语言大模型 / LLM

The Geometry of Harmful Intent: Training-Free Anomaly Detection via Angular Deviation in LLM Residual Streams

有害意图的几何学：通过残差流中的角度偏差实现无训练异常检测

Isaac Llorente-Saguer

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出LatentBiopsy方法，通过分析大语言模型残差流激活的几何特性，无需训练即可检测有害提示。该方法基于残差流激活的主成分分析和角度偏差，实现高精度的异常检测，具有低延迟和强鲁棒性。

Comments 20 pages, 10 figures, 3 tables. Training-free harmful-prompt detector via angular deviation in LLM residual streams. Evaluated on six Qwen variants (base / instruct / abliterated). Achieves AUROC over 0.937 (harmful-vs-normative) and 1.000 (harmful-vs-benign-aggressive) with no harmful training data

CLMN: Concept based Language Models via Neural Symbolic Reasoning

基于神经符号推理的概念语言模型：CLMN

Yibo Yang

机构 * College of Science, The Hong Kong University of Science and Technology（香港科技大学理学院） 纠错

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

AI总结 CLMN通过神经符号推理方法，在保持性能的同时提升NLP的可解释性，通过连续嵌入和模糊逻辑推理学习概念交互规则，提升医疗和金融等领域的文本处理效果。

Comments 7 pages, 2 figures

CoE: Collaborative Entropy for Uncertainty Quantification in Agentic Multi-LLM Systems

CoE：协作熵用于代理多语言模型系统中的不确定性量化

Kangkang Sun, Jun Wu, Jianhua Li, Minyi Guo, Xiuzhen Che, Jianwei Huang

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

AI总结 本文提出CoE，一种用于多语言模型协作中语义不确定性的信息理论度量，通过结合模型内语义熵和模型间与集均值的差异，提供更准确的不确定性估计，实验表明其在TriviaQA和SQuAD上优于传统基线。

Comments 18 pages, 7 figures, has already published in ICLR workshop "Agentic AI in the Wild: From Hallucinations to Reliable Autonomy"

Beyond Completion: Probing Cumulative State Tracking to Predict LLM Agent Performance

超越完成：探究累积状态跟踪以预测LLM代理性能

Dengzhe Hou, Lingyu Jiang, Deng Li, Zirui Li, Fangzhou Lin, Kazunori D Yamada

机构 * Tohoku University（东北大学） ； Lappeenranta-Lahti University of Technology LUT（拉彭兰塔-拉赫蒂理工大学） ； Texas A&M University（德克萨斯农工大学） ； Worcester Polytechnic Institute（伍斯特理工学院） 纠错

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

AI总结 本文提出WMF-AM方法，通过评估20种模型的累积算术状态跟踪能力，发现其与代理性能密切相关，且在控制完成分数和模型规模后仍保持显著相关性。

Structural Graph Probing of Vision-Language Models

视觉-语言模型的结构图谱探查

Haoyu He, Yue Zhuo, Yu Zheng, Qi R. Wang

机构 * Northeastern University（东北大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 研究通过神经拓扑分析视觉-语言模型的层间相关图谱，揭示群体结构对行为的意义、跨模态变化及因果影响，提出神经拓扑作为解释性中间尺度。

Comments IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

Overthinking Causes Hallucination: Tracing Confounder Propagation in Vision Language Models

过度思考导致幻觉：追踪视觉语言模型中的混杂因素传播

Abin Shoby, Ta Duc Huy, Tuan Dung Nguyen, Minh Khoi Ho, Qi Chen, Anton van den Hengel, Phi Le Nguyen, Johan W. Verjans, Vu Minh Hieu Phan

机构 * Australian Institute for Machine Learning, University of Adelaide（阿德莱德大学澳大利亚机器学习研究所） ； Hanoi University of Science and Technology（河内科技大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

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

AI总结 研究发现视觉语言模型幻觉源于过度思考，通过分析模型推理过程揭示混杂因素传播机制，提出Overthinking Score提升幻觉检测性能。

Comments CVPR2026 Findings

SECOND: Mitigating Perceptual Hallucination in Vision-Language Models via Selective and Contrastive Decoding

SECOND：通过选择性和对比性解码缓解视觉-语言模型中的感知幻觉

Woohyeon Park, Woojin Kim, Jaeik Kim, Jaeyoung Do

机构 * Department of Electrical and Computer Engineering, Seoul National University（首尔大学电气与计算机工程系） ； Interdisciplinary Program in Artificial Intelligence, Seoul National University（首尔大学人工智能跨学科项目） 纠错

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

AI总结 本文提出SECOND方法，通过选择性与对比性解码机制，有效利用多尺度视觉信息，减少视觉语言模型中的感知幻觉并提升性能。

Journal ref ICML 2025

Conditional Factuality Controlled LLMs with Generalization Certificates via Conformal Sampling

基于符合采样的通用化证书的条件事实性控制大语言模型

Kai Ye, Qingtao Pan, Shuo Li

机构 * Case Western Reserve University（凯斯西储大学） 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.AI、cs.LG

AI总结 本文提出条件事实性控制框架CFC，通过增强分位数回归定义连续特征条件接受阈值，实现条件覆盖保证，并在理论和实验上证明其高效性与稳定性。

Comments CVPR 2026

EpiPersona: Persona Projection and Episode Coupling for Pluralistic Preference Modeling

EpiPersona：基于人格与事件耦合的多元偏好建模

Yujie Zhang, Weikang Yuan, Zhuoren Jiang, Pengwei Yan

机构 * Zhejiang University（浙江大学） 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.AI

AI总结 EpiPersona通过显式人格-事件耦合方法，有效分离持久性人格特征与情境信号，提升大语言模型在多元偏好下的泛化能力。

TriDF: Evaluating Perception, Detection, and Hallucination for Interpretable DeepFake Detection

TriDF：评估可解释深度伪造检测的感知、检测和幻觉

Jian-Yu Jiang-Lin, Kang-Yang Huang, Ling Zou, Ling Lo, Sheng-Ping Yang, Yu-Wen Tseng, Kun-Hsiang Lin, Chia-Ling Chen, Yu-Ting Ta, Yan-Tsung Wang, Po-Ching Chen, Hongxia Xie, Hong-Han Shuai, Wen-Huang Cheng

机构 * National Taiwan University（国立台湾大学） ； National Yang Ming Chiao Tung University（国立阳明交通大学） ； Jilin University（吉林大学） ； VinUniversity 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 TriDF提出一个全面的可解释深度伪造检测基准，评估模型感知、检测和幻觉能力，揭示三者间的相互作用，为构建可信系统提供基础。

Comments CVPR 2026

Hierarchical Concept Embedding & Pursuit for Interpretable Image Classification

层次化概念嵌入与追求用于可解释的图像分类

Nghia Nguyen, Tianjiao Ding, René Vidal

机构 * University of Pennsylvania（宾夕法尼亚大学） 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 本文提出HCEP框架，通过在潜在空间中诱导概念嵌入的层次结构，利用层次稀疏编码恢复图像中的概念，提升分类可解释性与精度。

Comments To be published in Conference on Computer Vision and Pattern Recognition (CVPR) 2026

SAGE: Sink-Aware Grounded Decoding for Multimodal Hallucination Mitigation

SAGE：面向sink的 grounded 解码用于多模态幻觉缓解

Tripti Shukla, Zsolt Kira

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 SAGE通过动态调节自注意力机制，实时监控 grounding 可靠性，有效缓解多模态幻觉问题，实验显示在MSCOCO和AMBER基准上取得显著提升。

Comments 25 pages, 6 figures, 7 tables

Goal-VLA: Image-Generative VLMs as Object-Centric World Models Empowering Zero-shot Robot Manipulation

Goal-VLA: 图像生成视觉语言模型作为对象中心世界模型，赋能零样本机器人操作

Haonan Chen, Jingxiang Guo, Bangjun Wang, Tianrui Zhang, Xuchuan Huang, Boren Zheng, Yiwen Hou, Chenrui Tie, Jiajun Deng, Lin Shao

机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； The HKU Musketeers Foundation Institute of Data Science, The University of Hong Kong（香港大学数据科学研究院） ； Yuanpei College, Peking University（北京大学元培学院） ； Department of Automation, Tsinghua University（清华大学自动化系） 纠错

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

AI总结 本文提出Goal-VLA框架，利用图像生成视觉语言模型生成目标状态，通过对象状态表示分离高阶与低阶策略，提升机器人操作的泛化能力。

Streamlined Open-Vocabulary Human-Object Interaction Detection

简化开放词汇人类-物体交互检测

Chang Sun, Dongliang Liao, Changxing Ding

机构 * South China University of Technology（华南理工大学） 纠错

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

AI总结 本文提出SL-HOI框架，基于DINOv3模型简化开放词汇人类-物体交互检测，通过融合特征和跨注意力机制提升性能，实验显示在SWiG-HOI和HICO-DET基准上达到最新水平。

TrackMAE: Video Representation Learning via Track Mask and Predict

TrackMAE：通过轨迹掩码和预测进行视频表示学习

Renaud Vandeghen, Fida Mohammad Thoker, Marc Van Droogenbroeck, Bernard Ghanem

机构 * University of Liège（列日大学） ； KAUST（阿卜杜拉国王科技大学） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 TrackMAE通过显式利用运动信息作为重建信号，改进随机管掩码策略，提升视频表示学习的判别性和通用性。

Comments Accepted to CVPR 2026

GUIDED: Granular Understanding via Identification, Detection, and Discrimination for Fine-Grained Open-Vocabulary Object Detection

GUIDED: 通过识别、检测和辨别实现细粒度理解的细粒度开放词汇物体检测

Jiaming Li, Zhijia Liang, Weikai Chen, Lin Ma, Guanbin Li

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； Meituan（美团） ； GuangDong Province Key Laboratory of Information Security Technology（广东省信息安全技术重点实验室） ； Research Institute, Sun Yat-sen University（中山大学深圳研究院） 纠错

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

AI总结 GUIDED通过分解框架解决细粒度提示中主体与属性的语义纠缠问题，通过分离定位与识别任务提升细粒度开放词汇物体检测性能。

Comments NIPS2025

ParaUni: Enhance Generation in Unified Multimodal Model with Reinforcement-driven Hierarchical Parallel Information Interaction

ParaUni: 通过强化驱动的分层并行信息交互增强统一多模态模型的生成

Jiangtong Tan, Lin Liu, Jie Huanng, Xiaopeng Zhang, Qi Tian, Feng Zhao

机构 * MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, University of Science and Technology of China（中国科学技术大学，教育部类脑智能感知与认知重点实验室） ； Huawei Inc.（华为技术有限公司） 纠错

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

AI总结 ParaUni通过并行提取多层视觉语言模型特征并结合强化学习动态调整机制，提升统一多模态模型的生成能力。

Understanding the Use of a Large Language Model-Powered Guide to Make Virtual Reality Accessible for Blind and Low Vision People

理解大型语言模型驱动的指南在使虚拟现实对视障和低视力用户可访问性中的应用

Jazmin Collins, Sharon Y Lin, Tianqi Liu, Andrea Stevenson Won, Shiri Azenkot

机构 * Cornell University（康奈尔大学） 纠错

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

AI总结 研究探讨了利用大型语言模型驱动的指南提升视障和低视力用户虚拟现实可访问性的问题，通过实验发现用户在不同情境下对指南的不同反应，提出未来设计建议。

Comments 16 pages, 5 figures, 3 tables, Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26), April 13-17, 2026, Barcelona, Spain. ACM

Large Language Models in Game Development: Implications for Gameplay, Playability, and Player Experience

大型语言模型在游戏开发中的应用：对游戏玩法、可玩性和玩家体验的影响

Keeryn Johnson, Muhammad Ahmed, Charlie Lang, Sahib Thethi, Wilson Zheng, Ronnie de Souza Santos

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

AI总结 本文探讨了大型语言模型在游戏开发中对游戏玩法、可玩性和玩家体验的影响，通过两个游戏项目的协作自民族志研究，分析了LLM作为架构组件的整合效果，发现其增强了可变性和个性化，但也带来了正确性、难度校准和结构连贯性等挑战。

Integrating Multimodal Large Language Model Knowledge into Amodal Completion

将多模态大语言模型知识整合到无模态补全中

Heecheol Yun, Eunho Yang

机构 * KAIST（韩国科学技术院） ； AITRICS 纠错

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

AI总结 本文提出AmodalCG框架，利用多模态大语言模型知识指导无模态补全，通过评估遮挡程度选择性调用MLLM指导，结合视觉生成模型迭代优化补全结果，实验表明优于现有方法。

Neuron-Level Analysis of Cultural Understanding in Large Language Models

大语言模型中文化理解的神经层面分析

Taisei Yamamoto, Ryoma Kumon, Danushka Bollegala, Hitomi Yanaka

机构 * The University of Tokyo（东京大学） ； Riken（理化学研究所） ； University of Liverpool（利物浦大学） ； Amazon（亚马逊） ； Tohoku University（东北大学） 纠错

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

AI总结 研究通过神经层面分析揭示大语言模型中文化理解的机制，发现文化通用与特定神经元对文化理解有重要影响，且训练数据影响其文化理解能力。

Comments Accepted to ICLR 2026

Cultural Biases of Large Language Models and Humans in Historical Interpretation

大型语言模型和人类在历史解读中的文化偏见

Fabio Celli, Georgios Spathulas

机构 * Research & Development Department of Information Security and Communication Technology（信息安全和通信技术研发部） ； Maggioli SpA（Maggioli股份公司） ； Norwegian University of Science and Technology - NTNU（挪威科技大学） 纠错

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

AI总结 本文比较了人类和大型语言模型在历史注释中的表现，发现两者均存在文化偏见，但语言模型在短文本历史事实解读上达成更高共识，而人类因个人偏见常有分歧。

CBF-LLM: Safe Control for LLM Alignment

CBF-LLM：安全控制用于大语言模型对齐

Yuya Miyaoka, Masaki Inoue

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

AI总结 本文提出基于控制的对齐框架，利用控制屏障函数确保用户期望的文本生成，通过安全过滤器减少对齐任务的干预次数。

Journal ref IEEE Transactions on Control Systems Technology 2026

Reducing Hallucinations in LLM-Generated Code via Semantic Triangulation

通过语义三角化减少LLM生成代码中的幻觉

Yihan Dai, Sijie Liang, Haotian Xu, Peichu Xie, Sergey Mechtaev

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

AI总结 本文提出语义三角化框架，通过将问题转换为需要不同算法的变体，提高代码正确性。实验显示，该方法在多个基准测试中提升了代码选择的正确率和F1分数。

AutoSiMP: Autonomous Topology Optimization from Natural Language via LLM-Driven Problem Configuration and Adaptive Solver Control

AutoSiMP：通过LLM驱动的问题配置和自适应求解器控制实现自然语言驱动的自主拓扑优化

Shaoliang Yang, Jun Wang, Yunsheng Wang

机构 * Santa Clara University（圣克拉拉大学） 纠错

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

AI总结 本文提出AutoSiMP，一种将自然语言结构问题描述转化为有效二进制拓扑的自主流程。流程包含五个模块，包括基于LLM的配置器、边界条件生成器、SIMP求解器、结构评估器和闭环重试机制，展示了在自然语言描述到验证结构拓扑的完整闭环。

Comments 30 pages, 9 figures

From Tool to Teammate: LLM Coding Agents as Collaborative Partners for Behavioral Labeling in Educational Dialogue Analysis

从工具到队友：LLM编码代理作为教育对话分析中行为标注的协作伙伴

Eason Chen, Isabel Wang, Nina Yuan, Sophia Judicke, Kayla Beigh, Xinyi Tang

专题命中 其他LLM ：LLM(title,abstract)

AI总结 本文提出利用LLM编码代理自动优化标注提示，提升教育对话行为分析的准确性，通过四折交叉验证证明其有效性，揭示了标注中的潜在模式。

Comments 10 pages, 6 figures, 4 tables. Submitted to EDM 2026

AIM-SLAM: Dense Monocular SLAM via Adaptive and Informative Multi-View Keyframe Prioritization with Foundation Model

AIM-SLAM：基于自适应和信息丰富的多视图关键帧优先级的密集单目SLAM

Jinwoo Jeon, Dong-Uk Seo, Eungchang Mason Lee, Hyun Myung

机构 * KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院（KAIST）） ； KAIST InnoCORE LLM, KAIST（韩国科学技术院 InnoCORE LLM） 纠错

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

AI总结 AIM-SLAM通过自适应多视图关键帧优先级提升单目SLAM的密集重建性能，结合视觉几何基础模型实现更准确的位姿估计和一致的多视图对齐。

Comments 8 pages

From Heard to Lived Opinions: Simulating Opinion Dynamics with Grounded LLM Agents in Economic Environments

从听到的意见到 lived 的意见：利用 grounded LLM 代理在经济环境中模拟意见动态

Ryuji Hashimoto, Masahiro Kaneko, Ryosuke Takata, Takehiro Takayanagi, Kiyoshi Izumi

专题命中 其他LLM ：LLM(title,abstract)

AI总结 本文提出一种基于经济环境的LLM代理框架，通过模拟个体经济经历影响意见动态，揭示个体与群体意见变化的机制及经济因素对极化的影响。

COvolve: Adversarial Co-Evolution of Large-Language-Model-Generated Policies and Environments via Two-Player Zero-Sum Game

COvolve：通过双人零和游戏实现大语言模型生成的策略与环境对抗共演

Alkis Sygkounas, Rishi Hazra, Andreas Persson, Pedro Zuidberg Dos Martires, Amy Loutfi

机构 * Machine Perception and Interaction Lab, Örebro University（厄勒布鲁大学机器感知与交互实验室） 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 COvolve通过双人零和游戏实现环境与策略的对抗共演，利用大语言模型生成可执行代码，使环境和策略共同进化，提升持续学习和泛化能力。

Comments Accepted at GECCO 2026

Safeguarding LLMs Against Misuse and AI-Driven Malware Using Steganographic Canaries

通过隐写术可以ary文件保护LLM免受滥用及AI驱动的恶意软件

Md Raz, Venkata Sai Charan Putrevu, Meet Udeshi, Prashanth Krishnamurthy, Farshad Khorrami, Ramesh Karri

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

AI总结 本文提出基于隐写术canary文件的框架，用于检测未经授权的LLM处理，通过两种模式实现符号和语言隐写术的结合，有效识别敏感文档。