语言大模型 / LLM

Parameter-efficient Dual-encoder Architecture with Differentiable Choquet Integral Fusion for Underwater Acoustic Classification

参数高效的双编码器架构与可微Choquet积分融合用于水下声学分类

Amirmohammad Mohammadi, Joshua Peeples, Alexandra Van Dine

机构 * 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 ：foundation model(abstract)；分类 cs.LG

AI总结 提出一种双编码器神经网络架构，同时处理波形和频谱图，利用预训练骨干和参数高效微调模块，并通过基于Choquet积分的可微模糊聚合机制融合时域和频域表示，提高分类准确性和可解释性。

Comments 9 pages, 7 figures

Language Generation as Optimal Control: Closed-Loop Diffusion in Latent Control Space

语言生成作为最优控制：潜在控制空间中的闭环扩散

ZiYi Dong, Yuliang Huang, Weijian Deng, Xiangyang Ji, Liang Lin, Pengxu Wei

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 本文将语言生成重新表述为随机最优控制问题，通过统一理论视角分析自回归和扩散模型，解释其局限性，并提出基于流匹配的闭环控制器实现高效文本生成。

ReVision: Scaling Computer-Use Agents via Temporal Visual Redundancy Reduction

ReVision：通过时间视觉冗余减少扩展计算机使用代理

Amirhossein Abaskohi, Yuhang He, Peter West, Giuseppe Carenini, Pranit Chawla, Vibhav Vineet

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Microsoft Research（微软研究院） 纠错

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

AI总结 ReVision通过去除冗余视觉片段，减少token使用并提升成功率，使代理能处理更长轨迹。

In-Context Learning of Temporal Point Processes with Foundation Inference Models

基于基础推理模型的时间点过程上下文学习

David Berghaus, Patrick Seifner, Kostadin Cvejoski, César Ojeda, Ramsés J. Sánchez

机构 * Lamarr Institute（拉马尔研究所） ； Fraunhofer IAIS（弗劳恩霍夫人工智能研究所） ； University of Bonn（波恩大学） ； JetBrains Research（JetBrains研究） ； University of Potsdam（波恩大学） 纠错

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

AI总结 提出一种基于摊销推理和上下文学习的点过程基础推理模型FIM-PP，通过大规模合成数据预训练，无需额外训练即可估计真实MTPP，或快速微调至目标系统。

Comments This paper is published as a conference paper at ICLR 2026

Journal ref The Fourteenth International Conference on Learning Representations (ICLR 2026)

Foundation Inference Models for Ordinary Differential Equations

常微分方程的基础推理模型

Maximilian Mauel, Johannes R. Hübers, David Berghaus, Patrick Seifner, Ramses J. Sanchez

机构 * University of Cambridge（剑桥大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 提出FIM-ODE，一种预训练的基础推理模型，通过单次前向传播从含噪轨迹直接预测向量场，实现零样本性能匹配并超越ODEFormer，微调后优于现代神经和GP基线。

Comments Published in ICML 2026

Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)

SpectraLDS: Provable Distillation for Linear Dynamical Systems

SpectraLDS：线性动力系统的可证明蒸馏

Devan Shah, Shlomo Fortgang, Sofiia Druchyna, Elad Hazan

机构 * Computer Science Department, Princeton University（普林斯顿大学计算机科学系） ； Google DeepMind Princeton（谷歌DeepMind普林斯顿） 纠错

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

AI总结 提出首个可证明方法识别对称线性动力系统，通过谱变换实现与状态维度无关的精度保证，并实现常数时间和空间推理。

The Mirrored Influence Hypothesis: Efficient Data Influence Estimation by Harnessing Forward Passes

镜像影响假说：利用前向传播的高效数据影响估计

Myeongseob Ko, Feiyang Kang, Weiyan Shi, Ming Jin, Zhou Yu, Ruoxi Jia

机构 * Virginia Tech（弗吉尼亚理工大学） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 提出镜像影响假说，将训练数据对测试预测的影响转化为逆问题，通过测试样本梯度加训练样本前向传播高效估计数据影响，显著提升效率。

Comments The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2024

Journal ref The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2024

MosaicIMU: Composing Carrier Experts for Generalizable Neural Inertial Odometry

MosaicIMU：面向可泛化神经惯性里程计的载体专家组合

Junye Zou, Huiyi Yan, Xinning Xu, Xiaolei Li, Pengkun Zhou, Jinhui Zhang, Ziyang Meng

机构 * Tsinghua University（清华大学） ； Xi'an Jiaotong University（西安交通大学） ； Beijing University of Chemical Technology（北京化工大学） ； Beijing Information Science and Technology University（北京信息科技大学） ； Beijing Institute of Technology（北京理工大学） 纠错

专题命中 效率与部署 ：pretraining(abstract)

AI总结 提出MosaicIMU框架，通过原型路由组合载体特定专家特征，结合历史感知EKF，实现跨载体泛化；冻结预训练模型并学习轻量专家残差分支适应新领域，边缘部署时利用路由器选择在线样本高效增量更新，平均ATE和RTE-10s分别降低40%和34%。

Parameter-Efficient Continual Learning for Automatic Speech Recognition

参数高效持续学习用于自动语音识别

Steven Vander Eeckt, Hugo Van hamme

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

AI总结 提出一种基于奇异值分解的头部-尾部子空间划分方法，在低能量尾部子空间进行近似旋转适应，结合权重平均减少遗忘，实现参数高效的持续学习ASR。

Comments Accepted at Interspeech 2026

Learnable Token Sparsification for Efficient Gigapixel Whole Slide Image Reasoning

可学习的令牌稀疏化用于高效十亿像素全切片图像推理

Jingzhi Chen, Landi He, Zhuo Chen, Shawn Young, Lijian Xu

机构 * Shenzhen University of Advanced Technology（深圳先进技术大学） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 针对视觉语言模型中全切片图像令牌过多的问题，提出可学习的稀疏化方法，通过SparseLearn组件和可微分的Soft Top-K算子实现训练，推理时仅保留32个令牌，在SlideBench上达到73.32%准确率。

Aqua Boundary-Saliency Attention Module for Lightweight Underwater Salient Instance Segmentation Detection Transformer

Aqua边界显著性注意力模块：用于轻量级水下显著实例分割检测Transformer

M. Fazri Nizar, Julian Supardi, Muhammad Naufal Rachmatullah

机构 * Universitas Sriwijaya（斯里维贾亚大学） 纠错

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

AI总结 提出轻量级水下显著实例分割检测Transformer（LUSIS-DETR），通过Aqua边界显著性注意力模块嵌入水下先验线索，在四个数据集上达到领先性能，并在NVIDIA T4 GPU上实现4.31-6.34毫秒延迟。

Comments This work has been submitted to the IEEE for possible publication

MedSyn2: Flexible Control of 3D CT Generation via Text and Semantically-Defined Segmentation Prompts

通过文本和语义定义的分割提示灵活控制3D CT生成

Weicheng Dai, Chenyu Wang, Binxu Li, Shantanu Ghosh, Afrooz Zandifar, Christina LeBedis, Kayhan Batmanghelich

机构 * Boston University School of Engineering（波士顿大学工程学院） ； Stanford University（斯坦福大学） ； University of Pittsburgh Medical Center（匹兹堡大学医学中心） ； Boston University School of Medicine（波士顿大学医学院） 纠错

专题命中 效率与部署 ：prompting(abstract)

AI总结 提出一种灵活的多模态框架，通过文本和可选分割提示控制3D CT生成，实现高分辨率、解剖一致且可控的体数据生成。

QuoVLA: Quotient Space for Vision-Language-Action Models

QuoVLA：视觉-语言-动作模型的商空间

Xuan Wang, Yinan Wu, Haoran Duan, Jungong Han

机构 * Department of Automation（自动化系） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 针对VLA模型预训练VLM潜在表示动作信息不足的观点，提出商空间框架QuoVLA，通过量化模块和双分支设计压缩潜在表示为动作充分表示，在多个基准上提升泛化性能。

MatSciBench: Benchmarking the Reasoning Ability of Large Language Models in Materials Science

MatSciBench: 基准测试大型语言模型在材料科学中的推理能力

Junkai Zhang, Jingru Gan, Xiaoxuan Wang, Zian Jia, Changquan Gu, Jianpeng Chen, Yanqiao Zhu, Mingyu Derek Ma, Dawei Zhou, Ling Li, Wei Wang

机构 * University of California, Los Angeles Computer Science Department（加州大学洛杉矶分校计算机科学系） ； University of Pennsylvania Department of Materials Science and Engineering（宾夕法尼亚大学材料科学与工程系） ； Virginia Tech Department of Computer Science（弗吉尼亚理工大学计算机科学系） 纠错

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

AI总结 提出MatSciBench基准，包含1340道大学级材料科学问题，覆盖6个主领域和31个子领域，评估LLM推理能力，发现当前模型在领域知识、计算和图表理解方面存在局限。

GraphLoRA: Structure-Aware Low-Rank Adaptation for Large Language Model Recommendation

GraphLoRA: 面向大语言模型推荐的结构感知低秩适配

Lin Mu, Guoji Wang, Li Ni, Lei Sang, Zhize Wu, Peiquan Jin, Yiwen Zhang

机构 * Anhui University（安徽大学） ； Hefei University（合肥大学） ； 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 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 提出GraphLoRA框架，通过在低秩适配路径中嵌入可训练的图消息传递网络，实现结构信号传播，从而深度融合图结构与文本语义，提升LLM推荐性能。

Comments ACL 2026 findings

Evaluating Hallucinations in Domain-Adapted Large Language Models

评估领域自适应大语言模型中的幻觉现象

Sanchita Porwal, Sai Prasath S, Xingjian Bi, Madelyn Scandlen

机构 * College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院） 纠错

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

AI总结 本研究通过微调Llama-2模型，测试其记忆、回忆和推理能力，发现领域自适应大语言模型在生成新领域特定信息时存在幻觉问题，表明仅靠微调难以有效缓解幻觉。

Comments 13 pages, 2 figures, 3 tables

HDSL: A Hierarchical Domain-Specific Language for Structured 3D Indoor Scene Generation and Localized Editing with LLM Agents

HDSL：一种用于结构化3D室内场景生成和基于LLM智能体局部编辑的层次化领域特定语言

Letian Li, Chao Shen, Shuzhao Xie, Chenghao Gu, ZhengXiao He, Yu Meng, Xin Yang, Wenyuan Jiang, Zhi Wang

机构 * SIGS, Tsinghua University（清华大学深圳国际研究生院） ； Nankai University（南开大学） ； University of Arizona（亚利桑那大学） ； Zhejiang University（浙江大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 提出HDSL语言，以树结构表示室内场景，结合LLM智能体生成、多模态检索和力导向布局优化，实现结构化场景生成与局部编辑，显著提升对象覆盖率和编辑效率。

Systematic LLM Translation of Legacy Scientific Code to Differentiable Frameworks: Application to a Land Surface Model

将遗留科学代码系统性地LLM翻译为可微分框架：以陆面模型为例

Aya Lahlou, Linnia Hawkins, Pierre Gentine

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； NASA Goddard Space Flight Center（国家航空航天局戈达德空间飞行中心） 纠错

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

AI总结 提出基于LLM的五阶段流水线，将遗留Fortran代码自动翻译为JAX可微分框架，在CLM-ml-v2模型上实现完整雅可比矩阵计算和24倍加速。

A Unified LLM-Adaptable Framework for Cold-Start Cognitive Diagnosis

面向冷启动认知诊断的统一LLM可适配框架

Zihan Yao, Chentao Song, Yu He, Tianyu Qi, Jian Zhang, Weiping Fu, Jun Liu

机构 * 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 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出LMCD框架，通过知识扩散和语义-认知融合两阶段，利用大语言模型增强冷启动场景下的认知诊断性能。

Comments Under review

Empirical Modeling of Therapist-Client Dynamics in Psychotherapy Using LLM-Based Assessments

基于LLM评估的心理治疗中治疗师-来访者动态的实证建模

Angela Chen, Siwei Jin, Canwen Wang, Holly Swartz, Tongshuang Wu, Robert E Kraut, Haiyi Zhu

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

AI总结 本研究利用大语言模型测量治疗师行为、关系质量和来访者结果，结合结构方程模型分析约2000小时转录数据，发现共情和探索直接促进来访者自我表露和情绪变化，而融洽关系起调节作用。

How Software Engineering Students Use LLMs to Write Research Papers: An Experience Report

软件工程学生如何使用LLM撰写研究论文：经验报告

Ronnie de Souza Santos, Maria Teresa Baldassarre, Cleyton Magalhaes, Italo Santos

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

AI总结 本文报告了一项教育经验，通过分析146份学生披露声明，探讨学生在实证方法作业中如何整合LLM进行头脑风暴、方法澄清、结果组织和写作润色，并讨论其教育意义。

LLM-Orchestrated Conformance Checking in Stroke Care Without Computer-Interpretable Guidelines

LLM编排的卒中护理合规性检查无需计算机可解释指南

Giorgio Leonardi, Stefania Montani, Manuel Striani, Alessandro Canessa, Delfina Ferrandi

机构 * Computer Science Institute, DiSIT, University of Piemonte Orientale（皮埃蒙特东方大学计算机科学研究所） ； Integrated Laboratory of AI and Medical Informatics, DAIRI, SS. Antonio e Biagio e Cesare Arrigo Hospital（圣安东尼奥、比亚焦与切萨雷·阿里戈医院DAIRI人工智能与医学信息学综合实验室） 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.AI

AI总结 提出基于大语言模型编排的模块化框架，从非结构化临床文本和指南中自动提取患者轨迹、识别规范规则并计算合规性指标，在卒中护理领域验证了86%以上的轨迹合规。

MatMind: A Structure-Activity Knowledge-Driven Generative Foundation Model for Materials Science

MatMind：面向材料科学的结构-活性知识驱动生成基础模型

Zhan'ao Yao, Boxuan Zhang, Jingyuan Shu, Xiaoyu Wu, Rongyan Wang, Linjing Li, Dajun Zeng, Yudong Yao, Tingwei Chen, Youwei Wang, Xiaolin Zhao, Jiahui Shi, Jianjun Liu

机构 * State Key Laboratory of High Performance Ceramics（高性能陶瓷国家重点实验室） ； Shanghai Institute of Ceramics, Chinese Academy of Sciences（中国科学院上海陶瓷研究所） ； Center of Materials Science and Optoelectronics Engineering, University of Chinese Academy of Sciences（中国科学院大学材料科学与光电子工程中心） ； School of Chemistry and Materials Science, Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州先进研究所化学与材料科学学院） ； State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Beijing Wenge Technology Co., Ltd.（北京文格科技有限公司） ； College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学与生物信息工程学院） 纠错

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

AI总结 提出MatMind，一种基于大语言模型的晶体材料生成基础模型，通过结构-活性知识注入、双头架构和物理信息强化学习，在性质预测、无条件生成和条件生成任务上超越专用模型。

Comments 29 pages, 5 figures, including references

Civil Court Simulation with Large Language Models

基于大型语言模型的民事法庭模拟

Yifan Chen, Haitao Li, Kaiyuan Zhang, Yueyue Wu, Qingyao Ai, Yiqun Liu

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 提出多智能体民事法庭模拟框架，通过五阶段审判程序、记忆模块和法规检索实现可靠判决，在责任分配和多项裁决上表现优异。

Can LLMs extract scientific consensus? A case study in high-temperature superconductivity

LLMs能否提取科学共识？以高温超导为例

Mouyang Cheng, Wenhao He, Zhuotao Jin, Bowen Yu, Ju Li, Boris Kozinsky, Yao Wang, Pavel Volkov, Liangzi Deng, Ching-Wu Chu, Xiao-Gang Wen, Mingda Li

机构 * Center for Computational Science and Engineering, MIT（MIT计算科学与工程中心） ； Department of Materials Science and Engineering, MIT（MIT材料科学与工程系） ； Department of Physics, MIT（MIT物理系） ； Department of Nuclear Science and Engineering, MIT（MIT核科学与工程系） ； 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） ； Department of Chemistry, Emory University（埃默里大学化学系） ； Department of Physics, University of Connecticut（康涅狄格大学物理系） ； Department of Physics and Texas Center for Superconductivity, University of Houston（休斯顿大学物理系和德克萨斯超导中心） 纠错

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

AI总结 本研究以高温超导领域为测试平台，利用近18,000篇高被引文献构建知识图谱，发现LLM提取的表征能恢复出连贯且物理可解释的结构，表明LLM可作为解码竞争性科学知识的可扩展工具。

Comments 23 pages, 4 figures

CARE: A Conformal Safety Layer for Medical Summarization

CARE：面向医学摘要的保形安全层

Suhana Bedi, Bridget Lin, Anson Y. Zhou, Chloe O. Stanwyck, Jenelle A. Jindal, Sanmi Koyejo, David Stutz, Nigam H. Shah

机构 * Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 提出CARE方法，通过保形风险控制为LLM医学摘要提供校准的遗漏和幻觉标记，在保证安全性的同时减少审查负担。

Comments 29 pages, 5 figures

A Unified Structured Query Understanding Framework for Industrial Semantic Search

面向工业语义搜索的统一结构化查询理解框架

Ping Liu, Qianqi Shen, Jianqiang Shen, Chunnan Yao, Kevin Kao, Rajat Arora, Dan Xu, Baofen Zheng, Yunxiang Ren, Benjamin Le, Ali Hooshmand, Igor Lapchuk, Juan Bottaro, Raghavan Muthuregunathan, Caleb Johnson, Liangjie Hong, Jingwei Wu, Wenjing Zhang

机构 * LinkedIn Corporation（领英公司） 纠错

专题命中 领域大模型 ：SLM(summary_cn,abstract)；language model(abstract)；small language model(abstract)；分类 cs.LG

AI总结 提出一个统一的结构化查询理解系统，将多个异构功能整合到单个小语言模型（SLM）中，并引入Query Illuminator框架用于自动标注和评估，在LinkedIn的职位搜索和人员搜索中验证了效果。

Comments Accepted by KDD-ADS 2026

AI Self-preferencing in Algorithmic Hiring: Empirical Evidence and Insights

算法招聘中的AI自我偏好：实证证据与洞见

Jiannan Xu, Gujie Li, Jane Yi Jiang

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

AI总结 通过大规模简历实验和模拟，发现LLM在招聘中偏好自己生成的简历，导致使用同模型简历的候选人获得23%-60%的短名单优势，且可通过干预减少50%以上偏差。

Comments This paper has been accepted as a non-archival submission at EAAMO 2025 and AIES 2025

Multimodal Generative Engine Optimization: Rank Manipulation for Vision-Language Model Rankers

多模态生成式引擎优化：针对视觉-语言模型排序器的排名操纵

Yixuan Du, Chenxiao Yu, Haoyan Xu, Ziyi Wang, Yue Zhao, Xiyang Hu

机构 * Georgetown University（乔治城大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院公园分校） ； Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 提出多模态生成式引擎优化（MGEO）方法，通过联合优化图像扰动和文本后缀，利用视觉-语言模型内部跨模态知识耦合，实现对产品排名的有效操纵，揭示了多模态基础模型知识基础的脆弱性。

Comments Proceedings of the 4th Workshop on Towards Knowledgeable Foundation Models (KnowFM) at ACL 2026

Academic Integrity and Emotional Responses to Inappropriate LLM Use in Software Engineering Education

学术诚信与软件工程教育中不当使用大语言模型的情感反应

Ronnie de Souza Santos, Italo Santos, Giuseppe Destefanis, Cleyton Magalhaes, Mairieli Wessel

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

AI总结 本研究通过116名本科生的横截面调查，探讨软件工程学生在感知学术不当使用大语言模型后的情感反应，发现漠不关心最常见，内疚、焦虑、宽慰和满足感与不同情境相关。