语言大模型 / LLM

A Methodology for Quantitative AI Risk Modeling

一种量化AI风险建模的方法论

Malcolm Murray, Steve Barrett, Henry Papadatos, Otter Quarks, Matt Smith, Alejandro Tlaie Boria, Chloé Touzet, Siméon Campos

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文提出了一种整合情景构建与定量风险估算的方法论，用于量化AI风险，通过六个步骤系统性地建模潜在危害，并通过实际应用验证其有效性。

Comments The only changes in v2 are some updates to a few arXiv URLs in the references

Leveraging Depth and Language for Open-Vocabulary Domain-Generalized Semantic Segmentation

利用深度和语言实现开放词汇域通用语义分割

Siyu Chen, Ting Han, Chengzheng Fu, Changshe Zhang, Chaolei Wang, Jinhe Su, Guorong Cai, Meiliu Wu

机构 * Jimei University（集美大学） ； University of Glasgow（格拉斯哥大学） ； Sun Yat-sen University（中山大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Xidian University（西安电子科技大学） 纠错

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

AI总结 Vireo通过结合深度和语言信息，实现开放词汇域通用语义分割，提升跨领域和开放词汇的语义分割性能。

Comments Accepted by NeurIPS 2025

Grammaticality Judgments in Humans and Language Models: Revisiting Generative Grammar with LLMs

人类与语言模型的语法判断：用LLMs重新审视生成语法

Lars G. B. Johnsen

机构 * National Library of Norway（挪威国家图书馆） 纠错

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

AI总结 本文通过测试LLMs在主谓倒装和寄生缺口许可任务中的表现，揭示了LLMs对句法结构的敏感性，表明其在无显式编码的情况下能通过预测训练捕捉到生成语法的结构特征。

Comments 2 figures

Can LLMs Reason Over Non-Text Modalities in a Training-Free Manner? A Case Study with In-Context Representation Learning

LLMs能否在无训练模式下推理非文本模态？一种基于上下文表示学习的案例研究

Tianle Zhang, Wanlong Fang, Jonathan Woo, Paridhi Latawa, Deepak A. Subramanian, Alvin Chan

机构 * College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； AI-X, Interdisciplinary Graduate Programme, Nanyang Technological University（南洋理工大学人工智能交叉研究生项目） ； Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李科钦医学院） ； Centre of AI in Medicine (C-AIM), Nanyang Technological University（南洋理工大学医学人工智能中心） ； University of Toronto（多伦多大学） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里洛妇女医院） ； 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)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出ICRL框架，使LLMs在无训练情况下利用非文本模态表示，通过少量学习实现多模态推理，为适应性泛化提供新方向。

Comments NeurIPS 2025

Natural Language Interface for Firewall Configuration

防火墙配置的自然语言接口

F. Taghiyev, A. Aslanbayli

机构 * Tandon School of Engineering（塔恩顿工程学院） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； New York University（纽约大学） 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.AI

AI总结 本文提出了一种基于自然语言的防火墙配置接口，通过中间表示和验证层实现策略翻译与安全检查，旨在提升防火墙管理的可审计性和人机交互性。

Comments 7 pages, 3 figures. Preliminary version of an ongoing research project on natural language interfaces for firewall configuration

SAVE: Sparse Autoencoder-Driven Visual Information Enhancement for Mitigating Object Hallucination

SAVE：基于稀疏自编码器的视觉信息增强用于缓解物体幻觉

Sangha Park, Seungryong Yoo, Jisoo Mok, Sungroh Yoon

机构 * Department of Electrical and Computer Engineering, Seoul National University（电子与计算机工程系，首尔国立大学） ； Daegu Gyeongbuk Institute of Science and Technology（大邱庆州科学技术院） ； IPAI, AIIS, ASRI, INMC, and ISRC, Seoul National University（IPAI、AIIS、ASRI、INMC 和 ISRC，首尔国立大学） 纠错

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

AI总结 SAVE通过引导模型沿稀疏自编码器潜在特征减少物体幻觉，提升视觉理解能力。

Comments WACV 2026

Sequence-to-Image Transformation for Sequence Classification Using Rips Complex Construction and Chaos Game Representation

利用Rips复形构造和混沌游戏表示进行序列到图像的转换以实现序列分类

Sarwan Ali, Taslim Murad, Imdadullah Khan

机构 * Columbia University, NY, USA（哥伦比亚大学） ； IBA, Karachi, Pakistan（巴基斯坦伊斯兰堡大学） ； Lahore University of Management Sciences, Lahore, Pakistan（拉合尔管理科学大学） 纠错

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

AI总结 本文提出利用拓扑方法将分子序列转换为图像，结合CGR和Rips复形构造，提升序列分类性能。

LLM4FS: Leveraging Large Language Models for Feature Selection

利用大型语言模型进行特征选择

Jianhao Li, Xianchao Xiu

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

AI总结 本文提出LLM4FS混合策略，结合LLM的上下文理解与传统数据驱动方法，提升特征选择性能，超越单一方法表现。

Comments The experimental section should be expanded

On the Dynamics of Multi-Agent LLM Communities Driven by Value Diversity

多智能体LLM社区动态研究：由价值多样性驱动

Muhua Huang, Qinlin Zhao, Xiaoyuan Yi, Xing Xie

机构 * Stanford University（斯坦福大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

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

AI总结 本研究通过多智能体模拟探讨价值多样性如何影响AI社区的集体行为，发现其提升稳定性与创造力，但极端异质性会导致不稳定性。

Comments Working Paper

HarnessAgent: Scaling Automatic Fuzzing Harness Construction with Tool-Augmented LLM Pipelines

HarnessAgent：利用工具增强的LLM流水线实现自动模糊测试Harness构建的扩展

Kang Yang, Yunhang Zhang, Zichuan Li, Guanhong Tao, Jun Xu, Xiaojing Liao

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

AI总结 HarnessAgent通过工具增强的LLM流水线实现全自动、可扩展的模糊测试Harness构建，提升生成成功率和代码检索效率。

Better Language Model Inversion by Compactly Representing Next-Token Distributions

通过紧凑表示下一项令牌分布来改进语言模型反向工程

Murtaza Nazir, Matthew Finlayson, John X. Morris, Xiang Ren, Swabha Swayamdipta

机构 * University of Southern California（美国南加州大学） ； Cornell University（康奈尔大学） 纠错

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

AI总结 本文提出了一种通过紧凑表示下一项令牌分布来改进语言模型反向工程的方法，显著提升了隐藏提示的恢复率，并展示了其在复杂任务中的良好表现。

Pointwise Mutual Information as a Performance Gauge for Retrieval-Augmented Generation

点wise互信息作为检索增强生成的性能评估指标

Tianyu Liu, Jirui Qi, Paul He, Arianna Bisazza, Mrinmaya Sachan, Ryan Cotterell

机构 * ETH Zürich（苏黎世联邦理工学院） ； CLCG, University of Groningen（格罗宁根大学认知语言学中心） ； University of Toronto（多伦多大学） 纠错

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

AI总结 本文提出利用点wise互信息作为检索增强生成的性能评估指标，通过实验验证其在提升生成性能中的有效性。

Comments NAACL 2025 Main Conference. Code is available at https://github.com/lyutyuh/poptimizer

A Generation Framework with Strict Constraints for Crystal Materials Design

具有严格约束的晶体材料设计生成框架

Chao Huang, Jiahui Chen, Chen Chen, Chen Chen, Chunyan Chen, Renjie Su, Shiyu Du

机构 * Institute of Computing Technology（计算技术研究所） ； Chinese Academy of Science（中国科学院） ； Ningbo Institute of Artificial Intelligence Industry（宁波人工智能产业研究所） ； Hangzhou Institute for Advanced Study（杭州高级研究所） ； UCAS ； China University of Petroleum (East China)（中国石油大学（华东）） ； Ningbo Institute of Materials Technology and Engineering（宁波材料技术与工程研究所） 纠错

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

AI总结 本文提出一种具有严格约束的晶体材料设计生成框架，通过约束生成器和结构生成器生成满足特定化学和物理性质的晶体结构，提高生成效率并确保化学组成准确性。

Suzume-chan: Your Personal Navigator as an Embodied Information Hub

Suzume-chan: 你的个人导航员作为具身信息中心

Maya Grace Torii, Takahito Murakami, Shuka Koseki, Yoichi Ochiai

机构 * Doctoral Program in Informatics, University of Tsukuba（信息学博士项目，东京大学） ； Doctoral Program in Nursing Science, University of Tsukuba（护理科学博士项目，东京大学） ； Institute of Library, Information and Media Science, University of Tsukuba（图书馆、信息与媒体科学研究所，东京大学） 纠错

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

AI总结 Suzume-chan通过具身交互实现人机知识共享，利用本地AI和对话技术提升信息传递的温度与连通性。

Comments 3 pages, 1 figure, This study will demonstrate at WISS 2025

Maple: A Multi-agent System for Portable Deep Learning across Clusters

Maple：一种用于跨集群便携式深度学习的多智能体系统

Molang Wu, Zhao Zhang

专题命中 其他LLM ：language model(abstract)

AI总结 Maple通过多智能体系统根据用户自然语言输入生成正确的深度学习命令行，实现跨集群便携式深度学习。