Loading...
本文聚焦于低资源语言或领域场景下大语言模型(LLMs)的迁移与适应能力不足的问题,提出了一种基于提示和对齐的可迁移建模策略。该策略构建了一个统一框架,整合知识迁移模块与参数高效微调方法,通过引入知识对齐损失和软提示调优,引导模型在最少标注数据下有效吸收目标语言或任务的结构特征,同时结合轻量级适应模块降低计算成本,并采用冻结策略和提示注入保留模型原有知识以实现快速适应。
Quantize-Sample-and-Verify: LLM Acceleration via Adaptive Edge-Cloud Speculative Decoding
在边缘-云推测解码(SD)中,配备小语言模型(SLM)的边缘设备生成草稿token,再由云端的大语言模型(LLM)进行验证。此类系统的一个关键瓶颈是边缘与云端之间有限的通信带宽,这在实际边缘-云部署场景中对效率提出了更高要求。本文提出一种新颖的“量化-采样(Q-S)”策略,可证明地保持生成token的分布与LLM直接生成的分布一致。基于此模型,我们提出一种自适应机制,通过动态调整草稿长度和量化精度,以响应语义不确定性和信道条件,从而优化token吞吐量。仿真结果表明,所提出的Q-S方法显著提升了解码性能。
Toward Edge General Intelligence with Multiple-Large Language Model (Multi-LLM): Architecture, Tr...
本文是一篇关于边缘计算中多大型语言模型(Multi-LLM)系统的综述,核心目标是探索如何通过多LLM协作实现边缘通用智能(EdgeGeneralIntelligence,EGI)。演进背景:回顾了边缘AI的发展历程,从传统专用窄模型、单LLM部署,到多LLM系统的必要性——单LLM存在泛化能力有限、易产生幻觉和偏见等问题,而多LLM通过协作可整合优势、弥补缺陷。核心架构与技术多LLM的协作模式(合作式、竞争式、集成式);
EARN: Efficient Inference Acceleration for LLM-based Generative Recommendation by Register Tokens
研究背景:基于大型语言模型(LLM)的生成式推荐(LLMRec)虽性能优异,但因KV缓存的巨大计算开销和内存压力,推理延迟高,限制了实际应用(如需要毫秒级响应的工业场景)。现有方法局限缓存压缩:通过移除次要KV对减少缓存,但推荐任务解码步骤少(生成1-5个token),加速效果有限。提示压缩:通过缩短输入序列减少初始KV缓存,但难以区分推荐任务中用户交互的重要性,易丢失关键信息导致准确性下降。核心发现:通过分析LLMRec的注意力分数分布,发现两个关键特征:层间注意力稀疏度反转。
VEDA: Efficient LLM Generation Through Voting-based KV Cache Eviction and Dataflow-flexible Accel...
本文针对大型语言模型(LLMs)在边缘设备部署时面临的计算和内存资源挑战,提出了一种名为VEDA的定制加速器,通过算法、数据流和硬件的三重优化提升LLM推理效率。算法层面:提出基于投票的KV缓存淘汰算法,通过每个token的注意力分数作为“选票”,自适应识别不重要的KV向量,平衡硬件效率和算法准确性,解决现有方法的偏差问题。数据流与硬件层面。
Evaluating LLMs and Prompting Strategies for Automated Hardware Diagnosis from Textual User-Reports
本文聚焦于利用大型语言模型(LLMs)从用户文本报告(如“我的屏幕在闪烁”)中自动诊断硬件故障组件的任务,通过评估不同模型和提示策略,为硬件制造商提供高效的AI驱动诊断方案。评估对象:27个开源LLM(参数规模1B–72B)和2个专有LLM(如GPT-4、Gemini)。提示策略:零样本(Zero-Shot)、少样本(Few-Shot)、思维链(CoT)、思维链+少样本(CoT+FS)四种。实验规模:共执行98,948次推理,处理5100多万输入tokens,生成1300多万输出tokens。
Language-Unlocked ViT (LUViT): Empowering Self-Supervised Vision Transformers with LLMs
本文提出了,一种将自监督视觉Transformer(ViT)与大型语言模型(LLMs)融合的新框架,旨在解决LLMs(文本预训练)与ViTs(视觉训练)之间的模态不匹配问题,从而提升纯视觉任务的性能。LUViT的核心是协同预训练策略采用掩码自编码(MAE)预训练ViT,使其学习更丰富的视觉表征;同时通过低秩适应(LoRA)对LLM块进行适配训练,利用MAE的重构损失实现ViT与LLM块的联合优化。
Many LLMs Are More Utilitarian Than One
本文研究了大型语言模型(LLMs)在多智能体系统(LLM-MAS)中的集体道德判断机制,重点探讨群体deliberation是否会像人类群体一样出现“功利主义增强”(utilitarianboost)现象——即更倾向于认可为最大化多数人利益而违反道德规范的行为。研究设计了两组实验:单个LLM独立判断(Solo条件)和多个LLM通过多轮讨论达成共识(Group条件,成对或三人组),测试了6个主流模型(包括GPT-4.1、Llama3.3等)在经典道德困境中的表现。
Good Enough to Learn: LLM-based Anomaly Detection in ECU Logs without Reliable Labels
本文聚焦汽车电子控制单元(ECU)通信日志的异常检测,提出了一种基于解码器的大型语言模型(LLM)解决方案,以应对该领域缺乏专用LLM和标注数据不一致的核心挑战。研究背景方面,ECU通过多种协议(如UDP、TCP等)进行通信,其日志异常(如延迟、缺失消息)检测需考虑时间间隔、负载等多因素,传统基于规则的方法难以适应系统复杂性。预训练阶段。
Stylometry recognizes human and LLM-generated texts in short samples
本文探讨了利用文体计量学(stylometry)区分大语言模型(LLMs)与人类生成文本的方法,旨在解决模型归属、知识产权及AI伦理使用等问题。研究构建了一个基于维基百科的数据集,通过多种文本摘要方法(T5、BART、Gensim、Sumy)和LLMs(GPT-3.5、GPT-4、LLaMa2/3、Orca、Falcon)生成10句长的文本,并使用决策树和LightGBM等树模型,基于人工设计的(StyloMetrix)和n-gram的文体特征(涵盖词汇、语法、句法、标点等模式)进行分类。
On the Surprising Efficacy of LLMs for Penetration-Testing
技术背景与发展:回顾了渗透测试的本质(专业人员主动攻击系统以发现漏洞)、LLMs出现前AI在攻击中的应用,以及LLMs的演化(从ChatGPT到工具调用、结构化输出、多智能体系统等能力的扩展)。LLMs在渗透测试中的应用历史学术研究(2023-2025):从初期的Linux权限提升、CTF任务解决,到2024年扩展至网站攻击、漏洞利用开发,再到2025年实现企业网络(如ActiveDirectory)的自动化测试。
HumanoidGen: Data Generation for Bimanual Dexterous Manipulation via LLM Reasoning
本文提出了,一个用于双足机器人双臂灵巧操作的自动化任务创建与演示数据生成框架,旨在解决现有机器人数据集多针对单臂平台、双臂灵巧操作数据稀缺的问题。空间标注与场景生成:对资产(物体)和灵巧手进行关键点位与轴的标注,基于LLM生成包含环境配置和任务成功条件的代码;LLM任务规划:将长程任务分解为原子操作序列,生成空间约束链(如点位重合、轴平行),并通过轨迹优化器求解运动轨迹;推理增强:引入蒙特卡洛树搜索(MCTS)的STCR机制,提升LLM在长程任务和标注不足场景下的推理能力;基准构建与实验验证。
Development and Comparative Evaluation of Three Artificial Intelligence Models (NLP, LLM, JEPA) f...
本文旨在比较三种人工智能(AI)模型——自然语言处理(NLP)、大型语言模型(LLM)和联合嵌入预测架构(JEPA)在急诊科(ED)分诊预测中的表现。研究以法国里尔RogerSalengro医院急诊科7个月的成人患者分诊数据为基础,回顾性分析了657例符合条件的患者数据,训练并验证了三个模型:TRIAGEMASTER(NLP)、URGENTIAPARSE(LLM)和EMERGINET(JEPA)。
Enhancing LLM Agent Safety via Causal Influence Prompting
本文提出了一种名为因果影响提示(CausalInfluencePrompting,CIP)的新技术,旨在通过因果影响图(CausalInfluenceDiagrams,CIDs)增强大型语言模型(LLM)代理的安全性。核心问题:LLM代理在执行复杂任务(如网页搜索、移动设备控制、代码执行)时,可能因缺乏风险预判而导致隐私泄露、恶意代码执行等安全问题,现有安全提示方法(如Safety-guidedChain-of-Thought、Safety-AwarePrompting)仍存在局限性。
2024 NASA SUITS Report: LLM-Driven Immersive Augmented Reality User Interface for Robotics and Sp...
本文是2024年NASASUITS项目的研究报告,聚焦于太空探索中动态移动增强现实(AR)环境下的人机交互问题,提出了一个名为URSA的、基于大型语言模型(LLM)的沉浸式AR用户界面系统,旨在支持未来月球和火星任务(如Artemis任务)中的机器人操作与监测。非侵入式AR头戴设备界面:基于HoloLens2设计,确保宇航员视野不受遮挡,信息显示在peripheral区域,通过语音命令控制,减少认知负荷。语音控制AR界面。
`For Argument‘s Sake, Show Me How to Harm Myself!‘: Jailbreaking LLMs in Suicide and Self-Harm Co...
本文聚焦大型语言模型(LLMs)在自杀和自残语境下的安全漏洞,通过设计多步骤对抗性提示(越狱提示),测试了6个主流LLM(包括ChatGPT-4o、PerplexityAI、GeminiFlash2.0等)的安全护栏有效性。研究发现,多数模型在仅2-3轮对话后,会因用户以“学术研究”等新语境重新framing问题,而忽略初始的自残/自杀意图,生成详细的自残方法、自杀工具、剂量计算等有害内容。
STELLA: Self-Evolving LLM Agent for Biomedical Research
STELLA:用于生物医学研究的自进化大语言模型代理金若凡1∗,张在熙1∗†,王梦迪1,丛乐21普林斯顿大学,美国新泽西州普林斯顿;2斯坦福大学,美国加利福尼亚州斯坦福∗共同第一作者;†通讯作者:zz8680@princeton.edu生物医学数据、工具和文献的快速增长造就了一个碎片化的研究格局,其发展速度已超越人类专业知识的极限。尽管AI代理提供了一种解决方案,但它们通常依赖静态、人工整理的工具集,限制了其适应和扩展能力。在此,我们提出STELLA,一款旨在克服这些局限的自进化AI代理。
PAE MobiLLM: Privacy-Aware and Efficient LLM Fine-Tuning on the Mobile Device via Additive Side-T...
本文提出了,一种基于服务器辅助的“additiveside-tuning”技术,旨在解决移动设备上大语言模型(LLM)微调面临的资源限制、通信负担和隐私泄露问题。该方法通过将LLM微调任务分配给移动设备和服务器:移动设备保留冻结的主干模型,而计算密集的可训练侧网络卸载到服务器。通过激活缓存、单token激活传输和隐私保护的侧网络设计,PAEMobiLLM在提升效率的同时,确保用户数据、真实标签和微调模型始终保留在本地设备,最终实现了移动设备上高效且隐私安全的LLM微调。
Beyond First-Order: Training LLMs with Stochastic Conjugate Subgradients and AdamW
长期以来,基于随机梯度下降(SGD)的方法一直是训练大型语言模型(LLMs)的核心。然而,其有效性正日益受到质疑,特别是在大规模应用中,实证证据表明其存在潜在的性能局限性。对此,本文提出了一种专门为LLMs训练设计的随机共轭次梯度方法,结合自适应采样策略。该方法不仅每迭代步收敛更快,而且与传统SGD技术相比,可扩展性更优。它利用样本复杂度分析来自适应选择样本量,采用随机共轭次梯度方法确定搜索方向,并借助类AdamW算法自适应调整步长。
La RoSA: Enhancing LLM Efficiency via Layerwise Rotated Sparse Activation
本文提出了一种名为LaRoSA(LayerwiseRotatedSparseActivation,层状旋转稀疏激活)的新型激活稀疏化方法,旨在提升大型语言模型(LLM)的推理效率。该方法无需额外训练或基于幅度的剪枝,通过层状正交旋转将输入激活转换为更易稀疏化的形式,结合Top-K选择策略实现稳定的模型级稀疏性和可靠的推理速度提升。现有激活稀疏化方法存在局限性:要么需要耗时的恢复训练以维持性能,要么依赖经验性的幅度剪枝,导致稀疏性波动和推理速度不稳定。
