Large Language Model (LLM)
PulseAugur coverage of Large Language Model (LLM) — every cluster mentioning Large Language Model (LLM) across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
PCoMoE 框架通过细粒度路径组合将 MoE LLM 推理速度提升 31%
研究人员推出了一种名为 PCoMoE 的新颖框架，旨在提高专家混合（MoE）大型语言模型（LLM）的推理效率。与将整个专家视为原子单元的传统方法不同，PCoMoE 实现了细粒度的路径组合，从而能够进行更灵活、更高效的计算。该方法包含一个路径级公式、一种兼容性感知剪枝策略以消除冗余路径组合，以及一个专门的执行引擎。实验表明，PCoMoE 可将推理速度提高高达 1.31 倍，同时将模型准确率提高 10%。
-
LLM驱动的工作流简化RISC-V扩展迁移
研究人员开发了一种新颖的两阶段工作流，以解决CPU设计中不合规RISC-V扩展的挑战。该流程利用RISC-V统一数据库（UDB）作为事实的中央来源，并采用与模型上下文协议（MCP）工具集成的语言大模型（LLM）来促进扩展迁移到合规的操作码空间。该工作流自动化指令编码的检查、冲突的识别以及重新映射的提议，随后生成和验证硬件及软件构件。
-
LLM aids discovery of new lower bounds for Shannon capacity of odd cycles
研究人员开发了新的方法来为奇数圈的香农容量建立改进的下界，特别是 C7、C11 和 C13。这些进展是通过在这些图的强幂中构建特定的独立集来实现的。值得注意的是，发现过程涉及与大型语言模型 (LLM) 的迭代交互，这凸显了 LLM 在生成复杂组合结构方面的日益增长的实用性。
-
新框架实现医学影像模型开发自动化
研究人员开发了AMID，一个旨在自动化医学影像模型开发的自主多智能体框架。该框架利用数据条件方法规划将搜索空间精炼为可执行路径，并通过验证引导的两阶段优化确保严格遵守验证协议和伪影生成。在20项不同的医学影像任务中，AMID的表现优于通用机器学习工程系统，接近人类设计的解决方案。
-
AI代理以95%的成功率自动化物联网漏洞利用
研究人员开发了VEXAIoT，一个自主多代理框架，旨在发现和利用物联网（IoT）设备中的漏洞。该系统利用大型语言模型（LLM）代理和进攻性安全工具来自动化侦察、攻击规划和执行。在IoTGoat和Metasploitable等受控环境中进行评估，VEXAIoT在映射到OWASP物联网漏洞的各种攻击场景中表现出高达95%的成功率，大多数攻击在两分钟内完成。
-
新研究量化了 LLM 水印估计的复杂性 · arXiv
一篇新的研究论文探讨了使用 Gumbel-Max 水印技术估计大型语言模型 (LLM) 生成文本比例的复杂性。该研究比较了两种观测模式：完全观测和更普遍的枢轴约简方法。研究人员为两者都开发了估计器，并为样本复杂性建立了匹配的信息论下界。研究结果表明，虽然枢轴约简方法很巧妙，但它在水印比例估计方面可能并不总是样本效率最高的方法。
-
新方法从科学论文中提取问题句和方法句
研究人员开发了一种从科学论文中提取问题句和方法句的新方法，以解决小数据集的局限性。他们的方法包括使用公式化表达（FE）脱敏来增强数据，以及使用增强上下文Transformer来提高句子重要性测量。实验表明，他们的方法优于基线模型，取得了更高的宏F1分数，而大型语言模型上下文学习方法被证明不适用于此特定任务。
-
新的Brain-Adapter框架利用VLM和LLM增强3D CT扫描诊断
研究人员开发了Brain-Adapter，一个新颖的双流多实例学习（MIL）框架，用于3D脑部CT扫描的自动诊断。该框架通过引入一个使用诊断句子作为语义查询的文本条件注意力机制，有效地将预训练的2D视觉语言模型（VLM）的能力转移到3D体积数据上。一个并行的视觉MIL流捕获全局扫描特征，两个流都由通过大型语言模型（LLM）提取的标签进行监督。该系统包含一个不确定性感知细化模块来校准和融合预测，通过减少对密集手动注释的需求，显著优于现有…
-
LLM 自动化算子集成以解决调度问题
研究人员开发了一种新方法来增强迭代贪婪（IG）算法，以解决复杂的置换流水车间调度问题（PFSP）。这种新方法 IG-DOE 利用破坏算子集成（DOE）来增强探索并防止搜索停滞。一项关键创新是 SCOE 框架，该框架采用大型语言模型（LLM）自动构建此 DOE，从而减少了手动设计算子的需求。在具有挑战性的基准和真实世界数据上的实验表明，LLM 演化的 DOE 能有效地泛化到未见过的问题实例，并且优于现有的最先进算法。
-
QCFuse 通过新颖的缓存融合技术加速RAG服务
研究人员开发了QCFuse，一种优化检索增强生成（RAG）服务效率的新颖方法。该技术通过智能重用预计算的KV缓存来解决LLM处理检索到的上下文的高成本问题。QCFuse采用一种压缩视图的查询感知选择器，该选择器将用户查询状态条件化在紧凑的每块锚点上，并识别重计算令牌，而无需进行全层检查，从而达到完整的预填充级别质量。
-
LLM驱动的ToolMerge改进视频关键帧检索
研究人员开发了一种名为ToolMerge的新方法，用于从长视频中检索关键帧，这对于问答任务特别有用。该方法利用大型语言模型（LLM）将复杂查询分解为较小的工具调用，然后合并结果。该方法在一个名为Molmo-2 Moments (M2M)的新基准上进行了评估，在字幕检索方面比现有技术提高了5%。
-
新框架支持对复杂BIM数据进行自然语言查询
研究人员开发了IfcLLM，一个旨在通过自然语言查询使Industry Foundation Classes (IFC) 数据更易于访问的新型框架。该系统将IFC模型转换为关系和图表示，然后由具有迭代推理能力的LLM进行处理以理解用户请求。该框架使用开源GPT OSS 120B模型实现，在测试中表现出高准确性，为更直观地与复杂BIM数据交互指明了方向。