语言大模型 / LLM

Low-Resource Dialect Adaptation of Large Language Models: A French Dialect Case-Study

低资源方言大语言模型适应：法语方言案例研究

Eeham Khan, Firas Saidani, Owen Van Esbroeck, Richard Khoury, Leila Kosseim

机构 * 1\,Computational Linguistics at Concordia (CLaC) Laboratory Department of Computer Science 纠错

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

AI总结 本文研究了通过持续预训练和参数高效微调方法，将大语言模型适应到低资源方言，以魁北克法语为例，展示了在有限数据和计算资源下提升方言识别性能的方法与成果。

Comments Accepted at LREC 2026

On the Generalization of SFT: A Reinforcement Learning Perspective with Reward Rectification

在SFT的泛化上：从强化学习视角的奖励校正

Yongliang Wu, Yizhou Zhou, Zhou Ziheng, Yingzhe Peng, Xinyu Ye, Xinting Hu, Wenbo Zhu, Lu Qi, Ming-Hsuan Yang, Xu Yang

机构 * Southeast University（东南大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学） ； University of California, Berkeley（加州大学伯克利分校） ； Wuhan University（武汉大学） ； University of California, Merced（加州大学默塞德分校） 纠错

专题命中 指令微调 ：SFT(title,abstract)；LLM(abstract)；large language model(abstract)；language model(abstract)

AI总结 本文提出动态微调方法，通过奖励校正提升SFT的泛化能力，在多个任务中表现优于传统SFT。

Comments ICLR 2026

LIA: Supervised Fine-Tuning of Large Language Models for Automatic Issue Assignment

LIA：大型语言模型的监督微调用于自动问题分配

Arsham Khosravani, Alireza Hoseinpour, Arshia Akhavan, Mehdi Keshani, Abbas Heydarnoori

机构 * California State University Northridge（加州州立大学北岭分校） ； Bowling Green State University（鲍灵格林州立大学） 纠错

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

AI总结 LIA通过监督微调大型语言模型，实现高效准确的问题分配，显著优于现有方法。

Enhancing Continual Learning for Software Vulnerability Prediction: Addressing Catastrophic Forgetting via Hybrid-Confidence-Aware Selective Replay for Temporal LLM Fine-Tuning

增强软件漏洞预测的持续学习：通过混合-置信度感知选择性重放应对灾难性遗忘

Xuhui Dou, Hayretdin Bahsi, Alejandro Guerra-Manzanares

机构 * School of Computer Science, University of Nottingham, Nottingham, United Kingdom（诺丁汉大学计算机科学学院） ； School of Informatics and Computing, Northern Arizona University, Flagstaff, United States of America（北亚利桑那大学信息学院） ； School of Computer Science, University of Nottingham, Ningbo, China（诺丁汉大学宁波校区） 纠错

专题命中 指令微调 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出Hybrid-CASR方法，通过置信度感知和类平衡的选性重放，提升LLM在时间漂移下的漏洞检测准确率和效率。

Comments Accepted for publication in the Proceedings of the 2026 International Conference on Information Systems Security and Privacy (ICISSP)

Journal ref Proceedings of the 12th International Conference on Information Systems Security and Privacy - Volume 1, ISBN 978-989-758-800-6, ISSN 2184-4356, pages 474-485, 2026

Intention-Adaptive LLM Fine-Tuning for Text Revision Generation

意图自适应的LLM微调用于文本修订生成

Zhexiong Liu, Diane Litman

机构 * Department of Computer Science, Learning Research & Development Center University of Pittsburgh（计算机科学系、学习研究与开发中心宾夕法尼亚大学） 纠错

专题命中 指令微调 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出Intention-Tuning框架，通过意图自适应的逐层微调提升文本修订生成效果。

Comments In the Conference of the European Chapter of the Association for Computational Linguistics (EACL), March 2026

From Flat Logs to Causal Graphs: Hierarchical Failure Attribution for LLM-based Multi-Agent Systems

从平面日志到因果图：面向基于大语言模型的多智能体系统的分层故障归因

Yawen Wang, Wenjie Wu, Junjie Wang, Qing Wang

机构 * Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； State Key Laboratory of Complex System Modeling and Simulation Technology（复杂系统建模与仿真技术国家重点实验室） ； Science & Technology on Integrated Information System Laboratory（信息系统集成技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Wuhan University of Technology（武汉理工大学） 纠错

专题命中 指令微调 ：LLM(title,abstract)；prompting(abstract)；分类 cs.AI

AI总结 本文提出CHIEF框架，通过分层因果图和反事实归因方法，提升基于大语言模型的多智能体系统故障归因的准确性和效率。

Log Probability Tracking of LLM APIs

LLM API 的对数概率跟踪

Timothée Chauvin, Erwan Le Merrer, François Taïani, Gilles Tredan

机构 * Université de Rennes（里昂大学） ； Inria（法国国家信息与自动化技术研究所） ； CNRS/IRISA（国家科学研究中心/里昂信息与自动化研究所） ； LAAS（国家科学研究中心拉瓦尔研究所） ； CNRS（国家科学研究中心） 纠错

专题命中 指令微调 ：LLM(title,abstract)；分类 cs.LG

AI总结 通过LLM API的对数概率进行低成本持续监控，能检测微调变化并提升审计效率

Comments ICLR 2026

Few-Shot Continual Learning for 3D Brain MRI with Frozen Foundation Models

小样本持续学习用于3D脑部MRI

Chi-Sheng Chen, Xinyu Zhang, Guan-Ying Chen, Qiuzhe Xie, Fan Zhang, En-Jui Kuo

机构 * Independent Researcher, USA（美国独立研究者） ； Indiana University at Bloomington, United States（印第安纳大学布卢明顿分校） ； Independent Researcher, Taiwan（台湾独立研究者） ； National Taiwan University, Taiwan（台湾国立大学） ； Boise State University, United States（博伊西州立大学） ； National Yang Ming Chiao Tung University, Taiwan（台湾阳明交通大学） 纠错

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.LG

AI总结 本文提出基于冻结基础模型与任务特定LoRA模块的小样本持续学习方法，有效解决3D脑部MRI肿瘤分割与脑年龄估计任务中的灾难性遗忘问题。

pFedMMA: Personalized Federated Fine-Tuning with Multi-Modal Adapter for Vision-Language Models

pFedMMA: 为视觉-语言模型设计的个性化联邦微调多模态适配器

Sajjad Ghiasvand, Mahnoosh Alizadeh, Ramtin Pedarsani

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） 纠错

专题命中 指令微调 ：language model(title,abstract)；分类 cs.LG

AI总结 pFedMMA通过多模态适配器实现视觉-语言模型的个性化联邦微调，平衡个性化与泛化能力，优于现有方法。

Taming Momentum: Rethinking Optimizer States Through Low-Rank Approximation

驯服动量：通过低秩近似重新思考优化器状态

Zhengbo Wang, Jian Liang, Ran He, Zilei Wang, Tieniu Tan

机构 * University of Science and Technology of China（中国科学技术大学） ； NLPR & MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 LoRA-Pre通过低秩近似优化器状态，提升预训练和微调效率，实现内存节省与性能提升

Comments Camera-ready version. Accepted as Oral at ICLR 2026

Thompson Sampling via Fine-Tuning of LLMs

通过微调大语言模型进行汤普森采样

Nicolas Menet, Aleksandar Terzić, Michael Hersche, Andreas Krause, Abbas Rahimi

机构 * IBM Research – Zurich（IBM瑞士研究院） ； Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 通过微调大语言模型实现高效汤普森采样，提升贝叶斯优化的样本和计算效率。

Comments accepted at ICLR 2026

Empowering Small VLMs to Think with Dynamic Memorization and Exploration

赋能小型视觉语言模型进行动态记忆与探索

Jiazhen Liu, Yuchuan Deng, Long Chen

机构 * The Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 指令微调 ：language model(abstract)；SFT(abstract)

AI总结 DyME通过动态选择记忆与探索策略，提升小型视觉语言模型的推理能力。

Comments Accepted by ICLR 2026

Imagine a City: CityGenAgent for Procedural 3D City Generation

想象一座城市：CityGenAgent用于程序化3D城市生成

Zishan Liu, Zecong Tang, RuoCheng Wu, Xinzhe Zheng, Jingyu Hu, Ka-Hei Hui, Haoran Xie, Bo Dai, Zhengzhe Liu

机构 * Lingnan University, Hong Kong SAR, China（岭南大学） ； Zhejiang University, Hangzhou, China（浙江大学） ； The Chinese University of Hong Kong, Hong Kong SAR, China（香港中文大学） ； Autodesk AI Lab, Canada（Autodesk AI实验室） ； The University of Hong Kong, Hong Kong SAR, China（香港大学） 纠错

专题命中 指令微调 ：SFT(abstract)

AI总结 CityGenAgent通过自然语言驱动的分层程序化生成方法，实现了高质量3D城市生成，提升了语义对齐、视觉质量和可控性。

Enhancing CLIP Robustness via Cross-Modality Alignment

通过跨模态对齐增强CLIP鲁棒性

Xingyu Zhu, Beier Zhu, Shuo Wang, Kesen Zhao, Hanwang Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 指令微调 ：language model(abstract)

AI总结 COLA通过跨模态对齐提升CLIP对抗鲁棒性，有效缓解对抗扰动导致的特征不一致问题，提升零样本分类性能。

Comments NeurIPS 2025 Spotlight

Leveraging large multimodal models for audio-video deepfake detection: a pilot study

利用大型多模态模型进行音频视频深度伪造检测：一项试点研究

Songjun Cao, Yuqi Li, Yunpeng Luo, Jianjun Yin, Long Ma

机构 * Tencent Youtu Lab（腾讯优图实验室） ； Fudan University（复旦大学） 纠错

专题命中 指令微调 ：SFT(abstract)

AI总结 本文提出AV-LMMDetect，利用大型多模态模型进行音频视频深度伪造检测，通过监督微调和分阶段训练，在多个数据集上达到新的性能水平。

Comments 5pages,ICASSP2026