语言大模型 / LLM

Beyond Protein Language Models: An Agentic LLM Framework for Mechanistic Enzyme Design

超越蛋白质语言模型：一种用于机制酶设计的代理LLM框架

Bruno Jacob, Khushbu Agarwal, Marcel Baer, Peter Rice, Simone Raugei

机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；language model(title,abstract)；分类 cs.AI

AI总结 Genie-CAT通过整合文献推理、结构解析、静电势计算和机器学习预测，实现蛋白质设计中可解释的科学假设生成，提升计算发现效率。

Comments 10 pages, 4 figures

Differentiated Directional Intervention A Framework for Evading LLM Safety Alignment

差异化方向干预：一种规避LLM安全对齐的框架

Peng Zhang, Peijie Sun

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出DBDI框架，通过区分有害检测和拒绝执行方向，提升LLM安全对齐的规避效果。

Comments AAAI-26-AIA

Frame Representation Hypothesis: Multi-Token LLM Interpretability and Concept-Guided Text Generation

框架表示假说：多词LLM可解释性与概念引导的文本生成

Pedro H. V. Valois, Lincon S. Souza, Erica K. Shimomoto, Kazuhiro Fukui

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出框架表示假说，通过多词建模提升LLM的可解释性，利用概念引导解码实现更安全透明的文本生成。

UPLME: Uncertainty-Aware Probabilistic Language Modelling for Robust Empathy Regression

UPLME：面向鲁棒共情回归的不确定性感知概率语言建模

Md Rakibul Hasan, Md Zakir Hossain, Aneesh Krishna, Shafin Rahman, Tom Gedeon

机构 * School of Electrical Engineering, Computing and Mathematical Sciences, Curtin University（电气工程、计算与数学科学学院，科廷大学） ； North South University（北南大学） ； BRAC University（布拉克大学） ； The Australian National University（澳大利亚国立大学） ； University of ÓBuda（奥布达大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.CL、cs.LG

AI总结 UPLME通过不确定性感知的概率语言建模框架，有效应对共情回归任务中的标签噪声问题，实现性能提升。

Comments Code available at https://github.com/hasan-rakibul/UPLME

Investigating Representation Universality: Case Study on Genealogical Representations

探讨表示通用性：谱系表示的案例研究

David D. Baek, Yuxiao Li, Max Tegmark

机构 * MIT（麻省理工学院） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本研究探讨了大型语言模型在表示谱系信息时的通用性，通过两种实验证据验证图结构表示的通用性，并指出缺乏地面真实表示的挑战。

Comments 14 pages, 7 figures

Journal ref NeurIPS 2025 Workshop on Responsible Foundation Models

Priors in Time: Missing Inductive Biases for Language Model Interpretability

时间中的先验：语言模型可解释性中缺失的归纳偏置

Ekdeep Singh Lubana, Can Rager, Sai Sumedh R. Hindupur, Valerie Costa, Greta Tuckute, Oam Patel, Sonia Krishna Murthy, Thomas Fel, Daniel Wurgaft, Eric J. Bigelow, Johnny Lin, Demba Ba, Martin Wattenberg, Fernanda Viegas, Melanie Weber, Aaron Mueller

机构 * Goodfire AI ； Independent（独立） ； SEAS, Harvard University（哈佛大学SEAS学院） ； EPFL（瑞士联邦理工学院） ； Kempner Institute at Harvard University（哈佛大学凯普内研究所） ； Department of Psychology, Stanford University（斯坦福大学心理学系） ； Department of Psychology, Harvard University（哈佛大学心理学系） ； Decode Research ； Boston University（波士顿大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.LG

AI总结 本文提出时序特征分析方法，通过引入时序归纳偏置，改进语言模型表示的可解释性，有效区分抽象与新颖信息，克服现有方法的局限。

Comments Preprint

4D-VGGT: A General Foundation Model with SpatioTemporal Awareness for Dynamic Scene Geometry Estimation

4D-VGGT：一种具有时空意识的通用基础模型，用于动态场景几何估计

Haonan Wang, Hanyu Zhou, Haoyue Liu, Luxin Yan

机构 * National Key Lab of Multispectral Information Intelligent Processing Technology, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（多谱信息智能处理国家实验室，人工智能与自动化学院，华中科技大学） ； School of Computing, National University of Singapore（计算学院，新加坡国立大学） 纠错

专题命中 知识编辑与模型理解 ：foundation model(title,abstract)

AI总结 4D-VGGT通过分而治之的时空表示方法，提升动态场景几何估计的准确性和通用性。

For Those Who May Find Themselves on the Red Team

那些可能发现自己在红队中的人

Tyler Shoemaker

机构 * Texas A&M University（德克萨斯大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文主张文学学者应参与LLM可解释性研究，强调红队作为思想斗争的可能场所。

Community-Aligned Behavior Under Uncertainty: Evidence of Epistemic Stance Transfer in LLMs

在不确定性下对齐的行为：LLMs中认知立场转移的证据

Patrick Gerard, Aiden Chang, Svitlana Volkova

专题命中 知识编辑与模型理解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本研究通过删除事件知识验证LLMs在无知情况下仍能保持社区特定的行为模式，证明对齐编码了结构化且可推广的行为，推动更安全的LLM部署。

Comments 37 pages, EurIPS 2025

"AGI" team at SHROOM-CAP: Data-Centric Approach to Multilingual Hallucination Detection using XLM-RoBERTa

SHROOM-CAP团队的AGI：基于XLM-RoBERTa的多语言幻觉检测数据导向方法

Harsh Rathva, Pruthwik Mishra, Shrikant Malviya

机构 * Sardar Vallabhbhai National Institute of Technology (SVNIT)（萨达尔·瓦拉布尔·尼蒂国家理工学院） 纠错

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 SHROOM-CAP团队提出基于XLM-RoBERTa的多语言幻觉检测方法，通过数据集统一和平衡提升模型性能，尤其在印地语等低资源语言中取得显著成果。

Comments Accepted to the 1st Workshop on Confabulation, Hallucinations & Overgeneration in Multilingual and Practical Settings (CHOMPS) at AACL-IJCNLP 2025

Neural Transparency: Mechanistic Interpretability Interfaces for Anticipating Model Behaviors for Personalized AI

神经透明：用于预测模型行为的机制可解释性接口以实现个性化AI

Sheer Karny, Anthony Baez, Pat Pataranutaporn

机构 * MIT Media Lab（麻省理工学院媒体实验室） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract)；language model(abstract)；分类 cs.AI

AI总结 本研究提出神经透明接口，通过可视化语言模型内部结构帮助用户预测AI行为，提升信任并促进更安全的人机交互。

Comments SK and AB are co-first authors

MindCraft: How Concept Trees Take Shape In Deep Models

MindCraft: 深度模型中概念树如何形成

Bowei Tian, Yexiao He, Wanghao Ye, Ziyao Wang, Meng Liu, Ang Li

机构 * University of Maryland, College Park（马里兰大学 College Park 分校） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 MindCraft通过概念树框架揭示深度模型中概念的层次结构和分离过程，为可解释AI提供新的分析方法。

Pathway to Relevance: How Cross-Encoders Implement a Semantic Variant of BM25

相关性路径：交叉编码器如何实现语义变体的BM25

Meng Lu, Catherine Chen, Carsten Eickhoff

机构 * Brown University（布朗大学） ； University of Tübingen（图宾根大学） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.AI

AI总结 本文通过分析交叉编码器的机制，揭示其如何通过结合传统相关性信号实现语义变体的BM25排序功能。

SCALER: SAM-Enhanced Collaborative Learning for Label-Deficient Concealed Object Segmentation

SCALER：基于SAM的增强协同学习用于标签匮乏的隐蔽物体分割

Chunming He, Rihan Zhang, Longxiang Tang, Ziyun Yang, Kai Li, Deng-Ping Fan, Sina Farsiu

机构 * Duke University（杜克大学） ； Harvard University（哈佛大学） ； Apple（苹果公司） ； Meta ； Nankai University（南开大学） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)；分类 cs.AI

AI总结 SCALER通过联合优化分割器和SAM，提升隐蔽物体分割在标签稀缺条件下的性能。

Comments 4 figures, 6 tables

Rethinking Intermediate Representation for VLM-based Robot Manipulation

重新思考基于VLM的机器人操作中的中间表示

Weiliang Tang, Jialin Gao, Jia-Hui Pan, Gang Wang, Li Erran Li, Yunhui Liu, Mingyu Ding, Pheng-Ann Heng, Chi-Wing Fu

机构 * CUHK（香港中文大学） ； Amazon（亚马逊） ； UNC（北卡罗来纳大学教堂山分校） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)

AI总结 本文提出SEAM表示方法，通过分解中间表示为词汇和语法，提升VLM在机器人操作中的可理解和通用性，结合检索增强的少样本学习策略实现高效操作，并在动作通用性和VLM可理解性上展示出优于主流方法的性能。

CUS-GS: A Compact Unified Structured Gaussian Splatting Framework for Multimodal Scene Representation

CUS-GS: 一种紧凑的统一结构高斯点扩散框架用于多模态场景表示

Yuhang Ming, Chenxin Fang, Xingyuan Yu, Fan Zhang, Weichen Dai, Wanzeng Kong, Guofeng Zhang

机构 * School of Computer Science, Hangzhou Dianzi University（杭州电子科技大学计算机科学学院） ； CAD & CG, Zhejiang University（浙江大学计算机辅助设计与图形学研究所） ； School of Computer Science, University of Bristol（布里斯托大学计算机科学学院） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 CUS-GS通过统一结构化高斯点扩散框架，实现多模态场景表示的高效建模与语义一致性。

Comments 15 pages, 8 figures, 4 tables