CoACT: Action-Preserving Observation Compression for Coding Agents
CoACT：用于编码智能体的动作保持观测压缩
专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI
AI总结 研究编码智能体观测压缩问题，提出基于动作保持的CoACT方法，通过检查智能体下一个动作来筛选压缩候选，训练时用两种奖励过滤并选择候选，实验表明该方法能降成本且保持任务解决有效性。
AI 大模型
语言大模型 / LLM
大语言模型、预训练、指令微调、后训练和语言模型应用。
1. 效率与部署 122 篇
H-OPD: Confidence Aware Heterogeneous Multi-Teacher Multimodal On-policy Distillation
H-OPD：置信感知异构多教师多模态在线策略蒸馏
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； ByteDance（字节跳动） ； USTC（中国科学技术大学） ； Beijing Key Laboratory of Network System and Network Culture（北京网络系统与网络文化重点实验室） ； Key Laboratory of Interactive Technology and Experience System, Ministry of Culture and Tourism（文化和旅游部互动技术与体验系统重点实验室） ； Zhongguancun Academy（中关村科学城）
专题命中 效率与部署 ：post-training(abstract)；分类 cs.LG
AI总结 研究多模态推理的在线策略蒸馏问题，提出H-OPD框架，通过验证异构教师互补性，以令牌级教师仲裁取代任务或样本级路由，结合视觉与文本教师，在多基准测试中性能优越。
Comments Technical report(work-in-progress). Code will be available at \url{https://github.com/buptyqx/H-OPD}
Scalable Dexterous Robot Learning with AR-based Remote Human-Robot Interactions
基于增强现实的远程人机交互实现可扩展的灵巧机器人学习
专题命中 效率与部署 ：pretraining(abstract)；分类 cs.LG
AI总结 研究针对灵巧机器人手臂系统的可扩展学习，借助基于增强现实的远程人机交互收集数据。提出分两阶段的方法，先行为克隆预训练，后对比学习强化学习优化策略，提升效率与安全性，实验验证效果优于基线。
Is Generation Required for Data-Efficient Perception?
数据高效感知是否需要生成模型？
专题命中 效率与部署 ：pretraining(abstract)；分类 cs.LG
AI总结 研究生成式与非生成式方法实现组合泛化的程度，通过理论刻画归纳偏差，表明生成范式可能更易实现组合泛化，实验发现生成式方法泛化性更好。
Comments ICML 2026
Quantum Variational Activation Functions Empower Kolmogorov-Arnold Networks
量子变分激活函数赋能柯尔莫哥洛夫-阿诺德网络
机构 * Department of Physics and Center for Theoretical Physics, National Taiwan University（物理系与理论物理中心，国立台湾大学） ； Center for Quantum Science and Engineering, National Taiwan University（量子科学与工程中心，国立台湾大学） ； Physics Division, National Center for Theoretical Sciences, National Taiwan University（理论科学国家中心物理组，国立台湾大学） ； Department of Computer Science, University of North Carolina at Chapel Hill（计算机科学系，北卡罗来纳大学教堂山分校）
专题命中 效率与部署 ：language model(abstract)；分类 cs.LG
AI总结 研究通过引入量子变分激活函数（QVAF）统一量子机器学习与柯尔莫哥洛夫-阿诺德网络。核心方法是用参数化量子电路作激活函数，如DARUAN。主要贡献是提升网络参数效率、表现力等，QKAN可替代多层感知器，且在经典量子模拟器上高效可模拟。
Comments 67 pages
Toward Efficient Uncertainty in LLMs through Evidential Knowledge Distillation
通过证据知识蒸馏实现语言模型高效不确定性量化
机构 * Department of Computer Science and Engineering, Indian Institute of Technology Hyderabad（计算机科学与工程系，印度理工学院海得拉巴分校） ； Jagiellonian University, Faculty of Mathematics and Computer Science（雅盖隆大学，数学与计算机科学学院）
专题命中 效率与部署 ：prompting(abstract)；分类 cs.LG
AI总结 研究针对标准语言模型准确量化不确定性的挑战，介绍通过证据知识蒸馏在语言模型中估计不确定性的方法，对比两种蒸馏策略，经分类任务实证评估，单步学生模型能达可比性能。
Comments Accepted at the European Conference on Machine Learning (ECML PKDD) 2026
Measuring the Robustness of Audio Deepfake Detection under Real-World Corruption
在现实世界损坏情况下测量音频深度伪造检测的鲁棒性
机构 * Fordham University（福坦大学） ； IBM Research（IBM研究院）
专题命中 效率与部署 ：foundation model(abstract)；分类 cs.AI
AI总结 研究在现实世界音频常受损坏影响下，系统评估10种音频深度伪造检测模型对18种常见损坏类型的鲁棒性，使用传统和先进模型，得出模型对不同损坏的表现及提升鲁棒性方法等关键见解。
AirTF: Over-the-Air Token Fusion for Task-Oriented Multi-Modal Token Communications
AirTF：面向任务的多模态令牌通信的空中令牌融合
专题命中 效率与部署 ：foundation model(abstract)
AI总结 针对车联网中高维多模态传感数据传输面临的频谱瓶颈，提出AirTF框架。利用视觉变压器编码器提取语义令牌，通过共享无线信道并发传输，利用多址信道叠加特性空中融合多模态语义，提升频谱效率。
Comments Manuscript under review
Model Confidence-Guided Multi-Image Fusion of Fundus Images for Diabetic Retinopathy Diagnosis
模型置信度引导的多图像融合眼底图像糖尿病视网膜病变诊断方法
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Wilmer Eye Institute, Department of Ophthalmology, Johns Hopkins University（约翰霍普金斯大学威尔默眼科研究所） ； Department of Biomedical Engineering, Johns Hopkins University（约翰霍普金斯大学生物医学工程系） ； Bakar Computational Health Sciences Institute, University of California San Francisco（加州大学旧金山分校巴卡计算健康科学研究所） ； Department of Ophthalmology, University of California San Francisco（加州大学旧金山分校眼科系） ； Division of Clinical Informatics and Digital Transformation, University of California San Francisco（加州大学旧金山分校临床信息学与数字化转型 division）
专题命中 效率与部署 ：prompting(abstract)
AI总结 针对资源有限地区糖网病早期筛查需求，提出置信度引导的多图像融合框架，整合多眼底视图提升诊断置信度与准确率，性能优于传统图像质量级联流水线，适配低延迟移动筛查场景。
Flash-BoN: Instant Drafts for Inference-Time Scaling in Diffusion Models
Flash-BoN：扩散模型推理时缩放的即时草稿
机构 * University of Maryland, College Park（美国马里兰大学帕克分校） ； Hugging Face（拥抱脸）
专题命中 效率与部署 ：post-training(abstract)
AI总结 研究文本到图像生成推理时缩放，对比简单BoN与引导搜索方法，发现简单BoN在实际评估中表现良好。提出Flash-BoN，结合多种加速方法生成草稿候选，经多阶段验证选最有潜力的优化，在多基准和模型规模下优于基线。
PreSIST: Vision-Language-Informed Object Persistence Prediction in Open-World Scenes
PreSIST：开放世界场景中视觉-语言信息的对象持久性预测
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； National Science Foundation（美国国家科学基金会） ； ARO（美国陆军研究办公室） ； Amazon（亚马逊公司） ； JP Morgan（摩根大通公司）
专题命中 效率与部署 ：language model(abstract)
AI总结 研究长期部署机器人对环境变化的推理，提出PreSIST方法，通过对象属性和场景上下文估计实例级持久性先验，结合概率持久性过滤器预测对象未来姿态，有两种变体，实验表明优于基线。
Comments 8 pages, 6 figures, 3 tables
Exploring SAM Supervision for Fine-Grained UAV Target Segmentation under Data Scarcity
探索数据稀缺下用于细粒度无人机目标分割的SAM监督
专题命中 效率与部署 ：foundation model(abstract)
AI总结 研究数据稀缺下无人机目标分割难题，探索用SAM3作伪标签生成器训练紧凑分割网络，提出两阶段框架，经实验验证其能在分割精度和计算效率间平衡，凸显大模型作标注源的潜力。
Comments 14 pages, 6 figures, 4 tables
The Objective Decides: When a Learned Dynamics Model Uses a Conserved Quantity
目标决定一切：学习到的动力学模型何时使用守恒量
专题命中 效率与部署 ：foundation model(abstract)
AI总结 研究表明从学习动力学模型激活中恢复守恒量的线性探测推断不可靠。通过多系统及模型验证，发现能量等不变量线性可解码但对预测无因果作用，目标决定其是否有因果负载，还给出衡量方法。
TemporalGS: Training-Free Plug-and-Play Acceleration for 3D Gaussian Splatting Rendering via Temporal Priors
TemporalGS：通过时间先验实现无训练即插即用的3D高斯点渲染加速
机构 * McGill University（麦吉尔大学） ； University of Waterloo（滑铁卢大学） ； Concordia University（康考迪亚大学） ； University of Toronto（多伦多大学）
专题命中 效率与部署 ：post-training(abstract)
AI总结 研究针对3D高斯点渲染在高帧率和低延迟方面的挑战，提出TemporalGS，利用时间先验减少连续帧高斯预处理等操作冗余，有动态剔除和选择性渲染策略，可加速渲染且无需训练。
Round-Trip Mutation Testing: Translating Code to Natural Language Intent and back
往返变异测试：将代码转换为自然语言意图并返回
专题命中 效率与部署 ：LLM(abstract)
AI总结 提出往返变异测试，利用大语言模型在程序代码和意图间的生成能力，通过预测意图生成变异体，还可人工制造错误翻译产生变异体，评估显示其能产生多样变异体，检测传统方法未揭示的错误。
Comments 2026 IEEE International Conference on Software Testing, Verification and Validation Workshops (ICSTW)
Compression, structure, and executor capability: a controlled real-cost decomposition of language-model agent skill optimisation
压缩、结构与执行能力：语言模型智能体技能优化的可控实际成本分解
专题命中 效率与部署 ：language model(abstract)
AI总结 研究通过对多种条件下的技能交付进行可控分解，分离出无技能执行、原始技能等因素，对比质量（任务级验证通过率）和成本（解决阶段令牌成本），发现执行能力是主导因素，无优化表示比原始技能更优。
Comments 18 pages, 3 figures, 5 tables. Data and reproduction script: https://doi.org/10.5281/zenodo.21148499
A Workflow-Aware Serving Layer for Agentic Applications
用于智能应用的工作流感知服务层
专题命中 效率与部署 ：LLM(abstract)
AI总结 研究智能AI应用工作流，其介于现有两层之间。提出Dyserve工作流感知服务层填补空白，通过整数线性规划在异构后端池编译节点模型和验证器选择，还可在不同压力水平预求解并动态调整。
Diagnosis-Driven Automatic Repair for Agentic Workflow via Symbolic Inference
通过符号推理实现诊断驱动的智能工作流自动修复
专题命中 效率与部署 ：LLM(abstract)
AI总结 针对智能工作流可靠性挑战，提出FlowFixer框架，通过将执行转化为符号跟踪、符号推理得行为规范，经规范验证进行故障归因与根因分析，生成修复补丁，还采用预执行评估降成本，实验证明其效果良好。
Distribution Matching Distillation Meets Reinforcement Learning
分布匹配蒸馏与强化学习的结合
机构 * HKUST（香港科技大学） ； Alibaba Group（阿里巴巴集团） ； SIAT, CAS（中国科学院深圳先进技术研究院） ； Shanghai AI Lab（上海人工智能实验室） ； ZJUT（浙江工业大学） ； CUHK（香港中文大学）
专题命中 效率与部署 ：post-training(abstract)
AI总结 本文提出DMDR框架，结合奖励倾斜分布匹配与动态蒸馏策略，通过联合优化提升生成质量与可控性，优于多步生成模型。
Comments [ECCV 26] The synergy of reinforcement learning and distribution matching distillation. See more: https://github.com/vvvvvjdy/dmdr
Adaptive Time-step Training for Enhancing Spike-Based Neural Radiance Fields
用于增强基于脉冲的神经辐射场的自适应时间步长训练
机构 * School of Information Science and Technology, ShanghaiTech University（信息科学与技术学院，上海科技大学） ； Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院）
专题命中 效率与部署 ：pretraining(abstract)
AI总结 研究针对基于脉冲的神经辐射场模型固定推理时间步长效率低的问题，提出PATA框架，通过参数化目标推理时间步长并两阶段训练，结合多种策略降低推理成本并保持渲染质量。
2. 领域大模型 57 篇
The Rise of Large Language Models and the Direction and Impact of US Federal Research Funding
大语言模型的兴起与美国联邦科研资金的方向与影响
机构 * Center for Science of Science and Innovation（科学与创新研究中心） ； Ryan Institute on Complexity（复杂性研究院） ； Northwestern Innovation Institute（西北创新研究院） ； Kellogg School of Management（凯洛格管理学院） ； Northwestern University（西北大学） ； McCormick School of Engineering（麦科姆工程学院）
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.AI
AI总结 研究探讨大语言模型对美国联邦科研资金分配的影响，发现LLM使用与项目语义独特性呈负相关，且在NIH中促进论文产出，但在NSF中无显著关联。
Comments 97 pages, 58 figures, 15 tables
Journal ref PNAS 123 (33) e2601439123 (2026)
Medical Heuristic Learning: An LLM-Driven Framework for Interpretable and Auditable Clinical Decision Rules
医学启发式学习：一个用于可解释和可审计临床决策规则的LLM驱动框架
机构 * Centre for Artificial Intelligence Driven Drug Discovery, Macao Polytechnic University（人工智能驱动药物发现中心，澳门理工学院） ； Key Laboratory of Short-Range Radio Equipment Testing and Evaluation, Ministry of Industry and Information Technology Terahertz Science Application Center (TSAC), Beijing Institute of Technology（工业和信息化部短距离无线电设备测试与评估重点实验室，太赫兹科学应用中心（TSAC），北京理工大学） ； Department of Critical Care Medicine, Yantai Yuhuangding Hospital, Qingdao University（重症医学科，烟台友谊医院，青岛大学） ； Faculty of Education, The University of Hong Kong（教育学院，香港大学） ； College of Information Engineering, Dalian University（信息工程学院，大连大学）
专题命中 领域大模型 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG
AI总结 提出医学启发式学习（MHL），利用LLM驱动的工作流优化确定性可执行决策系统，生成可解释、可审计的Python决策规则，在医学数据集上达到与最先进方法相当的性能，并支持小样本和高度不平衡场景。
SABLE: An NDA-Safe Closed-Loop LLM Framework for Analog Circuit Optimization in Industrial EDA Flows
SABLE：工业 EDA 流程中用于模拟电路优化的 NDA 安全闭环 LLM 框架
机构 * University of Minnesota, Twin Cities（明尼苏达大学，双城分校）
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 研究针对工业模拟流程中数据安全问题，提出 SABLE 框架，结合多种安全措施，能让 LLM 通过特定工具优化模拟电路，在实际任务中评估多个模型，验证其有效性。
Seven Security Challenges in Cross-domain Multi-agent LLM Systems
跨域多智能体LLM系统中必须解决的七个安全挑战
机构 * Osaka University（大阪大学） ； Seoul National University（首尔大学） ； Yonsei University（延世大学）
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 本文针对跨域多智能体LLM系统，提出七类新型安全挑战，包括攻击示例、评估指标和未来研究方向。
Journal ref npj AI(2026)
Cross-Domain Query Translation for Network Troubleshooting: A Multi-Agent LLM Framework with Privacy Preservation and Self-Reflection
跨领域查询翻译用于网络故障排除：一种具有隐私保护和自反思的多智能体LLM框架
专题命中 领域大模型 ：LLM(title,title_cn)；language model(abstract)
AI总结 本文提出了一种多智能体LLM架构，用于弥合非技术终端用户与电信领域专家在私有网络环境中的沟通差距。该框架通过多智能体基于反思的推理协调专门的语言模型，解决三个关键挑战：(1) 使用双阶段分层方法准确分类与电信网络问题相关的用户查询；(2) 通过匿名化语义相关个人身份信息（PII）来保护用户隐私，同时保持诊断效用；(3) 将技术专家的响应翻译成用户可理解的语言。
Comments Accepted for publication in EuCNC & 6G Summit 2026. copyright 2026 IEEE. Personal use is permitted, but republication/redistribution requires IEEE permission
Journal ref EuCNC & 6G Summit 2026
Multi-Large Language Model Orchestrated Severity Assessment of Clinical Records (MOSAIC)
临床记录的多大型语言模型编排严重程度评估（MOSAIC）
机构 * Department of Drug Design and Pharmacology, University of Copenhagen（哥本哈根大学药物设计与药理学系） ； GSK（葛兰素史克） ； School of Pharmacy, University of Rhode Island（罗德岛大学药学院）
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
AI总结 研究用MOSAIC这一两阶段智能语言模型框架对2型糖尿病严重程度进行表型分析，以合成队列评估其与多种算法真值对比情况及全因死亡率等，结果显示该框架有优势，智能分类与固定规则执行不同。
Real-Time Hard Negative Sampling via LLM-based Clustering for Large-Scale Two-Tower Retrieval
基于LLM聚类的实时硬负采样用于大规模双塔检索
机构 * Meta
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 针对双塔模型训练中负样本易学习的问题，提出利用大语言模型聚类生成硬负样本的实时采样方法，能有效提升模型性能并降低流行度偏差。
LBR: Towards Mitigating Length Bias in Large Language Models for Recommendation
LBR：减轻用于推荐的大语言模型中的长度偏差
机构 * Zhejiang University（浙江大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Science and Technology of China（中国科学技术大学） ； Bangsun Technology（Bangsun科技）
专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.AI
AI总结 研究大语言模型用于推荐时的长度偏差问题，提出LBR框架。通过长度感知注意力校准减轻输入偏差，引入有效信息长度归一化处理输出偏差，实验证明该框架能减轻偏差并提升推荐准确性和公平性。
Revealing Treatment Non-Adherence Bias in Clinical Machine Learning Using Large Language Models
利用大语言模型揭示临床机器学习中的治疗不依从偏差
机构 * UC Berkeley and UCSF（伯克利大学和旧金山加州大学）
专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.LG
AI总结 本文研究了治疗不依从如何通过EHR数据引入隐性偏差，影响因果推断和预测模型。通过LLM提取临床笔记，发现21.7%患者存在药物不依从，揭示了与不依从相关的关键因素及患者报告的原因，强调了在开发负责任且公平的临床机器学习系统中考虑治疗不依从的重要性。
Journal ref Proceedings of the 5th Conference on Health, Inference, and Learning, PMLR 287:430-442, 2025
Language models guide symbolic equation discovery by controlling search
语言模型通过控制搜索来指导符号方程发现
机构 * State Key Laboratory of Precision and Intelligent Chemistry, Hefei National Research Center for Physical Sciences at the Microscale, School of Chemistry and Materials Science, University of Science and Technology of China（精确与智能化学国家重点实验室，合肥微尺度物理科学国家研究中心，化学与材料科学学院，中国科学技术大学） ； Center for Scientific Intelligence Innovation, Hefei, China（智能创新研究中心，合肥，中国） ； School of Chemistry, School of Computer Science, University of Birmingham（化学系，计算机科学学院，伯明翰大学）
专题命中 领域大模型 ：LLM(summary_cn,abstract)；language model(title,abstract)；分类 cs.AI
AI总结 研究科学方程发现，对比语言模型不同角色设定，提出语言模型作搜索控制器的方式（LLM-PySR），经实验其在多任务中平衡了准确率、复杂度等，还发现新关系。
