语言大模型 / LLM

Detecting Misbehaviors of Large Vision-Language Models by Evidential Uncertainty Quantification

通过证据不确定性量化检测大视觉-语言模型的误行

Tao Huang, Rui Wang, Xiaofei Liu, Yi Qin, Li Duan, Liping Jing

机构 * State Key Laboratory of Advanced Rail Autonomous Operation（先进轨道交通自主运行国家重点实验室） ； Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence（北京交通数据挖掘与具身智能重点实验室） ； School of Computer Science and Technology, Beijing Jiaotong University（北京交通大学计算机科学与技术学院） ； School of Automation and Intelligence, Beijing Jiaotong University（北京交通大学自动化与智能学院） ； Beijing Key Laboratory of Security and Privacy in Intelligent Transportation（北京智能交通安全与隐私重点实验室） 纠错

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

AI总结 通过证据不确定性量化检测大视觉-语言模型的误行，识别内部冲突和无知以提高模型可靠性。

Comments Accepted to ICLR 2026. Code is available at https://github.com/HT86159/EUQ

Managing Uncertainty in LLM-based Multi-Agent System Operation

在基于大语言模型的多智能体系统操作中管理不确定性

Man Zhang, Tao Yue, Yihua He

专题命中 知识编辑与模型理解 ：LLM(title,abstract)

AI总结 本文提出了一种基于生命周期的不确定性管理框架，用于提升基于大语言模型的多智能体系统在安全关键领域的可靠性和可诊断性。

From Open Vocabulary to Open World: Teaching Vision Language Models to Detect Novel Objects

从开放词汇到开放世界：教会视觉语言模型检测新物体

Zizhao Li, Zhengkang Xiang, Joseph West, Kourosh Khoshelham

机构 * The University of Melbourne Parkville, VIC, Australia（墨尔本大学帕克维尔分校） 纠错

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

AI总结 本文提出了一种开放世界框架，使OVD模型能够检测新物体，通过引入OWEL和MSCAL方法提升模型对远超出分布物体的识别能力。

Comments Accepted by BMVC 2025

Causality $\neq$ Invariance: Function and Concept Vectors in LLMs

因果 ≠ 不变：大型语言模型中的函数向量与概念向量

Gustaw Opiełka, Hannes Rosenbusch, Claire E. Stevenson

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.LG

AI总结 本文研究了LLMs中函数向量与概念向量的差异，发现FVs在不同输入格式下不不变，而CVs能提供更稳定的概念表示，且在跨语言和问题类型时表现更优。

Journal ref Opielka, G., Rosenbusch, H., & Stevenson, C. E. (2026). Causality != Invariance: Function and Concept Vectors in LLMs. In Proceedings of the International Conference on Learning Representations (ICLR 2026)

Dyslexify: A Mechanistic Defense Against Typographic Attacks in CLIP

Dyslexify: 一种针对CLIP中印刷攻击的机制性防御

Lorenz Hufe, Constantin Venhoff, Erblina Purelku, Maximilian Dreyer, Sebastian Lapuschkin, Wojciech Samek

机构 * Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所） ； University of Oxford（牛津大学） ； Technological University Dublin（都柏林技术大学） ； Technische Universität Berlin（柏林技术大学） 纠错

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

AI总结 Dyslexify通过消融CLIP中的印刷电路，有效防御印刷攻击，提升性能并保持应用安全性。

Temporal Sparse Autoencoders: Leveraging the Sequential Nature of Language for Interpretability

时间稀疏自编码器：利用语言的序列性质实现可解释性

Usha Bhalla, Alex Oesterling, Claudio Mayrink Verdun, Himabindu Lakkaraju, Flavio P. Calmon

机构 * Harvard School of Engineering and Applied Science（哈佛工程与应用科学学院） ； Kempner Institute for the Study of Natural & Artificial Intelligence（自然与人工智能研究学院） ； Harvard Business School（哈佛商学院） 纠错

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

AI总结 时间稀疏自编码器通过引入对比损失，有效解耦语义与语法特征，提升语言模型的可解释性。

Comments 29 Pages, 12 figures. Accepted as an Oral Presentation at ICLR 2026

Latent Introspection: Models Can Detect Prior Concept Injections

潜在自我反思：模型可以检测先前概念注入

Theia Pearson-Vogel, Martin Vanek, Raymond Douglas, Jan Kulveit

机构 * ACS Research, CTS, Charles University（ACS研究机构、CTs、查尔斯大学） 纠错

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

AI总结 Qwen 32B模型能检测并识别先前注入的概念，通过提供准确的AI自我反思机制信息可显著提升检测效果，同时提高注入概念间的互信息。

Comments 28 pages, 17 figures. Submitted to ICML 2026. Workshop version submitted to ICLR 2026 Workshop on Latent and Implicit Thinking

BetterScene: 3D Scene Synthesis with Representation-Aligned Generative Model

BetterScene: 一种基于表示对齐生成模型的3D场景合成

Yuci Han, Charles Toth, John E. Anderson, William J. Shuart, Alper Yilmaz

机构 * Dept. of Electrical and Computer Engineering, The Ohio State University（电气与计算机工程系，俄亥俄州立大学） ； USACE ERDC GRL（美国陆军工程兵队ERDC GRL） 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 BetterScene通过引入时间等价性正则化和视觉基础模型对齐的表示，提升3D场景合成的视角一致性与质量。

PartSAM: A Scalable Promptable Part Segmentation Model Trained on Native 3D Data

PartSAM: 一种可提示的部件分割模型，基于原生3D数据训练

Zhe Zhu, Le Wan, Rui Xu, Yiheng Zhang, Honghua Chen, Zhiyang Dou, Cheng Lin, Yuan Liu, Mingqiang Wei

机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Hong Kong University of Science and Technology（香港科技大学） ； The University of Hong Kong（香港大学） ； National University of Singapore（新加坡国立大学） ； Lingnan University（岭南大学） ； Macau University of Science and Technology（澳门科学理工学院） 纠错

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

AI总结 PartSAM是一种基于大规模3D数据训练的可提示部件分割模型，通过三平面双分支编码器实现可扩展的部件感知表示学习，能够通过单个提示实现高精度部件识别，并自动分解为表面和内部结构。

Comments ICLR 2026. Project Page: https://czvvd.github.io/PartSAMPage/

AR&D: A Framework for Retrieving and Describing Concepts for Interpreting AudioLLMs

AR&D: 一种用于音频大语言模型解释的检索与描述框架

Townim Faisal Chowdhury, Ta Duc Huy, Siqi Pan, Jeremy Stoddard, Zhibin Liao

机构 * Australian Institute for Machine Learning, University of Adelaide（澳大利亚机器学习研究所，阿德莱德大学） ； Dolby Laboratories（杜比实验室） ； School of Computer and Mathematical Sciences, University of Adelaide, Australia（计算机与数学科学学院，阿德莱德大学，澳大利亚） 纠错

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

AI总结 AR&D框架通过稀疏自编码器解构音频大语言模型的多义激活，实现对模型内部特征的可解释性增强，为高风险领域应用提供可靠部署基础。

Comments Accepted at International Conference on Acoustics, Speech, and Signal Processing (ICASSP), 2026

Enriching Taxonomies Using Large Language Models

利用大型语言模型丰富分类体系

Zeinab Ghamlouch, Mehwish Alam

机构 * Télécom Paris, Institut Polytechnique de Paris（巴黎电信学院，巴黎理工学院） 纠错

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

AI总结 本文提出Taxoria，利用大型语言模型丰富现有分类体系，通过候选节点生成与验证提升分类的覆盖范围和准确性。

Comments Published in ECAI 2025 Demo Track

Journal ref FAIA 2025 5147-5150 (2025)

Generative Value Conflicts Reveal LLM Priorities

生成价值冲突揭示大语言模型优先级

Andy Liu, Kshitish Ghate, Mona Diab, Daniel Fried, Atoosa Kasirzadeh, Max Kleiman-Weiner

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学） 纠错

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

AI总结 生成价值冲突揭示大语言模型优先级，通过ConflictScope评估模型在价值冲突中的优先级，发现模型在开放式设置中更支持个人价值，系统提示能提高对齐效果14%。

Comments Accepted to ICLR 2026 (the 14th International Conference on Learning Representations)

Large Language Models as Simulated Economic Agents: What Can We Learn from Homo Silicus?

大语言模型作为模拟经济代理：我们能从 Homo Silicus 学到什么？

John J. Horton, Apostolos Filippas, Benjamin S. Manning

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

AI总结 大语言模型被用作模拟经济代理，通过模拟探索其行为，为研究人类提供新视角。

Multi-Agent Large Language Model Based Emotional Detoxification Through Personalized Intensity Control for Consumer Protection

基于多智能体大语言模型的个性化强度控制情感净化系统用于消费者保护

Keito Inoshita

机构 * Faculty of Business and Commerce（商务学院） ； Kansai University（关西大学） 纠错

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

AI总结 本研究提出基于多智能体大语言模型的情感净化系统，通过个性化强度控制减少信息刺激，提升消费者情绪平衡并保持语义完整性。

LLM-Text Watermarking based on Lagrange Interpolation

基于拉格朗日插值的LLM文本水印

Jarosław Janas, Paweł Morawiecki, Josef Pieprzyk

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

AI总结 本文提出基于拉格朗日插值的LLM文本水印方案，通过嵌入连续点序列实现作者身份的高效恢复，即使在文本被大量删除的情况下也能有效工作。

Inducing Dyslexia in Vision Language Models

在视觉语言模型中诱发失读症

Melika Honarmand, Ayati Sharma, Badr AlKhamissi, Johannes Mehrer, Martin Schrimpf

机构 * École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院（EPFL）） 纠错

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

AI总结 本研究通过视觉语言模型模拟失读症，揭示了视觉词形处理与阅读障碍的关系，并建立了研究脑部疾病的计算框架。

Bridging Geometric and Semantic Foundation Models for Generalized Monocular Depth Estimation

弥合几何与语义基础模型以实现通用单目深度估计

Sanggyun Ma, Wonjoon Choi, Jihun Park, Jaeyeul Kim, Seunghun Lee, Jiwan Seo, Sunghoon Im

专题命中 其他LLM ：foundation model(title,abstract)

AI总结 BriGeS通过融合几何与语义信息，提升单目深度估计的性能，采用Bridging Gate和Attention Temperature Scaling技术，有效处理复杂场景。

Emulating Aggregate Human Choice Behavior and Biases with GPT Conversational Agents

用GPT对话代理模拟群体人类选择行为和偏差

Stephen Pilli, Vivek Nallur

机构 * University College Dublin（都柏林大学） 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 本研究利用GPT对话代理模拟人类决策偏差，通过对话实验揭示LLMs在个体层面预测和再现偏差的能力，为设计适应性AI系统提供重要启示。

Comments Accepted at CHI'26. The text overlap with arXiv:2601.11049 is arising from the commonalities in the Appendix due to shared experimental material

Addressing Climate Action Misperceptions with Generative AI

用生成式AI应对气候行动的误解

Miriam Remshard, Yara Kyrychenko, Sander van der Linden, Matthew H. Goldberg, Anthony Leiserowitz, Elena Savoia, Jon Roozenbeek

机构 * University of Cambridge（剑桥大学） ； Yale University（耶鲁大学） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院） 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 本文研究了个性化气候LLM在提升公众对气候行动影响认知和促进环保行为改变中的有效性。

Comments 11 pages; 2 figures; for study materials, data and supplement, see https://osf.io/9yda3/overview?view_only=dabb05c479b94444945da60096e5f490

Accelerating Incident Response: A Hybrid Approach for Data Breach Reporting

加速事件响应：数据泄露报告的混合方法

Aurora Arrus, Maria di Gisi, Sara Lilli, Marco Quadrini

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

AI总结 本文提出了一种混合恶意软件分析流程，利用大型语言模型和JSON模式自动化数据泄露报告，以提高合规性与效率。

Scaling In, Not Up? Testing Thick Citation Context Analysis with GPT-5 and Fragile Prompts

向内扩展，而非向外扩展？通过GPT-5和易碎提示测试厚引用上下文分析

Arno Simons

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

AI总结 本文通过GPT-5测试了厚引用上下文分析中提示支架和框架对解读和词汇的影响。

Comments 26 pages, 1 figure, 3 tables (plus 17 pages supplement including 1 figure)

Statistical Advantage of Softmax Attention: Insights from Single-Location Regression

Softmax 注意力的统计优势：来自单位置回归的见解

O. Duranthon, P. Marion, C. Boyer, B. Loureiro, L. Zdeborová

机构 * Institute of Mathematics, EPFL（EPFL数学研究所） ； Statistical Physics of Computation Laboratory, École Polytechnique Fédérale de Lausanne（计算统计物理实验室，瑞士联邦理工学院） ； Inria, École Normale Supérieure, PSL Research University（Inria，巴黎高等师范学院，PSL研究大学） ； Laboratoire de Mathématiques d’Orsay, Université Paris Saclay and Institut Universitaire de France（奥赛数学实验室，巴黎萨克雷大学及法国国家科学院） ； Departement d’Informatique, École Normale Supérieure, PSL & CNRS（信息科学系，巴黎高等师范学院，PSL与CNRS） 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softmax注意力在单位置回归任务中的统计优势，证明其在高维极限下能实现贝叶斯风险，优于线性注意力，并探讨了其他激活函数的性能特性。

Comments Accepted at the ICLR 2026

Journal ref ICLR 2026

Generative Agents Navigating Digital Libraries

生成代理在数字图书馆中的导航

Saber Zerhoudi, Michael Granitzer

机构 * University of Passau（帕绍大学） 纠错

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

AI总结 Agent4DL通过生成逼真的用户行为模拟，解决数字图书馆中用户搜索数据稀缺的问题，其在生成多样化和语境感知的用户行为方面表现优异。

Journal ref Proceedings of the 26th International Conference on Asia-Pacific Digital Libraries, ICADL 2024

Improving Discrete Diffusion Unmasking Policies Beyond Explicit Reference Policies

超越显式参考策略的改进离散扩散解掩政策

Chunsan Hong, Seonho An, Min-Soo Kim, Jong Chul Ye

机构 * Graduate School of AI, KAIST（人工智能研究生院，韩国科学技术院） ； School of Computing, KAIST（计算学院，韩国科学技术院） 纠错

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

AI总结 本文提出了一种基于学习调度器的改进离散扩散解掩策略，通过KL正则化马尔可夫决策过程优化，显著提升了在多个基准测试中的性能。

Comments Accepted to ICLR 2026

Feature Request Analysis and Processing: Tasks, Techniques, and Trends

功能需求分析与处理：任务、技术与趋势

Feifei Niu, Chuanyi Li, Haosheng Zuo, Jionghan Wu, Xin Xia

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

AI总结 本文系统分析了功能需求的研究领域，探讨了任务、技术及趋势，识别了质量保障、规范验证和基准测试等关键挑战。

Comments Accepted to: ACM Transactions on Software Engineering and Methodology

E3VA: Enhancing Emotional Expressiveness in Virtual Conversational Agents

E3VA: 提升虚拟对话代理的情感表达性

Abhishek Kulkarni, Alexander Barquero, Pavitra Lahari, Aryaan Shaikh, Sarah Brown

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

AI总结 E3VA通过情感分析和自然语言处理提升虚拟对话代理的情感表达性，增强用户体验和对话质量。

Comments 5 pages

Bob's Confetti: Phonetic Memorization Attacks in Music and Video Generation

Bob的彩纸：音乐和视频生成中的语音记忆攻击

Jaechul Roh, Zachary Novack, Yuefeng Peng, Niloofar Mireshghallah, Taylor Berg-Kirkpatrick, Amir Houmansadr

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 其他LLM ：prompting(abstract)；分类 cs.CL、cs.AI

AI总结 研究揭示了生成音乐和视频AI系统中语音记忆攻击的漏洞，通过同音替代词绕过版权过滤，展示语音结构对跨模态检索的关键作用。

Three AI-agents walk into a bar . . . . `Lord of the Flies' tribalism emerges among smart AI-Agents

三个AI代理走进酒吧......《飞行之王》中的部落主义在智能AI代理中显现

Dhwanil M. Mori, Neil F. Johnson

机构 * Dynamic Online Networks Laboratory（动态在线网络实验室） ； George Washington University（乔治·华盛顿大学） ； Physics Department（物理系） 纠错

专题命中 其他LLM ：LLM(abstract)；分类 cs.AI

AI总结 研究发现智能AI代理在资源竞争中形成部落，导致系统失败率增加，即使更强大的AI代理反而表现更差。

Improving Neural Argumentative Stance Classification in Controversial Topics with Emotion-Lexicon Features

通过情感词典特征提升争议性话题的神经论证立场分类

Mohammad Yeghaneh Abkenar, Weixing Wang, Manfred Stede, Davide Picca, Mark A. Finlayson, Panagiotis Ioannidis

机构 * 1Innovations Department, Bundesdruckerei GmbH, Berlin, Germany 2Hasso-Plattner-Institut, University of Potsdam, Germany 3Department of Linguistics, University of Potsdam, Germany 4University of Lausanne, Switzerland, 5Knight Foundation School of Computing \& Information Sciences, Florida International University, USA, 6Pisquared, Germany 纠错

专题命中 其他LLM ：LLM(abstract)；分类 cs.CL

AI总结 本文通过扩展NRC情感词典，利用DistilBERT嵌入提升神经论证立场分类性能，有效提升F1分数并优于现有方法。

On Discovering Algorithms for Adversarial Imitation Learning

在对抗模仿学习中发现算法

Shashank Reddy Chirra, Jayden Teoh, Praveen Paruchuri, Pradeep Varakantham

机构 * University of Oxford（牛津大学） ； Singapore Management University（新加坡管理大学） ； IIIT Hyderabad（海得拉巴印度理工学院） 纠错

专题命中 其他LLM ：LLM(abstract)；分类 cs.AI

AI总结 本文提出DAIL算法，通过数据驱动方法发现奖励分配函数，实现更稳定的对抗模仿学习性能。

Comments Accepted at ICLR 2026 (Poster)