语言大模型 / LLM

NorwAI's Large Language Models: Technical Report

NorwAI的大型语言模型：技术报告

Jon Atle Gulla, Peng Liu, Lemei Zhang

机构 * Norwegian Research Center for AI Innovation (NorwAI)（挪威人工智能创新研究中心） 纠错

专题命中 预训练与数据 ：large language model(title,abstract)；language model(title,abstract)；post-training(abstract)；分类 cs.CL

AI总结 NorwAI开发了针对挪威语和其他斯堪的纳维亚语言的大型语言模型，通过预训练和微调策略提升性能与适应性，适用于交互和领域特定应用。

Observations and Remedies for Large Language Model Bias in Self-Consuming Performative Loop

大语言模型自我消耗表现性循环中的观测与对策

Yaxuan Wang, Zhongteng Cai, Yujia Bao, Xueru Zhang, Yang Liu

机构 * University of California, Santa Cruz（加州大学圣克ruz分校） ； The Ohio State University（俄亥俄州立大学） ； Center for Advanced AI, Accenture（Accenture高级人工智能中心） 纠错

专题命中 预训练与数据 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本研究提出自我消耗表现性循环（SCPL）概念，通过实验发现表现性循环会增加偏好偏见并降低差异偏见，设计奖励拒绝采样策略以缓解偏见。

An LLM + ASP Workflow for Joint Entity-Relation Extraction

基于LLM与ASP的工作流联合实体-关系抽取

Trang Tran, Trung Hoang Le, Huiping Cao, Tran Cao Son

机构 * New Mexico State University（新墨西哥州立大学） 纠错

专题命中 预训练与数据 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出基于LLM与ASP的工作流，利用其优势在有限数据下提升JERE任务性能，尤其在SciERC基准上表现突出。

Comments In Proceedings ICLP 2025, arXiv:2601.00047

Journal ref EPTCS 439, 2026, pp. 63-75

Pelican Soup Framework: A Theoretical Framework for Language Model Capabilities

Pelican Soup框架：语言模型能力的一种理论框架

Ting-Rui Chiang, Dani Yogatama

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

专题命中 预训练与数据 ：language model(title,abstract)；pretraining(abstract)；分类 cs.CL、cs.AI

AI总结 Pelican Soup框架通过引入知识库和参考意义关联，探讨语言模型在预训练和上下文学习中的能力，并推导出相关理论界。

CounterVid: Counterfactual Video Generation for Mitigating Action and Temporal Hallucinations in Video-Language Models

CounterVid: 通过生成反事实视频缓解视频-语言模型中动作和时间幻觉

Tobia Poppi, Burak Uzkent, Amanmeet Garg, Lucas Porto, Garin Kessler, Yezhou Yang, Marcella Cornia, Lorenzo Baraldi, Rita Cucchiara, Florian Schiffers

机构 * University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学） ； University of Pisa（帕尔马大学） ； Amazon Prime Video（亚马逊Prime视频） 纠错

专题命中 预训练与数据 ：language model(title,abstract)；preference optimization(abstract)；分类 cs.CL、cs.AI

AI总结 CounterVid通过生成反事实视频缓解视频-语言模型中动作和时间幻觉问题，提出反事实视频生成框架和MixDPO方法，提升时间推理和动作识别性能。

MoIIE: Mixture of Intra- and Inter-Modality Experts for Large Vision Language Models

MoIIE：多模态专家的混合模型用于大视觉语言模型

Dianyi Wang, Siyuan Wang, Zejun Li, Yikun Wang, Yitong Li, Duyu Tang, Xiaoyu Shen, Xuanjing Huang, Zhongyu Wei

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institut（上海创新研究院） ； University of Southern California（南加州大学） ； Huawei Technologies Co., Ltd（华为技术有限公司） ； Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative, Institute of Digital Twin, EIT（宁波空间智能与数字衍生关键实验室，数字孪生研究院，EIT） 纠错

专题命中 预训练与数据 ：language model(title,abstract)；LLM(abstract)

AI总结 本文提出MoIIE模型，通过混合内模态和跨模态专家提升大视觉语言模型的效率和性能。

Attribute-Aware Controlled Product Generation with LLMs for E-commerce

基于属性意识的LLM电商产品生成控制

Virginia Negri, Víctor Martínez Gómez, Sergio A. Balanya, Subburam Rajaram

机构 * Amazon Spain（亚马逊西班牙分公司） ； Amazon Germany（亚马逊德国分公司） 纠错

专题命中 预训练与数据 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出基于LLM的属性意识电商产品生成方法，通过三种策略生成高质量合成数据，提升电商数据集的准确率与实用性。

Comments AAAI'26 Workshop on Shaping Responsible Synthetic Data in the Era of Foundation Models (RSD)

Learnable Multipliers: Freeing the Scale of Language Model Matrix Layers

可学习的乘数：解放语言模型矩阵层的尺度

Maksim Velikanov, Ilyas Chahed, Jingwei Zuo, Dhia Eddine Rhaiem, Younes Belkada, Hakim Hacid

机构 * Falcon LLM Team（Falcon 语言模型团队） 纠错

专题命中 预训练与数据 ：language model(title)；pretraining(abstract)；分类 cs.LG

AI总结 本研究提出可学习乘数方法，通过引入可学习的行和列乘数来优化语言模型矩阵层的尺度，提升性能并减少计算开销。

Beyond the "Truth": Investigating Election Rumors on Truth Social During the 2024 Election

超越‘真相’：在2024年大选期间探究Truth Social上的选举谣言

Etienne Casanova, R. Michael Alvarez

机构 * California Institute of Technology（加利福尼亚理工学院） 纠错

专题命中 预训练与数据 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文利用LLMs开发多阶段谣言检测代理，通过大规模数据集和自然环境实验，揭示谣言传播中的虚假真相效应及信念强化机制。

Per-sender neural network classifiers for email authorship validation

针对电子邮件作者身份验证的每发件人神经网络分类器

Rohit Dube

机构 * Independent Researcher（独立研究者） 纠错

专题命中 预训练与数据 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出了一种基于每发件人写作风格的神经网络分类器，用于验证电子邮件的作者身份，通过实验表明Char-CNN模型在不同情况下均能实现高准确率和F1分数。

Comments 12 pages, 6 figures, 8 tables, 41 references

Digital Homunculi and Institutional Design: Breaking Through the Experimentation Bottleneck

数字人偶与制度设计：突破实验瓶颈

Petr Specian

专题命中 预训练与数据 ：large language model(abstract)；language model(abstract)

AI总结 本文提出利用生成式AI驱动的数字人偶方法，通过模拟人类行为生成合成数据，以突破民主研究中的实验瓶颈，提升制度创新的效率与可行性。

Comments 28 pages

On the Holistic Approach for Detecting Human Image Forgery

对人类图像伪造的总体方法

Xiao Guo, Jie Zhu, Anil Jain, Xiaoming Liu

机构 * Michigan State University（密歇根州立大学） 纠错

专题命中 预训练与数据 ：large language model(abstract)；language model(abstract)

AI总结 HuForDet通过双分支架构，结合异构专家和多模态大语言模型，实现了对人类图像伪造的全面检测，提升了对各类伪造的检测性能和鲁棒性。

Comments 6 figures, 5 tables

PROMISE: Process Reward Models Unlock Test-Time Scaling Laws in Generative Recommendations

PROMISE: 过程奖励模型解锁生成推荐的测试时扩展定律

Chengcheng Guo, Kuo Cai, Yu Zhou, Qiang Luo, Ruiming Tang, Han Li, Kun Gai, Guorui Zhou

专题命中 预训练与数据 ：large language model(abstract)；language model(abstract)

AI总结 PROMISE通过整合密集逐步验证和PRM引导的束搜索策略，解决生成推荐中的语义漂移问题，提升推荐准确性并实现高效部署。

WESR: Scaling and Evaluating Word-level Event-Speech Recognition

WESR: 词级事件-语音识别的扩展与评估

Chenchen Yang, Kexin Huang, Liwei Fan, Qian Tu, Botian Jiang, Dong Zhang, Linqi Yin, Shimin Li, Zhaoye Fei, Qinyuan Cheng, Xipeng Qiu

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 WESR提出词级事件-语音识别的扩展与评估框架，通过细化分类和专家标注的评估集，实现对非语言事件的精确定位，提升语音识别与处理的准确性。

Comments 14 pages, 6 figures

Harnessing PDF Data for Improving Japanese Large Multimodal Models

利用PDF数据提升日语大规模多模态模型

Jeonghun Baek, Akiko Aizawa, Kiyoharu Aizawa

机构 * The University of Tokyo（东京大学） ； National Institute of Informatics（信息处理研究所） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文通过利用日本PDF数据提升日语大规模多模态模型的性能，采用自动化流程提取图像-文本对并构建指令数据，实验结果显示在Heron-Bench上性能提升达2.1%-13.8%。

Comments Accepted to ACL2025 Findings. Code: https://github.com/ku21fan/PDF-JLMM

Journal ref Findings of the Association for Computational Linguistics: ACL 2025

VERSE: Visual Embedding Reduction and Space Exploration. Clustering-Guided Insights for Training Data Enhancement in Visually-Rich Document Understanding

VERSE：视觉嵌入减少与空间探索。用于视觉丰富文档理解的训练数据增强的聚类引导洞察

Ignacio de Rodrigo, Alvaro J. Lopez-Lopez, Jaime Boal

机构 * Institute for Research in Technology, ICAI School of Engineering, Comillas Pontifical University（技术研究所、ICAI工程学院、科利马斯天主教大学） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.AI

AI总结 VERSE通过探索视觉嵌入空间，提升视觉丰富文档理解的训练数据增强效果，使本地模型性能达到或超越SaaS解决方案。

A Navigational Approach for Comprehensive RAG via Traversal over Proposition Graphs

一种通过命题图遍历实现全面RAG的导航方法

Maxime Delmas, Lei Xu, André Freitas

机构 * Idiap Research Institute（日内瓦研究所） ； École Polytechnique Fédérale de Lausanne（联邦理工学院洛桑分校） ； University of Manchester（曼彻斯特大学） ； CRUK Manchester Institute（CRUK曼彻斯特研究所） 纠错

专题命中 预训练与数据 ：LLM(abstract)；分类 cs.CL

AI总结 ToPG通过命题图遍历实现高效结构RAG系统，结合查询意识的图遍历与事实细粒度，提升复杂多跳查询和单跳事实检索的性能。

Comments 23 pages, 10 figures, 6 tables

A Semi-supervised Molecular Learning Framework for Activity Cliff Estimation

一种用于活动悬崖估计的半监督分子学习框架

Fang Wu

机构 * Stanford University（斯坦福大学） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI

AI总结 本文提出SemiMol框架，通过半监督学习解决活动悬崖问题，提升基于图的ML模型性能。

Journal ref Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence 2024

From Rays to Projections: Better Inputs for Feed-Forward View Synthesis

从射线到投影：更优质的输入用于前馈视图合成

Zirui Wu, Zeren Jiang, Martin R. Oswald, Jie Song

机构 * HKUST (GZ)（香港科技大学（广州）） ； University of Oxford（牛津大学） ； University of Amsterdam（阿姆斯特丹大学） ； HKUST（香港科技大学） 纠错

专题命中 预训练与数据 ：pretraining(abstract)

AI总结 本文提出投影条件化方法，通过稳定的2D输入提升视图合成的鲁棒性和一致性，优于传统射线条件化方法。

Comments Project Page: https://wuzirui.github.io/pvsm-web

Generative AI for Social Impact

生成式AI用于社会影响

Lingkai Kong, Cheol Woo Kim, Davin Choo, Milind Tambe

专题命中 预训练与数据 ：LLM(abstract)

AI总结 生成式AI通过LLM代理和扩散模型解决社会影响中的部署瓶颈，实现可扩展且人类对齐的资源优化系统。

Comments To appear in IEEE Intelligent Systems