语言大模型 / LLM

A Prompt-Aware Structuring Framework for Reliable Reuse of AI-Generated Content in the Agentic Web

面向可靠重用的AI生成内容结构化框架

Shusaku Egami, Masahiro Hamasaki

机构 * National Institute of Advanced Industrial Sciencen 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 本文提出一种结构化框架，通过在生成时自动附加元数据，提升AI生成内容的可追溯性和可靠性，以支持其安全重用。

Comments 5 pages, 2 figures, Accepted at FAAW@WWW2026

Expert Upcycling: Shifting the Compute-Efficient Frontier of Mixture-of-Experts

专家再利用：移动专家架构的计算高效前沿转移

Chaitanya Dwivedi, Binxuan Huang, Himanshu Gupta, Pratik Jayarao, Neeraj Varshney, Bing Yin

机构 * Amazon Stores Foundation AI（亚马逊商店基金会人工智能） ； Carnegie Mellon University（卡内基梅隆大学） ； Anthropic 纠错

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

AI总结 本文提出专家再利用方法，通过持续预训练逐步扩展MoE模型容量，降低训练成本，实验显示在7B-13B参数规模下，模型验证损失与基线相当，节省32%的GPU小时。

Comments 9 Pages in main paper, 29 Pages total

DARE: Difficulty-Adaptive Reinforcement Learning with Co-Evolved Difficulty Estimation

DARE: 基于共进化难度估计的难度自适应强化学习

Yang Zhou, Can Jin, Zihan Dong, Zhepeng Wang, Yanting Yang, Shiyu Zhao, Lei Li, Runxue Bao, Yaochen Xie, Dimitris N. Metaxas

机构 * Rutgers University（罗杰斯大学） ； Amazon（亚马逊） ； Washington University（华盛顿大学） ； Google（谷歌） 纠错

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

AI总结 DARE通过自归一化重要性采样和对称Beta分布实现政策与难度估计的共进化，提升训练效率和推理效率，使模型在易任务中生成更简洁响应，在难任务中提高正确性。

BubbleSpec: Turning Long-Tail Bubbles into Speculative Rollout Drafts for Synchronous Reinforcement Learning

BubbleSpec: 将长尾气泡转化为投机性回滚草稿以同步强化学习

Yuhang Xu, Kaibin Tian, Yang Tian, Zhice Yang, Yifeng Yu, Yan Li, Shengzhong Liu, Fan Wu, Guihai Chen

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出BubbleSpec框架，通过利用更快rank的空闲时间预生成回滚结果，提升同步强化学习的效率，减少50%的解码步骤并提高1.8倍的回滚吞吐量。

Sketch-and-Verify: Structured Inference-Time Scaling via Program Sketching

Sketch-and-Verify: 通过程序草图实现推理时间扩展

Shan Jiang, Zijian Yi, Chenguang Zhu

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 本文提出SKETCHVERIFY方法，通过程序草图生成多样化候选方案，验证后选择最优，提升模型性能，同时探讨K与M的权衡关系。

Uncovering Intra-expert Activation Sparsity for Efficient Mixture-of-Expert Model Execution

揭示专家内部激活稀疏性以实现高效的混合专家模型执行

Jongseok Park, Sunga Kim, Zhenyu Gu, Ion Stoica, Alvin Cheung

机构 * University of California, Berkeley（加州大学伯克利分校） ； Advanced Micro Devices, Inc.（先进微器件公司） 纠错

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

AI总结 本文研究了混合专家模型中专家内部激活稀疏性，通过利用这种未被探索的稀疏性维度，提高了模型执行效率，实现了2.5倍的层执行速度提升和1.2倍的端到端速度提升。

Four Over Six: More Accurate NVFP4 Quantization with Adaptive Block Scaling

六分之四：更准确的NVFP4量化方法通过自适应块缩放

Jack Cook, Junxian Guo, Guangxuan Xiao, Yujun Lin, Keith Wyss, Mahdi Nazemi, Asit Mishra, Carlo del Mundo, Tijmen Blankevoort, Song Han

机构 * Massachusetts Institute of Technology（麻省理工学院） ； NVIDIA（英伟达） 纠错

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

AI总结 本文提出4/6方法，通过自适应块缩放改进NVFP4量化，减少量化误差，提升模型性能。

Comments 10 pages, 4 figures

Auditing Data Membership in Reinforcement Learning With Verifiable Rewards

在强化学习中使用可验证奖励进行数据成员审计

Yule Liu, Heyi Zhang, Jinyi Zheng, Zhen Sun, Zifan Peng, Jiaheng Wei, Tianshuo Cong, Yilong Yang, Xinlei He

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shanghai Jiao Tong University（上海交通大学） ； Shandong University（山东大学） ； Xidian University（西安电子科技大学） ； Wuhan University（武汉大学） 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DIBA框架，通过比较微调模型与预RLVR检查点，检测强化学习中数据暴露问题，提升审计效果。

FlashSVD v1.5: Making Low-Rank Transformers Inference Actually Fast

FlashSVD v1.5：使低秩变换器推断真正高效

Wenhao Wu, Zishan Shao, Kangning Cui, Jinhee Kim, Yixiao Wang, Hancheng Ye, Danyang Zhuo, Yiran Chen

机构 * Department of Electrical & Computer Engineering（电气与计算机工程系） ； Department of Statistical Science（统计科学系） ； Department of Computer Science（计算机科学系） 纠错

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

AI总结 本文提出FlashSVD v1.5，通过统一的推断运行时优化低秩变换器的推断速度，实现解码和端到端加速。

BCJR-QAT: A Differentiable Relaxation of Trellis-Coded Weight Quantization

BCJR-QAT: 一种可微松弛的树状编码加权量化

Venugopalan Iyengar

机构 * Venugopalan Iyengar 纠错

专题命中 效率与部署 ：LLM(abstract_cn)；post-training(abstract)；分类 cs.LG

AI总结 本文提出BCJR-QAT，通过替换非可微的Viterbi argmax为BCJR算法，实现可微的软码字生成，解决了树状编码量化在训练中的难题，并在Llama-3.2-1B上取得优于QTIP-PTQ的性能。

Comments 26 pages, 4 figures, 4 tables. Code at https://github.com/Venugopalan2610/quant-2bit. Model weights and trajectory snapshots at https://huggingface.co/Venugopalan2610/BCJR-QAT-Llama-3.2-1B-2bit

Teacher-Aware Evolution of Heuristic Programs from Learned Optimization Policies

具有教师意识的从学习优化策略中演化启发式程序

Minyu Chen, Song Qin, Ling-I Wu, Jianxin Xue, Guoqiang Li

机构 * Shenzhen Technology University（深圳科技大学） ； Shanghai Polytechnic University（上海理工大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出一种教师意识的进化框架，利用独立训练的优化策略作为行为教师，通过查询教师对候选启发式程序状态的动作偏好来指导进化，提升调度、路由和图优化任务的性能。

Comments 15 pages

Agent-X: Full Pipeline Acceleration of On-device AI Agents

Agent-X：边缘设备上AI代理的全流水线加速

Jinha Chung, Byeongjun Shin, Jiin Kim, Minsoo Rhu

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 本文提出Agent-X框架，通过优化预填充和解码阶段，实现边缘设备上AI代理的加速，无精度损失且集成简便，首次系统性消除代理延迟瓶颈。

Comments Accepted for publication at MobiSys-2026

Beyond Autonomy: A Dynamic Tiered AgentRunner Framework for Governable and Resilient Enterprise AI Execution

超越自主性：一种动态分层代理运行框架用于可控且具有弹性的企业AI执行

Kai Pan, Rong Hou

机构 * a2alab（a2alab实验室） 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 本文提出动态分层代理运行框架，通过风险自适应分层、权力分离架构和容错设计，解决企业AI执行中的可控性和可靠性问题。

Comments 9 pages, 2 figures, 3 tables

ERIS: Enhancing Privacy and Scalability in Federated Learning via Federated Shard Aggregation

ERIS：通过联邦分片聚合增强联邦学习的隐私性和可扩展性

Dario Fenoglio, Pasquale Polverino, Jacopo Quizi, Martin Gjoreski, Akash Dhasade, Marc Langheinrich

机构 * Università della Svizzera italiana（瑞士意大利大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 ERIS通过联邦分片聚合机制解决联邦学习中的隐私、可扩展性和模型效用之间的平衡问题，减少通信瓶颈并提升对抗鲁棒性。

BaseCal: Unsupervised Confidence Calibration via Base Model Signals

BaseCal: 通过基础模型信号实现无监督的置信度校准

Hexiang Tan, Wanli Yang, Junwei Zhang, Xin Chen, Rui Tang, Du Su, Jingang Wang, Yuanzhuo Wang, Fei Sun, Xueqi Cheng

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, CAS（人工智能安全国家重点实验室，计算技术研究所，中国科学院） 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BaseCal方法，利用基础模型信号校准大语言模型的置信度，通过两种方法减少校准误差，实验表明其在多个数据集上有效降低了ECE。

Comments ACL 2026 Main

Beyond Position Bias: Shifting Context Compression from Position-Driven to Semantic-Driven

超越位置偏差：从位置驱动到语义驱动的上下文压缩

Jiwei Tang, Zhijing Huang, Xinyu Zhang, Chen Jason Zhang, Jianxing Yu, Libin Zheng, Rui Meng, Jian Yin

机构 * Sun Yat-sen University（中山大学） ； Hong Kong Polytechnic University（香港理工大学） ； Beijing Normal–Hong Kong Baptist University（北京师范大学-香港 Baptist大学） 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 本文提出语义一致性上下文压缩方法，通过语义空间动态锚定替代位置驱动，解决位置偏差问题，提升下游任务性能、推理延迟和领域外鲁棒性。

Comments 20 pages, 6 figures

Through the Lens of Character: Resolving Modality-Role Interference in Multimodal Role-Playing Agent

通过角色视角：解决多模态角色扮演代理中的模态-角色干扰

Yihong Tang, Kehai Chen, Xuefeng Bai, Min Zhang

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Shenzhen Loop Area Institute (SLAI)（深圳环城院） 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CAVI框架，通过角色视角减少多模态角色扮演代理中的模态-角色干扰，提升角色一致的多模态交互。

Asymptotically Log-Optimal Bayes-Assisted Confidence Sequences for Bounded Means

渐近对数最优的基于贝叶斯的置信序列：适用于有界均值

Valentin Kilian, Stefano Cortinovis, François Caron

机构 * Department of Statistics University of Oxford（统计系牛津大学） 纠错

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

AI总结 本文提出一种基于贝叶斯的置信序列框架，利用预测模型自适应构造置信序列，证明其渐近对数最优性，并通过实验展示其在减少置信序列宽度和采样努力方面优于传统方法。

Comments Valentin and Stefano are joint first authors

GraphReAct: Reasoning and Acting for Multi-step Graph Inference

GraphReAct：多步图推断中的推理与行动

Xingtong Yu, Zhongwei Kuai, Chang Zhou, Xuanting Xie, Renhe Jiang, Xikun Zhang, Hong Cheng, Xinming Zhang, Yuan Fang

机构 * The Chinese University of Hong Kong（香港中文大学） ； The University of Science and Technology of China（中国科学技术大学） ； University of Electronic Science and Technology of China（电子科技大学） ； The University of Tokyo（东京大学） ； RMIT University（皇家墨尔本理工大学） ； Singapore Management University（新加坡管理学院） 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 GraphReAct通过结合推理与行动，提升图数据的多步推断能力，通过拓扑和语义检索及上下文精炼实现信息逐步扩展与压缩，实验表明其优于现有方法。

Comments Under review

Sparse Attention as a Range Searching Problem: Towards an Inference-Efficient Index for KV Cache

稀疏注意力作为范围搜索问题：迈向一种高效的KV缓存索引

Mohsen Dehghankar, Abolfazl Asudeh

机构 * Department of Computer Science（计算机科学系） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

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

AI总结 本文提出Louver索引，通过将稀疏注意力重新表述为半空间范围搜索问题，解决KV缓存检索中的准确性和效率问题，实验表明其在精度和运行时间上优于现有方法。

AgentSlimming: Towards Efficient and Cost-Aware Multi-Agent Systems

AgentSlimming: 向高效且成本敏感的多智能体系统迈进

Yulang Chen, Haoxuan Peng, Jinyan Liu, Zichen Wen, Dongrui Liu, Linfeng Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Nanjing University（南京大学） ； The University of Sydney（悉尼大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 本文提出AgentSlimming框架，通过重要性评分和基线锚定规则压缩多智能体工作流，降低token成本达78.9%且性能损失小，实现成本与质量的帕累托最优。

Reasoning Compression with Mixed-Policy Distillation

基于混合策略蒸馏的推理压缩

Han Yang, Mingyan Wu, Bailan He, Zeyu Cao, Sikuan Yan, Kevin Qinghong Lin, Zifeng Ding

机构 * Technical University of Munich（慕尼黑技术大学） ； GESIS – Leibniz Institute for the Social Sciences（莱布尼茨社会科学研究所） ； Northeastern University（东北大学） ； LMU Munich（慕尼黑大学） ； Siemens AG（西门子股份公司） ； University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Mina AI 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 本文提出混合策略蒸馏框架，通过从大模型压缩推理轨迹到小模型，有效减少token使用并提升推理性能。

Training with Harnesses: On-Policy Harness Self-Distillation for Complex Reasoning

通过Harness训练：面向复杂推理的在线策略Harness自蒸馏

Zhengyang Zhao, Lu Ma, Wentao Zhang

机构 * Peking University（北京大学） 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OPHSD方法，通过将增强的模型作为教师进行自蒸馏，提升模型在复杂推理任务中的泛化能力和独立表现。

FlashEvolve: Accelerating Agent Self-Evolution with Asynchronous Stage Orchestration

FlashEvolve：通过异步阶段协调加速智能体自我进化

Zhengding Hu, Mingge Lu, Zhen Wang, Jixuan Ruan, Chang Chen, Zaifeng Pan, Yue Guan, Ruiyi Wang, Zhongkai Yu, Chao Zhang, Yufei Ding

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 本文提出FlashEvolve框架，通过异步工作流和队列降低智能体自我进化的时间成本，提升吞吐量和token效率，在GEPA任务中实现3.5倍和4.9倍的提升。

Latent Personality Alignment: Improving Harmlessness Without Mentioning Harms

潜在人格对齐：无需提及危害的改进

Linh Le, David Williams-King, Mohamed Amine Merzouk, Aton Kamanda, Adam Oberman

机构 * McGill University（麦吉尔大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； ERA ； LawZero（法零） 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LPA方法，通过训练抽象人格特质提升模型鲁棒性，以少样本实现高防御效果，且在六个危害基准测试中表现更优。

Comments published at Trustworthy AI Workshop, ICLR 2026

When Hidden States Drift: Can KV Caches Rescue Long-Range Speculative Decoding?

当隐藏状态漂移时：KV缓存能否拯救长程推测解码？

Tianyu Liu, Yuhao Shen, Xinyi Hu, Baolin Zhang, Hengxin Zhang, Jun Dai, Jun Zhang, Shuang Ge, Lei Chen, Yue Li, MingCheng Wan

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)；分类 cs.CL

AI总结 本文研究长程推测解码中隐藏状态漂移问题，提出KV重用假设，通过KVShot框架验证，发现KV重用能提升长程接受率，但端到端加速有限，指出需超越TTT向块级训练发展。

TAH-QUANT: Effective Activation Quantization in Pipeline Parallelism over Slow Network

TAH-QUANT: 在慢速网络下的流水线并行中有效的激活量化

Guangxin He, Yuan Cao, Yutong He, Tianyi Bai, Kai Chen, Kun Yuan, Binhang Yuan

机构 * HKUST（香港科技大学） ； Peking University（北京大学） 纠错

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

AI总结 本文提出TAH-Quant框架，通过细粒度切片量化、熵引导的自适应位分配和Hadamard变换，减少量化误差并提升训练效率，实验证明其在保持收敛性的同时提升了吞吐量和速度。

PromptGuard: Soft Prompt-Guided Unsafe Content Moderation for Text-to-Image Models

PromptGuard: 基于软提示的文本到图像模型不安全内容审查

Lingzhi Yuan, Xinfeng Li, Chejian Xu, Guanhong Tao, Xiaojun Jia, Yihao Huang, Wei Dong, Yang Liu, Bo Li

机构 * Department of Computer Science, University of Maryland（计算机科学系，马里兰大学） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机科学与数据科学学院） ； Kahlert School of Computing, The University of Utah（犹他大学Kahlert计算学院） ； Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） 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 PromptGuard通过引入软提示机制，有效抑制文本到图像模型生成不安全内容，同时保持生成质量，且比现有方法快3.8倍。

Comments Accepted for publication in IEEE Transactions on Information Forensics and Security (TIFS)

DataArc-SynData-Toolkit: A Unified Closed-Loop Framework for Multi-Path, Multimodal, and Multilingual Data Synthesis

DataArc-SynData-Toolkit：多路径、多模态和多语言数据合成的统一闭环框架

Zhichao Shi, Cehao Yang, Hao Zhou, Xiaojun Wu, Huajie Li, Xuhui Jiang, Chengjin Xu, Yuanzhuo Wang, Jian Guo

机构 * DataArc Tech Ltd.（DataArc科技有限公司） ； IDEA Research（IDEA研究院） ； International Digital Economy Academy（国际数字经济学院） ； School of Advanced Interdisciplinary Sciences, UCAS（北京大学交叉学科研究院） ； Institute of Computing Technology, CAS（中国科学院计算技术研究所） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 本文提出DataArc-SynData-Toolkit，通过统一的合成范式和模块化架构，解决现有合成数据工具在流程复杂、标准碎片化和多模态扩展性方面的不足，提升数据生成效率和质量。

Comments 6 pages

CellDX AI Autopilot: Agent-Guided Training and Deployment of Pathology Classifiers

CellDX AI Autopilot：基于代理的训练与部署病理分类器

Alexey Pchelnikov, Aleksei Pchelnikov

机构 * HistAI 纠错

专题命中 效率与部署 ：LLM(abstract,abstract_cn)

AI总结 CellDX AI Autopilot通过自然语言交互让非ML背景的病理学家和ML专家高效训练、评估和部署病理分类器，利用预构建的32000+病例和66000张H&E染色全切片图像数据集，结合多实例学习框架和迭代双变量超参数搜索，实现端到端自动化模型训练。