成高保真的CARLA仿真场景，为自动驾驶系统提供多样化的现实故障测试资源。

Comments FSE'26 Tool Demonstration Track

Not Another EHR: Reimagining Physician Information Needs with Generative AI Technology

不再另一个电子病历：用生成式AI技术重新想象医生信息需求

Ruican Zhong, Jiachen Li, Gary Hsieh, David W. McDonald, Selin S. Everett, Alyssa Unell, Jonathan Carlson, Katie Claveau, Noel Codella, Khalil Malik, Scott Mackie, Eduardo Olvera, Scott Saponas, Eric Horvitz, David Rhew, Jim Weinstein, Jacob Gross, Amanda K. Hall

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)

AI总结 本文探讨生成式AI如何通过动态交互支持医生信息需求，通过访谈识别数据导航与合成挑战，讨论面向医生的工作流设计考虑。

How Supply Chain Dependencies Complicate Bias Measurement and Accountability Attribution in AI Hiring Applications

供应链依赖如何使AI招聘应用中的偏见测量和问责制归因复杂化

Gauri Sharma, Maryam Molamohammadi

机构 * Mila Quebec AI Institute（魁北克人工智能研究所） 纠错

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

AI总结 本文探讨了AI招聘系统中供应链依赖如何使偏见评估和问责制归因复杂化，指出组件交互导致偏见产生，且碎片化责任导致法律与技术层面的不透明。

CLARITY: A Framework and Benchmark for Conversational Language Ambiguity and Unanswerability in Interactive NL2SQL Systems

CLARITY：一种用于交互式NL2SQL系统中对话语言歧义和不可回答性的框架和基准

Tabinda Sarwar, Farhad Moghimifar, Cong Duy Vu Hoang, Xiaoxiao Ma, Shawn Chang Xu, Fahimeh Saleh, Poorya Zaremoodi, Avirup Sil, Katrin Kirchhoff

机构 * Oracle Corporation（Oracle公司） 纠错

专题命中 评测与基准 ：LLM(abstract_cn)；分类 cs.CL

AI总结 CLARITY框架通过多维度歧义和用户行为生成NL2SQL基准，揭示现有系统在复杂歧义下的性能下降，强调需增强歧义检测与解决能力。

Comments Accepted at ACL 2026 (Industry Track)

HACHIMI: Scalable and Controllable Student Persona Generation via Orchestrated Agents

HACHIMI: 通过协调代理实现可扩展和可控的学生人设生成

Yilin Jiang, Fei Tan, Xuanyu Yin, Jing Leng, Aimin Zhou

机构 * East China Normal University（华东师范大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 评测与基准 ：prompting(abstract)；分类 cs.CL

AI总结 HACHIMI通过协调代理框架生成理论对齐且分布可控的学生人设，生成100万个人设用于1-12年级，验证了其在教育理论和人口分布上的有效性。

Comments 46 pages, 7 figures, accepted by ACL 2026. The dataset is available at https://huggingface.co/datasets/sii-research/HACHIMI-1M

Kaiwu: A Multimodal Manipulation Dataset and Framework for Robot Learning and Human-Robot Interaction

Kaiwu：一种用于机器人学习和人机交互的多模态操控数据集和框架

Shuo Jiang, Haonan Li, Ruochen Ren, Yanmin Zhou, Zhipeng Wang, Bin He

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

AI总结 本文提出Kaiwu多模态数据集，解决复杂装配场景中缺失的真实同步多模态数据问题，通过20名受试者和30个交互对象，记录11,664个整合动作实例，支持机器人学习、精细操作、人类意图研究和人机协作。

Comments 8 pages, 5 figures, Submitted to IEEE Robotics and Automation Letters (RAL)

Journal ref IEEE Robotics and Automation Letters, vol. 10, no. 11, pp. 11482-11489, Nov. 2025

Long-tail Internet photo reconstruction

长尾互联网照片重建

Yuan Li, Yuanbo Xiangli, Hadar Averbuch-Elor, Noah Snavely, Ruojin Cai

机构 * Cornell University（康奈尔大学） ； Kempner Institute, Harvard University（哈佛大学凯普勒研究所） 纠错

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

AI总结 本文针对长尾分布的互联网照片重建问题，提出MegaDepth-X数据集和采样策略，提升极端稀疏场景下的3D重建鲁棒性，并增强对对称重复场景的重建可靠性。

Comments Project page: https://megadepth-x.github.io/

NeuronMLP: Efficient LLM Inference via Singular Value Decomposition Compression and Tiling on AWS Trainium

NeuronMLP：通过AWS Trainium上的奇异值分解压缩和分块实现高效的LLM推理

Dinghong Song, Jierui Xu, Weichu Yang, Pengfei Su, Dong Li

机构 * University of California, Merced USA ； University of Wisconsin, Madison USA ； Yotta Labs \& University of California, Merced USA ； University of California, Merced ； University of Wisconsin, Madison ； Yotta Labs \& University of California, Merced 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NeuronMLP，基于奇异值分解压缩和分块技术优化AWS Trainium上的LLM推理，通过定制化技术减少数据移动，提升SRAM带宽，实现1.35倍的内核加速和1.21倍的端到端推理加速。

Comments 12 pages, 8 figures

Introducing Background Temperature to Characterise Hidden Randomness in Large Language Models

引入背景温度以表征大语言模型中的隐藏随机性

Alberto Messina, Stefano Scotta

机构 * RAI - Radiotelevisione Italiana, Centre for Research, Technological Innovation and Experimentation (CRITS)（意大利广播电视台，研究中心、技术创新与实验中心（CRITS）） 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、cs.LG

AI总结 本文引入背景温度概念，探讨大语言模型中隐藏随机性的来源，提出通过有效温度评估实现依赖扰动，并通过实验验证其对可重复性、评估和部署的影响。

Journal ref Transactions on Machine Learning Research (TMLR), February 2026, https://openreview.net/pdf?id=bz0he4bARF

Lightweight Retrieval-Augmented Generation and Large Language Model-Based Modeling for Scalable Patient-Trial Matching

轻量级检索增强生成与基于大语言模型的建模用于可扩展的患者试验匹配

Xiaodi Li, Yang Xiao, Munhwan Lee, Konstantinos Leventakos, Young J. Juhn, David Jones, Terence T. Sio, Wei Liu, Maria Vassilaki, Nansu Zong

机构 * Department of Artificial Intelligence and Informatics, Mayo Clinic（人工智能与信息学系，梅奥诊所） ； Computer Science Department, University of Tulsa（图兰大学计算机科学系） ； Mayo Clinic Comprehensive Cancer Center, Mayo Clinic（梅奥诊所综合癌症中心，梅奥诊所） ； Division of Community Pediatric and Adolescent Medicine, Department of Pediatrics, Mayo Clinic（社区儿科与青少年医学分会，儿科部，梅奥诊所） ； Department of Neurology, Mayo Clinic（神经病学部，梅奥诊所） ； Department of Radiation Oncology, Mayo Clinic（放射肿瘤学部，梅奥诊所） ； Department of Quantitative Health Sciences, Mayo Clinic（定量健康科学部，梅奥诊所） 纠错

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

AI总结 本文提出轻量级框架，结合检索增强生成和大语言模型建模，解决患者试验匹配中长异构电子健康记录和复杂资格标准的可扩展性、泛化性和计算效率问题。

Comments 31 pages, 7 figures

RouteLMT: Learned Sample Routing for Hybrid LLM Translation Deployment

RouteLMT: 为混合LLM翻译部署设计的学得样本路由

Yingfeng Luo, Hongyu Liu, Dingyang Lin, Kaiyan Chang, Chenglong Wang, Bei Li, Quan Du, Tong Xiao, Jingbo Zhu

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院，中国沈阳） ； NiuTrans Research, Shenyang, China（牛译研究院，中国沈阳） 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RouteLMT，通过在模型内部预测大模型相对于小模型的边际增益，实现高效的样本路由，优于传统启发式和质量估计方法，达到更优的质量-预算帕累托前沿。

Comments Accepted to ACL 2026 Industry Track

Tracing the complexity profiles of different linguistic phenomena through the intrinsic dimension of LLM representations

通过LLM表示的内在维度追溯不同语言现象的复杂性特征

Marco Baroni, Emily Cheng, Iria de-Dios-Flores, Francesca Franzon

机构 * Universitat Pompeu Fabra (UPF)（巴塞罗那自治大学） ； ICREA（加泰罗尼亚凝聚态物理与应用研究中心） 纠错

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

AI总结 研究通过LLM表示的内在维度揭示语言复杂性对比，发现复杂现象在不同层间表现出更高的维度差异。

Motivating Next-Gen Accelerators with Flexible (N:M) Activation Sparsity via Benchmarking Lightweight Post-Training Sparsification Approaches

通过基准测试轻量级后训练稀疏化方法来推动下一代加速器的灵活（N:M）激活稀疏化

Shirin Alanova, Kristina Kazistova, Ekaterina Galaeva, Alina Kostromina, Vladimir Smirnov, Redko Dmitry, Alexey Dontsov, Maxim Zhelnin, Evgeny Burnaev, Egor Shvetsov

机构 * Applied AI（应用人工智能） ； Artificial Intelligence Research Institute（人工智能研究所） ； HSE University（俄罗斯高等经济大学） ； Sb AI Lab（Sb人工智能实验室） ； MWS AI（MWS人工智能） ； Yandex ； Independent Researcher（独立研究者） 纠错

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

AI总结 本文通过基准测试轻量级后训练稀疏化方法，探讨了灵活（N:M）激活稀疏化在大语言模型中的应用，展示了激活稀疏化在保持生成能力方面的优势，并提出了适用于未来硬件的稀疏化模式。

LATMiX: Learnable Affine Transformations for Microscaling Quantization of LLMs

LATMiX：用于LLM微缩量化的学习可逆变换

Ofir Gordon, Lior Dikstein, Arnon Netzer, Idan Achituve, Hai Victor Habi

机构 * Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） ； School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，地点，国家） 纠错

专题命中 效率与部署 ：LLM(title_cn,summary_cn)；large language model(abstract)；language model(abstract)；post-training(abstract)

AI总结 本文提出LATMiX方法，通过学习可逆仿射变换提升LLM微缩量化精度，实验显示在多种零样本基准上优于现有方法。

Comments 32 pages, 6 figures

MCAP: Deployment-Time Layer Profiling for Memory-Constrained LLM Inference

MCAP：面向内存受限LLM推理的部署时层性能分析

Anurita Das

机构 * Genovation Technological Solutions Pvt Ltd（基因创新技术解决方案私人有限公司） 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.LG

AI总结 MCAP通过部署时的层重要性估计，实现动态精度和内存分配决策，提升解码吞吐量并拓展内存受限下的模型运行范围。

Comments Code available at https://github.com/genovationtech/nve

MambaCSP: Hybrid-Attention State Space Models for Hardware-Efficient Channel State Prediction

MambaCSP: 用于硬件高效通道状态预测的混合注意力状态空间模型

Aladin Djuhera, Haris Gacanin, Holger Boche

机构 * Technical University Munich, Germany（慕尼黑技术大学，德国） ； RWTH Aachen University, Germany（亚琛工业大学，德国） 纠错

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

AI总结 本文提出MambaCSP，一种混合注意力状态空间模型，通过线性时间Mamba模型替代LLM，提升CSI预测精度与效率，降低资源消耗。

Unlocking the Edge deployment and ondevice acceleration of multi-LoRA enabled one-for-all foundational LLM

解锁多LoRA支持的多用途基础大语言模型的边缘部署与设备端加速

Sravanth Kodavanti, Sowmya Vajrala, Srinivas Miriyala, Utsav Tiwari, Uttam Kumar, Utkarsh Kumar Mahawar, Achal Pratap Singh, Arya D, Narendra Mutyala, Vikram Nelvoy Rajendiran, Sharan Kumar Allur, Euntaik Lee, Dohyoung Kim, HyeonSu Lee, Gyusung Cho, JungBae Kim

机构 * Samsung Research Institute（三星研究院） ； Samsung Electronics（三星电子） 纠错

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

AI总结 本文提出一种硬件感知框架，实现基于LLaMA的多语言基础模型在三星S24/S25设备上的高效设备端推理，通过动态任务切换和多流解码机制，提升内存和延迟性能，验证了多用途大语言模型在边缘设备上的可行性。

Comments Accepted at ACL 2026

Cost-Effective Communication: An Auction-based Method for Language Agent Interaction

高效通信：一种基于拍卖的语言代理交互方法

Yijia Fan, Jusheng Zhang, Kaitong Cai, Jing Yang, Chengpei Tang, Jian Wang, Keze Wang

机构 * Sun Yat-sen University（中山大学） ； Snap Inc. ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东省大数据分析与处理重点实验室） 纠错

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

AI总结 本文提出DALA框架，通过将通信带宽视为稀缺资源，解决多代理系统中通信低效问题，实验表明其在多个基准测试中表现优异。

MultiTok: Variable-Length Tokenization for Efficient LLMs Adapted from LZW Compression

MultiTok: 可变长度分词用于高效大语言模型，源自LZW压缩

Noel Elias, Homa Esfahanizadeh, Kaan Kale, Sriram Vishwanath, Muriel Medard

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Nokia Bell Labs（诺基亚贝尔实验室） ； Boğaziçi University（博雅大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT）） 纠错

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

AI总结 本文提出基于LZW压缩的MultiTok分词方法，通过压缩重复短语提升LLM训练效率，实现更高效训练与相似准确率。

SpikingBrain2.0: Brain-Inspired Foundation Models for Efficient Long-Context and Cross-Platform Inference

SpikingBrain2.0：面向高效长上下文和跨平台推理的脑启发基础模型

Yuqi Pan, Jinghao Zhuang, Yupeng Feng, Fangzhi Zhong, Siyu Ding, Xuerui Qiu, Shaowei Gu, Bohan Sun, Zhiyong Qin, Yibo Zhong, Lingtao Ouyang, Kun Yang, Zehao Liu, Yuhong Chou, Shurong Wang, Anjie Hu, Han Xu, Bo Xu, Guoqi Li

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beijing Key Laboratory of Brain-Inspired General Intelligence Large Model（北京脑启发通用智能大模型重点实验室） ； Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology（脑认知与脑启发智能技术重点实验室） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 SpikingBrain2.0通过双空间稀疏注意力机制和优化训练策略，在保持性能的同时提升长上下文处理效率，实现跨平台高效推理。

AdaptEvolve: Improving Efficiency of Evolutionary AI Agents through Adaptive Model Selection

AdaptEvolve: 通过自适应模型选择提高进化AI代理的效率

Pretam Ray, Pratik Prabhanjan Brahma, Zicheng Liu, Emad Barsoum

机构 * IIT Kharagpur（印度理工学院Kharagpur分校） ； Advanced Micro Devices, Inc. (AMD)（先进微器件公司（AMD）） 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.CL、cs.AI

AI总结 本文提出AdaptEvolve方法，通过自适应选择大语言模型提升进化代理效率，实验证明在保持准确性的同时降低推理成本37.9%。

Comments 9 pages, 2 Figues

R2Code: A Self-Reflective LLM Framework for Requirements-to-Code Traceability

R2Code：一种用于需求到代码追溯的自反思大语言模型框架

Yifei Wang, Jacky Keung, Xiaoxue Ma, Zhenyu Mao, Kehui Chen, Yishu Li

专题命中 效率与部署 ：LLM(title,abstract)；prompting(abstract)

AI总结 本文提出R2Code框架，通过分解增强的双向对齐网络、自反思一致性验证模块和动态上下文适应检索机制，提升需求到代码追溯的准确性并降低推理成本。

Comments Accepted to IEEE COMPSAC 2026

ResRank: Unifying Retrieval and Listwise Reranking via End-to-End Joint Training with Residual Passage Compression

ResRank：通过端到端联合训练与残差段落压缩统一检索与列表级重排序

Xiaojie Ke, Shuai Zhang, Liansheng Sun, Yongjin Wang, Hengjun Jiang, Xiangkun Liu, Cunxin Gu, Jian Xu, Guanjun Jiang

机构 * Qwen Applications Business Group of Alibaba（阿里巴巴Qwen应用业务组） 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 ResRank通过端到端联合训练与残差段落压缩技术，解决传统重排序方法中输入长度增加导致的排名质量下降和推理延迟问题，实现高效且有效的检索与重排序统一。

Toward Robust and Efficient ML-Based GPU Caching for Modern Inference

迈向鲁棒且高效的基于机器学习的GPU缓存

Peng Chen, Jiaji Zhang, Hailiang Zhao, Yirong Zhang, Shenyao Chen, Jiahong Yu, Xueyan Tang, Yixuan Wang, Hao Li, Jianping Zou, Gang Xiong, Kingsum Chow, Shuibing He, Shuiguang Deng

机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Kuaishou（快手） 纠错

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

AI总结 本文提出学习增强型LRU算法，通过整合预测提升缓存性能，实现1-一致性与O(k)-鲁棒性，同时在GPU上构建LCR缓存，实验显示在LLM和DLRM任务中显著提升性能。

HFX: Joint Design of Algorithms and Systems for Multi-SLO Serving and Fast Scaling

HFX：多SLO服务与快速扩展的算法与系统联合设计

Zahra Yousefijamarani, Xinglu Wang, Qian Wang, Morgan Lindsay Heisler, Taha Shabani, Niloofar Gholipour, Parham Yassini, Hong Chang, Kan Chen, Qiantao Zhang, Xiaolong Bai, Jiannan Wang, Ying Xiong, Yong Zhang, Zhenan Fan

机构 * Huawei Technologies Canada Co., Ltd.（华为技术加拿大有限公司） ； Simon Fraser University（西蒙弗雷泽大学） ； École de technologie supérieure（高等技术学院） ； Huawei Technologies Co., Ltd.（华为技术有限公司） 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 HFX通过联合优化请求调度与弹性扩展，满足多样化的SLO，实验显示在延迟、成本等方面优于现有系统。

FlyCatcher: Neural Inference of Runtime Checkers from Tests

FlyCatcher: 从测试中自动推断运行时检查器

Beatriz Souza, Chang Lou, Suman Nath, Michael Pradel

专题命中 效率与部署 ：LLM(summary_cn,abstract)

AI总结 FlyCatcher通过结合LLM合成、静态分析和动态验证，从现有测试中自动推断运行时检查器，能检测更多隐性故障。