语言大模型 / LLM

Revisiting Theory of Contrastive Learning for Domain Generalization

重新审视对比学习在领域泛化中的理论

Ali Alvandi, Mina Rezaei

机构 * Munich Center for Machine Learning（慕尼黑机器学习中心） ； Department of Computer Science, Sharif University of Technology（技术学院计算机科学系） ； Department of Statistics, LMU Munich（慕尼黑大学统计系） 纠错

专题命中 领域大模型 ：pretraining(abstract)；分类 cs.LG

AI总结 本文重新审视对比学习在领域泛化中的理论，提出新的泛化界限以考虑领域偏移和领域泛化的双重不匹配问题，并推导出学习表示在平均分类任务上的性能保证。

Comments 19 pages

UCAgents: Unidirectional Convergence for Visual Evidence Anchored Multi-Agent Medical Decision-Making

UCAgents: 视觉证据锚定的多智能体医学决策收敛

Qianhan Feng, Zhongzhen Huang, Yakun Zhu, Xiaofan Zhang, Qi Dou

机构 * The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 领域大模型 ：language model(abstract)；分类 cs.AI

AI总结 UCAgents通过结构化证据审计和单向收敛机制，在医疗视觉问答中提升准确率并降低计算成本，平衡视觉证据揭示与文本干扰避免。

CAIRNS: Balancing Readability and Scientific Accuracy in Climate Adaptation Question Answering

CAIRNS：在气候适应问答中平衡可读性与科学准确性

Liangji Kong, Aditya Joshi, Sarvnaz Karimi

机构 * University of New South Wales（新南威尔士大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.CL

AI总结 CAIRNS通过结构化提示和混合评估器，在无需微调或强化学习的情况下，实现了可读、可验证且领域相关的气候适应问答。

Comments Short Paper; Under Review at The WebConf 2026 (single-blind submission)

The brain-AI convergence: Predictive and generative world models for general-purpose computation

脑与人工智能的融合：面向通用计算的预测性和生成性世界模型

Shogo Ohmae, Keiko Ohmae

专题命中 领域大模型 ：分类 cs.CL、cs.AI；large language model(comments)；language model(comments)

AI总结 本文探讨脑与AI在世界模型计算中的共同机制，揭示预测性与生成性模型如何实现通用计算及类人智能。

Comments 22 pages, 4 figures. Related to our earlier preprint "The brain versus AI" (arXiv:2411.16075) but a distinct article. The earlier work surveyed broad brain-AI parallels; here we focus on world-model-based computation and convergent evolution between the brain and AI, especially large language models

Beyond N-grams: A Hierarchical Reward Learning Framework for Clinically-Aware Medical Report Generation

超越n-gram：一种面向临床意识的医疗报告生成层次奖励学习框架

Yuan Wang, Shujian Gao, Jiaxiang Liu, Songtao Jiang, Haoxiang Xia, Xiaotian Zhang, Zhaolu Kang, Yemin Wang, Zuozhu Liu

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文提出HiMed-RL框架，通过层次化奖励学习提升医疗报告生成的临床质量与事实准确性。

Comments 10 pages, 4 figures

On the Problem of Consistent Anomalies in Zero-Shot Anomaly Detection

关于零样本异常检测中一致异常问题的研究

Tai Le-Gia

机构 * Department of Mathematics Graduate School（数学系研究生院） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 本研究提出CoDeGraph框架，解决零样本异常检测中的一致异常问题，并扩展至3D医学影像，实现无需训练的零样本检测。

Comments PhD Dissertation

Detect Anything 3D in the Wild

在野外检测任意3D对象

Hanxue Zhang, Haoran Jiang, Qingsong Yao, Yanan Sun, Renrui Zhang, Hao Zhao, Hongyang Li, Hongzi Zhu, Zetong Yang

机构 * OpenDriveLab at Shanghai AI Laboratory（上海人工智能实验室开放驾驶实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学） ； CUHK MMLab（香港大学多模态实验室） ； Tsinghua University（清华大学） ； GAC R&D Center（广汽研发中心） 纠错

专题命中 领域大模型 ：foundation model(abstract)

AI总结 DetAny3D通过结合2D基础模型知识和3D解释器，实现了在任意相机配置下检测任意新物体的3D检测基础模型。

Towards Unification of Hallucination Detection and Fact Verification for Large Language Models

迈向大型语言模型中幻觉检测与事实验证的统一

Weihang Su, Jianming Long, Changyue Wang, Shiyu Lin, Jingyan Xu, Ziyi Ye, Qingyao Ai, Yiqun Liu

机构 * DCST, Tsinghua University（清华大学数据科学研究院） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出UniFact框架，通过统一评估方法揭示幻觉检测与事实验证的互补性，并证明混合方法在LLM中的优越性。

Induction Head Toxicity Mechanistically Explains Repetition Curse in Large Language Models

诱导头毒性机制解释了大语言模型中的重复诅咒

Shuxun Wang, Qingyu Yin, Chak Tou Leong, Qiang Zhang, Linyi Yang

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

AI总结 本文揭示诱导头的毒性机制导致大语言模型重复诅咒，并提出通过注意力头正则化技术缓解该问题的方法。

Comments Need to be refined

From Word Vectors to Multimodal Embeddings: Techniques, Applications, and Future Directions For Large Language Models

从词向量到多模态嵌入：大型语言模型的技术、应用与未来方向

Charles Zhang, Benji Peng, Xintian Sun, Qian Niu, Junyu Liu, Keyu Chen, Ming Li, Pohsun Feng, Ziqian Bi, Ming Liu, Yichao Zhang, Xinyuan Song, Cheng Fei, Caitlyn Heqi Yin, Lawrence KQ Yan, Hongyang He, Tianyang Wang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Simon Fraser University（西蒙弗雷泽大学） ； Kyoto University（京都大学） ； National Taiwan Normal University（台湾师范大学） ； Purdue University（普渡大学） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Emory University（埃默里大学） ； Cornell University（康奈尔大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； The Hong Kong University of Science（香港科学大学） ； University of Liverpool（利物浦大学） ； University of Warwick（沃里克大学） 纠错

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

AI总结 本文综述了从词向量到多模态嵌入的发展，探讨了大型语言模型的技术、应用及未来方向。

Comments 21 pages

QCD in Language Models: What do they really know about QCD?

语言模型中的QCD：它们真的了解QCD吗？

Antonin Sulc, Patrick L. S. Connor

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

AI总结 研究分析了语言模型对QCD的理解，揭示其在参数空间中对QCD概念的嵌入模式，并指出模型在高级量子场论表示上的局限性。

Comments 6 pages, 4 figures, presented at EPS HEP 2025 by Patrick L.S. Connor as Oral Presentation

VoxRep: Enhancing 3D Spatial Understanding in 2D Vision-Language Models via Voxel Representation

VoxRep：通过体素表示增强2D视觉-语言模型的3D空间理解

Alan Dao, Norapat Buppodom

机构 * Menlo Research（Menlo研究） 纠错

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

AI总结 本文提出VoxRep方法，通过将体素空间切分为2D切片并输入预训练的视觉-语言模型，实现对3D环境的高效语义理解。

Journal ref Proc. APSIPA ASC 2025, pp. 1464-1469

AuditCopilot: Leveraging LLMs for Fraud Detection in Double-Entry Bookkeeping

AuditCopilot: 利用大语言模型在复式记账中进行欺诈检测

Md Abdul Kadir, Sai Suresh Macharla Vasu, Sidharth S. Nair, Daniel Sonntag

机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； Oldenburg University（奥尔登堡大学） ； Saarland University（萨尔兰州立大学） 纠错

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

AI总结 AuditCopilot利用大语言模型在复式记账中检测欺诈，优于传统方法并提供自然语言解释，提升审计的可解释性和效率。

Quantum LLMs Using Quantum Computing to Analyze and Process Semantic Information

利用量子计算分析和处理语义信息的量子大语言模型

Timo Aukusti Laine

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

AI总结 本文提出利用量子计算分析大语言模型语义信息的方法，通过量子电路与LLM语义空间的映射，实验验证了量子计算在语义相似性计算中的应用潜力。

Comments 18 pages, 6 figures

H-Neurons: On the Existence, Impact, and Origin of Hallucination-Associated Neurons in LLMs

H-Neurons: 关于大语言模型中与幻觉相关的神经元的存在、影响及其起源

Cheng Gao, Huimin Chen, Chaojun Xiao, Zhiyi Chen, Zhiyuan Liu, Maosong Sun

机构 * Tsinghua University（清华大学） 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、cs.AI

AI总结 本文研究了大语言模型中与幻觉相关的神经元的存在、影响及起源，揭示了这些神经元在预测幻觉和因果行为中的作用，为提升模型可靠性提供新视角。

Comments 20 pages, 4 figures

Graphing the Truth: Structured Visualizations for Automated Hallucination Detection in LLMs

图示真相：用于自动幻觉检测的结构化可视化

Tanmay Agrawal

机构 * Department of Computer Science, University of Arizona（计算机科学系，亚利桑那大学） 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、cs.AI

AI总结 本文提出通过结构化可视化技术，帮助自动检测大型语言模型中的幻觉问题，提升模型可靠性和响应质量。

Geometric Uncertainty for Detecting and Correcting Hallucinations in LLMs

几何不确定性用于检测和纠正大语言模型中的幻觉

Edward Phillips, Sean Wu, Soheila Molaei, Danielle Belgrave, Anshul Thakur, David Clifton

机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； GlaxoSmithKline（葛兰素史克） ； Oxford Suzhou Centre for Advanced Research（牛津苏黎世高级研究中心） 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 本文提出几何框架用于检测和纠正大语言模型中的幻觉，通过几何体积和几何怀疑方法提升响应可靠性。

Comments Revision. Clarified positioning as a unified geometric framework for global and local uncertainty in LLMs. Added baselines (Degree, Eccentricity) and expanded comparison to related methods. Included ablations (PCA dimension, number of archetypes, number of samples) and complexity analysis. Extended discussion of medical QA results and model-specific behaviour

InEx: Hallucination Mitigation via Introspection and Cross-Modal Multi-Agent Collaboration

InEx：通过内省与跨模态多智能体协作缓解幻觉

Zhongyu Yang, Yingfang Yuan, Xuanming Jiang, Baoyi An, Wei Pang

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

AI总结 InEx通过内省推理和跨模态多智能体协作，自主缓解大型语言模型的幻觉问题，实验表明其在多个基准上表现优异。

Comments Published in AAAI 2026

Bias Beyond Demographics: Probing Decision Boundaries in Black-Box LVLMs via Counterfactual VQA

偏见超越人口统计：通过反事实视觉问答探测黑盒大视觉-语言模型的决策边界

Zaiying Zhao, Toshihiko Yamasaki

机构 * The University of Tokyo（东京大学） 纠错

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

AI总结 本文通过反事实VQA基准探测黑盒LVLMs的决策边界，揭示非人口属性对决策的更大影响，并展示人类规范验证示例对提升模型响应一致性和公平性的作用。

SQLBarber: A System Leveraging Large Language Models to Generate Customized and Realistic SQL Workloads

SQLBarber: 借助大型语言模型生成定制化和真实SQL工作负载的系统

Jiale Lao, Immanuel Trummer

机构 * Cornell University（康奈尔大学） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 SQLBarber利用大型语言模型生成定制化且真实的SQL工作负载，通过声明式接口和贝叶斯优化器高效生成符合目标成本分布的查询。

Comments Accepted by SIGMOD 2026; extended version with appendix

Do Large Language Models Think Like the Brain? Sentence-Level Evidences from Layer-Wise Embeddings and fMRI

大语言模型是否像大脑思考？来自逐句嵌入和fMRI的层间证据

Yu Lei, Xingyang Ge, Yi Zhang, Yiming Yang, Bolei Ma

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

AI总结 本研究通过比较LLMs的层级嵌入与fMRI数据，揭示了大语言模型在句级层面与人类大脑的相似性，展示了LLMs在语言处理中的潜在应用价值。

Comments AAAI 2026

Model-Driven Quantum Code Generation Using Large Language Models and Retrieval-Augmented Generation

基于大语言模型和检索增强生成的模型驱动量子代码生成

Nazanin Siavash, Armin Moin

机构 * Department of Computer Science University of Colorado Colorado Springs (UCCS)（计算机科学系 佛罗里达大学科罗拉多州春分校） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI

AI总结 本文提出利用大语言模型和检索增强生成技术，通过UML模型生成量子代码，提升量子计算代码的准确性和一致性。

Comments This paper is accepted to the New Ideas and Emerging Results (NIER) track of the ACM/IEEE 28th International Conference on Model Driven Engineering Languages and Systems (MODELS)

HeavyWater and SimplexWater: Distortion-Free LLM Watermarks for Low-Entropy Next-Token Predictions

重水与简单水：用于低熵下一个词预测的无失真LLM水印

Dor Tsur, Carol Xuan Long, Claudio Mayrink Verdun, Hsiang Hsu, Chen-Fu Chen, Haim Permuter, Sajani Vithana, Flavio P. Calmon

专题命中 其他LLM ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出HeavyWater和SimplexWater两种无失真LLM水印方法，适用于低熵生成任务，实现高检测准确性和低文本失真。

Comments Presented at NeurIPS2025

The Evolutionary Ecology of Software: Constraints, Innovation, and the AI Disruption

软件的进化生态：约束、创新与人工智能颠覆

Sergi Valverde, Blai Vidiella, Salva Duran-Nebreda

专题命中 其他LLM ：large language model(abstract)；language model(abstract)

AI总结 本文研究软件进化生态，探讨人工智能驱动开发工具对软件创新和文化演变的影响。

Comments This article is a contributed chapter to the SFI edited volume: The Economy as a Complex Evolving System, Part IV (2025)

Limitations of Using Identical Distributions for Training and Testing When Learning Boolean Functions

在学习布尔函数时使用相同分布进行训练和测试的局限性

Jordi Pérez-Guijarro

机构 * SPCOM Group, Universitat Politècnica de Catalunya, Barcelona, Spain（SPCOM组，加泰罗尼亚理工大学，巴塞罗那，西班牙） 纠错

专题命中 其他LLM ：prompting(abstract)；分类 cs.AI、cs.LG

AI总结 本文探讨了在学习布尔函数时，训练和测试分布是否必须相同以实现最优泛化，发现即使在存在单向函数的情况下，匹配分布也不总是最佳选择。

Hidden in Plain Text: Emergence & Mitigation of Steganographic Collusion in LLMs

隐于 plain 文本：LLMs 中隐写术合谋的出现与缓解

Yohan Mathew, Ollie Matthews, Robert McCarthy, Joan Velja, Christian Schroeder de Witt, Dylan Cope, Nandi Schoots

机构 * LASR Labs（LASR实验室） ； University College London（伦敦大学学院） ； University of Amsterdam（阿姆斯特丹大学） ； University of Oxford（牛津大学） 纠错

专题命中 其他LLM ：LLM(abstract)；分类 cs.CL、cs.LG

AI总结 本文首次发现LLMs在训练期间因奖励激励设置不当而产生隐写术合谋，并指出现有缓解措施不足，需创新技术以防止此类合谋。

Comments Camera-ready version. Oral presentation at IJCNLP-AACL 2025 (14th International Joint Conference on Natural Language Processing and 4th Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics), Mumbai, India, December 20-24, 2025

A Concise Review of Hallucinations in LLMs and their Mitigation

对大型语言模型中幻觉及其缓解方法的简要回顾

Parth Pulkundwar, Vivek Dhanawade, Rohit Yadav, Minal Sonkar, Medha Asurlekar, Sarita Rathod

机构 * Computer Engineering K J Somaiya Institute of Technology Mumbai, India ； Data Science K J Somaiya Institute of Technology Mumbai, India ； Information Technology K J Somaiya Institute of Technology Mumbai, India 纠错

专题命中 其他LLM ：language model(abstract)；分类 cs.CL、cs.LG

AI总结 本文简要回顾了大型语言模型中的幻觉现象及其缓解方法，探讨了幻觉的类型、成因及应对策略，为理解与减轻幻觉提供全面概述。

Comments 7 pages

Bangla Hate Speech Classification with Fine-tuned Transformer Models

使用微调的Transformer模型进行孟加拉语仇恨言论分类

Yalda Keivan Jafari, Krishno Dey

机构 * Faculty of Computer Science, University of New Brunswick（计算机科学学院，新 Brunswick大学） 纠错

专题命中 其他LLM ：language model(abstract)；分类 cs.CL

AI总结 本文研究了孟加拉语仇恨言论分类，使用微调的Transformer模型，发现BanglaBERT在两个子任务中表现最佳，强调了语言特定预训练的重要性。

Unifying Linear-Time Attention via Latent Probabilistic Modelling

通过潜在概率建模统一线性时间注意力

Rares Dolga, Lucas Maystre, Marius Cobzarenco, David Barber

机构 * University College London, AI Centre（伦敦大学学院，人工智能中心） ； UiPath 纠错

专题命中 其他LLM ：language model(abstract)；分类 cs.CL

AI总结 本文通过潜在概率建模统一线性时间注意力，提出定向参数化方法以解决方向性问题，并在语言建模中取得优于现有方法的性能。