语言大模型 / LLM

Making Large Language Models Speak Tulu: Structured Prompting for an Extremely Low-Resource Language

让大语言模型开口说图鲁语：一种结构化提示方法用于极低资源语言

Prathamesh Devadiga, Paras Chopra

机构 * Lossfunk 纠错

专题命中 预训练与数据 ：large language model(title,abstract)；language model(title,abstract)；prompting(title,abstract)；LLM(abstract)

AI总结 本研究通过结构化提示方法，在极低资源语言图鲁语上实现基本对话能力，减少词汇污染并提高语法准确性。

Comments Accepted to EACL LoResLM Workshop

Emergent Morphing Attack Detection in Open Multi-modal Large Language Models

开放多模态大语言模型中的涌现形变攻击检测

Marija Ivanovska, Vitomir Štruc

机构 * Faculty of Electrical Engineering, University of Ljubljana（卢布尔雅那大学电气工程学院） 纠错

专题命中 预训练与数据 ：large language model(title,abstract)；language model(title,abstract)；pretraining(abstract)

AI总结 本文提出利用开源多模态大语言模型进行零样本人脸形变攻击检测，通过实验表明其在无微调情况下具备优异的判别能力，性能超越传统基线23%。

Comments This manuscript is currently under review at Pattern Recognition Letters

A Scoping Review of Synthetic Data Generation by Language Models in Biomedical Research and Application: Data Utility and Quality Perspectives

基于语言模型生成合成数据在生物医学研究与应用中的综述：数据效用和质量视角

Hanshu Rao, Weisi Liu, Haohan Wang, I-Chan Huang, Zhe He, Xiaolei Huang

专题命中 预训练与数据 ：language model(title,abstract)；LLM(abstract)；large language model(abstract)；prompting(abstract)

AI总结 本文综述了语言模型在生物医学领域生成合成数据的应用，分析了不同模态下的数据效用与质量挑战，指出需建立标准化评估框架以提升生物医学研究的应用效果。

Journal ref Journal of Healthcare Informatics Research (2026)

Stop saying LLM: Large Discourse Models (LDM) and Artificial Discursive Agent (ADA)?

不要再说大语言模型：大型话语模型（LDM）和人工话语代理（ADA）？

Amar Lakel

专题命中 预训练与数据 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出用大型话语模型和人工话语代理替代传统的大语言模型，通过认识论转变探讨话语代理在社会中的治理与共治作用。

Comments in French language

Deep Ignorance: Filtering Pretraining Data Builds Tamper-Resistant Safeguards into Open-Weight LLMs

深度无知：过滤预训练数据在开放权重大语言模型中构建抗篡改的安全保障

Kyle O'Brien, Stephen Casper, Quentin Anthony, Tomek Korbak, Robert Kirk, Xander Davies, Ishan Mishra, Geoffrey Irving, Yarin Gal, Stella Biderman

机构 * EleutherAI ； UK AI Security Institute（英国人工智能安全研究所） ； University of Oxford（牛津大学） ； OATML, University of Oxford（OATML，牛津大学） 纠错

专题命中 预训练与数据 ：pretraining(title,abstract)；post-training(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出通过过滤预训练数据中的双用途内容，增强开放权重大语言模型的抗篡改能力，实验显示其在对抗微调攻击上表现优异，且未影响其他能力。

Comments https://deepignorance.ai/

SSL4EO-S12 v1.1: A Multimodal, Multiseasonal Dataset for Pretraining, Updated

SSL4EO-S12 v1.1：一种用于预训练的多模态、多季节数据集，更新版

Benedikt Blumenstiel, Nassim Ait Ali Braham, Conrad M Albrecht, Stefano Maurogiovanni, Paolo Fraccaro

机构 * IBM Research Europe（IBM欧洲研究中心） ； German Aerospace Center（德国航空航天中心） ； Julich Supercomputing Centre University of Iceland（朱利奇超级计算中心爱沙尼亚大学） 纠错

专题命中 预训练与数据 ：pretraining(title,abstract)；foundation model(abstract)

AI总结 SSL4EO-S12 v1.1通过增加多模态数据和改进数据结构，为预训练大规模基础模型提供了更高效、更全面的地球观测数据集。

Your AI Bosses Are Still Prejudiced: The Emergence of Stereotypes in LLM-Based Multi-Agent Systems

你的AI老板仍然有偏见：基于LLM的多智能体系统中刻板印象的出现

Jingyu Guo, Yingying Xu

专题命中 预训练与数据 ：LLM(title,abstract)；分类 cs.CL

AI总结 研究发现基于LLM的多智能体系统中会自发产生刻板印象，且这种现象在互动轮次和决策权力增加时更加显著。

Examining Language Modeling Assumptions Using an Annotated Literary Dialect Corpus

利用标注的文学方言语料库检验语言模型假设

Craig Messner, Tom Lippincott

机构 * Center for Digital Humanities（数字人文中心） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 预训练与数据 ：language model(title,abstract)；分类 cs.CL

AI总结 本文通过标注的文学方言语料库，探讨了不同语言建模假设对正写法变化信息提取的影响，发现词标注方案对模型表现有显著影响。

Comments Accepted to NLP4DH@EMNLP2024

Journal ref Proceedings of the 4th International Conference on Natural Language Processing for Digital Humanities (2024)

Neural Scaling Laws for Boosted Jet Tagging

提升喷注分类的神经扩展定律

Matthias Vigl, Nicole Hartman, Michael Kagan, Lukas Heinrich

机构 * Technical University of Munich（慕尼黑技术大学） ； SLAC National Accelerator Laboratory（斯坦福大学SLAC国家加速器实验室） 纠错

专题命中 预训练与数据 ：large language model(abstract)；language model(abstract)；foundation model(abstract)；分类 cs.LG

AI总结 本文研究了提升喷注分类中的神经扩展定律，推导出计算最优的扩展定律，并展示了增加计算资源如何提高性能极限。

Comments 9 pages, 6 figures

Leveraging LLMs for Semi-Automatic Corpus Filtration in Systematic Literature Reviews

利用LLMs实现系统文献综述中的半自动语料筛选

Lucas Joos, Daniel A. Keim, Maximilian T. Fischer

专题命中 预训练与数据 ：large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 本文提出利用多个大型语言模型实现系统文献综述中的半自动语料筛选，通过人类监督和交互式控制提高效率和准确性。

Journal ref Computers & Graphics, 2026

What if Deception Cannot be Detected? A Cross-Linguistic Study on the Limits of Deception Detection from Text

如果欺骗无法被检测呢？一项跨语言研究：从文本中检测欺骗的局限性

Aswathy Velutharambath, Kai Sassenberg, Roman Klinger

机构 * Institut für Maschinelle Sprachverarbeitung, University of Stuttgart, Germany（机器语言处理研究所，斯图加特大学，德国） ； Fundamentals of Natural Language Processing, University of Bamberg, Germany（自然语言处理基础， Bamberg大学，德国） ； Leibniz Institute for Psychology, Trier, Germany（莱布尼茨心理学研究所，特里尔，德国） 纠错

专题命中 预训练与数据 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文通过构建DeFaBel语料库，发现基于语言线索的欺骗检测效果有限，挑战了传统假设，呼吁重新审视NLP中欺骗的研究方法。

TAC: Timestamped Audio Captioning

TAC：带时间戳的音频描述

Sonal Kumar, Prem Seetharaman, Ke Chen, Oriol Nieto, Jiaqi Su, Zhepei Wang, Rithesh Kumar, Dinesh Manocha, Nicholas J. Bryan, Zeyu Jin, Justin Salamon

机构 * University of Maryland, College Park, USA（美国马里兰大学 College Park 分校） ； Adobe Research, USA（Adobe 研究院） ； OpenAI, USA (work done while at Adobe)（OpenAI, USA） 纠错

专题命中 预训练与数据 ：LLM(abstract)；language model(abstract)

AI总结 TAC通过生成时间接地的音频描述提升复杂声音场景的理解，结合TAC-V实现音频-视觉语义桥梁，提升文本推理性能。

Measuring economic outlook in the news

在新闻中衡量经济前景

Elliot Beck, Franziska Eckert, Linus Kühne, Helge Liebert, Rina Rosenblatt-Wisch

专题命中 预训练与数据 ：large language model(abstract)；language model(abstract)

AI总结 本文提出了一种高效的方法，通过结合文档嵌入和合成数据，在新闻中衡量经济前景，提升了GDP预测准确性并捕捉情绪变化。

ActionCodec: What Makes for Good Action Tokenizers

ActionCodec：什么使好的动作分词器成为可能

Zibin Dong, Yicheng Liu, Shiduo Zhang, Baijun Ye, Yifu Yuan, Fei Ni, Jingjing Gong, Xipeng Qiu, Hang Zhao, Yinchuan Li, Jianye Hao

机构 * Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Tianjin University（天津大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.AI

AI总结 本文提出ActionCodec，通过信息论原则提升动作分词性能，实现无需机器人预训练的VLA模型新SOTA。