语言大模型 / LLM

A System for Name and Address Parsing with Large Language Models

基于大语言模型的姓名和地址解析系统

Adeeba Tarannum, Muzakkiruddin Ahmed Mohammed, Mert Can Cakmak, Shames Al Mandalawi, John Talburt

机构 * Center for Entity Resolution and Information Quality (ERIQ) - University of Arkansas - Little Rock, Arkansas, Little Rock, USA（实体解析与信息质量中心（ERIQ）- 亚拉荷马州立大学-小岩城，阿肯色州，小岩城，美国） 纠错

专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；prompting(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出一种基于提示和验证的框架，利用大语言模型实现无微调的姓名和地址解析，提供高准确率和可重复性的结构化数据提取方法。

Latent Knowledge as a Predictor of Fact Acquisition in Fine-Tuned Large Language Models

潜在知识作为微调大语言模型事实获取的预测因子

Daniel B. Hier, Tayo Obafemi-Ajayi

机构 * Department of Neurology and Rehabilitation, University of Illinois at Chicago（神经学与康复医学系，伊利诺伊大学芝加哥分校） ； Engineering Program, Missouri State University（工程学院，密苏里州立大学） 纠错

专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；pretraining(abstract)；分类 cs.CL

AI总结 研究通过微调大语言模型，发现潜在知识是预测事实获取速度和泛化能力的关键因素，同时揭示了训练强化对事实退化的影响。

ShapLoRA: Allocation of Low-rank Adaption on Large Language Models via Shapley Value Inspired Importance Estimation

ShapLoRA: 通过受Shapley值启发的重要性估计在大型语言模型上分配低秩适应

Yi Zhao, Qinghua Yao, Xinyuan song, Wei Zhu

机构 * Singapore Management University（新加坡国立管理学院） ； University of Pennsylvania（宾夕法尼亚大学） ； Emory University（埃默里大学） ； University of Hong Kong（香港大学） 纠错

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

AI总结 ShapLoRA通过受Shapley值启发的重要性估计方法，改进大型语言模型的低秩适应分配，提升模型性能。

Comments accepted by CPAL

Data-driven Clustering and Merging of Adapters for On-device Large Language Models

面向设备的大型语言模型适配器驱动聚类与合并

Ondrej Bohdal, Taha Ceritli, Mete Ozay, Jijoong Moon, Kyeng-Hun Lee, Hyeonmok Ko, Umberto Michieli

机构 * 1Samsung R\&D Institute UK, United Kingdom \ 2Samsung Research, South Korea 纠错

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

AI总结 本文提出D2C方法，通过驱动聚类和合并适配器，提升设备上大型语言模型在多任务中的性能。

Comments Accepted at ICASSP 2026

Reconstructing Training Data from Adapter-based Federated Large Language Models

从基于适配器的联邦大语言模型中重建训练数据

Silong Chen, Yuchuan Luo, Guilin Deng, Yi Liu, Min Xu, Shaojing Fu, Xiaohua Jia

机构 * National University of Defense Technology（国防科技大学） ； City University of Hong Kong（香港城市大学） 纠错

专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 研究提出UTR攻击，揭示基于适配器的FedLLMs中低秩适配器导致的隐私泄露问题，挑战轻量级适应提升安全性的假设。

Comments Yuchuan Luo and Yi Liu are co-corresponding authors. Accepted at The Web Conference (WWW) 2026

Artificial Entanglement in the Fine-Tuning of Large Language Models

大语言模型微调中的人工纠缠

Min Chen, Zihan Wang, Canyu Chen, Zeguan Wu, Manling Li, Junyu Liu

机构 * Department of Computer Science, University of Pittsburgh, Pittsburgh, PA 15260, USA（匹兹堡大学计算机科学系） ； Department of Computer Science, Northwestern University, Evanston, IL 60208, USA（西北大学计算机科学系） 纠错

专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本研究通过量子信息视角分析大语言模型微调中的人工纠缠，揭示LoRA和FFT在参数结构上的差异，但这种差异不影响注意力输出，提出低秩更新的有效性源于'无毛定理'特性。

Comments 41 pages, many figures

ShopSimulator: Evaluating and Exploring RL-Driven LLM Agent for Shopping Assistants

ShopSimulator: 评估和探索基于强化学习的LLM代理用于购物助手

Pei Wang, Yanan Wu, Xiaoshuai Song, Weixun Wang, Gengru Chen, Zhongwen Li, Kezhong Yan, Ken Deng, Qi Liu, Shuaibing Zhao, Shaopan Xiong, Xuepeng Liu, Xuefeng Chen, Wanxi Deng, Wenbo Su, Bo Zheng

机构 * Alibaba Group（阿里巴巴集团） 纠错

专题命中 指令微调 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；SFT(abstract)

AI总结 本文提出ShopSimulator，一个大规模中文购物环境，用于评估和探索基于强化学习的LLM代理在购物助手中的性能和改进方法。

An LLM-Agent-Based Framework for Age of Information Optimization in Heterogeneous Random Access Networks

一种基于LLM代理的异构随机接入网络信息年龄优化框架

Fang Liu, Erchao Zhu, Jiedan Tan, Jingwen Tong, Taotao Wang, Shengli Zhang

专题命中 指令微调 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；SFT(abstract)

AI总结 本文提出Reflex-Core框架，通过LLM代理优化异构网络中的信息年龄，实现更高效的随机接入控制。

Unintended Memorization of Sensitive Information in Fine-Tuned Language Models

在微调语言模型中意外记忆敏感信息

Marton Szep, Jorge Marin Ruiz, Georgios Kaissis, Paulina Seidl, Rüdiger von Eisenhart-Rothe, Florian Hinterwimmer, Daniel Rueckert

机构 * TUM University Hospital（慕尼黑工业大学医院） ； Technical University of Munich (TUM)（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Department of Computing, Imperial College London（伦敦帝国学院计算系） 纠错

专题命中 指令微调 ：language model(title,abstract)；large language model(abstract)；post-training(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 研究揭示微调语言模型时意外记忆敏感信息的风险，分析影响因素并评估隐私保护方法的权衡。

Comments Accepted to EACL 2026. 20 pages

Learning to Collaborate: An Orchestrated-Decentralized Framework for Peer-to-Peer LLM Federation

学习协作：一种协同-去中心化框架用于点对点大语言模型联邦

Inderjeet Singh, Eleonore Vissol-Gaudin, Andikan Otung, Motoyoshi Sekiya

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

AI总结 KNEXA-FL通过协同去中心化框架提升点对点大语言模型联邦学习的效率与稳定性

Comments Accepted to AAAI 2026. 13 pages, 3 figures, 10 tables. Code available at: https://github.com/FujitsuResearch/knexa-fl

From Classification to Ranking: Enhancing LLM Reasoning Capabilities for MBTI Personality Detection

从分类到排序：提升LLM推理能力以进行MBTI性格检测

Yuan Cao, Feixiang Liu, Xinyue Wang, Yihan Zhu, Hui Xu, Zheng Wang, Qiang Qiu

专题命中 指令微调 ：LLM(title)；large language model(abstract)；language model(abstract)；SFT(abstract)

AI总结 本文提出将性格检测视为排序任务，通过改进的强化学习方法提升LLM在MBTI性格检测中的推理能力。

Comments 9 pages, 4 figures, AAAI 2026 Bridge

Does LLM Focus on the Right Words? Mitigating Context Bias in LLM-based Recommenders

LLM是否聚焦在正确的词语？基于组分布鲁棒优化的推荐系统去偏方法

Bohao Wang, Jiawei Chen, Feng Liu, Changwang Zhang, Jun Wang, Canghong Jin, Chun Chen, Can Wang

专题命中 指令微调 ：LLM(title)；large language model(abstract)；language model(abstract)；SFT(abstract)

AI总结 本文提出GDRT方法，通过组分布鲁棒优化减轻LLM推荐系统中的上下文偏见，提升推荐准确性和公平性。

Comments Accepted by WWW2026

GRASP: Guided Region-Aware Sparse Prompting for Adapting MLLMs to Remote Sensing

GRASP: 基于区域感知的稀疏提示引导方法用于适应遥感图像的多模态大语言模型

Qigan Sun, Chaoning Zhang, Jianwei Zhang, Xudong Wang, Jiehui Xie, Pengcheng Zheng, Haoyu Wang, Sungyoung Lee, Chi-lok Andy Tai, Yang Yang, Heng Tao Shen

机构 * School of Computing, Kyung Hee University（京畿大学计算机学院） ； School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件工程学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； College of Computer Science and Information Engineering, Harbin Normal University（哈尔滨师范大学计算机科学与信息工程学院） ； College of Professional and Continuing Education, The Hong Kong Polytechnic University（香港理工大学专业及继续教育学院） ； School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） 纠错

专题命中 指令微调 ：prompting(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 GRASP通过引导区域感知的稀疏提示方法，提升多模态大语言模型在遥感图像任务中的适应性与性能。

Neuro-Symbolic Verification on Instruction Following of LLMs

神经符号验证在大语言模型指令遵循上的应用

Yiming Su, Kunzhao Xu, Yanjie Gao, Fan Yang, Cheng Li, Mao Yang, Tianyin Xu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Science and Technology of China（中国科学技术大学） ； Microsoft Research（微软研究院） 纠错

专题命中 指令微调 ：LLM(abstract)；large language model(abstract)；language model(abstract)；post-training(abstract)

AI总结 本文提出NSVIF框架，通过神经符号方法验证大语言模型是否遵循指令，实验表明其在指令遵循验证中表现优异。

POPE: Learning to Reason on Hard Problems via Privileged On-Policy Exploration

POPE: 通过优先级在线探索学习解决难题

Yuxiao Qu, Amrith Setlur, Virginia Smith, Ruslan Salakhutdinov, Aviral Kumar

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；SFT(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 POPE 通过利用优先级信息指导在线探索，解决难题推理中的探索问题，提升模型在复杂任务上的表现。

Sequence Repetition Enhances Token Embeddings and Improves Sequence Labeling with Decoder-only Language Models

序列重复增强标记嵌入并改进序列标注的解码器-only语言模型

Matija Luka Kukić, Marko Čuljak, David Dukić, Martin Tutek, Jan Šnajder

专题命中 指令微调 ：language model(title,abstract)；分类 cs.CL

AI总结 本研究通过序列重复技术提升解码器-only模型的双向能力，改进序列标注性能，且无需大幅修改基础模型。

Comments Accepted at EACL 2026 Findings

Bridging Expectation Signals: LLM-Based Experiments and a Behavioral Kalman Filter Framework

弥合期望信号：基于LLM的实验与行为卡尔曼滤波框架

Yu Wang, Xiangchen Liu

专题命中 指令微调 ：LLM(title,abstract)；分类 cs.AI

AI总结 本文通过实验和行为卡尔曼滤波框架研究LLM在面对异质信号时如何更新期望，发现代理对信号的加权偏离单位，个体信号权重高于总体信号，同时信号存在负相互作用，且家庭与企业CEO的期望形成模式存在差异。

PIShield: Detecting Prompt Injection Attacks via Intrinsic LLM Features

PIShield: 通过内在LLM特性检测提示注入攻击

Wei Zou, Yupei Liu, Yanting Wang, Ying Chen, Neil Gong, Jinyuan Jia

专题命中 指令微调 ：LLM(title,abstract)；分类 cs.LG

AI总结 PIShield通过利用指令微调LLM的内部表示，高效检测提示注入攻击，显著优于现有方法。

Comments The code is available at https://github.com/weizou52/PIShield

FGGM: Fisher-Guided Gradient Masking for Continual Learning

FGGM：基于Fisher信息的梯度掩码用于持续学习

Chao-Hong Tan, Qian Chen, Wen Wang, Yukun Ma, Chong Zhang, Chong Deng, Qinglin Zhang, Xiangang Li, Jieping Ye

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；SFT(abstract)；分类 cs.CL、cs.LG

AI总结 FGGM通过基于Fisher信息的梯度掩码方法，有效缓解大语言模型的灾难性遗忘问题，在持续学习任务中表现出优于MIGU和监督微调的性能。

Comments Accepted by ICASSP 2026

DPI: Exploiting Parameter Heterogeneity for Interference-Free Fine-Tuning

DPI: 利用参数异质性实现无干扰的微调

Xiaoyu Liu, Xiaoyu Guan, Di Liang, Xianjie Wu

机构 * College of Science, Northeastern University, Boston, United States（东北大学科学学院） ； University of Florida（佛罗里达大学） ； Beijing Information Science and Technology University（北京信息科技大学） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；SFT(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出利用参数异质性实现无干扰的微调方法，通过分离任务特定参数区域以减少跨任务干扰，提升模型适应下游任务的性能。

A-TPT: Angular Diversity Calibration Properties for Test-Time Prompt Tuning of Vision-Language Models

A-TPT：面向视觉语言模型测试时提示微调的角多样性校准特性

Shihab Aaqil Ahamed, Udaya S. K. P. Miriya Thanthrige, Ranga Rodrigo, Muhammad Haris Khan

机构 * Dept. of Electronic and Telecommunication Engineering, University of Moratuwa（摩图瓦大学电子与电信工程系） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

专题命中 指令微调 ：language model(title,abstract)

AI总结 A-TPT通过引入角度多样性提升视觉语言模型测试时提示微调的校准性能，有效减少校准误差并提升适应能力。

Comments Accepted at ICLR 2026

EMORL-TTS: Reinforcement Learning for Fine-Grained Emotion Control in LLM-based TTS

EMORL-TTS：基于强化学习的LLM-TTS细粒度情感控制

Haoxun Li, Yu Liu, Yuqing Sun, Hanlei Shi, Leyuan Qu, Taihao Li

机构 * Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（杭州高等研究 institute，中国科学院大学） 纠错

专题命中 指令微调 ：LLM(title,abstract)

AI总结 EMORL-TTS通过强化学习实现基于LLM的TTS系统中细粒度情感控制，提升情感准确性与强度区分度。

Comments Accepted by ICASSP 2026

Multi-Perspective Subimage CLIP with Keyword Guidance for Remote Sensing Image-Text Retrieval

多视角子图像CLIP与关键词引导的遥感图像-文本检索

Yifan Li, Shiying Wang, Jianqiang Huang

机构 * School of Computer Technology and Applications（计算机技术与应用学院） ； Qinghai University（青海大学） ； Qinghai Provincial Laboratory for Intelligent Computing and Application（青海省智能计算与应用实验室） 纠错

专题命中 指令微调 ：LLM(abstract)；large language model(abstract)；language model(abstract)

AI总结 MPS-CLIP通过关键词引导的多视角细粒度对齐提升遥感图像-文本检索性能，实现35.18%和48.40%的mR成绩。

Comments 7 pages, 3 figures. Code: https://github.com/Lcrucial1f/MPS-CLIP

FedMentalCare: Towards Privacy-Preserving Fine-Tuned LLMs to Analyze Mental Health Status Using Federated Learning Framework

FedMentalCare: 向隐私保护的微调大语言模型分析心理健康状态的联邦学习框架

Nobin Sarwar

机构 * University of Maryland Baltimore County（马里兰大学巴尔的摩县分校） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.LG

AI总结 FedMentalCare通过联邦学习与低秩适应技术，在保护隐私的同时微调大语言模型，用于分析心理健康状况，提升心理健康护理的可行性和安全性。

Comments 9 pages, 3 figures, 3 tables and 2 algorithms

From Verifiable Dot to Reward Chain: Harnessing Verifiable Reference-based Rewards for Reinforcement Learning of Open-ended Generation

从可验证点到奖励链：利用基于可验证参考的奖励进行开放生成的强化学习

Yuxin Jiang, Yufei Wang, Qiyuan Zhang, Xingshan Zeng, Liangyou Li, Jierun Chen, Chaofan Tao, Haoli Bai, Lifeng Shang

机构 * Huawei Technologies Co.,Ltd（华为技术有限公司） ； City University of Hong Kong（香港城市大学） 纠错

专题命中 指令微调 ：LLM(abstract)；SFT(abstract)；分类 cs.CL

AI总结 本文提出基于可验证参考的强化学习方法，通过提取奖励链提升开放生成任务的效率和可靠性。

Comments 19 pages, 8 figures, 12 tables. Accepted at ICLR 2026

Spotlight Your Instructions: Instruction-following with Dynamic Attention Steering

聚焦您的指令：通过动态注意力引导实现指令遵循

Praveen Venkateswaran, Danish Contractor

机构 * IBM Research（IBM研究院） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 通过动态调整注意力机制，提升大型语言模型对复杂指令的遵循能力，实现更高效的指令处理。

How to Make LMs Strong Node Classifiers?

如何让语言模型成为强大的节点分类器？

Zhe Xu, Kaveh Hassani, Si Zhang, Hanqing Zeng, Michihiro Yasunaga, Limei Wang, Dongqi Fu, Ning Yao, Bo Long, Hanghang Tong

机构 * Meta ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 指令微调 ：language model(abstract)；instruction tuning(abstract)；分类 cs.CL

AI总结 本文提出了一种无需架构修改的方法，使语言模型在节点分类任务中达到与最先进的图神经网络相当的性能，通过拓扑和语义检索增强输入并利用轻量级GNN分类器修剪类别候选。

Can Good Writing Be Generative? Expert-Level AI Writing Emerges through Fine-Tuning on High-Quality Books

好的写作可以生成吗？通过在高质量书籍上微调，专家级AI写作得以出现

Tuhin Chakrabarty, Paramveer S. Dhillon

机构 * Stony Brook University（石溪大学） ； University of Michigan（密歇根大学） 纠错

专题命中 指令微调 ：prompting(abstract)；分类 cs.CL、cs.AI

AI总结 通过在高质量书籍上微调，AI在模仿知名作者方面超越人类专家，引发对创作本质和未来劳动的深层思考。

Comments Proceedings of CHI 2026 Conference (To Appear)

DF-RAG: Query-Aware Diversity for Retrieval-Augmented Generation

DF-RAG：基于查询的多样性检索增强生成

Saadat Hasan Khan, Spencer Hong, Jingyu Wu, Kevin Lybarger, Youbing Yin, Erin Babinsky, Daben Liu

机构 * George Mason University（乔治·马歇尔大学） ； Capital One 纠错

专题命中 指令微调 ：language model(abstract)；分类 cs.CL

AI总结 DF-RAG通过在检索阶段引入多样性，提升复杂推理问答任务的F1性能，相比传统RAG提升了4-10个百分点，并接近Oracle上限的91.3%

Comments Accepted to Findings of EACL 2026

LT-Soups: Bridging Head and Tail Classes via Subsampled Model Soups

LT-Soups: 通过子采样模型汤桥接头部和尾部类别

Masih Aminbeidokhti, Subhankar Roy, Eric Granger, Elisa Ricci, Marco Pedersoli

机构 * École de technologie supérieure ； University of Bergamo（贝拉姆博大学） ； University of Trento（特伦托大学） ； Fondazione Bruno Kessler (FBK)（布鲁诺·凯斯勒基金会） 纠错

专题命中 指令微调 ：foundation model(abstract)；分类 cs.LG

AI总结 LT-Soups通过两阶段模型汤框架在长尾分布中平衡头部和尾部类别性能，提升模型在不平衡数据集上的泛化能力。

Comments Neurips 2025