语言大模型 / LLM

The Law of Multi-Model Collaboration: Scaling Limits of Model Ensembling for Large Language Models

多模型协作定律：大型语言模型模型融合的扩展极限

Dakuan Lu, Jiaqi Zhang, Cheng Yuan, Jiawei Shao, Xuelong Li

机构 * Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究院（TeleAI），中国电信） 纠错

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

AI总结 本文提出多模型协作定律，揭示多模型融合在参数预算下的扩展极限，证明模型多样性是提升LLM性能的关键因素。

Tokenization for Molecular Foundation Models

分子基础模型的标记化

Alexius Wadell, Anoushka Bhutani, Venkatasubramanian Viswanathan

机构 * Department of Mechanical Engineering, University of Michigan, Ann Arbor, Michigan 48109, United States（机械工程系，密歇根大学，安娜堡，密歇根州48109，美国） 纠错

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

AI总结 本文提出Smirk和Smirk-GPE两种新的分子标记器，以全面覆盖OpenSMILES规范，提升分子属性预测的准确性。

Comments 26 pages, 4 figures

In-Context Bias Propagation in LLM-Based Tabular Data Generation

上下文偏见传播在基于LLM的表格数据生成中

Pol G. Recasens, Alberto Gutierrez, Jordi Torres, Josep. Ll Berral, Javier Carnerero-Cano, Anisa Halimi, Kieran Fraser

机构 * Barcelona Supercomputing Center (BSC), Spain（巴塞罗那超级计算中心（BSC）） ； IBM Research Ireland（IBM爱尔兰研究） 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.LG

AI总结 本文研究了基于LLM的表格数据生成中上下文偏见的传播问题，揭示了轻微偏见可能导致全局统计扭曲，并提出了缓解策略以提高公平性。

bi-modal textual prompt learning for vision-language models in remote sensing

双模文本提示学习用于遥感图像的视觉-语言模型

Pankhi Kashyap, Mainak Singha, Biplab Banerjee

机构 * Indian Institute of Technology Bombay（印度理工学院班加罗尔分校） ； University of Trento（特伦托大学） 纠错

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

AI总结 BiMoRS通过双模提示学习框架提升遥感图像视觉-语言模型的适应性与泛化能力。

Comments Accepted in ICASSP 2026

Dynamics of Human-AI Collective Knowledge on the Web: A Scalable Model and Insights for Sustainable Growth

人类-人工智能集体知识在Web上的动态：一个可扩展的模型和可持续增长的见解

Buddhika Nettasinghe, Kang Zhao

机构 * University of Iowa（爱荷华大学） 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 本文提出了一种可扩展的动态模型，用于研究人类与人工智能共同知识在Web上的演变，通过分析不同增长模式和政策影响，为可持续增长提供见解。

Comments Accepted for ACM Web Conference 2026 (WWW26)

Simplicity is Key: An Unsupervised Pretraining Approach for Sparse Radio Channels

简洁是关键：一种用于稀疏无线信道的无监督预训练方法

Jonathan Ott, Maximilian Stahlke, Tobias Feigl, Bjoern M. Eskofier, Christopher Mutschler

机构 * Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所） 纠错

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

AI总结 SpaRTran通过捕捉无线传播的稀疏性作为无监督学习目标，提高了无线信道的定位精度和波束成形性能。

Comments 8 pages, 1 figure

Mitigating Sensitive Information Leakage in LLMs4Code through Machine Unlearning

通过机器遗忘减轻LLM4Code中的敏感信息泄露

Shanzhi Gu, Zhaoyang Qu, Ruotong Geng, Mingyang Geng, Shangwen Wang, Chuanfu Xu, Haotian Wang, Zhipeng Lin, Dezun Dong

机构 * College of Computer Science and Technology, National University of Defense Technology, Changsha, Hunan, 410073, China（计算机科学与技术学院，国防科技大学，长沙，湖南，410073，中国） ； Xichang Satellite Launch Center, Xichang, Sichuan, 615000, China（西昌卫星发射中心，西昌，四川，615000，中国） ； Academy of Military Sciences, Beijing, 100091, China（军事科学院，北京，100091，中国） 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 本文通过机器遗忘技术有效减少LLMs4Code中的敏感信息泄露，同时保持代码生成性能，揭示了间接泄露的潜在风险。

Comments 13 pages

GenCode: A Generic Data Augmentation Framework for Boosting Deep Learning-Based Code Understanding

GenCode：一种通用数据增强框架，用于提升基于深度学习的代码理解

Zeming Dong, Qiang Hu, Xiaofei Xie, Maxime Cordy, Mike Papadakis, Yves Le Traon, Jianjun Zhao

机构 * University of Luxembourg（卢森堡大学） ； Tianjin University（天津大学） ； Singapore Management University（新加坡管理学院） ； Kyushu University（九州大学） 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 GenCode通过生成与选择范式提升代码理解模型的训练效果，相比现有方法在准确率和鲁棒性上均有显著提升。

Comments Accepted by Empirical Software Engineering (EMSE) 2026

MiLorE-SSL: Scaling Multilingual Capabilities in Self-Supervised Models without Forgetting

MiLorE-SSL: 在不遗忘的前提下扩展多语言能力的自监督模型

Jing Xu, Minglin Wu, Xueyuan Chen, Xixin Wu, Helen Meng

机构 * The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 MiLorE-SSL通过结合LoRA和软MoE机制，实现高效多语言自监督学习，有效缓解遗忘问题，仅用2.14%参数在新语言上取得优异表现。

Comments Accepted by ICASSP2026

Mind the Shift: Using Delta SSL Embeddings to Enhance Child ASR

注意偏移：使用Delta SSL嵌入来增强儿童ASR

Zilai Wang, Natarajan Balaji Shankar, Kaiyuan Zhang, Zihan Wang, Abeer Alwan

机构 * University of California, Los Angeles Department of Electrical 纠错

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

AI总结 本文提出使用delta SSL嵌入融合提升儿童ASR性能，通过实验验证delta嵌入在提升WER方面的有效性。

Comments ICASSP 2026

Rewarding Intellectual Humility Learning When Not To Answer In Large Language Models

在大型语言模型中不回答时如何奖励智力谦逊学习

Abha Jha, Akanksha Mahajan, Ashwath Vaithinathan Aravindan, Praveen Saravanan, Sai Sailaja Policharla, Sonal Chaturbhuj Gehlot

机构 * University of Southern California（南加州大学） ； Los Angeles, United States of America（美国洛杉矶） 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 本文提出通过可验证奖励强化学习促进大型语言模型的智力谦逊，通过调整回避奖励机制减少错误响应，提升模型可靠性。

On the Effectiveness of LLM-Specific Fine-Tuning for Detecting AI-Generated Text

针对检测AI生成文本的LLM特定微调效果研究

Michał Gromadzki, Anna Wróblewska, Agnieszka Kaliska

机构 * Faculty of Mathematics and Information Science, Warsaw University of Technology（华沙技术大学数学与信息科学学院） ； Faculty of Modern Languages and Literatures, Adam Mickiewicz University（亚当·密茨凯维奇大学现代语言与文学学院） 纠错

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

AI总结 本文通过大规模语料库和新颖训练策略，提出Per LLM和Per LLM family微调方法，开发出在词级准确率上达99.6%的AI生成文本检测模型。

Comments 34 pages, 6 figures. Under review at Information Sciences

Field Matters: A Lightweight LLM-enhanced Method for CTR Prediction

领域重要性：一种轻量级的LLM增强CTR预测方法

Yu Cui, Feng Liu, Jiawei Chen, Xingyu Lou, Changwang Zhang, Jun Wang, Yuegang Sun, Xiaohu Yang, Can Wang

机构 * Zhejiang University（浙江大学） ； OPPO Research Institute（OPPO研究院） 纠错

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

AI总结 LLaCTR通过领域级增强范式，提出一种轻量级LLM增强CTR预测方法，提升CTR预测的有效性和效率。

Abex-rat: Synergizing Abstractive Augmentation and Adversarial Training for Classification of Occupational Accident Reports

ABEX-RAT：协同抽象增强与对抗训练用于职业事故报告分类

Jian Chen, Jiabao Dou

机构 * Ningxia Research Institute of Transport Science（宁夏交通科学研究院） ； Department of Computer Science（计算机科学系） 纠错

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

AI总结 ABEX-RAT通过结合抽象增强与对抗训练，高效解决职业事故报告分类中的类别不平衡问题，实现90.32%的宏F1得分。

ShieldedCode: Learning Robust Representations for Virtual Machine Protected Code

ShieldedCode: 学习具有保护意识的虚拟机保护代码表示

Mingqiao Mo, Yunlong Tan, Hao Zhang, Heng Zhang, Yangfan He

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； South China Normal University（华南师范大学） ； University of Minnesota Twin Cities（明尼苏达大学双城分校） 纠错

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

AI总结 ShieldedCode通过学习鲁棒表示提升虚拟机保护代码的生成与分析能力，实现更高效的软件保护。

Comments Accepted to ICLR 2026

OmegaUse: Building a General-Purpose GUI Agent for Autonomous Task Execution

OmegaUse：构建一个通用的 GUI 代理以实现自主任务执行

Le Zhang, Yixiong Xiao, Xinjiang Lu, Jingjia Cao, Yusai Zhao, Jingbo Zhou, Lang An, Zikan Feng, Wanxiang Sha, Yu Shi, Congxi Xiao, Jian Xiong, Yankai Zhang, Hua Wu, Haifeng Wang

机构 * Baidu Frontier Research Department（百度前沿研究部） 纠错

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

AI总结 OmegaUse 是一种通用 GUI 代理模型，通过高质量数据和解耦训练方法实现跨平台自主任务执行，展现卓越的 GUI 任务性能。

JAFAR: Jack up Any Feature at Any Resolution

JAFAR: 任意分辨率下任意特征的提升

Paul Couairon, Loick Chambon, Louis Serrano, Jean-Emmanuel Haugeard, Matthieu Cord, Nicolas Thome

专题命中 指令微调 ：SFT(abstract)

AI总结 JAFAR通过轻量灵活的特征上采样器，提升任意基础视觉编码器的特征分辨率，实现高精度空间细节恢复，优于现有方法。

Comments Code available at https://github.com/PaulCouairon/JAFAR

SAM-Aug: Leveraging SAM Priors for Few-Shot Parcel Segmentation in Satellite Time Series

SAM-Aug：利用SAM先验进行卫星时间序列的少样本 parcel 分割

Kai Hu, Yaozu Feng, Vladimir Lysenko, Ya Guo, Huayi Wu

机构 * Key Laboratory of Advanced Process Control for Light Industry, Ministry of Education, Jiangnan University（轻工业先进过程控制重点实验室，教育部，江南大学） ； Academy of Biology and Biotechnology, Southern Federal University（生物与生物技术学院，南方联邦大学） ； State Key Lab of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University（测绘遥感信息工程国家重点实验室，武汉大学） 纠错

专题命中 指令微调 ：foundation model(abstract)

AI总结 SAM-Aug通过利用SAM的几何感知能力，在少样本条件下提升卫星时间序列的 parcel 分割性能，实现更高的mIoU指标。

Comments 13 pages, 6 figures

Benchmarking Multimodal Large Language Models for Missing Modality Completion in Product Catalogues

在电子商务目录中评估多模态大语言模型用于缺失模态补全

Junchen Fu, Wenhao Deng, Kaiwen Zheng, Ioannis Arapakis, Yu Ye, Yongxin Ni, Joemon M. Jose, Xuri Ge

机构 * University of Glasgow（格拉斯哥大学） ； Telefónica Scientific Research（电信科研机构） ； National University of Singapore（新加坡国立大学） ； Shandong University（山东大学） 纠错

专题命中 后训练与偏好优化 ：large language model(title,abstract)；language model(title,abstract)

AI总结 本文研究了多模态大语言模型在电子商务目录中补全缺失模态的能力，通过MMPCBench基准测试发现MLLMs在细粒度对齐上存在不足，并探索了GRPO方法以提升补全效果。

RPO-RAG: Aligning Small LLMs with Relation-aware Preference Optimization for Knowledge Graph Question Answering

RPO-RAG: 通过关系感知的偏好优化对齐小型LLM以实现知识图谱问答

Kaehyun Um, KyuHwan Yeom, Haerim Yang, Minyoung Choi, Hyeongjun Yang, Kyong-Ho Lee

机构 * Yonsei University（延世大学） 纠错

专题命中 后训练与偏好优化 ：preference optimization(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 RPO-RAG通过关系感知的偏好优化和以答案为中心的提示设计，提升小型LLM在知识图谱问答中的推理能力，实现性能提升。

Comments Accepted at The Web Conference (WWW) 2026

GRACE: A Language Model Framework for Explainable Inverse Reinforcement Learning

GRACE：一种用于可解释逆强化学习的语言模型框架

Silvia Sapora, Devon Hjelm, Alexander Toshev, Omar Attia, Bogdan Mazoure

机构 * Apple（苹果公司） 纠错

专题命中 后训练与偏好优化 ：language model(title,abstract)；large language model(abstract)；分类 cs.AI、cs.LG

AI总结 GRACE通过大型语言模型和进化搜索，从专家轨迹中逆向工程可解释的代码奖励函数，实现高效准确的奖励学习并生成强大策略。

Post-Training Fairness Control: A Single-Train Framework for Dynamic Fairness in Recommendation

训练后公平性控制：一个用于推荐中动态公平性的单一训练框架

Weixin Chen, Li Chen, Yuhan Zhao

机构 * Hong Kong Baptist University（香港 Baptist 大学） 纠错

专题命中 后训练与偏好优化 ：post-training(title,abstract)；分类 cs.AI、cs.LG

AI总结 Cofair提出一个单一训练框架，通过共享表示层和公平性条件适配器模块，在推荐系统中实现动态公平性控制，无需重新训练即可适应不同公平性需求。

Comments Accepted to WWW 2026 Workshop on HCRS (Oral Presentation)

A-IPO: Adaptive Intent-driven Preference Optimization

A-IPO：自适应意图驱动偏好优化

Wenqing Wang, Muhammad Asif Ali, Ali Shoker, Ruohan Yang, Junyang Chen, Ying Sha, Huan Wang

机构 * Huazhong Agricultural University（华中农业大学） ； King Abdullah University of Science and Technology（国王阿卜杜勒-阿齐兹大学） ； Shenzhen University（深圳大学） 纠错

专题命中 后训练与偏好优化 ：preference optimization(title,abstract)；分类 cs.CL

AI总结 A-IPO通过引入意图模块，提升偏好对齐的鲁棒性和多样性，实验证明其在多个基准测试中表现优于现有方法。

SeedVR2: One-Step Video Restoration via Diffusion Adversarial Post-Training

SeedVR2: 通过扩散对抗后训练实现一步视频修复

Jianyi Wang, Shanchuan Lin, Zhijie Lin, Yuxi Ren, Meng Wei, Zongsheng Yue, Shangchen Zhou, Hao Chen, Yang Zhao, Ceyuan Yang, Xuefeng Xiao, Chen Change Loy, Lu Jiang

机构 * Nanyang Technological University（南洋理工大学） ； ByteDance Seed（字节跳动实验室） 纠错

专题命中 后训练与偏好优化 ：post-training(title,abstract)

AI总结 SeedVR2通过引入自适应窗口注意力机制和改进的损失函数，实现高分辨率视频修复的一步式高效修复方法。

Comments Camera Ready of ICLR2026. Project page: https://iceclear.github.io/projects/seedvr2/

PEARL: Plan Exploration and Adaptive Reinforcement Learning for Multihop Tool Use

PEARL：多跳工具使用中的计划探索与自适应强化学习

Qihao Wang, Mingzhe Lu, Jiayue Wu, Yue Hu, Yanbing Liu

机构 * Institute of Information Engineering, China（信息工程研究所，中国） ； School of Cyber Security, University of Chinese Academy of Sciences, China（中国科学院大学网络安全学院，中国） 纠错

专题命中 后训练与偏好优化 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 PEARL通过两阶段方法提升LLM在多跳工具使用中的规划与执行能力，实现ToolHop 56.5%的成功率。

Comments Accepted to PRICAI25

Me-Agent: A Personalized Mobile Agent with Two-Level User Habit Learning for Enhanced Interaction

Me-Agent：一种具有两级用户习惯学习的个性化移动代理以增强交互

Shuoxin Wang, Chang Liu, Gowen Loo, Lifan Zheng, Kaiwen Wei, Xinyi Zeng, Jingyuan Zhang, Yu Tian

机构 * Yunnan University（云南大学） ； Hong Kong Polytechnic University（香港理工大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Southeast University（东南大学） ； Chongqing University（重庆大学） ； Tsinghua University（清华大学） ； Kuaishou Technology（快手科技） 纠错

专题命中 后训练与偏好优化 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 Me-Agent通过两级用户习惯学习方法，提升移动代理在个性化交互中的性能与准确性。

Beyond Correctness: Evaluating Subjective Writing Preferences Across Cultures

超越正确性：跨文化的主观写作偏好评估

Shuangshuang Ying, Yunwen Li, Xingwei Qu, Xin Li, Sheng Jin, Minghao Liu, Zhoufutu Wen, Xeron Du, Tianyu Zheng, Yichi Zhang, Letian Ni, Yuyang Cheng, Zhenzhu Yang, Qiguang Chen, Jingzhe Ding, Shengda Long, Wangchunshu Zhou, Jiazhan Feng, Wanjun Zhong, Libo Qin, Ge Zhang, Wenhao Huang, Wanxiang Che, Chenghua Lin

专题命中 后训练与偏好优化 ：language model(abstract)；RLHF(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出WritingPreferenceBench数据集，发现基于序列的奖励模型在评估主观写作偏好时表现不佳，而生成奖励模型通过推理链达到更高准确率，揭示了当前RLHF方法在捕捉主观偏好方面的局限性。

Higher-Order Feature Attribution: Bridging Statistics, Explainable AI, and Topological Signal Processing

高阶特征归因：连接统计学、可解释AI与拓扑信号处理

Kurt Butler, Guanchao Feng, Petar Djuric

机构 * School of Engineering, The University of Edinburgh（爱丁堡大学工程学院） ； Causality in Healthcare AI Hub (CHAI)（医疗AI因果性研究中心） ； Department of Electrical and Computer Engineering, Stony Brook University（石溪大学电气与计算机工程系） 纠错

专题命中 后训练与偏好优化 ：post-training(abstract)；分类 cs.LG

AI总结 本文提出高阶特征归因理论，基于集成梯度方法，连接统计学与拓扑信号处理，扩展可解释AI框架并验证其有效性。

Comments 5 pages, 3 figures, to be published in the Proceedings of ICASSP 2026

Exploring Re-inforcement Learning via Human Feedback under User Heterogeneity

通过用户异质性探索基于人类反馈的强化学习

Sarvesh Shashidhar, Abhishek Mishra, Madhav Kotecha

专题命中 后训练与偏好优化 ：RLHF(abstract)

AI总结 本研究通过聚类和个性化奖励模型处理用户异质性，提升强化学习模型的胜率。

Analysis of LLM Vulnerability to GPU Soft Errors: An Instruction-Level Fault Injection Study

LLM对GPU软错误的脆弱性分析：一项指令级故障注入研究

Duo Chai, Zizhen Liu, Shuhuai Wang, Songwei Pei, Cheng Liu, Huawei Li, Shangguang Wang

机构 * School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（计算机学院（国家试点软件工程学院），北京邮电大学） ； State Key Lab of Processors, Institute of Computing Technology, Chinese Academy of Sciences（处理器国家重点实验室，中国科学院计算技术研究所） 纠错

专题命中 长上下文与记忆 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文通过指令级故障注入研究，分析了LLM对GPU软错误的脆弱性，揭示了模型架构、参数规模和任务复杂性对可靠性的影响，为设计更有效的容错机制提供了新见解。

Comments 14 pages, 13 figures