EPFL（洛桑联邦理工学院）

MAM-AI: An On-Device Medical Retrieval-Augmented Generation System for Nurses and Midwives in Zanzibar

MAM-AI：面向桑给巴尔护士和助产士的设备端医疗检索增强生成系统

Yi Ren

机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校） 纠错

AI总结 针对撒哈拉以南非洲地区护士助产士难以获取权威指南的问题，提出完全运行于安卓设备上的医疗问答系统MAM-AI，采用300M嵌入模型检索87份指南文档，并用4B int4生成器离线生成带引用的回答，评估发现小生成器在安全性和有用性间存在权衡，通过优化提示词降低回避率。

Comments 38 pages. Video demo: https://www.youtube.com/watch?v=M_Kruluel28 ; browser demo, code, models, and benchmarks linked in the paper

mamabench and mamaretrieval: Benchmarks for Evaluating Medical Retrieval-Augmented Generation in Maternal, Neonatal, and Reproductive Health

mamabench 和 mamaretrieval：评估孕产妇、新生儿和生殖健康领域医学检索增强生成的基准

Yi Ren

机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑校区） 纠错

AI总结 针对助产士咨询的孕产妇、新生儿和生殖健康问题，构建了包含25,949个问题的QA基准mamabench和基于3,185个查询的段落级相关性基准mamaretrieval，采用分级相关标注和标签质量审计。

Comments 13 pages, 3 tables. Datasets and construction code linked in the paper

Unveiling Stochasticity: Universal Multi-modal Probabilistic Modeling for Traffic Forecasting

揭示随机性：面向交通预测的通用多模态概率建模

Weijiang Xiong, Robert Fonod, Nikolas Geroliminis

机构 * Urban Transport Systems Laboratory (LUTS), EPFL（智能交通系统实验室（LUTS），EPFL） 纠错

AI总结 本文提出一种通用多模态概率建模方法，通过替换输出层为GMM层，提升交通预测的不确定性建模能力，实验表明其在多种数据集上表现优异。

Incremental Learning of Sparse Attention Patterns in Transformers

Transformer中稀疏注意力模式的增量学习

Oğuz Kaan Yüksel, Rodrigo Alvarez Lucendo, Nicolas Flammarion

机构 * TML Lab, EPFL（EPFL语言模型实验室） 纠错

AI总结 研究在高阶马尔可夫链上训练的简单Transformer，其通过稀疏注意力模式从多个过去位置学习信息，分析学习动态及阶段转换，用简化微分方程建模并证明收敛，为结构化注意力模式和头专业化提供理论解释。

Comments Published at ICML 2026. OpenReview: https://openreview.net/forum?id=vSRh1qU5sH. 41 pages, 21 figures

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

Saving GPU Hours in LLM Inference System Development and Online Workloads with Simulation and DBMS-Inspired Cache Replacement Policies

通过模拟和受数据库管理系统启发的缓存替换策略在大语言模型推理系统开发和在线工作负载中节省GPU时间

Kyoungmin Kim, Jiacheng Li, Kijae Hong, Qunyou Liu, Darong Huang, Anastasia Ailamaki

机构 * EPFL, Switzerland（苏黎世联邦理工学院） ； NUS, Singapore（新加坡国立大学） ； POSTECH, South Korea（POSTECH大学） 纠错

AI总结 研究大语言模型推理系统，通过模拟和受数据库管理系统启发的缓存替换策略，节省GPU时间，提出新缓存替换策略并证明其有效性。

Parity-Aware Byte-Pair Encoding: Improving Cross-lingual Fairness in Tokenization

奇偶感知字节对编码：提高词元化中的跨语言公平性

Negar Foroutan, Clara Meister, Debjit Paul, Joel Niklaus, Sina Ahmadi, Antoine Bosselut, Rico Sennrich

机构 * EPFL（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） 纠错

AI总结 研究针对词元化中低资源语言词元化不合理问题，引入奇偶感知字节对编码，通过公平最大化规则平衡跨语言公平性与全局压缩，减少词元化不平等，对全局压缩和下游语言模型性能影响小。

Comments ACL 2026