语言大模型 / LLM

Is Preference Alignment Always the Best Option to Enhance LLM-Based Translation? An Empirical Analysis

基于偏好对齐是否总是提升基于大语言模型的翻译质量的最佳选项？一项实证分析

Hippolyte Gisserot-Boukhlef, Ricardo Rei, Emmanuel Malherbe, Céline Hudelot, Pierre Colombo, Nuno M. Guerreiro

专题命中 指令微调 ：LLM(title)；large language model(abstract)；language model(abstract)；SFT(abstract)

AI总结 本研究通过实证分析探讨了基于偏好的对齐在提升大语言模型翻译质量中的效果，发现CPO在高质量数据上表现优异，但可能在下游度量上存在不稳定性，同时基础模型生成翻译的表现与多个外部系统相当且更一致。

Are Foundation Models Useful for Bankruptcy Prediction?

基础模型在破产预测中是否有效？

Marcin Kostrzewa, Oleksii Furman, Roman Furman, Sebastian Tomczak, Maciej Zięba

机构 * wrocław University of Science and Technology（沃拉日大学科学与技术学院） ； Tooploox（Tooploox公司） ； Opera 纠错

专题命中 指令微调 ：foundation model(title,abstract)；LLM(abstract)；分类 cs.AI、cs.LG

AI总结 本文研究了基础模型在破产预测中的有效性，发现传统机器学习模型在性能上优于基础模型，且基础模型在风险敏感场景中存在概率估计不可靠的问题。

Comments NeurIPS 2025 Workshop: Generative AI in Finance

Sim2Real Diffusion: Leveraging Foundation Vision Language Models for Adaptive Automated Driving

Sim2Real Diffusion：利用基础视觉语言模型实现自适应自动驾驶

Chinmay Vilas Samak, Tanmay Vilas Samak, Bing Li, Venkat Krovi

机构 * Department of Automotive Engineering, Clemson University International Center for Automotive Research (CU-ICAR)（汽车工程系，克莱姆森大学国际汽车研究中心（CU-ICAR）） 纠错

专题命中 指令微调 ：language model(title)；foundation model(abstract)

AI总结 本文提出Sim2Real Diffusion框架，利用基础视觉语言模型实现自动驾驶的跨领域适应，通过条件潜在扩散提升sim2real转换性能。

Comments Accepted in IEEE Robotics and Automation Letters (RA-L)

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 1, pp. 177-184, Jan. 2026

Multi-Faceted Attack: Exposing Cross-Model Vulnerabilities in Defense-Equipped Vision-Language Models

多面攻击：揭示配备防御机制的视觉语言模型中的跨模型漏洞

Yijun Yang, Lichao Wang, Jianping Zhang, Chi Harold Liu, Lanqing Hong, Qiang Xu

专题命中 指令微调 ：language model(title,abstract)

AI总结 多面攻击揭示了配备防御机制的视觉语言模型中的跨模型安全漏洞，通过注意力转移攻击和轻量级转移增强算法，实现了58.5%的成功率。

Comments AAAI 2026 Oral

SDA: Steering-Driven Distribution Alignment for Open LLMs without Fine-Tuning

SDA：无微调的开放语言模型分布对齐框架

Wei Xia, Zhi-Hong Deng

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 SDA 提出了一种无需微调的开源 LLMs 分布对齐框架，通过用户指令动态调整输出概率，提升模型与人类意图的一致性。

Conan: Progressive Learning to Reason Like a Detective over Multi-Scale Visual Evidence

Conan：基于多尺度视觉证据的逐步学习以像侦探一样推理

Kun Ouyang, Yuanxin Liu, Linli Yao, Yishuo Cai, Hao Zhou, Jie Zhou, Fandong Meng, Xu Sun

机构 * State Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； WeChat AI, Tencent Inc., China（微信AI，腾讯公司，中国） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)

AI总结 Conan通过多阶段渐进冷启动策略和AIR RLVR框架，实现证据基础的多步视频推理，超越基线模型，达到最先进的性能。

RB-FT: Rationale-Bootstrapped Fine-Tuning for Video Classification

RB-FT：基于理由的视频分类微调

Meilong Xu, Di Fu, Jiaxing Zhang, Gong Yu, Jiayu Zheng, Xiaoling Hu, Dongdi Zhao, Feiyang Li, Chao Chen, Yong Cao

机构 * Stony Brook University（石溪大学） ； ByteDance Inc.（字节跳动公司） ； Harvard Medical School（哈佛医学院） 纠错

专题命中 指令微调 ：language model(abstract)；SFT(abstract)

AI总结 RB-FT通过自动生成的理由提升视频分类性能，无需额外标注，有效提升模型对领域特定视频内容的理解能力。

Comments 11 pages, 2 figures

STAMP: Spatial-Temporal Adapter with Multi-Head Pooling

STAMP：带有多头池化的空间-时间适配器

Brad Shook, Abby Turner, Jieshi Chen, Michał Wiliński, Mononito Goswami, Jonathan Elmer, Artur Dubrawski

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pittsburgh School of Medicine（匹兹堡大学医学学院） 纠错

专题命中 指令微调 ：foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 STAMP通过多头池化机制，利用通用TSFMs生成的单变量嵌入，隐式建模EEG数据的空间-时间特性，实现与现有EEGFMs相当的性能。

Comments Accepted as a Proceedings paper at Machine Learning for Health (ML4H) 2025, invited presentation at the Time Series for Health (TS4H) Workshop, NeurIPS 2025. v2: Updated author affiliation and corrected a duplicated word in the text. No other changes

Diagnosing the Performance Trade-off in Moral Alignment: A Case Study on Gender Stereotypes

在道德一致性中的性能权衡诊断：关于性别刻板印象的案例研究

Guangliang Liu, Bocheng Chen, Han Zi, Xitong Zhang, Kristen Marie Johnson

机构 * Michigan State University（密歇根州立大学） ； University of Mississippi（密苏里大学） ； Northeastern University（东北大学） 纠错

专题命中 指令微调 ：language model(abstract)；分类 cs.CL

AI总结 本文通过分析性别刻板印象缓解中的性能权衡，发现当前公平性目标存在局限，整体遗忘与下游任务性能密切相关，选择性遗忘无法有效降低整体遗忘。