语言大模型 / LLM

PAL: Probing Audio Encoders via LLMs -- Audio Information Transfer into LLMs

PAL: 通过LLM探测音频编码器——音频信息转移到LLM中

Tony Alex, Wish Suharitdamrong, Sara Atito, Armin Mustafa, Philip J. B. Jackson, Imran Razzak, Muhammad Awais

机构 * Centre for Vision, Speech and Signal Processing (CVSSP), University of Surrey, UK（视觉、语音和信号处理中心（CVSSP），英国萨里大学） ； Surrey Institute for People-Centred AI, University of Surrey, Guildford, GU2 7XH, UK（萨里大学以人为中心的人工智能研究所，英国Guildford） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), Abu Dhabi, UAE（穆罕默德·本·扎耶德人工智能大学（MBZUAI），阿布扎赫德） 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 PAL通过LLM高效探测音频编码器，利用LAL和PLITS结合的方法提升音频信息整合效率，降低计算和内存开销。

Comments 20 pages, 7 figures

Hallucination-Resistant Relation Extraction via Dependency-Aware Sentence Simplification and Two-tiered Hierarchical Refinement

通过依赖感知句子简化和双层级层次精炼实现抗幻觉的关系抽取

Yupei Yang, Fan Feng, Lin Yang, Wanxi Deng, Lin Qu, Biwei Huang, Shikui Tu, Lei Xu

机构 * Shanghai Jiao Tong University（上海交通大学） ； University of California San Diego（加州大学圣地亚哥分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Alibaba Group（阿里巴巴集团） 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 DEPTH通过依赖感知句子简化和双层级层次精炼提升关系抽取的准确性，将幻觉率降低至7.9%，F1分数提升9.3%。

Exploiting Latent Linearity in LLMs Improves Explainable Molecular Representation Learning

利用大语言模型中的潜在线性性改进可解释的分子表示学习

Zhuoran Li, Xu Sun, Wanyu Lin, Jiannong Cao

机构 * Department of Computing, The Hong Kong Polytechnic University（计算系，香港理工大学） 纠错

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

AI总结 MoleX通过利用大语言模型中的潜在线性性，提升分子表示学习的可解释性和性能

Feat2GS: Probing Visual Foundation Models with Gaussian Splatting

Feat2GS: 通过高斯点云探测视觉基础模型

Yue Chen, Xingyu Chen, Anpei Chen, Gerard Pons-Moll, Yuliang Xiu

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

AI总结 Feat2GS通过高斯点云探测视觉基础模型的3D理解能力，无需3D数据即可分析几何和纹理意识。

Comments Project Page: https://fanegg.github.io/Feat2GS/

Journal ref Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025

Semantic Uncertainty Quantification of Hallucinations in LLMs: A Quantum Tensor Network Based Method

LLMs语义幻觉的不确定性量化：基于量子张量网络的方法

Pragatheeswaran Vipulanandan, Kamal Premaratne, Dilip Sarkar

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Department of Computer Science（计算机科学系） ； University of Miami（迈阿密大学） 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

AI总结 基于量子张量网络的方法用于量化LLMs语义幻觉的不确定性，通过熵最大化策略提升幻觉检测的鲁棒性和准确性。

Journal ref ICLR2026

Model Editing with Graph-Based External Memory

基于图的外部记忆模型编辑

Yash Kumar Atri, Ahmed Alaa, Thomas Hartvigsen

机构 * University of Virginia（弗吉尼亚大学） ； UC Berkeley（伯克利大学） ； UCSF（旧金山加州大学） 纠错

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

AI总结 HYPE通过双曲几何和图神经网络实现稳定的模型编辑，提升编辑稳定性、事实准确性和多跳推理能力。

BiasGym: A Simple and Generalizable Framework for Analyzing and Removing Biases through Elicitation

BiasGym: 一个简单且通用的框架，用于通过诱发分析和去除偏见

Sekh Mainul Islam, Nadav Borenstein, Siddhesh Milind Pawar, Haeun Yu, Arnav Arora, Isabelle Augenstein

机构 * University of Copenhagen（哥本哈根大学） 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、cs.AI、cs.LG

AI总结 BiasGym通过安全注入和分析偏见，提供了一种简单且通用的方法来减少大语言模型中的偏见和刻板印象。

Comments Under review. Title updated

Stream: Scaling up Mechanistic Interpretability to Long Context in LLMs via Sparse Attention

Stream: 通过稀疏注意力扩展机械可解释性以分析LLM中的长上下文

J Rosser, José Luis Redondo García, Gustavo Penha, Konstantina Palla, Hugues Bouchard

机构 * University of Oxford（牛津大学） ； Spotify Spain（Spotify西班牙分公司） ； Spotify Netherlands（Spotify荷兰分公司） ； Spotify UK（Spotify英国分公司） 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、cs.AI

AI总结 Stream通过稀疏注意力技术实现LLM长上下文的高效可解释性分析，显著减少内存消耗并提升推理轨迹追踪能力。

RePPL: Recalibrating Perplexity by Uncertainty in Semantic Propagation and Language Generation for Explainable QA Hallucination Detection

RePPL：通过语义传播和语言生成中的不确定性重新校准困惑度以检测可解释问答幻觉

Yiming Huang, Junyan Zhang, Zihao Wang, Biquan Bie, Yunzhong Qiu, Xuming Hu, Yi R. Fung, Xinlei He

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 RePPL通过校准语义传播和语言生成中的不确定性，提升问答幻觉检测性能，生成token级不确定性评分作为解释。

Factuality on Demand: Controlling the Factuality-Informativeness Trade-off in Text Generation

按需事实性：在文本生成中控制事实性与信息性之间的权衡

Ziwei Gong, Yanda Chen, Julia Hirschberg, Chen Zhao, He He, Zhou Yu, Kathleen Mckeown

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

AI总结 本文提出Factuality-Controlled Generation框架，通过合成数据训练提升模型在信息性与事实性之间的平衡能力。

GHOST: Hallucination-Inducing Image Generation for Multimodal LLMs

GHOST：诱导幻觉的多模态大语言模型图像生成

Aryan Yazdan Parast, Parsa Hosseini, Hesam Asadollahzadeh, Arshia Soltani Moakhar, Basim Azam, Soheil Feizi, Naveed Akhtar

机构 * The University of Melbourne（墨尔本大学） ； University of Maryland（马里兰大学） 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.AI、cs.LG

AI总结 GHOST通过优化隐蔽令牌生成诱导幻觉的图像，评估多模态大语言模型的可靠性，并发现高幻觉成功率及可转移漏洞。

HueManity: Probing Fine-Grained Visual Perception in MLLMs

HueManity: 探索 MLLMs 中的细粒度视觉感知

Rynaa Grover, Jayant Sravan Tamarapalli, Sahiti Yerramilli, Nilay Pande

机构 * Google（谷歌） ； Waymo 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、cs.LG

AI总结 HueManity 通过细粒度视觉感知基准测试揭示 MLLMs 在捕捉细粒度视觉细节方面的显著缺陷。

Journal ref ICML 2025 Workshop on Assessing World Models

Do I Really Know? Learning Factual Self-Verification for Hallucination Reduction

我真的知道吗？学习事实自我验证以减少幻觉

Enes Altinisik, Masoomali Fatehkia, Fatih Deniz, Nadir Durrani, Majd Hawasly, Mohammad Raza, Husrev Taha Sencar

机构 * Qatar Computing Research Institute (QCRI), Hamad Bin Khalifa University (HBKU), Doha, Qatar. \,The authors contributed equally. \,The authors jointly supervised the work 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 VeriFY通过训练时的自我验证框架减少LLM的事实性幻觉，通过一致性推理和阶段级损失屏蔽提升准确性与召回率。

Addressing Explainability of Generative AI using SMILE (Statistical Model-agnostic Interpretability with Local Explanations)

通过SMILE（统计模型无关可解释性与局部解释）解决生成AI的可解释性问题

Zeinab Dehghani

机构 * School of Computer Science（计算机科学学院） ； University of Hull（赫尔大学） 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.AI

AI总结 gSMILE通过受控扰动、Wasserstein距离和加权替代模型，提升生成AI的可解释性，实现细粒度归因和直观热图生成。

FaithSCAN: Model-Driven Single-Pass Hallucination Detection for Faithful Visual Question Answering

FaithSCAN: 基于模型的单次幻觉检测用于可靠的视觉问答

Chaodong Tong, Qi Zhang, Chen Li, Lei Jiang, Yanbing Liu

机构 * Institute of Information Engineering, Chinese Academy of Sciences (CAS) and the School of Cyber Security, University of CAS（信息工程研究所、中国科学院（CAS）和安全学院、CAS大学） 纠错

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

AI总结 FaithSCAN通过利用VLMs的内部信号实现高效准确的视觉问答幻觉检测，克服现有方法的效率与鲁棒性限制。

Comments 21 pages, 13 figures, 8 tables. Submitted to IEEE Transactions on Big Data

MEMOIR: Lifelong Model Editing with Minimal Overwrite and Informed Retention for LLMs

MEMOIR: LLMs的终身模型编辑与最小覆盖与有意识保留

Ke Wang, Yiming Qin, Nikolaos Dimitriadis, Alessandro Favero, Pascal Frossard

机构 * EPFL（苏黎世联邦理工学院） 纠错

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

AI总结 MEMOIR通过残差记忆模块实现LLM的终身模型编辑，高效处理连续编辑任务，保持模型核心能力并减少遗忘。

Comments The first two authors contributed equally to this work; Accepted to NeurIPS 2025

How does a Multilingual LM Handle Multiple Languages?

多语言语言模型如何处理多种语言？

Santhosh Kakarla, Gautama Shastry Bulusu Venkata, Aishwarya Gaddam, Maheedhar Sai Omtri Mohan

机构 * George Mason University（乔治·马歇尔大学） 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 本研究通过分析多语言模型在多语言理解、语义表示和跨语言知识转移中的表现，揭示其在处理高资源与低资源语言时的优劣，旨在提升多语言NLP模型的包容性。

Comments 10 pages, 8 figures

Breaking Up with Normatively Monolithic Agency with GRACE: A Reason-Based Neuro-Symbolic Architecture for Safe and Ethical AI Alignment

与规范性单一体制代理告别：GRACE：一种基于原因的神经符号架构，用于安全和道德的人工智能对齐

Felix Jahn, Yannic Muskalla, Lisa Dargasz, Patrick Schramowski, Kevin Baum

机构 * German Research Center for Artificial Intelligence（德国人工智能研究中心） ； Center for European Research in Trusted AI (CERTAIN)（可信AI欧洲研究中心） ； Saarland Informatics Campus（萨尔州信息学校区） ； Computer Science Department, TU Darmstadt（图宾根大学计算机科学系） 纠错

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

AI总结 GRACE是一种基于原因的神经符号架构，用于安全和道德的人工智能对齐，通过分离规范性推理与工具性决策，确保AI代理的行为符合道德规范。

Comments 10 pages, 4 figures, accepted at 2nd Annual Conference of the International Association for Safe & Ethical AI (IASEAI'26)

AutoHealth: An Uncertainty-Aware Multi-Agent System for Autonomous Health Data Modeling

AutoHealth：一种面向自主健康数据建模的不确定性感知多智能体系统

Tong Xia, Weibin Li, Gang Liu, Yong Li

机构 * Vanke School of Public Health, Tsinghua University（清华大学万科公共卫生学院） ； Department of Electronic Engineering, Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心电子工程系） ； Tsinghua University, China（清华大学） 纠错

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

AI总结 AutoHealth通过多智能体系统自主建模健康数据，提升预测性能和不确定性估计，有效解决健康数据建模中的泛化和可靠性问题。

Cell-JEPA: Latent Representation Learning for Single-Cell Transcriptomics

Cell-JEPA: 单细胞转录组学中的潜在表示学习

Ali ElSheikh, Rui-Xi Wang, Weimin Wu, Yibo Wen, Payam Dibaeinia, Jennifer Yuntong Zhang, Jerry Yao-Chieh Hu, Mei Knudson, Sudarshan Babu, Shao-Hua Sun, Aly A. Khan, Han Liu

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

AI总结 Cell-JEPA通过学习抗丢弃的潜在特征，在单细胞转录组学中实现了更优的细胞类型聚类和扰动预测性能。

Comments 26 pages, 3 figures

Hyperspectral Image Fusion with Spectral-Band and Fusion-Scale Agnosticism

多光谱图像融合与光谱波段及融合尺度无关性

Yu-Jie Liang, Zihan Cao, Liang-Jian Deng, Yang Yang, Malu Zhang

机构 * University of Electronic Science and Technology of China, School of Mathematical Sciences, Chengdu, China（电子科技大学数学学院） ； University of Electronic Science and Technology of China, Multi-Hazard Early Warning Key Laboratory of Sichuan Province, Chengdu, China（电子科技大学四川省多灾种早期预警重点实验室） ； University of Electronic Science and Technology of China, School of Computer Science and Engineering (School of Cyber Security), Chengdu, China（电子科技大学计算机科学与工程学院（网络安全学院）） 纠错

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

AI总结 本文提出SSA框架，通过Matryoshka核和隐式神经表示实现光谱波段和融合尺度无关性，使单个模型能适应不同传感器和空间尺度，实现超光谱图像融合的高效泛化。

I-DCCRN-VAE: An Improved Deep Representation Learning Framework for Complex VAE-based Single-channel Speech Enhancement

I-DCCRN-VAE：一种改进的深度表示学习框架用于基于复杂VAE的单通道语音增强

Jiatong Li, Simon Doclo

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 I-DCCRN-VAE通过改进深度表示学习框架，提升单通道语音增强在匹配与不匹配数据集上的性能与泛化能力。

Comments Accepted by ICASSP2026

Game of Thought: Robust Information Seeking with Large Language Models Using Game Theory

思维博弈：利用博弈论的大型语言模型鲁棒信息检索

Langyuan Cui, Chun Kai Ling, Hwee Tou Ng

机构 * Department of Computer Science, National University of Singapore, 13 Computing Drive, Singapore 117417（新加坡国立大学计算机科学系） 纠错

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

AI总结 本文提出Game of Thought框架，通过博弈论技术提升大型语言模型在信息检索中的鲁棒性，实验证明其在最坏情况下的性能优于传统方法。

Comments 23 pages, 10 figures, under review at ICML 2026

From Gameplay Traces to Game Mechanics: Causal Induction with Large Language Models

从游戏行为追踪到游戏机制：利用大语言模型进行因果推理

Mohit Jiwatode, Alexander Dockhorn, Bodo Rosenhahn

机构 * Institute for Information Processing, Leibniz University Hannover, Germany（汉诺威莱布尼茨大学信息处理研究所） ； SDU Metaverse Lab, University of Southern Denmark, Denmark（丹麦南方大学元宇宙实验室） 纠错

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

AI总结 本文提出利用大语言模型进行因果推理，通过从游戏行为追踪中推断出视频游戏描述语言规则，以更准确地理解游戏机制。

Comments Submitted to ICPR 2026

TEON: Tensorized Orthonormalization Beyond Layer-Wise Muon for Large Language Model Pre-Training

TEON: 张量化正交化超越逐层穆伦用于大语言模型预训练

Ruijie Zhang, Yequan Zhao, Ziyue Liu, Zhengyang Wang, Dongyang Li, Yupeng Su, Sijia Liu, Zheng Zhang

机构 * Computer Science \& Engineering, Michigan State University 纠错

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

AI总结 TEON通过张量化正交化方法改进大语言模型预训练，提升训练和验证困惑度，具有强鲁棒性。

Eliciting Trustworthiness Priors of Large Language Models via Economic Games

通过经济游戏 eliciting 大语言模型的信任度先验

Siyu Yan, Lusha Zhu, Jian-Qiao Zhu

机构 * University of Hong Kong（香港大学） ； The University of Hong Kong（香港大学） ； Peking University（北京大学） ； School of Psychological and Cognitive Sciences, Peking University（北京大学心理与认知科学学院） ； Beijing Key Laboratory of Behavior and Mental Health, Peking University（北京大学行为与心理健康重点实验室） ； IDG/McGovern Institute for Brain Research, Peking University（北京大学脑科学研究院） ； Peking-Tsinghua Center for Life Sciences, Peking University（北京大学-清华大学生命科学中心） ； Key Laboratory of Machine Perception, Ministry of Education, China（教育部机器感知重点实验室） 纠错

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

AI总结 通过经济游戏实验，研究如何通过行为博弈论中的信任游戏获取大语言模型的信任度先验，并揭示其与人类信任差异及刻板印象模型的关系。

There Is More to Refusal in Large Language Models than a Single Direction

大型语言模型中拒绝行为远不止单一方向

Faaiz Joad, Majd Hawasly, Sabri Boughorbel, Nadir Durrani, Husrev Taha Sencar

机构 * Qatar Computing Research Institute（卡塔尔计算研究所） ； HBKU（哈比卜大学） 纠错

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

AI总结 研究揭示大型语言模型中拒绝行为由多种几何方向控制，不同方向影响拒绝方式而非是否拒绝

Personality Expression Across Contexts: Linguistic and Behavioral Variation in LLM Agents

人格表达的多情境性：语言与行为在大语言模型代理中的变化

Bin Han, Deuksin Kwon, Jonathan Gratch

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

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

AI总结 本研究探讨了大语言模型在不同对话情境中人格表达的差异，发现相同人格提示在不同情境下产生不同语言、行为和情感表现，表明LLMs能根据社交需求灵活调整。

Toward Universal and Transferable Jailbreak Attacks on Vision-Language Models

迈向通用且可迁移的视觉-语言模型劫持攻击

Kaiyuan Cui, Yige Li, Yutao Wu, Xingjun Ma, Sarah Erfani, Christopher Leckie, Hanxun Huang

机构 * School of Computing and Information Systems, The University of Melbourne, Australia（墨尔本大学计算机与信息系） ； School of Computing and Information Systems, Singapore Management University, Singapore（新加坡管理大学计算机与信息系） ； School of Information Technology, Deakin University, Australia（德肯大学信息科技系） ； Institute of Trustworthy Embodied AI, Fudan University, China（复旦大学可信具身人工智能研究所） 纠错

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

AI总结 本文提出UltraBreak，一种通用且可迁移的视觉-语言模型劫持攻击框架，通过视觉正则化和语义引导的文本监督，有效提升攻击的泛化能力和转移性能。

Comments ICLR 2026

Evolving Interdependent Operators with Large Language Models for Multi-Objective Combinatorial Optimization

利用大语言模型进化相互依赖的算子用于多目标组合优化

Junhao Qiu, Xin Chen, Liang Ge, Liyong Lin, Zhichao Lu, Qingfu Zhang

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

AI总结 本文提出E2OC框架，利用大语言模型进化相互依赖的算子，提升多目标组合优化的性能。