被录用论文的简要介绍如下：
1. AlignX: Advancing Multilingual Large Language Models with Multilingual Representation Alignment（Main Conference）
Mengyu Bu, Shaolei Zhang, Zhongjun He, Hua Wu, Yang Feng
简介：多语言大型语言模型（LLM)具备出色的多语言理解与生成能力。然而，其性能及跨语言对齐效果在非主流语言（如英语）中往往表现欠佳。常见的解决方案是在大规模且更均衡的多语言数据集对LLM进行微调，但此类方法常导致对齐不精准及知识迁移效果不佳，难以实现跨语言的显著提升。本文提出AlignX框架以弥合多语言性能差距，该框架是一个两阶段的表示层级框架，旨在提升预训练LLM的多语言性能。在第一阶段，我们通过多语言语义对齐和语言特征整合来对齐多语言表示。在第二阶段，我们通过多语言指令微调来激发LLM的多语言能力。在多个预训练LLM上的实验结果表明，我们的方法提升了LLM的多语言通用生成能力和跨语言生成能力。进一步分析表明，AlignX使多语言表示更加接近，并改善了跨语言知识对齐水平。
2. IG-Pruning: Input-Guided Block Pruning for Large Language Models （Main Conference）
Kangyu Qiao, Shaolei Zhang, Yang Feng
简介：随着大型语言模型（LLMs）日益增长的计算需求，高效推理对于实际部署已变得至关重要。通过移除Transformer层来降低大型语言模型计算成本的深度剪枝技术，已成为一种极具前景的方法。然而，现有方法通常依赖固定的掩码，这可能导致模型在不同任务和输入上的性能不佳。在本文中，我们提出了一种名为 IG-Pruning 的新颖方法，它是一种输入感知的模块级剪枝方法，能够在推理时动态选择层的掩码。我们的方法包含两个阶段：1）通过语义聚类和 L0 优化发现多样化的候选掩码。2）无需大量训练即可实现高效的动态剪枝。实验结果表明，我们的方法性能稳定优于当前最先进的静态深度剪枝方法，因此特别适用于资源受限的部署场景。
