语言大模型 / LLM

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