语言大模型 / LLM

Evaluating LLMs for Career Guidance: Comparative Analysis of Computing Competency Recommendations Across Ten African Countries

评估LLMs用于职业指导：在十国非洲国家中比较计算能力推荐的比较分析

Precious Eze, Stephanie Lunn, Bruk Berhane

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本研究比较了六个LLM在十国非洲国家中对计算职业能力的推荐，揭示了LLM在上下文意识和伦理考量上的差异，强调了去殖民化方法在AI教育中的重要性。

Comments 42 pages, 5 figures, 5 tables. Submitted to Computers & Education Open

Alignment among Language, Vision and Action Representations

语言、视觉和动作表征的一致性

Nicola Milano, Stefano Nolfi

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 研究通过训练Transformer智能体执行自然语言指令，发现语言、视觉和动作表征在跨模态中呈现部分共享的语义结构，支持模态无关的语义组织。

AnimatedLLM: Explaining LLMs with Interactive Visualizations

AnimatedLLM: 用交互式可视化解释大语言模型

Zdeněk Kasner, Ondřej Dušek

机构 * Charles University Faculty of Mathematics and Physics Institute of Formal and Applied Linguistics（查尔斯大学数学与物理系形式与应用语言学研究所） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 AnimatedLLM通过交互式可视化帮助用户理解大语言模型的工作原理，提供分步的Transformer模型展示，适用于教学和自我学习。

Comments Accepted to TeachNLP @ EACL 2026

The Narrow Gate: Localized Image-Text Communication in Native Multimodal Models

窄门：原生多模态模型中的局部图像-文本通信

Alessandro Pietro Serra, Francesco Ortu, Emanuele Panizon, Lucrezia Valeriani, Lorenzo Basile, Alessio Ansuini, Diego Doimo, Alberto Cazzaniga

机构 * Area Science Park, Trieste, Italy（特里斯特科学公园） ； SISSA, Trieste, Italy（SISSA） ； University of Trieste, Trieste, Italy（特里斯特大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 研究揭示了原生多模态模型中图像与文本信息交互的机制，发现通过单个标记作为窄门影响图像理解性能，提出基于标记级干预的精细控制方法。

Comments NeurIPS 2025

Bi-MCQ: Reformulating Vision-Language Alignment for Negation Understanding

Bi-MCQ：重新表述视觉-语言对齐以理解否定

Tae Hun Kim, Hyun Gyu Lee

机构 * Department of Electrical and Computer Engineering, Inha University, Republic of Korea（电气与计算机工程系，印哈大学，大韩民国） ； College of Medicine, Inha University, Republic of Korea（医学学院，印哈大学，大韩民国） 纠错

专题命中 领域大模型 ：language model(abstract)；pretraining(abstract)；分类 cs.LG

AI总结 Bi-MCQ通过重新表述视觉-语言对齐为条件语义比较，提升医学VLM对否定理解的性能。

Comments 15 pages, 4 figures, Submitted to ICPR 2026 (under review)

From Retrieving Information to Reasoning with AI: Exploring Different Interaction Modalities to Support Human-AI Coordination in Clinical Decision-Making

从信息检索到AI推理：探索不同交互方式以支持临床决策中的人类-AI协作

Behnam Rahdari, Sameer Shaikh, Jonathan H Chen, Tobias Gerstenberg, Shriti Raj

机构 * Stanford University Palo Alto CA USA ； Joseph Brant Hospital \& Foundation Ontario ON Canada ； Stanford University ； Joseph Brant Hospital \& Foundation 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 研究探讨了不同交互方式在临床决策支持中的应用，发现临床医生更倾向于使用工具进行信息检索而非主动协作，且交互方式的选择受个体认知风格影响。

Generalizable Multimodal Large Language Model Editing via Invariant Trajectory Learning

通过不变轨迹学习实现通用的多模态大语言模型编辑

Jiajie Su, Haoyuan Wang, Xiaohua Feng, Yunshan Ma, Xiaobo Xia, Yuyuan Li, Xiaolin Zheng, Jianmao Xiao, Chaochao Chen

机构 * Zhejiang University, China（浙江大学） ； Singapore Management University, Singapore（新加坡管理学院） ； National University of Singapore, Singapore（新加坡国立大学） ； Hangzhou Dianzi University, China（杭州电子科技大学） ； Jiangxi Normal University, China（江西师范大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；prompting(abstract)

AI总结 本文提出ODEit框架，通过不变轨迹学习提升多模态大语言模型的编辑可靠性、局部性和泛化能力。

Character as a Latent Variable in Large Language Models: A Mechanistic Account of Emergent Misalignment and Conditional Safety Failures

字符作为大语言模型中的潜在变量：对涌现偏差和条件安全失败的机制解释

Yanghao Su, Wenbo Zhou, Tianwei Zhang, Qiu Han, Weiming Zhang, Nenghai Yu, Jie Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 本研究揭示了大语言模型中字符层面倾向对齐风险的核心机制，指出行为倾向的稳定转变是导致涌现偏差和安全失败的关键因素，而非单纯的能力退化或提示防御。

Defending Large Language Models Against Jailbreak Attacks via In-Decoding Safety-Awareness Probing

通过解码过程中的安全意识探测防御大型语言模型的劫持攻击

Yinzhi Zhao, Ming Wang, Shi Feng, Xiaocui Yang, Daling Wang, Yifei Zhang

机构 * Northeastern University, China（东北大学） 纠错

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

AI总结 通过在解码过程中激活内在安全意识，提升大型语言模型对劫持攻击的防御能力。

Context Structure Reshapes the Representational Geometry of Language Models

上下文结构重塑语言模型的表征几何

Eghbal A. Hosseini, Yuxuan Li, Yasaman Bahri, Declan Campbell, Andrew Kyle Lampinen

机构 * Google DeepMind（谷歌DeepMind） ； Princeton Neuroscience Institute, Princeton University（普林斯顿神经科学研究所，普林斯顿大学） 纠错

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

AI总结 研究发现语言模型在不同任务中根据上下文结构动态调整表征方式，部分任务中上下文增加会提升预测性能，而其他任务中则不一致。

When Meanings Meet: Investigating the Emergence and Quality of Shared Concept Spaces during Multilingual Language Model Training

意义交汇：探究多语言语言模型训练中共享概念空间的产生与质量

Felicia Körner, Max Müller-Eberstein, Anna Korhonen, Barbara Plank

机构 * MaiNLP, Center for Information and Language Processing, LMU Munich（MaiNLP，信息与语言处理中心，慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； University of Tokyo（东京大学） ； IT University of Copenhagen（哥本哈根IT大学） ； Language Technology Lab, University of Cambridge（语言技术实验室，剑桥大学） 纠错

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

AI总结 研究通过因果可解释方法探讨多语言语言模型训练中共享概念空间的产生与质量，发现早期出现并随训练细化，但语言依赖性显著，且翻译质量提升可能反映行为变化而非能力提升。

Comments Accepted to EACL 2026 Main Conference

Unveiling Scaling Behaviors in Molecular Language Models: Effects of Model Size, Data, and Representation

揭示分子语言模型中的缩放行为：模型大小、数据和表示的影响

Dong Xu, Qihua Pan, Sisi Yuan, Jianqiang Li, Zexuan Zhu, Junkai Ji

机构 * School of Artificial Intelligence, Shenzhen University, Shenzhen 518060, China（人工智能学院，深圳大学，深圳518060，中国） 纠错

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

AI总结 本研究通过训练300个分子语言模型，系统探讨了模型大小、数据量和表示对分子生成模型缩放行为的影响，并公开了最大分子语言模型库。

Comments 34 pages, 51 figures

Token-Guard: Towards Token-Level Hallucination Control via Self-Checking Decoding

Token-Guard: 通过自检解码实现token级幻觉控制

Yifan Zhu, Huiqiang Rong, Haoran Luo

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 Token-Guard通过自检解码技术，实现对大型语言模型中token级幻觉的有效控制，提升生成准确性与输出可靠性。

Comments Accepted by ICLR 2026 main conference

Journal ref ICLR 2026

FactSelfCheck: Fact-Level Black-Box Hallucination Detection for LLMs

FactSelfCheck: LLMs中的事实级黑盒幻觉检测

Albert Sawczyn, Jakub Binkowski, Denis Janiak, Bogdan Gabrys, Tomasz Kajdanowicz

机构 * wrocław University of Science and Technology（沃拉布罗德技术大学） ； University of Technology Sydney（悉尼技术大学） 纠错

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

AI总结 FactSelfCheck通过事实级黑盒采样方法提升LLM幻觉检测精度，实现更详细的事实性分析与纠正。

Comments Accepted for EACL 2026 (findings)

Beyond Conditional Computation: Retrieval-Augmented Genomic Foundation Models with Gengram

超越条件计算：具有Gengram的检索增强基因组基础模型

Huinan Xu, Xuyang Feng, Junhong Chen, Junchen Liu, Kaiwen Deng, Kai Ding, Shengning Long, Jiaxue Shuai, Zhaorong Li, Shiping Liu, Guirong Xue, Zhan Xiao

机构 * Genos Team（基因组团队） 纠错

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

AI总结 Gengram通过基因组特定哈希方案引入高效查找原语，提升基因组基础模型在功能基因组任务中的性能和可解释性。

LLMs Explain't: A Post-Mortem on Semantic Interpretability in Transformer Models

LLMs Explain't: 对Transformer模型语义可解释性的事后分析

Alhassan Abdelhalim, Janick Edinger, Sören Laue, Michaela Regneri

机构 * Distributed Operating Systems Group, Department of Informatics, Universität Hamburg, Germany（信息学院分布式操作系统组，乌尔姆大学） ； Machine Learning Group, Department of Informatics, Universität Hamburg, Germany（信息学院机器学习组，乌尔姆大学） 纠错

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

AI总结 本文分析了Transformer模型中语义可解释性的局限性，发现现有方法在解释LLM性能机制时存在方法论缺陷，影响了在分布式计算中的应用。

FraudShield: Knowledge Graph Empowered Defense for LLMs against Fraud Attacks

FraudShield: 基于知识图谱的LLM对抗欺诈攻击防御方案

Naen Xu, Jinghuai Zhang, Ping He, Chunyi Zhou, Jun Wang, Zhihui Fu, Tianyu Du, Zhaoxiang Wang, Shouling Ji

机构 * Zhejiang University（浙江大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； OPPO Research Institute（OPPO研究院） ； Zhejiang Key Laboratory of Decision Intelligence（浙江决策智能重点实验室） 纠错

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

AI总结 FraudShield通过构建欺诈战术-关键词知识图谱，提升LLM对抗欺诈攻击的能力，实验显示其在多个LLM和欺诈类型上表现优异，且提供可解释的防御线索。

Comments WWW 2026

Can you map it to English? The Role of Cross-Lingual Alignment in Multilingual Performance of LLMs

能否映射到英语？跨语言对齐在大语言模型多语言性能中的作用

Kartik Ravisankar, Hyojung Han, Sarah Wiegreffe, Marine Carpuat

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

AI总结 本研究探讨了LLM中跨语言对齐对多语言NLU任务性能的影响，通过引入DALI指数验证了表示对齐在正确性中的关键作用。

BioModelsRAG: A Biological Modeling Assistant Using RAG (Retrieval Augmented Generation)

BioModelsRAG: 一种使用检索增强生成技术的生物建模助手

Bhavyahshree Navaneetha Krishnan, Adel Heydarabadipour, Herbert Sauro

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

AI总结 BioModelsRAG通过检索增强生成技术，帮助用户快速提取生物模型的关键信息，提高分析效率和准确性。

EtCon: Edit-then-Consolidate for Reliable Knowledge Editing

EtCon：编辑后整合以实现可靠的知识编辑

Ruilin Li, Yibin Wang, Wenhong Zhu, Chenglin Li, Jinghao Zhang, Chenliang Li, Junchi Yan, Jiaqi Wang

机构 * Wuhan University（武汉大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 EtCon通过编辑后整合范式提升LLMs的知识编辑可靠性与现实应用能力，保留预训练能力。

The Unintended Trade-off of AI Alignment:Balancing Hallucination Mitigation and Safety in LLMs

AI对齐中的意外权衡：在LLMs中平衡幻觉缓解与安全

Omar Mahmoud, Ali Khalil, Buddhika Laknath Semage, Thommen George Karimpanal, Santu Rana

机构 * Applied Artificial Intelligence Initiative（应用人工智能倡议） ； Deakin University（德肯大学） ； School of Information Technology（信息科技学院） 纠错

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

AI总结 本文提出了一种方法，通过解耦幻觉和拒绝特征，平衡LLMs中的真实性与安全性，减少因提高真实性而削弱安全对齐的问题。

Learn More with Less: Uncertainty Consistency Guided Query Selection for RLVR

学得更多，用得更少：不确定性一致性引导的查询选择用于RLVR

Hao Yi, Yulan Hu, Xin Li, Sheng Ouyang, Lizhong Ding, Yong Liu

机构 * Renmin University of China（中国人民大学） ； Gaoling School of Artificial Intelligence（北京人工智能学院） ； Amap, Alibaba Group（阿里集团阿里的地图部门） ； School of Computer Science & Technology（计算机科学与技术学院） 纠错

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

AI总结 本文提出基于不确定性一致性的查询选择方法，通过改进RLVR的样本选择策略，减少查询预算，提升推理任务的效率。

CAOS: Conformal Aggregation of One-Shot Predictors

CAOS：一次性预测预测器的符合性聚合

Maja Waldron

机构 * Department of Statistics, University of Wisconsin-Madison, USA（统计学系，威斯康星大学麦迪逊分校） 纠错

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

AI总结 CAOS通过自适应聚合多个一次性预测器，利用留一校准方案实现有效覆盖，比传统方法在预测集大小上更小且保持可靠覆盖。

Mechanistic evaluation of Transformers and state space models

Transformer 与状态空间模型的机制性评估

Aryaman Arora, Neil Rathi, Nikil Roashan Selvam, Róbert Csordás, Dan Jurafsky, Christopher Potts

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文通过实验发现Transformer和基于SSM的模型在联想回忆任务中表现优异，而其他SSM模型表现不佳，揭示了不同架构在归纳学习机制上的差异。

Comments 9 page main text, 22 pages total

Beyond Activation Patterns: A Weight-Based Out-of-Context Explanation of Sparse Autoencoder Features

超越激活模式：基于权重的稀疏自编码器特征非情境解释

Yiting Liu, Zhi-Hong Deng

机构 * State Key Laboratory of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University（通用人工智能国家重点实验室，智能科学与技术学院，北京大学） 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 该研究提出基于权重的解释框架，揭示稀疏自编码器特征在非情境下的功能效应，发现部分特征直接预测输出并参与注意力机制。

One-shot Optimized Steering Vector for Hallucination Mitigation for VLMs

单次优化的转向向量用于VLMs的幻觉缓解

Youxu Shi, Suorong Yang, Dong Liu

机构 * University of Science（科学大学） ； Nanjing University（南京大学） 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OSGA框架，通过单次优化生成通用转向向量，有效缓解VLMs的幻觉问题并提升安全性。

Dynamic Reflections: Probing Video Representations with Text Alignment

动态反射：通过文本对齐探测视频表示

Tyler Zhu, Tengda Han, Leonidas Guibas, Viorica Pătrăucean, Maks Ovsjanikov

机构 * Princeton University（普林斯顿大学） ； Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 本研究通过视频-文本表示对齐探索现代视频和语言编码器的能力，揭示了跨模态对齐与数据丰富性、语义对齐与性能相关性以及时间推理与对齐的关系。

Comments To appear at ICLR 2026. 27 pages, 12 figures

An Automatic Deep Learning Approach for Trailer Generation through Large Language Models

基于大语言模型的自动 trailers 生成方法

Roberto Balestri, Pasquale Cascarano, Mirko Degli Esposti, Guglielmo Pescatore

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)

AI总结 本文提出基于大语言模型的自动化 trailers 生成方法，通过多模态策略提升 trailers 的视觉吸引力和叙事体验。

Comments 2024 9th International Conference on Frontiers of Signal Processing (ICFSP)

Journal ref ICFSP, Paris, France, 2024, pp. 93-100

DeepGreen: Effective LLM-Driven Greenwashing Monitoring System Designed for Empirical Testing -- Evidence from China

DeepGreen：一种用于实证测试的基于大语言模型的绿色洗刷监测系统设计——来自中国的证据

Congluo Xu, Jiuyue Liu, Ziyang Li, Chengmengjia Lin

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

AI总结 DeepGreen通过LLM驱动系统识别企业绿色洗刷，揭示其与环境处罚的正相关关系，并探讨绿色投资者和企业规模对这一关系的影响。

Comments Major revision accepted in Computational Economics, December 31, 2025. This version incorporates extensive revisions based on the reviewers' comments, with substantial changes

A Systematic Literature Review on LLM Defenses Against Prompt Injection and Jailbreaking: Expanding NIST Taxonomy

针对提示注入和劫持攻击的LLM防御措施系统文献综述：扩展NIST分类

Pedro H. Barcha Correia, Ryan W. Achjian, Diego E. G. Caetano de Oliveira, Ygor Acacio Maria, Victor Takashi Hayashi, Marcos Lopes, Charles Christian Miers, Marcos A. Simplicio

专题命中 其他LLM ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文系统回顾了针对提示注入和劫持攻击的LLM防御措施，扩展了NIST分类，并提供了全面的防御目录和指南。

Comments 27 pages, 14 figures, 11 tables, submitted to Elsevier Computer Science Review