语言大模型 / LLM

A Monad-Based Clause Architecture for Artificial Age Score (AAS) in Large Language Models

基于单调的子句架构用于大型语言模型中的人工年龄评分（AAS）

Seyma Yaman Kayadibi

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.AI、cs.LG

AI总结 本文提出基于单调的子句架构，利用AAS作为核心，通过数学定理和数值实验，为大型语言模型提供透明的约束和分析框架。

Comments 42 pages, 6 toy simulation Python implementations, 20 monad clauses instantiated across six system bundles (ontology, dynamics, representation and consciousness, harmony and reason, body and organisation, teleology)

Citation-Grounded Code Comprehension: Preventing LLM Hallucination Through Hybrid Retrieval and Graph-Augmented Context

基于引用的代码理解：通过混合检索和图增强上下文防止LLM幻觉

Jahidul Arafat

机构 * Department of Computer Science and Software Engineering, Auburn University, Alabama, USA（计算机科学与软件工程系，阿伯丁大学，阿拉巴马州，美国） 纠错

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.LG

AI总结 本文提出混合检索与图增强上下文方法，通过系统评估实现92%引用准确率，有效防止LLM幻觉。

Understanding Structural Representation in Foundation Models for Polymers

理解聚合物基础模型中的结构表示

Nathaniel H. Park, Eduardo Soares, Victor Y. Shirasuna, Tiffany J. Callahan, Sara Capponi, Emilio Vital Brazil

机构 * IBM Research Almaden（IBM阿尔马登研究院） ； IBM Research Brazil（IBM巴西研究院） 纠错

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

AI总结 本文提出基于SMILES的聚合物图表示方法，展示了其在28个基准数据集上的高性能，并揭示了SMILES表示的强不变性及化学语言模型对序列空间的遍历性。

Towards Effective Model Editing for LLM Personalization

迈向有效的LLM个性化模型编辑

Baixiang Huang, Limeng Cui, Jiapeng Liu, Haoran Wang, Jiawei Xu, Zhuiyue Tan, Yutong Chen, Chen Luo, Yi Liu, Kai Shu

机构 * Emory University（埃默里大学） ； Amazon（亚马逊） 纠错

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

AI总结 本文提出个性化编辑框架，通过聚类偏好表示实现高效LLM个性化，提升多轮交互和隐含查询的性能。

Comments 15 pages (including appendix), 7 figures. Code, data, results, and additional resources are available at: https://model-editing.github.io

Hierarchical Molecular Language Models (HMLMs)

分层分子语言模型（HMLMs）

Hasi Hays, Yue Yu, William J. Richardson

机构 * Department of Chemical Engineering, University of Arkansas（化学工程系，亚拉巴马大学） 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.AI

AI总结 HMLMs通过构建分子语言模型，将细胞信号传递建模为分子语言，利用分层注意力机制和跨尺度操作符整合多模态数据，提升对复杂信号网络的时间动态预测能力，推动精准医学发展。

Comments The current version includes minor revisions to the preprint v2 (arXiv preprint arXiv:2512.00696), Added the Supplementary materials section

AgentSHAP: Interpreting LLM Agent Tool Importance with Monte Carlo Shapley Value Estimation

AgentSHAP: 通过蒙特卡洛夏普利值估计解释LLM代理工具的重要性

Miriam Horovicz

机构 * Fiverr Labs（Fiverr实验室） 纠错

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

AI总结 AgentSHAP通过蒙特卡洛夏普利值估计为LLM代理提供工具重要性解释，解决了工具层面可解释性问题。

Neural Chameleons: Language Models Can Learn to Hide Their Thoughts from Unseen Activation Monitors

神经变色龙：语言模型可以学习隐藏其思想以逃避未见的激活监控

Max McGuinness, Alex Serrano, Luke Bailey, Scott Emmons

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

AI总结 语言模型通过微调可学习逃避未见的激活监控，展示出零样本泛化能力，揭示模型在对抗威胁下的鲁棒性问题。

ConceptGuard: Neuro-Symbolic Safety Guardrails via Sparse Interpretable Jailbreak Concepts

ConceptGuard: 通过稀疏可解释的禁用概念实现神经符号安全防护

Darpan Aswal, Céline Hudelot

机构 * Department of Computer Science, Université Paris-Saclay（巴黎萨克雷大学计算机科学系） ； MICS, CentraleSupélec, Université Paris-Saclay（巴黎萨克雷大学MICS） 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 ConceptGuard通过稀疏自编码器识别可解释概念，构建可解释且可推广的安全防护，提升LLM对抗禁用攻击的能力。

ObliInjection: Order-Oblivious Prompt Injection Attack to LLM Agents with Multi-source Data

ObliInjection: 面向多源数据LLM代理的顺序无关提示注入攻击

Reachal Wang, Yuqi Jia, Neil Zhenqiang Gong

专题命中 知识编辑与模型理解 ：LLM(title,abstract)

AI总结 ObliInjection是一种针对多源数据LLM代理的新型提示注入攻击，通过顺序无关损失和顺序GCG算法有效污染输入数据以误导模型执行攻击者指定任务。

Comments To appear in NDSS 2026. For slides, see https://people.duke.edu/~zg70/code/PromptInjection.pdf

Conditional Representation Learning for Customized Tasks

基于条件的表示学习用于定制任务

Honglin Liu, Chao Sun, Peng Hu, Yunfan Li, Xi Peng

机构 * College of Computer Science, Sichuan University（四川大学计算机学院） ； Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空航天信息研究所） ； National Key Laboratory of Fundamental Algorithms and Models for Engineering Numerical Simulation, Sichuan University（四川大学工程数值模拟基础算法与模型国家重点实验室） 纠错

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 本文提出条件表示学习（CRL），通过生成描述性文本构建语义基底，将图像表示投影到定制特征空间，以提升定制任务的性能。

BaRISTA: Brain Scale Informed Spatiotemporal Representation of Human Intracranial Neural Activity

BaRISTA：人类脑内神经活动的脑尺度时空表示

Lucine L. Oganesian, Saba Hashemi, Maryam M. Shanechi

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 BaRISTA提出了一种多区域神经活动时空变换器模型及自监督任务，通过调整空间尺度提升下游解码性能。

Comments Published at the 39th Annual Conference on Neural Information Processing Systems (NeurIPS 2025). Code available at https://github.com/ShanechiLab/BaRISTA

Journal ref NeurIPS 2025

Progressive Localisation in Localist LLMs

局部化LLM中的渐进式局部化

Joachim Diederich

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 本文提出了一种渐进式局部化方法，通过自适应语义块划分和陡峭多项式调度，在保持性能的同时提升LLM的可解释性。

False Sense of Security: Why Probing-based Malicious Input Detection Fails to Generalize

虚假的安全感：基于探测的恶意输入检测为何无法泛化

Cheng Wang, Zeming Wei, Qin Liu, Muhao Chen

机构 * National University of Singapore（新加坡国立大学） ； Peking University（北京大学） ； University of California, Davis（加州大学戴维斯分校） 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 研究指出基于探测的恶意输入检测方法因学习表面模式而非语义有害性，导致无法泛化，需重新设计模型和评估协议。

A Survey on Uncertainty Quantification Methods for Deep Learning

Wenchong He, Zhe Jiang, Tingsong Xiao, Zelin Xu, Yukun Li

机构 * University of Florida（佛罗里达大学） ； Tufts University（塔夫茨大学） 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.LG

Comments Accepted to ACM Computing Surveys

SAGA: Open-World Mobile Manipulation via Structured Affordance Grounding

SAGA：通过结构化可及性 grounding 实现开放世界移动操作

Kuan Fang, Yuxin Chen, Xinghao Zhu, Farzad Niroui, Lingfeng Sun, Jiuguang Wang

机构 * RAI Institute（RAI研究院） 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 SAGA通过结构化可及性接地实现开放世界移动操作，能有效处理多种任务形式并实现零样本执行。

Comments 9 pages, 7 figures

Representation of the structure of graphs by sequences of instructions

通过指令序列表示图的结构

Ezequiel Lopez-Rubio

机构 * Department of Computer Languages and Computer Science University of Málaga（计算机语言与计算机科学系马拉加大学） 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 本文提出通过指令序列表示图结构，以提升深度学习模型对图的处理能力。

Self-Supervised Ultrasound Representation Learning for Renal Anomaly Prediction in Prenatal Imaging

自监督超声表示学习用于产前影像中肾异常预测

Youssef Megahed, Inok Lee, Robin Ducharme, Kevin Dick, Adrian D. C. Chan, Steven Hawken, Mark C. Walker

机构 * organization= Department of Systems ； Computer Engineering, Carleton University , city= Ottawa , state= Ontario , country= Canada ； organization= Department of Methodological ； Implementation Research, Ottawa Hospital Research Institute , city= Ottawa , state= Ontario , country= Canada ； organization= Department of Acute Care Research, Ottawa Hospital Research Institute , city= Ottawa , state= Ontario , country= Canada ； organization= Children's Hospital of Eastern Ontario Research Institute , city= Ottawa , state= Ontario , country= Canada ； organization= Better Outcomes Registry \& Network Ontario, Children’s Hospital of Eastern , city= Ottawa , state= Ontario , country= Canada ； organization= Department of Obstetrics ； Gynecology, University of Ottawa , city= Ottawa , state= Ontario , country= Canada ； organization= School of Epidemiology ； Public Health, University of Ottawa , city= Ottawa , state= Ontario , country= Canada ； organization= Department of Obstetrics, Gynecology \& Newborn Care, The Ottawa Hospital , city= Ottawa , state= Ontario , country= Canada ； Global Health Office, University of Ottawa , city= Ottawa , state= Ontario , country= Canada ； organization= Department of Clinical Science ； Translational Medicine, University of Ottawa , city= Ottawa , state= Ontario , country= Canada 纠错

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

AI总结 本文提出了一种自监督超声基础模型，用于产前影像中肾异常的自动分类，通过实验验证该模型在二分类和多类分类任务中均优于传统方法。

Comments 14 pages, 8 figures, 4 tables