语言大模型 / LLM

DiffuMamba: High-Throughput Diffusion LMs with Mamba Backbone

DiffuMamba：基于Mamba架构的高吞吐量扩散语言模型

Vaibhav Singh, Oleksiy Ostapenko, Pierre-André Noël, Eugene Belilovsky, Torsten Scholak

机构 * ServiceNow Research, Montreal, Canada（ServiceNow研究机构，加拿大蒙特利尔） ； Concordia University（Concordia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 DiffuMamba基于Mamba架构，通过结合扩散目标与线性序列建模，实现了高吞吐量的扩散语言模型，在长序列任务中表现出色。

Comments 9 pages, 3 figures

Rate-Utility Frontiers for Language Encodings: Comparing Tokens, Bytes, and Pixels Under Controlled Linguistic Content

语言编码的速率-效用前沿：在受控语言内容下比较词元、字节和像素

Ingo Ziegler, Martin Krebs, Desmond Elliott

机构 * Department of Computer Science, University of Copenhagen（哥本哈根大学计算机科学系） 纠错

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

AI总结 研究在内容和下游能力受控时语言编码保留了什么，利用多语言平行句子通过共享瓶颈比较词元、字节和像素以追踪速率-效用前沿，评估三种效用，发现各编码在不同方面表现不同，选择编码需考虑多因素进行速率-效用权衡。

Comments Preprint. Code available at https://github.com/ziegler-ingo/rate-utility-frontiers

DPNeXt: A Lightweight Multi-Scale Feature Fusion Framework for Efficient ViT-Based Multi-Task Dense Prediction

DPNeXt：用于基于高效视觉Transformer的多任务密集预测的轻量级多尺度特征融合框架

Jehun Kang, Jungha Wang, Youngjun Hwang, David Hyunchul Shim

机构 * School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院电气工程学院） 纠错

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

AI总结 研究针对机器人感知系统多任务学习中现有解码策略瓶颈，提出DPNeXt框架，用双深度可分离倒置瓶颈及MTBG策略，在多任务密集预测上表现出色，相比DPT大幅减少参数并提升推理速度。

Comments 8 pages, 5 figures. Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

DSWorld: A Data Science World Model for Efficient Autonomous Agents

DSWorld：用于高效自主智能体的数据科学世界模型

Zherui Yang, Fan Liu, Hao Liu

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 ：LLM(abstract)；分类 cs.AI

AI总结 研究自主数据科学智能体依赖试错流程效率低的问题，提出数据科学世界模型概念及DSWorld框架，含多种技术。构建数据集并引入优化策略，实验显示其加速智能体训练和推理，在转换预测任务上超基线。

Von Mises-Fisher Mixture Model with Dynamic Shrinkage for Realistic Test-Time Transduction

用于现实测试时转导的具有动态收缩的冯·米塞斯-费舍尔混合模型

Jiazhen Huang, Zhiming Liu, Changhu Wang, Wei Ju, Ziyue Qiao, Xiao Luo

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

AI总结 研究针对测试时视觉语言模型性能问题，从惩罚似然估计角度提出具有动态收缩的冯·米塞斯-费舍尔混合模型（MOON），该模型基于分布混合建模，能动态调整收缩强度处理不平衡，无需训练和特定超参，实验验证其性能和效率优势。

Comments Accepted by ICML 2026

Journal ref ICML 2026

Rethinking Transfer in Continual Learning: A Replay-Based Realisation

重新思考持续学习中的迁移：基于重放的实现

Yang Meng, Zhenya Liu, Zhuokai Zhao, Yuxin Chen

机构 * University of Chicago（芝加哥大学） 纠错

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

AI总结 该研究重新思考持续学习中的迁移，提出三个条件框架，将其观点实例化为TSR，通过选择有益重放数据提升正向迁移，在低预算持续学习协议下优于现有基线，强调应把迁移作为持续学习首要目标先理解再设计。

Prediction-Only Distillation in Linear and Logistic Regression

线性回归和逻辑回归中的仅预测蒸馏

Hien Dang, Pratik Patil, Alessandro Rinaldo

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

AI总结 研究在仅能获取训练好的预测器和未标记协变量时的自蒸馏，通过新方案训练学生模型，推导岭回归最优混合预测风险的确定性等价物，证明其风险更小，还表明最优混合权重可估计，且二元逻辑回归中预测混合能有更好表现。

Comments 73 pages, 21 figures, 12 tables

Speculative Decoding with a Speculative Vocabulary

基于推测词汇的推测解码

Miles Williams, Young D. Kwon, Rui Li, Alexandros Kouris, Stylianos I. Venieris

机构 * University of Sheffield（谢菲尔德大学） ； Samsung AI Center（三星人工智能中心） 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SpecVocab方法，通过动态选择词汇子集提升推测解码效率，实现比EAGLE-3更高的吞吐量。

Comments Findings of ACL 2026

GapForge: Directed Compiler Fuzzing via Coverage-Gap Analysis

GapForge：通过覆盖差距分析进行定向编译器模糊测试

Mingxuan Zhu, Qingyuan Liang, Junjie Chen, Zhihong Xue, Dan Hao

专题命中 效率与部署 ：LLM(abstract)

AI总结 研究针对现代编译器代码库覆盖难问题，提出基于大型语言模型的GapForge测试生成技术，通过覆盖驱动评分、路径差异分析等步骤，将覆盖差距作为区域级目标，显著优于现有技术，提高了编译器覆盖率并发现多个实际故障。

Geometric Distillation from Rectified Stereo: Leveraging Epipolar Cues for Monocular Depth

从校正立体中进行几何蒸馏：利用对极线索进行单目深度估计

Jung-Hee Kim, Xiaoming Liu

机构 * Michigan State University（密歇根州立大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

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

AI总结 研究针对单目深度估计在不同环境下的难题，提出将多视图模型的尺度感知几何先验转移到单目深度基础模型的框架，通过对极蒸馏方法，无需多视图输入就能保持几何一致性，显著提升零样本度量深度估计性能，且与模型无关。

Are All Tokens Necessary for Visual Place Recognition? An Empirical Study of Token Reduction for Efficient Inference

视觉场所识别中所有令牌都必不可少吗？高效推理的令牌约简实证研究

Tong Jin, Yunpeng Liu, Shuyu Hu, Qinghua Zhang, Ruize Han, Song Wang, Feng Lu

机构 * Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Shenzhen University of Advanced Technology（深圳先进技术大学） 纠错

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

AI总结 研究视觉场所识别中是否所有令牌都必要，提出首个令牌约简系统基准，在多模型和数据集上评估多种方法，从多视角研究令牌约简，揭示其特性及精度与效率权衡见解，为相关研究奠定基础。

Comments 33 pages, 8 figures, 9 tables

GigaWorld-Policy-0.5: A Faster and Stronger WAM Empowered by AutoResearch

GigaWorld-Policy-0.5：由自动研究赋能的更快更强的世界行动模型

GigaWorld Team, Angen Ye, Angyuan Ma, Boyuan Wang, Chaojun Ni, Fangzheng Ye, Guan Huang, Guo Li, Guosheng Zhao, Haodong Yan, Hengtao Li, Jiwen Lu, Kai Wang, Mingming Yu, Qitang Hu, Qiuping Deng, Songling Liu, Xiaoyu Tian, Xiaofeng Wang, Xinyu Zhou, Xiuwei Xu, Xinze Chen, Yang Wang, Yejun Zeng, Yifan Chang, Yun Ye, Zhenyu Wu, Zhanqian Wu, Zheng Zhu

机构 * GigaAI（字节跳动人工智能实验室） ； Tsinghua University（清华大学） 纠错

专题命中 效率与部署 ：pretraining(abstract)

AI总结 研究旨在改进机器人策略学习，提出GigaWorld-Policy-0.5这一增强型以动作中心的WAM。预训练采用混合策略加强视觉与动作耦合，推理引入新架构提升效率，还用自动研究管道搜索训练配置，有效提升了机器人控制推理效率并保留训练优势。

Comments project page: https://open-gigaai.github.io/giga-world-policy/

LLM4EHR: Aligning Clinical Time Series with Medical Event Sequences via Large Language Models

LLM4EHR：通过大语言模型将临床时间序列与医疗事件序列对齐

Jingteng Li, Alexander Capstick, Louise Rigny, Iona Biggart, Neil J Sebire, Payam Barnaghi

机构 * UK Dementia Research Institute（英国痴呆症研究所） 纠错

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

AI总结 研究聚焦临床机器学习中重症监护室结果预测，提出LLM4EHR模型，结合领域适应大语言模型与变压器TS编码器，通过时间对齐EHR事件和TS预训练，能学习鲁棒可转移表示，提升下游临床任务性能，助力构建更好临床基础模型。

Symbolic Predicate-Guided Language Agents for Inverse Design of Perovskite Oxides

用于钙钛矿氧化物逆设计的符号谓词引导语言智能体

Dong Hyeon Mok, Seoin Back, Victor Fung, Guoxiang Hu

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

AI总结 研究钙钛矿氧化物逆设计，引入 DSL 引导策略，将自然语言规则转化为符号谓词，开发 ORCHESTRA 框架。该策略能增强 LLM 智能体推理能力，无需大量特定任务数据集或额外训练，提升材料设计性能。

One Pass, Any Order: Position-Invariant Listwise Reranking for LLM-Based Recommendation

一次通过，任意顺序：基于LLM的推荐系统位置不变列表重排序

Ethan Bito, Yongli Ren, Estrid He

机构 * RMIT University（皇家墨尔本理工大学） 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.LG

AI总结 本文提出InvariRank框架，通过结构化注意力掩码和RoPE共享位置框架，实现位置不变的列表重排序，提升推荐系统稳定性与效率。

Comments Accepted at SIGIR 2026

Journal ref Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval, 2026, pp. 3625-3629

EduGuard: A Safe RAG-Based LLM Tutor for Programming Education

EduGuard：一种用于编程教育的基于安全检索增强生成的语言模型导师

S M Asif Hossain, Ruksat Khan Shayoni, M. F. Mridha, Jungpil Shin

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

AI总结 研究针对学生使用GenAI进行编程学习时的问题，提出EduGuard安全RAG辅导框架，集成多种功能。通过构建基准测试并与强基线比较，在正确性、基础等方面表现最佳，能提升准确率并降低过度依赖，证明安全GenAI辅导需多方面保障。

Large Language Models as Unified Multimodal Learners for Clinical Prediction

作为临床预测统一多模态学习者的大语言模型

Ajay Madhavan Ravichandran, Bilgin Osmandoja, Klemens Budde, Klaus Netter, Tobias Strapatsas, Aljoscha Burchardt, Sebastian Möller, Roland Roller

机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI）） ； Charité Universitätsmedizin Berlin（柏林夏里特大学医学中心） ； DNC Information Management GmbH（DNC信息管理有限公司） ； Klinik für Akut- und Notfallmedizin, Asklepios Klinikum Harburg（哈堡阿斯克勒庇俄斯医院急性与急诊医学科） ； Technical University Berlin（柏林工业大学） 纠错

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

AI总结 研究探讨利用大语言模型进行临床预测，提出将不同模态患者数据转为自然语言序列，端到端微调预训练语言模型的方法，经三个临床任务评估，该方法匹配或超越多模态基线，优于临床梯度提升系统，降低系统复杂性。

What Does It Take to Research with AI? A Rapid Review of Competencies to Train LLM-Literate Researchers

利用人工智能进行研究需要具备什么？对培养精通大语言模型的研究人员所需能力的快速回顾

Danilo Monteiro Ribeiro, Ronnie de Souza Santos, Rodrigo Siqueira, Breno Andrade, Rafael Batista Duarte, Gilberto Hida, Julia Alencar, Gustavo Pinto

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

AI总结 研究探讨科研中使用大语言模型时研究人员所需能力，通过分析相关文章确定八项能力，指出领域专业知识是关键，培养人员使用大语言模型需综合多方面能力，结果对研究生项目和人工智能素养计划设计有指导意义。

HiLSVA: Design and Evaluation of a Human-in-the-Loop Agentic System for Scientific Visualization

HiLSVA：用于科学可视化的人机协同智能系统设计与评估

Kuangshi Ai, Patrick Phuoc Do, Chaoli Wang

机构 * Department of Computer Science and Engineering, University of Notre Dame（Notre Dame 大学计算机科学与工程系） 纠错

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

AI总结 提出HiLSVA，一种人机协同智能系统，通过计划优先的多智能体架构、显式人类监督和逐步溯源，支持混合主动的科学可视化工作流，增强而非替代人类分析推理。

Comments IEEE Transactions on Visualization and Computer Graphics (IEEE VIS '26)

Vision-Language Model Purified Semi-Supervised Semantic Segmentation for Remote Sensing Images

面向遥感图像的视觉-语言模型纯化半监督语义分割

Shanwen Wang, Xin Sun, Danfeng Hong, Fei Zhou

机构 * Faculty of Data Science, City University of Macau（数据科学学院，澳门城市大学） ； School of Automation, Southeast University（自动化学院，东南大学） ； College of Oceanography and Space Informatics, China University of Petroleum (East China)（海洋与空间信息学院，中国石油大学（华东）） 纠错

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

AI总结 本文提出SemiEarth模型，通过引入视觉-语言模型的伪标签纯化结构，提升遥感图像半监督语义分割的性能与可解释性。

Visualization Autocomplete: Visualization Authoring via Stepwise Design Recommendations

可视化自动完成：通过逐步设计建议进行可视化创作

Hyeon Jeon, Sungbok Shin, Niklas Elmqvist

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

AI总结 研究针对领域专家创建图表时确定设计下一步的难题，提出VISAUTOCOMPLETE系统，受文本自动完成启发，按顺序过程推荐步骤，用户可干预。提炼大语言模型逻辑，经评估在复杂图表创作清晰度上超基线，可接近性与大语言模型相当。

Comments IEEE VIS 2026 & IEEE Transactions on Visualization and Computer Graphics (TVCG)

Ruling Out to Rule In: Contrastive Hypothesis Retrieval for Medical Question Answering

排除谬误以确认正确：面向医疗问答的对比假设检索

Byeolhee Kim, Min-Kyung Kim, Young-Hak Kim, Tae-Joon Jeon

机构 * Asan Medical Center（峨山医疗中心） ； Yonsei University（延世大学） ； University of Ulsan College of Medicine（蔚山大学医学院） 纠错

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

AI总结 本文提出对比假设检索框架CHR，通过生成正确和错误假设来提升医疗问答系统检索效果，实验显示在多个基准测试中优于现有方法，有效减少硬负样本污染。

ToolSciVer: Multimodal Scientific Claim Verification with Visual Tool Augmented Reinforcement Learning

ToolSciVer：基于视觉工具增强强化学习的多模态科学声明验证

Binglin Zhou, Peng Shi, Ryo Kamoi, Nan Zhang, Rui Zhang

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； University of Waterloo（滑铁卢大学） 纠错

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

AI总结 研究多模态科学声明验证问题，提出ToolSciVer框架，为视觉语言模型配备三种类型感知视觉工具，用组相对策略优化训练策略，实验证明该方法在多模型上性能优于竞争基线。

CoWeaver: A Bi-directional, Learnable and Explainable Matching Engine for Mixed Human-Agent Science Collaboration

CoWeaver：用于混合人机科学协作的双向、可学习且可解释的匹配引擎

Jiayao Gu, Kexin Chu, Peidong Liu, Yue Yang, Lynn Ai, Qi Zhang, Ling Yang, Tianyu Shi

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

AI总结 研究针对基于大语言模型的智能体在科学协作中存在的问题，提出CoWeaver算法，通过填补能力差距匹配人员，经两阶段排名筛选，结合探索与贪婪策略，在匹配质量和效率上优于基线，能促进人机科学协作。

S1-Omni: A Unified Multimodal Reasoning Model for Scientific Understanding, Prediction, and Generation

S1-Omni：用于科学理解、预测和生成的统一多模态推理模型

Jiahao Zhao, Junyi Liu, Lifeng Xu, Nan Xu, Qingli Wang, Qingxiao Li, Tianle Chen, Xiaoyu Wu, Yawen Zheng, Zikai Wang, Guanming Liu, Hequn Zhou, Jingyi Wang, Jingyuan Shu, Keqi Wang, Li He, Songyang Diao, Wenhui Xu, Xinyu Ren, Yaqin Fan, Yujin Zhou, Zhanao Yao

机构 * ScienceOne AI（科学一号人工智能） ； Wenge AI（文阁人工智能） 纠错

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

AI总结 研究针对科学人工智能模型能力分散问题，提出S1-Omni统一多模态推理模型，基于科学数据统一表示、知识对齐和解码三个核心组件，经训练和评估，在多基准测试中表现出色优于同类模型，为统一科学建模提供实用路径。

RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation

RECAP：用于短视频推荐的反馈驱动流语义用户画像

Ziyi Zhao, Xiaoyou Zhou, Xiao Lv, Yangyang Li, Chubo He, Zhao Liu, Jiayao Shen, Yuqi Liu, He Li, Chengyi Zhang, Jian Liang, Ming Li, Chongming Gao, Fuli Feng, Ruiming Tang, Han Li

专题命中 领域大模型 ：LLM(abstract)

AI总结 研究短视频推荐中用户画像生成问题，提出RECAP离线闭环框架，结合大语言模型语义更新、生命周期及容量控制维护画像，通过大语言模型判断和双塔评估器构建反馈，实验证明其提升推荐指标，在线测试显示提高用户应用使用时间。

Comments 9 pages, 5 figures, 2 tables. Accepted at RecSys 2026

Model Merging for Medical LVLMs: A Benchmark and a Winner-Take-All Approach

用于医学视觉语言模型的模型合并：一个基准和一种赢家通吃的方法

Lichao Mou, Shilan Zhang, Chunlei Li, Bingcong Yan, Jingliang Hu, Yilei Shi, Shengwu Xiong, Xiao Xiang Zhu, Lei Li, Yaxiong Chen

机构 * Wuhan University of Technology（武汉理工大学） ； Technical University of Munich（慕尼黑工业大学） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 研究医学LVLMs的模型合并，提出涵盖多种成像模态和临床任务类型的MergeMedBench基准，评估现有合并方法，提出赢家通吃方法，该方法简单且无超参数，优于现有方法，为LoRA合并提供新视角和实用基线。

Comments Project Page: https://github.com/MedAI-T/MergeMedBench

Clinical Audit Logs as Multi-Axial Traces of Care Delivery

临床审计日志作为护理交付的多轴轨迹

Braden Eberhard, Nate Apathy, Kevin Johnson

专题命中 领域大模型 ：pretraining(abstract)

AI总结 研究以电子健康记录审计日志为对象，将其视为多轴事件流，通过基础模型预训练学习可重复使用的表示，阐述了审计日志在表示学习、评估和治理方面的作用及相关规定。

Safe-SAIL: Towards a Fine-grained Safety Landscape of Large Language Models via Sparse Autoencoder Interpretation Framework

Safe-SAIL: 通过稀疏自编码解释框架构建大语言模型的细粒度安全景观

Jiaqi Weng, Han Zheng, Hanyu Zhang, Ej Zhou, Qinqin He, Jialing Tao, Hui Xue, Zhixuan Chu, Xiting Wang

机构 * Alibaba Group（阿里巴巴集团） ； The State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全国家重点实验室） ； Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； Renmin University of China（中国人民大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出Safe-SAIL框架，通过稀疏自编码解释方法高效识别安全领域特征，减少解释成本55%，并系统评估1758个安全相关特征，揭示风险特征识别和安全关键实体编码机制。

Journal ref Findings of the Association for Computational Linguistics: ACL 2026, pages 18916-18935 (2026)

Improving Code Understanding in Large Language Models through Concept-Aware Consistency Learning

通过概念感知一致性学习提高大语言模型中的代码理解能力

Xiaoning Ren, Qiang Hu, Wei Ma, Chongyang Liu, Yan Li, Yao Zhang, Lingxiao Jiang, Yongqiang Lyu, Yinxing Xue

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；instruction tuning(abstract)

AI总结 研究针对大语言模型对基本编程概念理解浅的问题，引入结合概念感知调整的反事实代码增强框架，经多模型和基准综合评估，证明此方法能引导大语言模型增强概念理解，有效提升其在代码相关任务中的表现。

Comments To appear at IJCAI 2026