语言大模型 / LLM

The Meta-Prompting Protocol: Orchestrating LLMs via Adversarial Feedback Loops

元提示协议：通过对抗反馈循环 orchestrate LLMs

Fanzhe Fu

机构 * Zhejiang University（浙江大学） 纠错

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

AI总结 元提示协议通过对抗反馈循环构建可编程自优化系统，解决LLM在关键任务中的确定性保证问题。

Comments 6 pages, 2 figures

Incentives or Ontology? A Structural Rebuttal to OpenAI's Hallucination Thesis

激励还是本体？对OpenAI“幻觉假说”的结构反驳

Richard Ackermann, Simeon Emanuilov

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

AI总结 本文反驳OpenAI关于幻觉源于激励不匹配的观点，指出幻觉是Transformer架构的必然结果，需通过外部验证模块消除，而非改变激励或微调。

Comments 17 pages, references to prior work arXiv:2509.16297 and arXiv:2511.06073

Multi-View Foundation Models

多视图基础模型

Leo Segre, Or Hirschorn, Shai Avidan

机构 * Tel Aviv University（特拉维夫大学） 纠错

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

AI总结 本文提出一种将基础模型转换为多视图基础模型的方法，通过引入3D感知注意力层提升多视角特征一致性，应用于表面法线估计和多视角分割任务，实验表明其在特征匹配上有显著提升。

Sparse Autoencoders Make Audio Foundation Models more Explainable

稀疏自编码器使音频基础模型更加可解释

Théo Mariotte, Martin Lebourdais, Antonio Almudévar, Marie Tahon, Alfonso Ortega, Nicolas Dugué

机构 * LIUM, Le Mans Université（利姆大学LIUM） ； VivoLab, I3A, University of Zaragoza（瓦沃拉实验室、I3A、萨拉戈萨大学） 纠错

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

AI总结 本研究利用稀疏自编码器分析音频预训练模型的隐藏表示，揭示其在歌唱技巧分类中的可解释性提升及对自监督学习系统的作用。

Comments 5 pages, 5 figures, 1 table, submitted to ICASSP 2026

Task Matrices: Linear Maps for Cross-Model Finetuning Transfer

任务矩阵：用于跨模型微调转移的线性映射

Darrin O' Brien, Dhikshith Gajulapalli, Eric Xia

机构 * Algoverse AI Research（Algoverse AI研究院） ； Brown University（布朗大学） 纠错

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

AI总结 本文提出任务矩阵，通过线性变换提升跨模型微调转移性能，验证了预训练与微调架构间的线性编码存在，并展示了高效可推广的数据近似方法。

Comments NeurIPS Unireps 2025

Preserving Marker Specificity with Lightweight Channel-Independent Representation Learning

通过轻量级通道无关表征学习保持标记特异性

Simon Gutwein, Arthur Longuefosse, Jun Seita, Sabine Taschner-Mandl, Roxane Licandro

机构 * St. Anna Children’s Cancer Research Institute（圣安娜儿童癌症研究中心） ； TU Wien, Institute of Visual Computing and Human-Centered Technology, CVL（维也纳技术大学，视觉计算与人本技术研究所，CVL） ； Medical University of Vienna, Biomedical Imaging and Image-guided Therapy, Computational Imaging Research, ELIA Group（维也纳医学大学，生物医学成像与影像引导治疗，计算成像研究，ELIA小组） ； RIKEN Center for Integrative Medical Sciences（理化学研究所整合医学中心） ； Medical University of Vienna, Comprehensive Center for AI in Medicine（维也纳医学大学，医学人工智能综合中心） ； Medical University of Vienna, Christian Doppler Lab for Mathematical Modelling and Simulation of Next-Generation Medical Ultrasound Devices（维也纳医学大学，基督教多普勒实验室（下一代医学超声设备数学建模与模拟）） 纠错

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

AI总结 本文提出轻量级通道无关模型CIM-S，通过保持标记独立性和浅层架构，在多路数据自监督学习中优于传统深度模型。

Comments 16 pages, 9 figures, MIDL 2026 conference

QLENS: Towards A Quantum Perspective of Language Transformers

QLENS：迈向语言转换器的量子视角

Aditya Gupta, Kirandeep Kaur, Vinayak Gupta, Chirag Shah

机构 * Issaquah High School, Washington, USA（华盛顿州伊萨夸高中） ； University of Washington, Washington, USA（华盛顿大学） 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 QLENS从量子力学角度提出语言转换器的物理视角，通过将潜在激活转换为希尔伯特空间中的状态向量，利用单位ary算子和哈密顿量建模转换器生成过程，探索其概率分布和预测轨迹的演化。

REAL: Representation Enhanced Analytic Learning for Exemplar-free Class-incremental Learning

REAL：基于表征增强的无实例类增量学习

Run He, Di Fang, Yizhu Chen, Kai Tong, Cen Chen, Yi Wang, Lap-pui Chau, Huiping Zhuang

机构 * Shien-Ming Wu School of Intelligent Engineering（申铭武智能工程学院） ； School of Future Technology（未来技术学院） ； Department of Electrical and Electronic Engineering（电气与电子工程系） 纠错

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

AI总结 REAL通过双流预训练和表征增强蒸馏提升无实例类增量学习的表征能力，结合特征融合缓冲器更高效利用主干网络知识，实现更优的分类性能。

Comments 13 pages, 7 figures. This paper is published in Knowledge-based System

If you can describe it, they can see it: Cross-Modal Learning of Visual Concepts from Textual Descriptions

如果你能描述它，他们就能看到它：从文本描述中跨模态学习视觉概念

Carlo Alberto Barbano, Luca Molinaro, Massimiliano Ciranni, Emanuele Aiello, Vito Paolo Pastore, Marco Grangetto

机构 * University of Turin（都灵大学） ； University of Genoa（热那亚大学） ； Politecnico di Torino（都灵理工大学） 纠错

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

AI总结 本文提出通过文本描述跨模态学习视觉概念的方法，利用知识迁移技术提升视觉-语言模型的零样本性能。

Comments 27 pages. Under review