语言大模型 / LLM

Deception at Scale: Deceptive Designs in 1K LLM-Generated Ecommerce Components

大规模欺骗：1000个LLM生成的电商组件中的欺骗设计

Ziwei Chen, Jiawen Shen, Luna, Hanyu Zhang, Kristen Vaccaro

机构 * University of California San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 研究揭示LLM生成电商组件中普遍存在欺骗性设计，通过测试不同提示策略发现价值观导向方法最有效，强调LLM在编码中的潜在风险及改进方向。

Comments 18 pages

Analyzing Diffusion and Autoregressive Vision Language Models in Multimodal Embedding Space

分析扩散模型和自回归视觉语言模型在多模态嵌入空间中的表现

Zihang Wang, Siyue Zhang, Yilun Zhao, Jingyi Yang, Tingyu Song, Anh Tuan Luu, Chen Zhao

机构 * Nanyang Technological University（南洋理工大学） ； Yale University（耶鲁大学） ； NYU Shanghai（纽约大学上海分校） ； Alibaba-NTU Singapore Joint Research Institute（阿里-国立新加坡大学联合研究机构） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Center for Data Science（数据科学中心） ； New York University（纽约大学） 纠错

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

AI总结 本文研究了多模态扩散模型在多模态嵌入任务中的表现，发现其在分类、VQA和检索任务中均逊于自回归VLM。

When and How to Integrate Multimodal Large Language Models in College Psychotherapy: Perspectives from Multi-stakeholders

何时以及如何将多模态大语言模型整合到大学生心理治疗中：来自多利益相关者的视角

Jiyao Wang, Youyu Sheng, Qihang He, Zian Zhang, Haolong Hu, Yumei Jing, Dengbo He

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

AI总结 本研究探讨了多模态大语言模型在大学生心理治疗中的整合时机与方式，指出其作为辅助工具的作用，并揭示了用户接受度受社交身份和相对地位影响的关键因素。

Knowledge Synthesis Graph: An LLM-Based Approach for Modeling Student Collaborative Discourse

知识综合图：一种基于大语言模型的学生协作讨论建模方法

Bo Shui, Xinran Zhu

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

AI总结 本文提出基于大语言模型的知识综合图方法，用于建模学生协作讨论，通过可视化认知关系促进知识推进。

Mut4All: Fuzzing Compilers via LLM-Synthesized Mutators Learned from Bug Reports

Mut4All：通过从错误报告中学习的LLM合成变异器模糊编译器

Bo Wang, Pengyang Wang, Chong Chen, Ming Deng, Jieke Shi, Qi Sun, Chengran Yang, Youfang Lin, Zhou Yang, Junjie Chen, Jun Sun, David Lo

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

AI总结 Mut4All通过LLM合成变异器自动发现编译器错误，实现高效且跨语言的模糊测试

Allocate Marginal Reviews to Borderline Papers Using LLM Comparative Ranking

使用LLM比较排名分配边缘论文的边际评审

Elliot L. Epstein, Rajat Dwaraknath, John Winnicki, Thanawat Sornwanee

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出利用LLM比较排名技术，在人类评审前识别边缘论文并分配额外评审资源，以提高评审效率和决策准确性。

Comments 13 pages

Revisiting the Generic Transformer: Deconstructing a Strong Baseline for Time Series Foundation Models

重新审视通用变换器：解构一个强大的时间序列基础模型基准

Yunshi Wen, Wesley M. Gifford, Chandra Reddy, Lam M. Nguyen, Jayant Kalagnanam, Anak Agung Julius

机构 * Rensselaer Polytechnic Institute（拉特格斯理工学院） ； IBM Research（IBM研究院） 纠错

专题命中 其他LLM ：foundation model(title,abstract)；分类 cs.LG

AI总结 本文重新审视通用变换器，通过简单训练协议证明其在时间序列零样本预测中的优越性能，并通过消融研究揭示了模型扩展和数据组成对性能的关键影响。

ReBeCA: Unveiling Interpretable Behavior Hierarchy behind the Iterative Self-Reflection of Language Models with Causal Analysis

ReBeCA: 通过因果分析揭示语言模型迭代自我反思背后的可解释行为层级

Tianqiang Yan, Sihan Shang, Yuheng Li, Song Qiu, Hao Peng, Wenjian Luo, Jue Xie, Lizhen Qu, Yuan Gao

机构 * Monash University（莫纳什大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Hainan University（海南大学） ； South China University of Technology（华南理工大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 ReBeCA通过因果分析揭示语言模型自我反思中的可解释行为层级，识别因果关系以提升自我反思效果。

Comments 17 pages, 3 figures

Skill Discovery for Software Scripting Automation via Offline Simulations with LLMs

通过离线模拟与LLM实现软件脚本自动化中的技能发现

Paiheng Xu, Gang Wu, Xiang Chen, Tong Yu, Chang Xiao, Franck Dernoncourt, Tianyi Zhou, Wei Ai, Viswanathan Swaminathan

机构 * University of Maryland, College Park（马里兰大学College Park分校） ； Adobe Research（Adobe研究院） 纠错

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

AI总结 本文提出了一种利用离线模拟与LLM构建软件特定技能集的方法，通过生成和验证脚本提升自动化效率，减少运行时成本。

Comments Findings of the Association for Computational Linguistics: EACL 2026

Uncovering Cross-Objective Interference in Multi-Objective Alignment

揭示多目标对齐中的跨目标干扰

Yining Lu, Meng Jiang

机构 * University of Notre Dame（诺丁汉大学） 纠错

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

AI总结 本文提出CTWA方法，通过保持目标奖励与训练信号的正协方差来缓解多目标对齐中的跨目标干扰问题，并分析了干扰与模型几何属性的关系。

Quantum Attention by Overlap Interference: Predicting Sequences from Classical and Many-Body Quantum Data

通过重叠干涉实现量子注意力：从经典和多体量子数据中预测序列

Alessio Pecilli, Matteo Rosati

机构 * Dipartimento di Ingegneria Civile, Informatica e delle Tecnologie Aeronautiche, Università degli Studi Roma Tre（土木工程、计算机科学和航空技术系，罗马三大学） 纠错

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

AI总结 本文提出了一种基于量子干涉的自注意力机制，通过重叠干涉实现序列预测，展示了其在经典和量子数据中的有效性。

Comments 4 + 1 pages, 2 figures

Confundo: Learning to Generate Robust Poison for Practical RAG Systems

Confundo: 学习生成稳健的毒药以应对实际RAG系统

Haoyang Hu, Zhejun Jiang, Yueming Lyu, Junyuan Zhang, Yi Liu, Ka-Ho Chow

机构 * The University of Hong Kong（香港大学） ； Nanjing University（南京大学） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 Confundo是一种学习生成毒药的框架，通过微调大型语言模型以提高RAG系统的鲁棒性和隐蔽性，有效应对实际系统中的安全威胁。

On the Empirical Power of Goodness-of-Fit Tests in Watermark Detection

关于在水印检测中 goodness-of-fit 测试的实证效力

Weiqing He, Xiang Li, Tianqi Shang, Li Shen, Weijie Su, Qi Long

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 本文研究了 goodness-of-fit 测试在水印检测中的实证效力，发现通用 GoF 测试能提升检测能力和鲁棒性，并指出文本重复对 GoF 测试的独特优势。

Comments Accepted at NeurIPS 2025 as a spotlight

Relevance-aware Multi-context Contrastive Decoding for Retrieval-augmented Visual Question Answering

具有相关性的多上下文对比解码用于检索增强的视觉问答

Jongha Kim, Byungoh Ko, Jeehye Na, Jinsung Yoon, Hyunwoo J. Kim

机构 * Korea University（韩国大学） ； KAIST（韩国科学技术院） ； Google Cloud AI（谷歌云人工智能） 纠错

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

AI总结 RMCD通过结合多个相关上下文并抑制无关上下文的负面影响，提升检索增强视觉问答的性能。

Comments WACV 2026