语言大模型 / LLM

LatSearch: Latent Reward-Guided Search for Faster Inference-Time Scaling in Video Diffusion

LatSearch：基于潜在奖励的搜索以加速推理时间扩展在视频扩散中

Zengqun Zhao, Ziquan Liu, Yu Cao, Shaogang Gong, Zhensong Zhang, Jifei Song, Jiankang Deng, Ioannis Patras

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

AI总结 本文提出LatSearch，通过潜在奖励引导的重采样和剪枝机制，提升视频扩散的推理效率和生成质量，验证其在VBench-2.0基准上的优越性。

Comments Accepted at ECCV 2026. Project page: see https://zengqunzhao.github.io/LatSearch

Efficient-VLN: A Simple yet Strong Baseline for Efficient Vision-Language Navigation

Efficient-VLN: 一种高效且强大的视觉语言导航基线

Duo Zheng, Shijia Huang, Yanyang Li, Liwei Wang

机构 * The Chinese University of Hong Kong（香港中文大学） ； Weitu AI 纠错

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

AI总结 Efficient-VLN通过三个简单有效机制解决视觉语言导航中的系统瓶颈，提升推理效率和训练稳定性，在R2R-CE和RxR-CE基准上取得新突破。

When Is a Draft Accepted? A Theory of Acceptance in Speculative Decoding

草稿何时被接受？投机解码中的接受理论

Aaryam Sharma

机构 * Independent Researcher（独立研究者） ； Waterloo, Ontario, Canada（加拿大安大略省多伦多） 纠错

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

AI总结 本文提出投机解码中接受准则的统一理论，将拒绝区域刻画为目标分布的低水平集，导出贪婪解码、松弛接受和树解码的精确KL散度与边际界限，并在Qwen3模型上验证了松弛和树准则显著扩大认证接受区域。

Comments 29 pages, 5 figures

Depth-Staggered Fibonacci Spacing for Sparse Attention: Static Schedules Beat Learned Dilation and Extrapolate Where Dense Attention Fails

深度交错的斐波那契间距用于稀疏注意力：静态调度胜过学习膨胀并在密集注意力失败处外推

Chad A. Capps

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 研究稀疏自注意力中每层静态交错的斐波那契间距调度，在21个60M参数语言模型上证明其困惑度优于学习膨胀和固定间距，且能外推至4倍训练长度，而密集基线崩溃。

Comments 11 pages, 5 tables

Spectral Perturbation of the Empirical Fisher Information Matrix under Weight Quantization

权重量化下经验Fisher信息矩阵的谱扰动

Rahid Zahid Alekberli, Hikmat Karimov

机构 * Azerbaijan Technical University（阿塞拜疆技术大学） 纠错

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

AI总结 研究经验Fisher信息矩阵在输入分布偏移和参数量化两种扰动下的谱变化，证明量化噪声下最大特征值有下界且严格增大，并用于语言模型运行时监测。

Comments 13 pages; supporting code and experimental artifacts will be released in a companion repository

Sustainable Hybrid Document-Routed Retrieval for Financial RAG: Resolving the Robustness-Precision Trade-off

通过混合文档路由检索解决金融RAG中的鲁棒性与精度权衡

Zhiyuan Cheng, Longying Lai, Yue Liu

机构 * organization= School of Engineering, Stanford University , city= Stanford , state= CA , country= USA ； organization= Simon Business School, University of Rochester , city= Rochester , state= NY , country= USA ； organization= Accounting \& Information Systems, Rutgers University , city= Newark , state= NJ , country= USA 纠错

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

AI总结 本文提出混合文档路由检索方法，通过结合语义文件路由与分块检索，解决金融文档问答中鲁棒性与精度的权衡问题，提升检索性能。

Comments 26 pages, 4 figures, 13 tables

Complementary RL: Towards Efficient Experience-Driven Agent Learning

互补强化学习：迈向高效的基于经验的智能体学习

Dilxat Muhtar, Jiashun Liu, Wei Gao, Weixun Wang, Shaopan Xiong, Ju Huang, Siran Yang, Wenbo Su, Jiamang Wang, Ling Pan, Bo Zheng

机构 * Alibaba Group（阿里巴巴集团） ； HKUST（香港科技大学） 纠错

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

AI总结 本文提出互补强化学习，通过经验提取器与策略智能体的协同进化，提升经验利用效率，实验证明在单任务和多任务场景中均优于传统方法。

Comments 22 pages, 14 figures

When Models Know When They Do Not Know: Calibration, Cascading, and Cleaning

当模型知道它不知道的时候：校准、级联和清洗

Chenjie Hao, Weyl Lu, Yuko Ishiwaka, Zengyi Li, Weier Wan, Yubei Chen

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

AI总结 本文提出一种无需训练的通用方法，通过校准、级联和数据清洗提升模型识别自身不确定性的能力，验证了校准置信度的可靠性及应用效果。

MESA: Prioritizing Vulnerable Communication Channels for Securing Multi-Agent Systems

MESA：优先保护脆弱通信通道以保障多智能体系统安全

Kunyang Li, Kyle Domico, Jonathan Gregory, Patrick McDaniel

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

专题命中 效率与部署 ：LLM(abstract_cn)；分类 cs.AI

AI总结 针对多智能体系统通信通道攻击面不均匀的问题，提出Mesa框架，结合图论指标和动态探测方法，无需攻击痕迹即可优先排序关键边缘，实验表明排名与攻击成功率强相关，可有效指导防御资源分配。

RiverONE: Generating Knowledge-Intensive VLM by Simulated Quantum Machines

RiverONE: 通过模拟量子机器生成知识密集型视觉语言模型

Xindian Ma, Xinyu Long, Yefei Zhang, Yanchen Liu, Xianghao Li, Yufu Wen, Yike Hu, Yuedong Zhu, Zeyang Ma, Wen Qin, Yikun Wang, Peng Yang, Monan Wang, Teng Yu

机构 * Thewake RiverYtz Lab（Thewake RiverYtz实验室） 纠错

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

AI总结 提出RiverONE，利用模拟量子计算生成结构化参数，构建轻量级视觉语言模型，用于量子校准图理解，以1.9B参数达到NVIDIA Ising Calibration 1的95%性能。

Comments 20

STEMGym: Benchmarking Sequential Decision-Making under Dose Budgets in Autonomous Electron Microscopy

STEMGym: 自主电子显微镜中剂量预算下的序列决策基准测试

Can Polat, Erchin Serpedin, Mustafa Kurban, Hasan Kurban

机构 * Dept. of Electrical & Computer Eng.（电气与计算机工程系） ； Texas A&M Univ.（德克萨斯A&M大学） ； Dept. of Prosthetics & Orthotics（假肢与矫形学系） ； College of Science & Eng.（科学与工程学院） ； Ankara Univ.（安卡拉大学） ； Hamad Bin Khalifa Univ. and Texas A&M Univ. at Qatar（哈马德·本·卡西姆大学和德克萨斯A&M大学（卡塔尔）） 纠错

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

AI总结 通过15个物理模拟的STEM环境基准，发现感知管道（CNN分析师）是剂量效率的主要决定因素，而非导航策略，为自主电子显微镜的机器学习投入方向提供新视角。

Fast Enough to Act: Spatio-Temporal Visual Token Merging for Low-Latency Robotic VLMs and VLAs

快得足以行动：面向低延迟机器人视觉语言模型和视觉语言动作模型的时空视觉令牌融合

Junzhou Chen, Jindong Wang, Gang Zhou

机构 * Department of Computer Science（计算机科学系） ； Department of Data Science（数据科学系） ； William & Mary（威廉玛丽学院） 纠错

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

AI总结 提出ST-Merge框架，在视觉编码阶段通过构建3D时空坐标和多队列并行匹配加权聚合机制高效融合冗余令牌，并引入后融合位置校正消除空间偏差，在Qwen2.5-VL上实现2倍推理加速且精度损失仅1%，在π0.5 VLA策略上实现8.3倍加速。

HorizonRelight: Relighting Long-horizon Videos Consistently via Diffusion Transformers

HorizonRelight: 通过扩散变换器一致地重照明长时域视频

Jing Yang, Mayoore Jaiswal, Zian Wang, Steven Zeng, Rochelle Pereira, Yajie Zhao, Jianyuan Min

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

AI总结 针对长视频重照明中的时间不连续问题，提出基于扩散变换器的框架，通过掩码目标域自条件化和热启动提示实现跨块一致重照明，显著提升时间一致性。

Comments https://research.nvidia.com/labs/sil/projects/horizonrelight/

Efficient Spatio-Temporal Grounding with Multimodal Large Models via Second-Level Tracking and RL Verification

基于二级跟踪和强化学习验证的多模态大模型高效时空定位

Tianshu Zhang, Yan Wang, Ji Qi, Lijie Wen

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 提出一种从帧级到秒级跟踪的流水线，结合跨秒平滑、链式思维轨迹合成和强化学习优化，在长视频中实现高效且准确的时空定位。

FD$^2$: A Dedicated Framework for Fine-Grained Dataset Distillation

FD²：面向细粒度数据集蒸馏的专用框架

Hongxu Ma, Guang Li, Shijie Wang, Dongzhan Zhou, Baoli Sun, Takahiro Ogawa, Miki Haseyama, Zhihui Wang

机构 * Zhejiang University（浙江大学） ； Hokkaido University（北海道大学） ； The University of Queensland（昆士兰大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Dalian University of Technology（大连理工大学） 纠错

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

AI总结 本文提出FD²框架，通过局部化判别区域和构建细粒度表示，解决细粒度数据集蒸馏中样本相似性过高的问题，提升识别性能。

Comments Accepted to ECCV 2026

UniMotion: A Unified Framework for Motion-Text-Vision Understanding and Generation

UniMotion: 一种用于运动-文本-视觉理解和生成的统一框架

Ziyi Wang, Xinshun Wang, Shuang Chen, Yang Cong, Mengyuan Liu

机构 * Peking University（北京大学） ； Donghua University（东华大学） ； South China University of Technology（华南理工大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI

AI总结 UniMotion首次提出统一框架，同时处理人类运动、自然语言和RGB图像的理解与生成，通过连续模态处理和自监督预训练解决传统模型的局限性。

Comments Accepted to ECCV 2026

xGR: Efficient Generative Recommendation Serving at Scale

xGR：大规模高效生成推荐服务

Qingxiao Sun, Tongxuan Liu, Shen Zhang, Siyu Wu, Peijun Yang, Haotian Liang, Menxin Li, Xiaolong Ma, Zhiwei Liang, Ziyi Ren, Minchao Zhang, Yifan Wang, Xinyu Liu, Ke Zhang, Hailong Yang, Depei Qian

专题命中 效率与部署 ：LLM(abstract)；分类 cs.LG

AI总结 xGR通过分阶段计算和分离KV缓存统一预填充和解码阶段，结合早期排序终止和基于掩码的物品过滤，提升高并发场景下的低延迟性能，实验表明其吞吐量比现有最佳基线高2.89倍。

Robust and Efficient Monocular 3D Gaussian SLAM for Kilometer-Scale Outdoor Scenes

鲁棒且高效的单目3D高斯SLAM用于千米级室外场景

Sicheng Yu, Dongxu Shen, Beizhen Zhao, Guanzhi Ding, Hao Wang

机构 * 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 ：foundation model(abstract)

AI总结 提出KiloGS-SLAM系统，通过运动自适应混合跟踪模块和生命周期管理的高斯映射策略，解决千米级室外场景中单目3DGS-SLAM的长期跟踪漂移和内存开销问题，实现高精度跟踪与渲染。

Semantic-Driven Scale and Spatial Selection for Efficient Cross-Modal Alignment in Referring Remote Sensing Image Segmentation

语义驱动的尺度与空间选择实现指代遥感图像分割中的高效跨模态对齐

Kun Li, Shengxi Gui, Francesco Nex, Michael Ying Yang

机构 * University of Liverpool, UK（利物浦大学） ； University of Michigan, USA（密歇根大学） ； University of Twente, NL（埃因霍温理工大学） ； University of Bath, UK（巴斯大学） 纠错

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

AI总结 提出S4ECA框架，通过参数高效微调的双编码器适配器架构，利用语言引导的尺度与空间选择机制实现跨模态对齐，仅更新2.4%骨干参数即在RRSIS-D和RefSegRS数据集上达到最优性能。

Comments Submitted

Beyond Uniform Experts: Cost-Aware Expert Execution for Efficient Multi-Device MoE Inference

超越均匀专家：面向高效多设备MoE推理的成本感知专家执行

Hui Zang, Pengfei Xia, Hong Liu, Jiajia Chu, Tuo Hao, Minghao Chen, Rui Zhang, Ziyang Zhang

专题命中 效率与部署 ：language model(abstract)

AI总结 针对MoE推理中专家重要性不均与系统负载失衡问题，提出硬件引导的CAEE框架，通过轻量成本模型修剪低重要性高成本专家并补偿贡献，在DeepSeek-R1上实现8%-18%延迟降低且精度损失<1%。

Keypose Exploration: Efficient Automatic Trajectory Labelling and Cross-Embodiment Policy Transfer

关键姿态探索：高效的自动轨迹标注与跨实体策略迁移

Yupu Lu, Hang Xu, Yizhou Chen, Jia Pan

机构 * School of Computing and Data Science, The University of Hong Kong, HKSAR（计算与数据科学学院，香港大学，香港特别行政区） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 提出结合视觉语言模型与经典轨迹分析的关键姿态自动标注流程，并利用关键姿态引导扩散策略实现零样本跨实体迁移。

Comments Accepted by IROS2026. Code available at: https://github.com/YupuLu/keypose_labelling

Energy-Efficient Plant Monitoring via Knowledge Distillation

通过知识蒸馏实现节能的植物监测

Ilyass Moummad, Reda Bensaid, Kawtar Zaher, Hervé Goëau, Jean-Christophe Lombardo, Joseph Salmon, Pierre Bonnet, Alexis Joly

机构 * LIRMM, Univ Montpellier, CNRS, Inria, Montpellier, France（蒙彼利埃大学LIRMM研究所、CNRS、Inria、法国蒙彼利埃） ； IMT Atlantique, Brest, France. Polytechnique Montréal, Canada（法国布列塔尼IMT Atlantique、加拿大蒙特利尔Polytechnique） ； Institut National de l’Audiovisuel, Paris, France（法国巴黎国家视听研究所） ； AMAP, Université de Montpellier, CIRAD, INRAE, IRD, Montpellier, France（法国蒙彼利埃大学AMAP、CIRAD、INRAE、IRD、法国蒙彼利埃） ； IMAG, Univ Montpellier, CNRS, Inria, Montpellier, France（蒙彼利埃大学IMAG研究所、CNRS、Inria、法国蒙彼利埃） 纠错

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

AI总结 本文通过知识蒸馏将大预训练模型的表示能力转移到更高效的小型架构中，提升植物物种和疾病识别的效率与性能。

Distribution Matching Variational AutoEncoder

分布匹配变分自编码器

Sen Ye, Jianning Pei, Mengde Xu, Shuyang Gu, Chunyu Wang, Liwei Wang, Han Hu

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

AI总结 本文提出DMVAE，通过分布匹配约束将编码器的潜在分布与任意参考分布对齐，发现基于自监督学习的分布在图像生成中表现优异。

Comments ICML2026

PBFuzz: Agentic Directed Fuzzing for PoV Generation

PBFuzz：面向漏洞证明的代理引导模糊测试

Haochen Zeng, Andrew Bao, Jiajun Cheng, Chengyu Song

专题命中 效率与部署 ：LLM(abstract)

AI总结 PBFuzz通过模拟人类专家流程，自动提取语义约束并高效生成漏洞证明输入，实验表明其在效率和漏洞触发性能上优于现有方法。

Comments 24 pages, 8 figures

A Comparative Study of Student Perspectives on Technical Writing Feedback Quality: Evaluating LLMs, SLMs, and Humans in Computer Science Topics

学生视角下技术写作反馈质量比较研究：评估计算机科学主题中的LLM、SLM和人类

Suqing Liu, Runlong Ye, Christopher Eaton, Bogdan Simion, Michael Liut

机构 * McMaster University（麦斯特大学） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Research Institute for the Study of University Pedagogy, University of Toronto Mississauga（多伦多大学密西根分校大学教学研究学院） ； Department of Mathematical and Computational Sciences, University of Toronto Mississauga（多伦多大学密西根分校数学与计算科学系） 纠错

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

AI总结 本研究比较了本地部署的小语言模型（SLM）、商业大语言模型（LLM）和人类导师在计算机科学课程中提供写作反馈的质量，发现SLM在可读性和可操作性上获得学生更高评价，而人类反馈在专业写作任务中更受青睐。

Comments accepted at AIED 26

Evidence-Informed LLM Beliefs for Continual Scientific Discovery

基于证据的LLM信念用于持续科学发现

Dhruv Agarwal, Reece Adamson, Andrew McCallum, Peter Clark, Ashish Sabharwal, Bodhisattwa Prasad Majumder

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、cs.LG

AI总结 针对AutoDiscovery将惊奇视为静态量而人类惊奇是非平稳的问题，提出证据信息化的LLM信念，通过基于嵌入的检索增强生成更新先验，并修改搜索过程以避免虚假奖励，平均非平稳惊奇提高30.62%。

Diagnosing and Mitigating Retrieval Bottlenecks in LLM-Based Cold-Start Recommendation

诊断与缓解基于LLM的冷启动推荐中的检索瓶颈

Zhe Dong, Fang Qin, Manish Shah, Yicheng Wang

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

AI总结 本文通过五领域基准测试发现，在冷启动场景下，LLM重排序器受限于检索覆盖率低（4.6-22.9%），提出LHF混合融合层作为检索侧基线，恢复17-61%的oracle覆盖空间，但端到端实验显示非LLM排序与LLM重排序之间存在不匹配。

Comments 17 pages, 6 figures, 13 tables

Exploring the Value of Diverse LLM Explanations in Introductory Programming

探索多样化LLM解释在入门编程中的价值

Seth Bernstein, Paul Denny, Juho Leinonen, Kush Patel, Rayhona Nasimova, Matt Littlefield, Stephen MacNeil

机构 * Temple University（Temple大学） ； University of Auckland（奥克兰大学） ； Aalto University（阿尔托大学） 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.AI

AI总结 研究通过对比多样化与通用LLM生成解释对编程学习的影响，发现多样化解释使开放题准确率提高约7.7%，且不增加认知负荷。

Comments 7 pages, 4 figures; accepted to SIGCSE Virtual 2026

Exploring LLM Agent Designs and Interaction Modalities for Scientific Visualization

探索LLM代理在科学可视化中的交互范式

Jackson Vonderhorst, Kuangshi Ai, Haichao Miao, Shusen Liu, Chaoli Wang

机构 * Univ. Notre Dame（诺特难大学） ； LLNL（劳伦斯利弗莫尔国家实验室） 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 本文研究不同类型的LLM代理在科学可视化任务中的表现，通过评估八种代表性代理在15个基准任务中的可视化质量、效率、鲁棒性和计算成本，发现通用编程代理任务成功率最高但计算成本高，领域专用代理更高效稳定但灵活性差，计算机使用代理在单步任务表现良好但多步流程受限。

A Two-Stage Reflection and Reprompting Framework for LLM-Based Solution of Petri Net Reachability Problems in Industrial Applications

一种用于工业应用中基于LLM的Petri网可达性问题求解的两阶段反思与重提示框架

Ruimin Hu, Mehmet Mercangöz

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

AI总结 提出一种结合两阶段反思与重提示机制的LLM框架，用于解决工业制造系统中Petri网可达性问题，通过反思和重新澄清提高可行序列生成的准确性，实验表明该方法在多个LLM上均提升了可靠性和稳定性。

Comments Accepted to the 2026 IEEE Conference on Control Technology and Applications (CCTA). N pages, 2 figures, 3 tables