语言大模型 / LLM

Revisiting Prompt Sensitivity in Large Language Models for Text Classification: The Role of Prompt Underspecification

重新审视大型语言模型在文本分类中的提示敏感性：提示不足的作用

Branislav Pecher, Michal Spiegel, Robert Belanec, Jan Cegin

机构 * Kempelen Institute of Intelligent Technologies（智能技术研究所） ； Faculty of Information Technology, Brno University of Technology（信息科技学院） ； Faculty of Informatics, Masaryk University（信息学院） 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 本文研究了大型语言模型在文本分类中提示敏感性的来源，发现提示不足是导致性能波动的主要原因，并通过实验分析揭示了其对模型内部表示的影响。

Evaluating and Steering Modality Preferences in Multimodal Large Language Model

评估和引导多模态大语言模型中的模态偏好

Yu Zhang, Jinlong Ma, Yongshuai Hou, Xuefeng Bai, Kehai Chen, Yang Xiang, Jun Yu, Min Zhang

机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Peng Cheng Laboratory, Shenzhen, China（鹏城实验室） 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

AI总结 本文提出MC²基准测试，通过受控证据冲突场景评估和引导多模态大语言模型的模态偏好，揭示了其可通过指令引导和潜在表示控制，并展示了通过表示工程方法提升多模态任务性能的潜力。

Comments Modality Preference

Stroke Lesions as a Rosetta Stone for Language Model Interpretability

中风病变作为语言模型可解释性的一种罗塞塔石碑

Julius Fridriksson, Roger D. Newman-Norlund, Saeed Ahmadi, Regan Willis, Nadra Salman, Kalil Warren, Xiang Guan, Yong Yang, Srihari Nelakuditi, Rutvik Desai, Leonardo Bonilha, Jeff Charney, Chris Rorden

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.LG

AI总结 中风病变被用于验证语言模型的可解释性，通过比较模型扰动与人类病变模式，揭示语言处理的共享计算原则。

Comments 45 pages, 17 figures

EXaMCaP: Subset Selection with Entropy Gain Maximization for Probing Capability Gains of Large Chart Understanding Training Sets

EXaMCaP: 通过熵增最大化进行子集选择以探测大规模图表理解训练集的探测能力提升

Jiapeng Liu, Liang Li, Bing Li, Peng Fu, Xiyan Gao, Chengyang Fang, Xiaoshuai Hao, Can Ma

机构 * Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China（中国科学院信息工程研究所） ； School of Cyberspace Security, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学网络安全学院） ； School of Computer and Artificial Intelligence, Jiangxi University of Finance and Economics（江西财经大学计算机与人工智能学院） 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.LG

AI总结 EXaMCaP通过熵增最大化选择子集，以高效探测大规模图表理解训练集的能力提升。

Model Reconciliation through Explainability and Collaborative Recovery in Assistive Robotics

通过可解释性与协作恢复实现模型调和在辅助机器人中的应用

Britt Besch, Tai Mai, Jeremias Thun, Markus Huff, Jörn Vogel, Freek Stulp, Samuel Bustamante

机构 * German Aerospace Center (DLR), Robotics and Mechatronics Center (RMC)（德国航空航天中心（DLR）、机器人与机电中心） ； University of Cambridge, Department of Engineering（剑桥大学工程系） ； Universität Tübingen, Department of Psychology（图宾根大学心理学系） ； Leibniz-Institut für Wissensmedien (IWM)（莱比锡知识媒体研究所） ； Technical University of Munich（慕尼黑技术大学） 纠错

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

AI总结 本文提出了一种通过可解释性和协作恢复实现机器人与人类模型调和的方法，应用于辅助机器人领域。

Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026

Discovering Mechanistic Models of Neural Activity: System Identification in an in Silico Zebrafish

发现神经活动的机理模型：在虚拟斑马鱼中的系统识别

Jan-Matthis Lueckmann, Viren Jain, Michał Januszewski

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

AI总结 本文通过虚拟斑马鱼实验，利用大语言模型树搜索发现神经活动的预测模型，证明结构先验对机理模型发现的重要性。

RAPTOR: Ridge-Adaptive Logistic Probes

RAPTOR：岭适应逻辑探针

Ziqi Gao, Yaotian Zhu, Qingcheng Zeng, Xu Zhao, Ziqing Wang, Feng Ruan, Kaize Ding

机构 * Northwestern University（西北大学） 纠错

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

AI总结 RAPTOR通过岭适应逻辑探针在LLM层表示中提取准确且稳定的概念向量，提升模型理解和引导性能。

Comments Preprint

ConceptCaps: a Distilled Concept Dataset for Interpretability in Music Models

ConceptCaps：用于音乐模型可解释性的精简概念数据集

Bruno Sienkiewicz, Łukasz Neumann, Mateusz Modrzejewski

机构 * Institute of Computer Science, Warsaw University of Technology（华沙技术大学计算机科学研究所） 纠错

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

AI总结 ConceptCaps通过分离语义建模与文本生成，提供一个包含21,000个音乐-标签三元组的数据集，用于提升音乐模型的可解释性。

Interpolation of GEDI Biomass Estimates with Calibrated Uncertainty Quantification

利用校准不确定性量化进行GEDI生物量估计插值

Robin Young, Srinivasan Keshav

机构 * University of Cambridge（剑桥大学） 纠错

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

AI总结 本文提出利用注意力神经过程（ANPs）进行GEDI生物量估计插值，通过校准不确定性量化提升预测准确性与不确定性校准效果。

Hebrew Diacritics Restoration using Visual Representation

希伯来文附加符号恢复使用视觉表示

Yair Elboher, Yuval Pinter

机构 * Faculty of Computer and Information Science（计算机与信息科学学院） ； Ben-Gurion University of the Negev（贝叶尔谢瓦巴内吉尔大学） 纠错

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

AI总结 DiVRit通过视觉表示方法实现希伯来文附加符号恢复，利用零样本分类和视觉语言模型提升准确性和泛化能力。

GRAM: Spatial general-purpose audio representation models for real-world applications

GRAM：用于真实世界应用的空间通用音频表示模型

Goksenin Yuksel, Marcel van Gerven, Kiki van der Heijden

机构 * Donders Institute, Radboud University, Nijmegen, The Netherlands（多纳茨研究所，拉德堡德大学，尼姆韦根，荷兰） ； Mortimer B Zuckerman Institute, Columbia University, New York, United States（莫蒂默·B·祖克erman研究所，哥伦比亚大学，纽约，美国） 纠错

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

AI总结 GRAM通过多通道掩码自编码器学习空间音频表示，提升真实世界声学环境中的音频任务性能。

Comments Revise with RealSELD

Multiview Self-Representation Learning across Heterogeneous Views

跨异质视图的多视图自表示学习

Jie Chen, Zhu Wang, Chuanbin Liu, Xi Peng

机构 * College of Computer Science, Sichuan University（四川大学计算机学院） ； School of Economics and Management, China University of Petroleum (Beijing)（中国石油大学（北京）经济管理学院） ； Law School, Sichuan University（四川大学法学院） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 本文提出了一种多视图自表示学习方法，通过异质视图中的特征自表示性质，利用信息传递机制和分配概率一致性方案，实现跨不同模型的表示不变性，实验表明其优于现有方法。

Comments 12 pages

CONRep: Uncertainty-Aware Vision-Language Report Drafting Using Conformal Prediction

CONRep：基于置信预测的不确定性感知视觉-语言报告起草

Danial Elyassirad, Benyamin Gheiji, Mahsa Vatanparast, Amir Mahmoud Ahmadzadeh, Seyed Amir Asef Agah, Mana Moassefi, Meysam Tavakoli, Shahriar Faghani

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

AI总结 CONRep通过置信预测为视觉语言模型生成的放射学报告提供不确定性量化，提升自动化报告系统的透明性和临床实用性。

Comments 17 pages, 3 figures, 3 tables