add a post

Author: wuchuanjie

content/post/10/index.md

@@ -1,5 +1,5 @@
 ---
-title: DeepLIT课题组6篇论文被EMNLP2025录用
+title: DeepLIT课题组6篇论文被 EMNLP2025 录用
 date: 2025-08-23
 ---
   EMNLP会议全称为Conference on Empirical Methods in Natural Language Processing，是自然语言处理领域的国际顶级学术会议。‌EMNLP 2025 将于2025年11月5日至11月9日在中国苏州举行。

content/post/11/index.md

@@ -1,5 +1,5 @@
 ---
-title: DeepLIT课题组师生参加ACL2025和CCL2025
+title: DeepLIT课题组师生参加 ACL2025 和 CCL2025
 date: 2025-08-24
 ---
   近日，厦门大学语言智能技术课题组（DeepLIT课题组）师生分别参加了在奥地利维也纳举办的第六十三届国际计算语言学协会年会（ACL 2025） 和在中国济南举办的第二十四届中国计算语言学大会（CCL 2025），展示了课题组在自然语言处理领域的研究成果，并与国内外学者开展了深入交流。

content/post/12/index.md

@@ -1,5 +1,5 @@
 ---
-title: DeepLIT课题组师生参加CCMT 2025
+title: DeepLIT课题组师生参加 CCMT2025
 date: 2025-09-30
 ---
   第二十一届全国机器翻译与多语言信息处理大会（CCMT 2025）于2025年9月26日至28日在甘肃兰州举行。大会由中国中文信息学会主办、西北民族大学承办，汇聚全国高校、科研机构及产业界代表，共探机器翻译与多语言信息处理领域的最新进展与未来趋势。厦门大学语言智能技术课题组（DeepLIT课题组）的苏劲松老师，姚一鸣同学以及尚钰哲同学参与了此次盛会。

content/post/13/index.md

@@ -1,5 +1,5 @@
 ---
-title: DeepLIT课题组3篇论文被AAAI2026录用
+title: DeepLIT课题组3篇论文被 AAAI2026 录用
 date: 2025-11-09
 ---
   AAAI会议全称为 Association for the Advancement of Artificial Intelligence（人工智能促进协会）主办的 AAAI Conference on Artificial Intelligence，是人工智能领域的国际顶级学术会议。AAAI 2026将于 2026年1月20日-27日在新加坡会展中心举行。

content/post/14/index.md

@@ -1,5 +1,5 @@
 ---
-title: DeepLIT课题组师生参加LMG 2025及EMNLP 2025
+title: DeepLIT课题组师生参加 LMG2025 及 EMNLP2025
 date: 2025-11-10
 ---
   近日，DeepLIT课题组师生相继参与了两场人工智能领域顶级学术会议——第四届全国大模型智能生成大会（LMG 2025）与第二十一届自然语言处理实证方法会议（EMNLP 2025）。课题组师生不仅通过大会报告、海报展示等形式与国际同行进行了深度学术交流，其研究成果亦荣获“亮点海报”奖，充分展现了团队在前沿领域的创新活力与国际化学术影响力。

content/post/18/index.md

@@ -1,5 +1,5 @@
 ---
-title: DeepLIT课题组4篇论文被ICLR2026录用
+title: DeepLIT课题组4篇论文被 ICLR2026 录用
 date: 2026-01-27
 ---
   ICLR会议全称为International Conference on Learning Representations（国际学习表征会议），是深度学习领域顶级学术会议，与NeurIPS、ICML并称为机器学习三大顶级会议。ICLR 2026将于2026年4月23日至4月25日在巴西里约热内卢举行。
@@ -10,7 +10,7 @@ date: 2026-01-27
 - 论文作者：Liang Zhang, Yu Zhao, Longyue Wang, Tianqi Shi, Weihua Luo, Kaifu Zhang, Jinsong Su*
 - 完成单位：厦门大学，阿里国际
 ![](1.png)
-- 论文简介：大模型通过长思维链推理来提升复杂任务上的表现，但在长序列生成过程中，注意力计算复杂度随序列长度平方增长，KV缓存内存开销线性增加，严重限制了其实际效率。为此，本文提出一种基于**状态转移的高效推理框架**，将大模型的推理过程建模为状态转移过程。在该框架中，我们引入线性注意力机制，将历史推理信息压缩至模型推理状态中，使模型在生成当前推理步骤时无需显式关注全部历史token，从而将注意力计算复杂度从二次降至线性、内存开销从线性降至常数。同时，本文设计一种**基于状态的推理策略**，通过全局推理方向来引导大模型推理，有效抑制噪声推理步骤带来的负面影响，显著增强模型鲁棒性。在数学、科学、代码等多类推理任务上的实验验证了本框架的高效性与泛化性，在显著提升推理速度的同时，进一步改善了模型性能。
+- 论文简介：大模型通过长思维链推理来提升复杂任务上的表现，但在长序列生成过程中，注意力计算复杂度随序列长度平方增长，KV缓存内存开销线性增加，严重限制了其实际效率。为此，本文提出一种基于状态转移的高效推理框架，将大模型的推理过程建模为状态转移过程。在该框架中，我们引入线性注意力机制，将历史推理信息压缩至模型推理状态中，使模型在生成当前推理步骤时无需显式关注全部历史token，从而将注意力计算复杂度从二次降至线性、内存开销从线性降至常数。同时，本文设计一种基于状态的推理策略，通过全局推理方向来引导大模型推理，有效抑制噪声推理步骤带来的负面影响，显著增强模型鲁棒性。在数学、科学、代码等多类推理任务上的实验验证了本框架的高效性与泛化性，在显著提升推理速度的同时，进一步改善了模型性能。
 - - -
 - 论文标题：UME-R1: Exploring Reasoning-Driven Generative Multimodal Embeddings
 - 录用类型：ICLR 2026, Main Track