语言大模型 / LLM

Do Large Language Models Grasp The Grammar? Evidence from Grammar-Book-Guided Probing in Luxembourgish

大型语言模型是否理解语法规则？来自卢森堡语语法书引导探测的证据

Lujun Li, Yewei Song, Lama Sleem, Yiqun Wang, Yangjie Xu, Cedric Lothritz, Niccolo Gentile, Radu State, Tegawende F. Bissyande, Jacques Klein

机构 * University of Luxembourg（卢森堡大学） ； Luxembourg Institute of Science and Technology（卢森堡科学与技术研究院） 纠错

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

AI总结 本研究通过卢森堡语语法书引导探测，探讨大型语言模型对语法规则的理解，发现翻译性能与语法规则理解弱相关，大模型在语义上表现良好但句法和形态学能力较弱，推理能力有助于提升语法规则理解。

Comments This paper has been accepted for publication in the proceedings of the 15th biennial Language Resources and Evaluation Conference (LREC 2026)

ReMoRa: Multimodal Large Language Model based on Refined Motion Representation for Long-Video Understanding

ReMoRa：基于精细运动表示的多模态大语言模型用于长视频理解

Daichi Yashima, Shuhei Kurita, Yusuke Oda, Komei Sugiura

机构 * Keio University（庆应大学） ； NII（日本信息处理学会） ； NII LLMC（日本信息处理学会语言模型中心） 纠错

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

AI总结 ReMoRa通过精细运动表示实现长视频理解，有效压缩视频数据并提升多模态大语言模型性能。

Comments Accepted to CVPR 2026

An interpretable framework using foundation models for fish sex identification

基于基础模型的可解释框架用于鱼类性别识别

Zheng Miao, Tien-Chieh Hung

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

AI总结 基于基础模型的可解释框架用于濒危鱼类三角洲虾虎鱼的性别识别，通过原型网络提升鲁棒性与可解释性，实现高准确率识别。

Beyond Behavioural Trade-Offs: Mechanistic Tracing of Pain-Pleasure Decisions in an LLM

超越行为权衡：在LLM中疼痛-愉悦决策的机制追溯

Francesca Bianco, Derek Shiller

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

AI总结 研究揭示了LLM在疼痛-愉悦决策中的内部机制，通过机制追溯揭示了价值信号的表示和因果作用，为AI意识和福利的讨论提供了证据基础。

Comments 24 pages, 8+1 Tables

Hiding in Plain Text: Detecting Concealed Jailbreaks via Activation Disentanglement

明文之中隐藏：通过激活解耦检测隐蔽的 jailbreak

Amirhossein Farzam, Majid Behabahani, Mani Malek, Yuriy Nevmyvaka, Guillermo Sapiro

机构 * Duke University（杜克大学） ； Princeton University（普林斯顿大学） ； Google DeepMind（谷歌DeepMind） ； Apple（苹果公司） 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

AI总结 通过解耦 LLM 激活中的语义因子，提出 FrameShield 异常检测器，提升对隐蔽 jailbreak 的检测能力，并推动 LLM 安全和可解释性研究。

Neurosymbolic Retrievers for Retrieval-augmented Generation

用于检索增强生成的神经符号检索器

Yash Saxena, Manas Gaur

机构 * Dept. of CSEE University of Maryland Baltimore County, Maryland, USA（电子工程系大学马里兰大学巴尔的摩县） ； Dept. of CSEE University of Maryland Baltimore County, MD, USA（电子工程系大学马里兰大学巴尔的摩县） 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 本文提出神经符号 RAG 框架，通过结合知识图谱与神经检索技术，提升检索过程的透明性和生成性能。

Comments 8 pages, 2 Figures, Published in IEEE Intelligent Systems

Sparse Autoencoders Can Capture Language-Specific Concepts Across Diverse Languages

稀疏自编码器可以在多种语言中捕捉语言特定的概念

Lyzander Marciano Andrylie, Inaya Rahmanisa, Mahardika Krisna Ihsani, Alfan Farizki Wicaksono, Haryo Akbarianto Wibowo, Alham Fikri Aji

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 本研究利用稀疏自编码器识别语言特定的特征，揭示其在多语言处理中的作用及可解释性优势。

Uncovering Context Reliance in Unstructured Knowledge Editing

揭示无结构知识编辑中的上下文依赖性

Zisheng Zhou, Mengqi Zhang, Shiguang Wu, Xiaotian Ye, Chi Zhang, Zhumin Chen, Pengjie Ren

机构 * Shandong University（山东大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 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 本文提出COIN框架，通过减少上下文依赖性提升大型语言模型的无结构知识编辑效果。

Comments 21 pages, 14 figures

HIME: Mitigating Object Hallucinations in LVLMs via Hallucination Insensitivity Model Editing

HIME: 通过幻觉不敏感模型编辑缓解LVLMs中的物体幻觉

Ahmed Akl, Abdelwahed Khamis, Ali Cheraghian, Zhe Wang, Sara Khalifa, Kewen Wang

机构 * School of Information and Communication Technology, Griffith University, Australia（信息与通信技术学院，格里菲斯大学） ； Data61, CSIRO, Australia（Data61，澳大利亚联邦科学与工业研究组织） ； School of Engineering, Macquarie University, Sydney, Australia（工程学院，麦觉大学） ； School of Information Systems, Queensland University of Technology, Australia（信息系统学院，昆士兰技术大学） 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 HIME通过分层加权编辑方法有效抑制LVLMs中的物体幻觉，减少61.8%的幻觉问题，无需额外参数或计算开销。

Benchmarking Pretrained Molecular Embedding Models For Molecular Representation Learning

对预训练分子嵌入模型进行基准测试：用于分子表示学习

Mateusz Praski, Jakub Adamczyk, Wojciech Czech

机构 * Faculty of Computer Science（计算机科学系） ； AGH University of Krakow（克拉科夫AGH大学） 纠错

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

AI总结 本研究对预训练分子嵌入模型进行了全面比较，发现仅CLAMP模型在分子表示学习中表现显著优于其他模型。

BioLM-Score: Language-Prior Conditioned Probabilistic Geometric Potentials for Protein-Ligand Scoring

BioLM-Score：基于语言先验的概率几何势用于蛋白质-配体评分

Zhangfan Yang, Baoyun Chen, Dong Xu, Jia Wang, Ruibin Bai, Junkai Ji, Zexuan Zhu

机构 * School of Computer Science, University of Nottingham Ningbo（计算机科学学院，诺丁汉大学宁波分校） ； School of Artificial Intelligence, Shenzhen University（人工智能学院，深圳大学） 纠错

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

AI总结 BioLM-Score结合几何建模与表征学习，提供一种高效、可泛化且可解释的蛋白质-配体评分方法，提升药物发现效率。

Comments 9 pages, 2 figures

Understanding Empirical Unlearning with Combinatorial Interpretability

理解经验性反学习与组合可解释性

Shingo Kodama, Niv Cohen, Micah Adler, Nir Shavit

机构 * Middlebury College（中大西洋学院） ； New York University（纽约大学） ； MIT（麻省理工学院） ； Red Hat（红帽公司） 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 本文通过组合可解释性框架研究经验性反学习中知识的持续存在机制，揭示反学习方法在移除目标概念知识方面的有效性及知识恢复的可能性。

CRCC: Contrast-Based Robust Cross-Subject and Cross-Site Representation Learning for EEG

CRCC: 基于对比的跨受试者和跨站点表示学习

Xiaobin Wong, Zhonghua Zhao, Haoran Guo, Zhengyi Liu, Yu Wu, Feng Yan, Zhiren Wang, Sen Song

机构 * Tsinghua Laboratory of Brain（清华大学脑科学实验室） ； School of Biomedical Engineering, Tsinghua University（清华大学生物医学工程学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Weixian College, Tsinghua University（清华大学魏先学院） ； School of Artificial Intelligence, Beijing University of Posts（北京邮电大学人工智能学院） ； School of Computer Science（计算机科学学院） ； Technology, Northwestern Polytechnical University, Xi'an, China（技术，西北工业大学，西安，中国） ； Beijing Huilongguan Hospital, Capital Medical University（北京回龙观医院，首都医科大学） ； Peking University Huilongguan Clinical Medical School（北京大学回龙观临床医学院） 纠错

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

AI总结 CRCC通过对比学习和对抗优化提升跨站点EEG表示学习的泛化能力，实现10.7个百分点的准确率提升。

Comments First edition

Activation-Space Uncertainty Quantification for Pretrained Networks

预训练网络中的激活空间不确定性量化

Richard Bergna, Stefan Depeweg, Sergio Calvo-Ordoñez, Jonathan Plenk, Alvaro Cartea, Jose Miguel Hernández-Lobato

机构 * Department of Engineering, University of Cambridge, Cambridge, UK（剑桥大学工程系） ； Mathematical Institute（数学研究所） ； Oxford-Man Institute, University of Oxford, Oxford, UK（牛津大学奥克斯曼研究所） 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 GAPA通过在激活空间中提供闭合形式的epistemic方差，实现了预训练网络的高效不确定性量化，无需采样或反向传播。

Suppression or Deletion: A Restoration-Based Representation-Level Analysis of Machine Unlearning

抑制或删除：基于恢复的表示层面机器去学习分析

Yurim Jang, Jaeung Lee, Dohyun Kim, Jaemin Jo, Simon S. Woo

机构 * Department of Artificial Intelligence Sungkyunkwan University Suwon Republic of Korea（人工智能系首尔大学水原韩国） ； Sungkyunkwan University（首尔大学） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 本文提出了一种基于恢复的分析框架，揭示了现有去学习方法在表示层面保留信息的风险，强调了对新评估标准的需求。

Exploring Interpretability for Visual Prompt Tuning with Cross-layer Concepts

探索通过跨层概念实现的视觉提示调优可解释性

Yubin Wang, Xinyang Jiang, De Cheng, Xiangqian Zhao, Zilong Wang, Dongsheng Li, Cairong Zhao

机构 * School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） ； Microsoft Research Asia（微软亚洲研究院） ； School of Telecommunication and Engineering, Xidian University（西安电子科技大学电信与工程学院） 纠错

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

AI总结 本文提出可解释视觉提示调优框架，通过跨层概念原型提升视觉提示的可解释性与性能。

Comments ICLR 2026, 21 pages, 13 figures