2026年9月2日 · 星期三
| 主题 | 检索期刊 | 收录论文数 |
|---|---|---|
| AI大模型 | IEEE TNNLS、IEEE TSMC-S、IEEE/CAA JAS | 3 |
| 供应链金融 | AER、JFE、IRFA | 4 |
| 品牌 | JM、IJRM、HBR | 4 |
| 合计 | 9本 | 11篇 |
注：本次 AI 大模型主题选取 IEEE Transactions on Neural Networks and Learning Systems（中科院一区、CCF-B、SCI 一区 TOP）、IEEE Transactions on Systems, Man, and Cybernetics: Systems（中科院一区、SCI 一区）、IEEE/CAA Journal of Automatica Sinica（中科院一区、SCI 一区）；供应链金融主题选取 American Economic Review（经济学期刊五大顶刊、ABS 4*）、Journal of Financial Economics（UTD 24、ABS 4*）、International Review of Financial Analysis（SSCI 一区、ABS 2）；品牌主题选取 Journal of Marketing（UTD 24、ABS 4*、SSCI 一区）、International Journal of Research in Marketing（ABS 3、SSCI 一区）、Harvard Business Review（FT 50、SSCI）。全部检索期刊均高于 ABS 3 / UTD / FT50 / SSCI 或 SCI 二区要求。
本文系统梳理 LLM 效率优化全景，提出覆盖量化、剪枝、蒸馏、高效架构、编译与硬件感知方法的新分类法，沿 LLM 训练—微调—服务全生命周期分析各技术的协同，并展望该领域的开放问题与新兴趋势。
随着大语言模型（LLM）在学术界与工业界的快速发展，其规模与复杂度的持续增长带来了计算成本与部署效率方面的重大挑战。为应对这些问题，学界提出了包括模型压缩在内的一系列推理优化技术，以期在保持模型性能的同时加速 LLM 推理。本综述对 LLM 推理加速策略进行全面梳理，从基础原理、算法技术、实际应用与开放研究挑战等多个视角展开分析。作者首先介绍推理优化背后的核心概念，并提出一种新的分类法，将现有方法划分为量化、剪枝、蒸馏、高效架构、编译与硬件感知等方法。随后沿 LLM 开发与部署的生命周期，考察这些技术如何与模型训练、微调与服务（serving）环节相互作用。最后，本文突出高效 LLM 的关键应用，并讨论该领域的新兴趋势与尚待解决的问题。
本文在统一框架内梳理 AIGC 从早期规则系统到现代迁移学习模型的四个演进里程碑，以贯穿各阶段的统一示例评估方法优劣，并提出应对 AIGC 关键挑战的可操作策略，为模型选型与优化提供指引。
人工智能生成内容（AIGC）作为一项快速演进的技术，正在变革文本、图像、音频与视频等众多领域的内容创作方式，其日益增长的潜力吸引越来越多研究者与投资者探索其可能性。本综述在统一框架内梳理 AIGC 的演进历程，将其划分为四个发展阶段，从早期基于规则的系统到现代迁移学习（TL）模型，并阐明每个阶段对内容生成的独特贡献。尤为重要的是，文章在全部阶段使用同一贯穿示例，用于说明各阶段方法的优势与局限，从而对 AIGC 方法论及其发展进行一致性评价。此外，文章还讨论了 AIGC 面临的关键挑战，并提出缓解这些挑战的可操作策略。本研究旨在指导研究者与从业者选择并优化 AIGC 模型，以在多样化的内容创作领域中提升内容生成的效率与质量。
本文系统回顾大型 AI 模型的范式演进，深入剖析 DeepSeek 在多头潜在注意力（MLA）、混合专家（MoE）、多 token 预测（MTP）与组相对策略优化（GRPO）等算法创新及系统级工程优化上的突破，并评估其对全球 AI 竞争格局的影响。
DeepSeek 是中国一家人工智能初创企业，其发布的 V3 与 R1 系列模型凭借低成本、高性能与开源的特性引发全球关注。本文首先回顾大型 AI 模型的演进历程，聚焦范式转变、主流大语言模型（LLM）范式与 DeepSeek 范式；随后重点介绍 DeepSeek 引入的新颖算法，包括多头潜在注意力（MLA）、混合专家（MoE）、多 token 预测（MTP）与组相对策略优化（GRPO）；接着探讨 DeepSeek 在 LLM 规模化、训练、推理与系统级优化架构方面的工程突破。文章还分析了 DeepSeek 模型对竞争性 AI 格局的影响，将其与各领域主流 LLM 进行对比。最后，本文反思了从 DeepSeek 创新中获得的启示，并讨论大型 AI 模型在数据、训练与推理方面技术与工程发展的未来趋势。
本文构建买方可对贸易信贷债务违约、合约无法外部强制执行的动态合约模型，并利用厄瓜多尔制造业供应链数据估计，发现双边贸易在关系早期过低但随时间趋于有效，市场力量与执行摩擦共同解释了贸易中的低效。
本文研究当卖家拥有市场力量且合约无法由外部强制执行时，自我执行的关系合约——应对合约摩擦的常见解决方案——的效率。为此，作者构建了一个存在有限执行力的动态合约模型，其中买方可对其贸易信贷债务违约，并利用来自厄瓜多尔制造业供应链的新数据集对模型进行估计。关键的实证发现是：在关系早期，双边贸易低效地过低，但随时间推移趋向有效，尽管卖家拥有市场力量。反事实模拟表明，市场力量与执行摩擦都对贸易中的低效有所贡献。
本文识别出贸易自由化后内生出现的信贷供给收缩——贷款组合集中于受中国进口竞争冲击部门的银行，在中国入世后不良贷款上升并收缩对企业的信贷供给，金融渠道放大贸易冲击并传导至本应扩张的部门。
本文识别出贸易自由化之后内生出现的信贷供给收缩。贷款组合集中于受中国进口竞争冲击部门的银行，在中国加入世界贸易组织后其不良贷款上升。由此，银行减少了对企业的信贷供给，无论企业所处行业如何。这种信贷收缩转化为更低的就业、投资与产出。通过这一机制，金融渠道放大了对已受中国进口竞争冲击企业的冲击，并将其传导至贸易自由化后预期扩张行业中的企业。
利用领先商业支付信息交换平台的大样本数据，本文揭示商业信用支付及时性蕴含资产定价信息：企业突然延迟向供应商付款预示其股票未来收益走低，而持续适度逾期付款的企业反而获得更高股票收益。
商业信用是企业融资的重要来源，但其涉及支付及时性的丰富信息内容在资产定价中尚未被充分挖掘。利用来自领先私有商务支付表现信息交换平台的大规模数据集，本文研究商业信用支付及时性对股票收益的影响，并记录了商业信用支付行为影响未来股票收益的两条并行渠道——信息慢速扩散，以及客户企业在供应链中的纵向议价力量地位所蕴含的风险。与第一条渠道一致，企业突然延迟向供应商付款预示着其股票未来收益显著走低；与第二条渠道一致，相对于账期持续适度逾期付款的企业，反而获得显著更高的股票收益。
本文构建零售商投资-贷款联动融资模型，分析银行风险规避与零售商风险偏好，证明风险信息共享可提升供应链帕累托效率、提高股权与银行收益并减少零售商逆向选择，为信用评级与监管政策提供理论支撑。
投资-贷款联动融资通过股权投资机构与商业银行之间的信息协同，显著降低供应链金融中的金融风险。在数字化转型时代，这种融资模式日益重要。本文关注银行风险规避与零售商风险偏好的交互，构建零售商投资-贷款联动融资的理论模型，并考察信息共享如何缓解零售融资中的信息不对称。研究发现：风险信息共享可提升供应链的帕累托效率，提高股权投资机构与商业银行的收益，同时减少零售商的逆向选择行为，从而提升银行融资决策的准确性。该研究为商业银行信用评级与定价机制提供了理论支持，并为监管机构优化投资-贷款联动政策、政府制定定向贷款利息补贴与担保策略提供决策参考。
通过对奢华腕表行业的民族志研究，本文提出"丰饶经济"概念——消费者借助标志性商品在二级市场增值获利；面对这一新型市场安排，品牌需扮演"丰饶策展人"的新角色，同时直面不平等等伦理挑战。
稀有腕表、精品葡萄酒与烈酒、跑车、设计师运动鞋及众多其他奢侈品，为消费者在二级市场转售提供了巨大的增值机会。这一趋势是"丰饶经济"（enrichment economy）的一部分——一种新型市场安排，消费者借助标志性商品增加自身资本。然而，这给品牌带来挑战，如保持一级市场吸引力并避免自我蚕食。为理解品牌如何在丰饶经济中游刃有余，作者对奢华腕表行业进行了民族志研究，运用市场系统动态理论化维持丰饶经济体中市场的市场过程，并阐释支撑其运转的共享话语、规范与实践。该研究有四点贡献：其一，将一级—二级市场动态理论化为一种新的市场动态类型；其二，理论化奢侈品牌作为"丰饶策展人"的新角色；其三，通过揭示丰饶带来的不平等与风险讨论其伦理意涵；其四，将"丰饶战略"作为一种新型品牌战略引入。
本文研究创作者经济中的"个人品牌"（person-brands）现象，考察内容创作者如何将名望与粉丝规模（fame and followers）转化为实际经济价值（fortune），揭示个体化品牌在平台化内容市场中的价值捕获机制。
创作者经济的兴起催生了以个体为核心的品牌形态——"个人品牌"（person-brands）。本文聚焦创作者如何将自己从众的知名度与粉丝基础转化为经济回报，系统考察个人品牌在创作者生态中的价值捕获过程。研究结合品牌化理论与创作者经济情境，分析名望、粉丝规模与平台内容机制如何共同塑造个人品牌价值的形成与变现，为品牌研究在非传统、个体化市场情境下的拓展提供理论洞见。
调查显示 58% 的消费者已开始使用 LLM 获取产品推荐，本文据此提出"模型份额"（Share of Model）新指标，建议品牌针对生成式 AI 回答场景输出面向需求、体现专业性的内容，以提升在 LLM 生态中的品牌可见度与好感度。
文章探讨消费者行为从传统搜索引擎向生成式 AI 平台转变的趋势，强调品牌需要针对大语言模型（LLM）优化自身存在。一项调查显示 58% 的消费者已使用 LLM 获取产品推荐，凸显了"模型份额"（Share of Model, SOM）这一新指标的重要性——它衡量品牌被 LLM 提及的频率与方式的正面程度。作者建议营销者调整策略，通过聚焦满足消费者需求、强调专业性的内容来提升品牌在这些平台上的可见度，而非仅依赖传统营销手段。文章总结道，理解 LLM 的品牌态度并针对特定模型定制内容，可在不断演变的数字生态中显著提升品牌认知度。
基于 NYU Stern 可持续商业中心与七家美国头部品牌的联合研究，本文发现聚焦可及性、公平与社区福祉的社会性传播能显著提升品牌吸引力；当品牌将清晰社会承诺与功能性卓越相结合时，消费者偏好从 42% 跃升至 70%。
随着消费者对品牌价值观的期望上升，许多公司不确定如何在不得罪客户的前提下传达社会目标。纽约大学斯特恩商学院可持续商业中心与七个美国行业头部品牌联合开展的研究发现，聚焦可及性（access）、公平（equity）与社区福祉（community wellbeing）的社会信息能显著提升品牌吸引力。当品牌将清晰的社会承诺与功能性卓越相结合时，消费者偏好从 42% 上升至 70%。最有效的信息——促进可及性、满足基本需求、应对危机、支持退伍军人以及解决经济差距——能够跨越人口结构与政治立场引起共鸣。研究结论：真诚、与目标一致的社会传播能够同时增进信任与市场表现。