语言大模型 / LLM

Symbolic Execution Meets Multi-LLM Orchestration: Detecting Memory Vulnerabilities in Incomplete Rust CVE Snippets

符号执行与多LLM协调：在不完整的Rust CVE代码片段中检测内存漏洞

Zeyad Abdelrazek, Young Lee

专题命中 长上下文与记忆 ：LLM(title,title_cn)

AI总结 本文提出结合符号执行（KLEE）与四代理多LLM架构，解决不完整代码问题，通过协作合成可编译的KLEE测试用例，检测Rust不安全代码中的内存漏洞，实现90.3%的测试用例编译成功率，检测到1,206个关键错误。

Comments 11 pages, 1 figure, to be published in : Ease 2026 The 6th International Workshop on Software Security Engineering

HyMem: Hybrid Memory Architecture with Dynamic Retrieval Scheduling

HyMem：混合内存架构与动态检索调度

Xiaochen Zhao, Kaikai Wang, Xiaowen Zhang, Chen Yao, Aili Wang

机构 * ZJU-UIUC Institute（浙大-伊利诺伊大学联合研究院） ； Ant Group（蚂蚁集团） 纠错

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

AI总结 HyMem通过多粒度内存表示实现动态按需调度，结合轻量级模块和LLM深度模块，有效平衡效率与性能，在长时记忆管理中取得新突破。

Learning from Supervision with Semantic and Episodic Memory: A Reflective Approach to Agent Adaptation

通过语义和事件记忆学习：一种反思式智能体适应方法

Jackson Hassell, Dan Zhang, Hannah Kim, Tom Mitchell, Estevam Hruschka

机构 * Megagon Labs（Megagon实验室） 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.CL、cs.AI、cs.LG

AI总结 本文提出一种基于记忆增强的框架，利用预训练大语言模型生成的批判性反馈，通过语义和事件记忆提升智能体适应能力，实验证明其在多个任务中有效。

Comments 16 pages

ClozeMaster: Fuzzing Rust Compiler by Harnessing LLMs for Infilling Masked Real Programs

ClozeMaster：利用LLMs填充掩码真实程序以模糊Rust编译器

Hongyan Gao, Yibiao Yang, Maolin Sun, Jiangchang Wu, Yuming Zhou, Baowen Xu

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

AI总结 本文提出ClozeMaster，通过利用LLMs填充掩码的真实程序，生成有效测试用例，发现Rust编译器27个已确认的bug，优于现有模糊测试工具。

Comments Accepted at ICSE 2025

MemRouter: Memory-as-Embedding Routing for Long-Term Conversational Agents

MemRouter: 基于记忆嵌入的路由机制用于长期对话代理

Tianyu Hu, Weikai Lin, Weizhi Zhang, Jing Ma, Song Wang

机构 * University of Central Florida（佛罗里达大学中央分校） ； University of Rochester（罗切斯特大学） ； University of Illinois at Chicago（伊利诺伊大学香槟分校） ； Case Western Reserve University（凯斯西储大学） 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 MemRouter通过嵌入路由策略优化长期对话代理的记忆存储，相比传统方法提升了存储效率并降低了延迟，验证了小型监督路由器在记忆准入中的有效性。

Learning How and What to Memorize: Cognition-Inspired Two-Stage Optimization for Evolving Memory

学习如何和记忆什么：受认知启发的两阶段优化用于进化记忆

Derong Xu, Shuochen Liu, Pengfei Luo, Pengyue Jia, Yingyi Zhang, Yi Wen, Yimin Deng, Wenlin Zhang, Enhong Chen, Xiangyu Zhao, Tong Xu

机构 * University of Science and Technology of China & State Key Laboratory of Cognitive Intelligence（中国科学技术大学 & 认知智能国家重点实验室） ； City University of Hong Kong（香港城市大学） ； Dalian University of Technology（大连理工大学） ； Xi’an Jiaotong University（西安交通大学） 纠错

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

AI总结 本文提出MemCoE框架，通过两阶段优化学习记忆组织方式和更新内容，提升长期个性化记忆的稳定性和效率。

Make Your LVLM KV Cache More Lightweight

使大型视觉-语言模型的KV缓存更轻量

Xihao Chen, Yangyang Guo, Roger Zimmermann

机构 * Integrative Sciences and Engineering Programme, National University of Singapore（国立新加坡大学整合科学与工程学程） ； School of Computing, National University of Singapore（国立新加坡大学计算机学院） 纠错

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

AI总结 本文提出LightKV方法，通过利用视觉token嵌入的冗余性，减少KV缓存大小，提升解码效率并降低GPU内存消耗。

Comments Accepted to Transactions on Machine Learning Research (TMLR), 2026

VideoDetective: Clue Hunting via both Extrinsic Query and Intrinsic Relevance for Long Video Understanding

VideoDetective：通过外在查询和内在相关性进行长视频理解的线索搜索

Ruoliu Yang, Chu Wu, Caifeng Shan, Ran He, Chaoyou Fu

机构 * Nanjing University（南京大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

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VideoDetective框架，通过结合查询与片段的相关性及片段间亲和力，有效定位长视频问答中的关键片段，提升多模态大语言模型在长视频理解中的性能。

Foundation AI Models for Aerosol Optical Depth Estimation from PACE Satellite Data

基于PACE卫星数据的气溶胶光学深度估计的基础AI模型

Zahid Hassan Tushar, Sanjay Purushotham

机构 * IEEE Service Center（IEEE服务中心） 纠错

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

AI总结 本文提出ViTCG模型，通过融合空间和光谱信息，有效降低气溶胶光学深度估计的误差，实验显示比现有模型减少62%的均方误差。

Comments 5 pages, 4 figures, to appear in 2026 IEEE International Geoscience and Remote Sensing Symposium