语言大模型 / LLM

Uniform Diffusion Models Revisited: Leave-One-Out Denoiser and Absorbing State Reformulation

统一扩散模型再审视：留一法去噪器和吸收状态重述

Samson Gourevitch, Yazid Janati, Dario Shariatian, Umut Simsekli, Eric Moulines, Eric P. Xing, Alain Durmus

机构 * CMAP, Ecole polytechnique（巴黎高等学院CMAP实验室） ； Institute of Foundation Models（基础模型研究所） ； Inria, PSL Research University（法国国家信息与自动化研究所） ； MBZUAI（马尔科姆·布罗德本特大学人工智能研究所） ； EPITA, LRE（EPITA实验室） 纠错

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

AI总结 本文研究了统一扩散模型中去噪后验与留一法后验之间的不匹配问题，并通过改进的参数化和采样方法提升了模型性能。

Comments preprint

LACO: Adaptive Latent Communication for Collaborative Driving

LACO：适应性潜在通信用于协同驾驶

Tianhao Chen, Yuheng Wu, Dongman Lee

机构 * Korea Advanced Institute of Science & Technology（韩国科学技术院） 纠错

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

AI总结 本文提出LACO，一种无需训练的潜在通信范式，通过迭代潜在推理、跨时间显著性归因和结构化语义知识蒸馏，解决协同驾驶中潜在通信的延迟和信息丢失问题，实验证明其在降低通信和推理延迟的同时保持了强大的协同驾驶性能。

Asymmetric Virtual Memory Paging for Hybrid Mamba-Transformer Inference

异构虚拟内存分页用于混合Mamba-Transformer推理

An Xuan Nguyen

机构 * Ho Chi Minh City Vietnam（越南胡志明市） 纠错

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

AI总结 本文提出了一种异构虚拟内存分页方法，用于解决混合Mamba-Transformer模型推理中不同内存缓存类型的内存管理问题，通过分离两种缓存类型到物理上不同的池中，并在需要时迁移容量以提高内存利用率和推理吞吐量。

Comments 11 pages, 8 figures, 6 tables. Code and reproducibility artifacts at https://github.com/codepawl/cachepawl

Spectral Dynamics in Deep Networks: Feature Learning, Outlier Escape, and Learning Rate Transfer

深度网络中的谱动力学：特征学习、异常值逃逸和学习率转移

Clarissa Lauditi, Cengiz Pehlevan, Blake Bordelon

机构 * John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰A·保罗森工程与应用科学学院） ； Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（哈佛大学自然与人工智能研究学院） ； Center for Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学中心） ； Oden Institute for Computational Engineering and Sciences & Dept. of Neuroscience, UT Austin（得克萨斯大学奥斯汀分校奥登计算工程与科学学院及神经科学系） 纠错

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

AI总结 本文研究了在宽神经网络中通过（随机）梯度下降训练时隐藏权重谱的演变，提出了一种双层动态平均场理论（DMFT）来联合跟踪具有尖峰集合的隐藏权重谱动态，其中尖峰方向在随机体上保持统计依赖性。该框架应用于两种设置：（1）无限宽度非线性网络在均值场/μP缩放下，以及（2）深度线性网络在比例高维极限下。理论预测了异常值如何随训练时间、宽度、输出尺度和初始化方差演变。在深度线性网络中，μP产生与宽度一致的异常值动态和超参数转移，包括主导NTK模式向稳定性边缘（EoS）的宽度稳定增长。相比之下，NTK参数化表现出强烈依赖宽度的异常值动态，尽管收敛到一个稳定的宽网络极限。我们展示了这种体+异常值图像是描述简单任务的，但涉及大量输出的任务（如ImageNet分类或GPT语言建模）则更适合通过重构谱体来描述。我们开发了一个具有大量输出通道的玩具模型，重现了这一现象，并展示了足够宽的网络下谱边缘仍会收敛。

Comments Updating related works + discussion

RTPrune: Reading-Twice Inspired Token Pruning for Efficient DeepSeek-OCR Inference

RTPrune: 两次阅读启发的令牌修剪用于高效DeepSeek-OCR推理

Ben Wan, Yan Feng, Zihan Tang, Weizhe Huang, Yuting Zeng, Jia Wang, Tongxuan Liu

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出RTPrune，一种针对DeepSeek-OCR的两次阶段令牌修剪方法，通过优先保留高范数视觉令牌并利用最优传输理论进行令牌配对和合并，从而在OCR任务中实现更高效的推理性能和更优的效率-精度权衡。

Comments 21 pages, accepted by ICML2026

CODE-SHARP: Continuous Open-ended Discovery and Evolution of Skills as Hierarchical Reward Programs

CODE-SHARP: 连续开放发现和演化的技能作为层次奖励程序

Richard Bornemann, Pierluigi Vito Amadori, Antoine Cully

机构 * Imperial College London（帝国理工学院伦敦分校） ； Sony Interactive Entertainment（索尼互动娱乐） 纠错

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

AI总结 该研究提出CODE-SHARP框架，通过基础模型自主发现和演化技能作为层次奖励程序，实现通用智能体政策的从零开始强化学习，无需预定义奖励，有效学习长周期技能。

Comments Preprint

Structural Anchor Pruning: Training-Free Multi-Vector Compression for Visual Document Retrieval

结构锚点剪枝：用于视觉文档检索的无训练多向量压缩

Zhuchenyang Liu, Ziyu Hu, Yao Zhang, Yu Xiao

机构 * Aalto University（阿alto大学） 纠错

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

AI总结 本文提出结构锚点剪枝（SAP），一种无需训练的多向量压缩方法，通过保留评分、指导窗口选择和视觉入度中心性评分三个组件，在不进行模型参数调整的情况下，实现了超过90%的视觉token剪枝同时保持NDCG@5超过90%的性能。

Comments methodology revision and new title

Accelerated Test-Time Scaling with Model-Free Speculative Sampling

加速测试时间缩放与模型无关的推测采样

Woomin Song, Saket Dingliwal, Sai Muralidhar Jayanthi, Bhavana Ganesh, Jinwoo Shin, Aram Galstyan, Sravan Babu Bodapati

机构 * KAIST（韩国科学技术院） ； Amazon AGI（亚马逊人工智能实验室） ； AirSignal 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STAND，一种无需模型的推测解码方法，通过利用推理轨迹中的冗余性，显著提升推理效率而不牺牲准确性，经多个模型和任务评估，STAND在保持准确性的同时将推理延迟降低了60-65%。

Comments EMNLP 2025 Oral

TONIC: Token-Centric Semantic Communication for Task-Oriented Wireless Systems

TONIC：面向任务的无线系统中的基于标记的语义通信

Sige Liu, Kezhi Wang

机构 * Department of Computer Science, Brunel University London（布鲁内尔大学伦敦计算机科学系） 纠错

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

AI总结 本文提出TONIC框架，通过在发送端进行语义感知保护和接收端置信度感知门控，实现任务导向无线系统中基于标记的语义通信，优于传统方法。

Comments 15 pages, 10 figures

Heterogeneous Agent Collaborative Reinforcement Learning

异质智能体协作强化学习

Zhixia Zhang, Zixuan Huang, Gongxun Li, Huaiyang Wang, Chengyi Yuan, Xin Xia, Deqing Wang, Fuzhen Zhuang, Shuai Ma, Ning Ding, Yaodong Yang, Jianxin Li, Yikun Ban

机构 * Beihang University（北航） ； Bytedance China（字节跳动中国） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Apple（苹果公司） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.LG

AI总结 本文提出了一种新的强化学习从可验证奖励（RLVR）问题HACRL，通过异质智能体共享验证的轨迹实现协同优化，解决了孤立多智能体在线优化的效率问题，并提出HACPO算法以最大化样本利用率和跨智能体知识转移。

Quantizing Whisper-small: How design choices affect ASR performance

对Whisper-small的量化：设计选择如何影响语音识别性能

Arthur Söhler, Julian Irigoyen, Andreas Søeborg Kirkedal

机构 * Copenhagen Business School（哥本哈根商学院） ； Danske Bank（丹麦银行） ； Jabra (GN Group)（Jabra（GN集团）） 纠错

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

AI总结 本文研究了不同量化方案对Whisper-small模型性能的影响，发现动态int8量化在模型压缩和识别准确率之间取得了最佳平衡，同时展示了通过精心选择量化方法可以显著减少模型大小和推理成本，从而在受限硬件上实现高效部署。

Comments Accepted to SPEAKABLE workshop at LREC 2026

Exposing Vulnerabilities in Visible-Infrared VLMs: A Unified Geometric Adversarial Framework with Cross-Task Transferability

揭示可见-红外VLMs中的漏洞：一种具有跨任务迁移性的统一几何对抗框架

Xiang Chen, Yuxian Dong, Chao Li, Chengyin Hu, Jiaju Han, Fengyu Zhang, Yiwei Wei, Jiahuan Long, Jiujiang Guo

专题命中 效率与部署 ：language model(abstract)

AI总结 本文针对可见-红外视觉语言模型在多模态任务中的对抗鲁棒性不足问题，提出了一种基于分形几何的对抗框架CFGPatch，通过引入曲边分形元素和Fraser螺旋渲染机制，有效攻击VLMs并展示出跨任务迁移能力。

CR4T: Rewrite-Based Guardrails for Adolescent LLM Safety

CR4T：基于重写的青少年LLM安全机制

Heajun An, Qi Zhang, Vedanth Achanta, Jin-Hee Cho

机构 * Virginia Tech（弗吉尼亚理工大学） 纠错

专题命中 领域大模型 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出CR4T框架，通过选择性响应重构替代拒绝导向的安全机制，以更符合青少年发展需求的方式提升LLM的安全性。

A Multi-Source Framework for Relational Validation of Large Language Models Using Expert-Curated Encyclopedic Sources

一种用于大型语言模型关系验证的多源框架，使用专家整理的百科全书源

Moses Boudourides

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)

AI总结 本文提出了一种多源框架，用于验证大型语言模型的关系结构，通过比较生成的知识图谱与专家整理的百科全书，揭示了LLM在关系结构上的不足，强调了需要更复杂的评估指标来评估知识的完整性。

Spreadsheet-RL: Advancing Large Language Model Agents on Realistic Spreadsheet Tasks via Reinforcement Learning

Spreadsheet-RL: 通过强化学习推进大型语言模型代理在现实中的电子表格任务中的进步

Banghao Chi, Yining Xie, Mingyuan Wu, Jingcheng Yang, Jize Jiang, Zhaoheng Li, Shengyi Qian, Minjia Zhang, Klara Nahrstedt, Rui Hou, Xiangjun Fan, Hanchao Yu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta 纠错

专题命中 领域大模型 ：large language model(title)；language model(title)；LLM(abstract,abstract_cn)；prompting(abstract)

AI总结 本文提出Spreadsheet-RL，一种通过强化学习微调框架，旨在在现实Microsoft Excel环境中训练专门的电子表格代理。该方法通过自动化管道收集在线论坛中的配对起始-目标电子表格，以及金融和供应链管理等领域的领域特定评估任务，构建了新的Domain-Spreadsheet基准数据集，并展示了在通用和领域特定电子表格任务上的显著性能提升。

Comments Mingyuan served as the project lead. Banghao, Yining, and Mingyuan contributed equally to this work, with more junior authors listed before senior authors. All data and code releases are maintained by the corresponding authors at UIUC and are not affiliated with Meta

VectraYX-Nano: A 42M-Parameter Spanish Cybersecurity Language Model with Curriculum Learning and Native Tool Use

VectraYX-Nano: 一个具有课程学习和原生工具使用的4200万参数西班牙语网络安全语言模型

Juan S. Santillana

机构 * Globant 纠错

专题命中 领域大模型 ：language model(title,abstract)；LLM(abstract,abstract_cn)；SFT(abstract,abstract_cn)；分类 cs.CL

AI总结 本文提出了一种基于西班牙语的网络安全语言模型VectraYX-Nano，通过课程学习和原生工具调用，展示了在网络安全领域的应用与改进。

Comments 24 pages, 5 figures, 12 tables. v3: post-Chinchilla compute ablation (v8-v15), Globant affiliation finalized, EMNLP Findings 2026 submission. Released model: VectraYX-Nano v7 (42M params, GGUF Q4 ~20 MB, native MCP)

LLM Retrieval for Stable and Predictable Ad Recommendations

基于大语言模型的稳定可预测广告推荐

Vinodh Kumar Sunkara, Satheeshkumar Karuppusamy, Hangjun Xu, Sai Deepika Regani, Kshitij Gupta, Gaby Nahum, Sneha Iyer, Jean-Baptiste Fiot, Yinglong Guo, Xiaowen Guo, Atul Jangra, Yucheng Liu, Jinghao Yan, Vijay Pappu, Benjamin Schulte, Deepak Chandra

机构 * Meta Platforms, Inc.（Meta公司） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出了一种新的评估框架，用于量化广告推荐系统的稳定性和可预测性，并展示了基于微调大语言模型的在线验证语义候选生成框架，通过提高系统的语义感知能力，在稳定性和可预测性方面实现了显著改进。

Comments SIGIR 2026 AgentSearch Workshop, Melbourne Australia

Does Slightly Mean Somewhat? Measuring Vague Intensity Words in LLM Numeric Actions

‘稍微’意味着‘ somewhat’吗？在LLM数值行为中测量模糊强度词

Daniel Tabach

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 领域大模型 ：LLM(title,title_cn)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文研究了语言模型在必须生成数值行为时是否保留强度词的顺序意义，发现模型在数值输出中压缩了模糊强度词，其解释依赖于状态并接近操作边界时出现不连续性。

Comments 9 figures, 2 tables, 16 references

PromptNCE: Pointwise Mutual Information Predictions Using Only LLMs and Contrastive Estimation Prompts

PromptNCE：仅使用LLM和对比估计提示进行点互信息预测

Juliette Woodrow, Chris Piech

机构 * Department of Computer Science Stanford University（计算机科学系 斯坦福大学） 纠错

专题命中 领域大模型 ：LLM(title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本文提出PromptNCE方法，通过将条件概率估计转化为对比任务，并引入显式的OTHER类别来恢复真实的条件概率，从而在低数据情况下实现零样本点互信息估计。

Blind Spots in the Guard: How Domain-Camouflaged Injection Attacks Evade Detection in Multi-Agent LLM Systems

守卫中的盲区：如何域伪装注入攻击在多智能体大语言模型系统中逃避检测

Aaditya Pai

机构 * Data Science Institute（数据科学研究所） ； Columbia University（哥伦比亚大学） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文研究了在多智能体大语言模型系统中，域伪装注入攻击如何通过模仿目标文档的领域词汇和权威结构来逃避检测，揭示了检测器在静态和伪装负载之间的检测率差异（Camouflage Detection Gap, CDG），并展示了多智能体辩论架构对静态注入攻击的放大效应以及检测器增强的有限有效性。

Comments 8 pages, 3 figures, 2 tables. Submitted to EMNLP 2026 ARR cycle

Do Factual Recall Mechanisms Carry over from Text to Speech in Multimodal Language Models?

事实回忆机制在文本到语音的多模态语言模型中是否延续？

Luca Modica, Filip Landin, Mehrdad Farahani, Livia Qian, Gabriel Skantze, Richard Johansson

机构 * Zenseact ； Unbox AI ； Chalmers University of Technology（楚德斯大学） ； University of Gothenburg（哥德堡大学） ； KTH Royal Institute of Technology（皇家理工学院） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL

AI总结 研究探讨了多模态语言模型中事实回忆机制在文本和语音模态间的延续性，通过因果中介分析揭示了语音到文本与文本到文本在事实存储和回忆中的差异。

Comments In *SEM 2026, the 15th Joint Conference on Lexical and Computational Semantics

Learning Emergent Modular Representations in Multi-modality Medical Vision Foundation Models

在多模态医学视觉基础模型中学习涌现的模块化表示

Yuting He, Chenyu You, Shuo Li

机构 * Case Western Reserve University（凯斯西储大学） ； Stony Brook University（石溪大学） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI

AI总结 本文提出Director-Experts (DEX)框架，通过调控模块化动态，在多模态医学视觉基础模型中学习稳定的模块化表示，并在新的医学视觉基准数据集上验证了其在26个下游任务中的优越性。

Comments Accepted by KDD 2026

ChronoMedicalWorld: A Medical World Model for Learning Patient Trajectories from Longitudinal Care Data

ChronoMedicalWorld：一个用于从纵向护理数据中学习患者轨迹的医学世界模型

Jiangyuan Wang, Xuyong Chen, Junwei He, Xu Xu, Shasha Xie, Fuman Han

机构 * Beijing KidneyTec Medical Technology Co., Ltd.（北京肾科医疗技术有限公司） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种名为ChronoMedicalWorld的模型，旨在通过纵向护理数据学习患者轨迹，该模型结合了联合嵌入状态编码器和宽动作编码器，并在六个术语目标下训练了循环潜在转移模块，以提高慢性病护理中长期预测的准确性。

Comments 14 pages, 2 figures, 6 tables

The Neural Compiler: Program-to-Network Translation for Hybrid Scientific Machine Learning

神经编译器：程序到网络的翻译用于混合科学机器学习

Lucas Sheneman

机构 * Institute for Interdisciplinary Data Sciences（跨学科数据科学研究所） ； University of Idaho（爱达荷大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 该研究提出了一种神经编译器，能够将程序转换为可微的PyTorch模块，用于混合科学机器学习，通过符号规范生成正确且可微的模块，实现系统化的可组合性。

Comments Use: 21 pages, 10 figures, 10 tables. Preprint; source code available at https://github.com/sheneman/neural_compiler

Frequency-Domain Regularized Adversarial Alignment for Transferable Attacks against Closed-Source MLLMs

频域正则化对抗对齐用于针对闭源大语言模型的可转移攻击

Leitao Yuan, Qinghua Mao, Daizong Liu, Kun Wang, Wenjie Wang, Yan Teng, Jing Shao, Dongrui Liu

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） ； Wuhan University（武汉大学） ； Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出FRA-Attack，通过频域正则化方法解决对抗转移性问题，通过高通DCT目标和频率域梯度正则化提升跨模型的对抗转移能力。

Calibrating LLMs with Semantic-level Reward

通过语义层面奖励校准大型语言模型

Fengfei Yu, Ruijia Niu, Dongxia Wu, Yian Ma, Rose Yu

机构 * Department of Computer Science and Engineering, University of California San Diego, La Jolla, California, USA（加州大学圣地亚哥分校计算机科学与工程系，拉贾尔，加利福尼亚州，美国） ； Halıcıoğlu Data Science Institute, University of California San Diego, La Jolla, California, USA（加州大学圣地亚哥分校Halıcıoğlu数据科学研究所，拉贾尔，加利福尼亚州，美国） ； Department of Statistics, Stanford University, Stanford, California, USA（斯坦福大学统计学系，斯坦福，加利福尼亚州，美国） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.LG

AI总结 本文提出了一种新的校准框架CSR，通过在语义空间中直接校准语言模型，避免了传统方法中因词汇化置信度导致的不一致问题，实验显示CSR在多个数据集上均能有效降低ECE并提高AUROC。

AI-Enabled Serious Games: Integrating Intelligence and Adaptivity in Training Systems

AI赋能的严肃游戏：在训练系统中整合智能与适应性

Priyamvada Tripathi, Bill Kapralos

机构 * Durham College（达灵顿学院） ； Ontario Tech University（安大略技术大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文探讨了如何利用人工智能技术提升严肃游戏中的实时教学适应能力，分析了智能与适应性的定义，并讨论了大型语言模型、强化学习和基于代理的架构在严肃游戏中的应用及面临的挑战。

Comments Book chapter, 1 figure. To appear in "Advances in Global Applied Artificial Intelligence," G. A. Tsihrintzis, M. Virvou, N. G. Bourbakis, and L. C. Jain (Eds.), Springer, Learning and Analytics in Intelligent Systems book series, 2026

Exploring the Effectiveness of Using LLMs for Automated Assessment of Student Self Explanations in Programming Education

探索使用LLMs对编程教育中学生自解释进行自动评估的有效性

Arun-Balajiee Lekshmi-Narayanan, Mohammad Hassany, Peter Brusilovsky

机构 * University of Pittsburgh（匹兹堡大学） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.LG

AI总结 本文研究了在编程教育中使用LLMs自动评估学生自解释的有效性，通过比较LLMs与语义相似性方法在二元分类任务中的表现，探讨了自动评分技术的优劣。

AI-Driven Prediction of Cancer Pain Episodes: A Hybrid Decision Support Approach

基于AI的癌症疼痛发作预测：一种混合决策支持方法

Yipeng Zhuang, Yifeng Guo, Yuewen Li, Yuheng Wu, Philip Leung-Ho Yu, Tingting Song, Zhiyong Wang, Kunzhong Zhou, Weifang Wang, Li Zhuang

机构 * The University of Hong Kong（香港大学） ； Peking University Cancer Hospital Yunnan Hospital, The Third Affiliated Hospital of Kunming Medical University（北京大学肿瘤医院云南医院，昆明医科大学第三附属医院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本研究提出了一种混合机器学习和大语言模型的方法，利用结构化和非结构化电子健康记录数据预测癌症患者在住院48和72小时内疼痛发作，通过整合时间序列药物趋势和模糊剂量记录，提高了敏感性和可解释性，实现了87.6%和91.7%的准确率。

Context-Mediated Domain Adaptation in Multi-Agent Sensemaking Systems

多智能体感知系统中的上下文引导领域适应

Anton Wolter, Leon Haag, Vaishali Dhanoa, Niklas Elmqvist

专题命中 领域大模型 ：LLM(abstract,abstract_cn)

AI总结 本文提出了一种上下文引导的领域适应方法，通过多智能体系统中的用户修改来隐式指定领域知识，从而改进大语言模型驱动的多代理推理行为。