语言大模型 / LLM

Generative midtended cognition and Artificial Intelligence. Thinging with thinging things

生成性中介认知与人工智能。思考与思考之物

Xabier E. Barandiaran, Marta Pérez-Verdugo

机构 * IAS-Research Centre for Life, Mind and Society, Dept. Philosophy, UPV/EHU, University of the Basque Country, Donostia, Gipuzkoa (Spain)（生命、心智与社会研究中心，哲学系，巴斯克大学，Donostia, Gipuzkoa (西班牙)） 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 本文探讨生成性中介认知概念，分析生成AI与人类认知的结合，提出该认知类型更接近社会认知而非传统扩展认知，并定义了生成性中介认知的两个维度：宽度和深度。

Comments 16 pages, 2 figures. Post-print of article published in Synthese. The final published version is available open access at https://doi.org/10.1007/s11229-025-04961-4

Journal ref Synthese 205 (2025) 137

GRAIL: Autonomous Concept Grounding for Neuro-Symbolic Reinforcement Learning

GRAIL：自主概念 grounding 用于神经符号强化学习

Hikaru Shindo, Henri Rößler, Quentin Delfosse, Kristian Kersting

机构 * Technical University of Darmstadt（达姆施塔特技术大学） ； Google Intrinsic（谷歌内在） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI）） ； Centre for Cognitive Science, TU Darmstadt（达姆施塔特技术大学认知科学中心） 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 GRAIL通过环境交互自主 grounding 关系概念，利用大语言模型提供弱监督，提升在稀疏奖励和概念对齐问题中的性能，实验显示其在Atari游戏中表现优异。

Comments Preprint

Rethinking Uncertainty Estimation in LLMs: A Principled Single-Sequence Measure

重新思考大语言模型中的不确定性估计：一种原理性的单序列度量

Lukas Aichberger, Kajetan Schweighofer, Sepp Hochreiter

机构 * ELLIS Unit Linz and LIT AI Lab（林茨ELLIS单元和LIT AI实验室） ； Institute for Machine Learning, Johannes Kepler University Linz（机器学习研究所，林茨约瑟夫·克里格大学） ； NXAI GmbH（NXAI公司） 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.LG

AI总结 本文提出基于proper scoring rules框架的G-NLL方法，通过单序列贪心解码实现高效可靠的不确定性估计，挑战传统多序列方法的必要性。

Comments ICLR 2026

Generative AI Technologies, Techniques & Tensions: A Primer

生成AI技术、技术与张力：入门指南

John T. Behrens

机构 * University of Notre Dame（诺特大学） 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 本文探讨生成AI系统在学术、专业和日常生活中的广泛应用，分析其构建、行为与用户期望之间的矛盾，提出从数据和统计基础出发，结合教育和行为研究方法，为AI系统的研究和应用提供理论框架。

Comments In press chapter for M.Mayrath, J. Behrens, & D. Robinson (Eds.), The Handbook of Generative AI in Education. Springer. Expected publication date approximately August 2026

Surgical Repair of Insecure Code Generation in LLMs

对LLMs中不安全代码生成的外科修复

Gustavo Sandoval, Brendan Dolan-Gavitt, Siddharth Garg

机构 * Tandon School of Engineering（坦顿工程学院） ； New York University（纽约大学） 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.LG

AI总结 研究揭示LLMs生成不安全代码并非知识缺失，而是格式可靠性缺口问题，通过机制分析发现安全表示在最终层被格式合规需求压制，采用针对性修正向量可将不安全生成降低74%。

From Handwriting to Structured Data: Benchmarking AI Digitisation of Handwritten Forms

从手写到结构化数据：基准测试AI手写文档数字化

Nicholas Pather, Joshua Fouché, Sitwala Mundia, Karl-Günter Technau, Thokozile Malaba, Alex Welte, Ushma Mehta, Bruce A. Bassett

机构 * CSAM, University of the Witwatersrand（沃特沙尔德大学计算机科学与数学系） ； Grai Labs（Grai实验室） ； Faculty of Health Sciences, University of the Witwatersrand（沃特沙尔德大学健康科学学院） ； Empilweni Services and Research Unit, Department of Paediatrics and Child Health, University of the Witwatersrand（沃特沙尔德大学儿科与儿童健康部门Empilweni服务与研究单位） ； Division of Epidemiology and Biostatistics, School of Public Health, Faculty of Health Sciences, University of Cape Town（开普敦大学公共卫生学院流行病学与生物统计学系） ； Discipline of Public Health, School of Medicine, University of KwaZulu-Natal（夸祖鲁-纳塔尔大学医学院公共卫生系） ； WITS MIND Institute and CSAM, University of the Witwatersrand, University of Cape Town & Grai Labs（沃特沙尔德大学WITS MIND研究所和CSAM、开普敦大学及Grai实验室） 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.LG

AI总结 本文评估了17种前沿多模态大语言模型在处理复杂手写表格任务中的表现，发现最新版Google和OpenAI模型在准确率和F1分数上达到85%和90%，并展示了提示优化对性能的显著提升。

Comments 19 Pages, 5 Figures

Extending One-Step Image Generation from Class Labels to Text via Discriminative Text Representation

通过判别性文本表示将一类标签的一步图像生成扩展到文本

Chenxi Zhao, Chen Zhu, Xiaokun Feng, Aiming Hao, Jiashu Zhu, Jiachen Lei, Jiahong Wu, Xiangxiang Chu, Jufeng Yang

专题命中 知识编辑与模型理解 ：LLM(abstract,abstract_cn)

AI总结 本文提出通过判别性文本表示将MeanFlow框架从固定类标签扩展到灵活文本输入，提升生成内容的丰富性，并在扩散模型上验证了方法的有效性。

Comments CVPR2026

Polysemantic Experts, Monosemantic Paths: Routing as Control in MoEs

语义专家，单一语义路径：在混合专家模型中路由作为控制

Charles Ye, Bo Yuan, Lee Sharkey

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 ：LLM(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出一种无参数分解方法，将MoE模型的隐藏状态分为控制信号和内容通道，发现专家路径变得单一语义，而控制信号在层间旋转，从而实现组合专业化。

SpidR-Adapt: A Universal Speech Representation Model for Few-Shot Adaptation

SpidR-Adapt：一种通用的语音表示模型用于少样本适应

Mahi Luthra, Jiayi Shen, Maxime Poli, Angelo Ortiz, Yosuke Higuchi, Youssef Benchekroun, Martin Gleize, Charles-Eric Saint-James, Dongyan Lin, Phillip Rust, Angel Villar, Surya Parimi, Vanessa Stark, Rashel Moritz, Juan Pino, Yann LeCun, Emmanuel Dupoux

机构 * Meta AI ； ENS-PSL, EHESS, CNRS（ENS-PSL，EHESS，CNRS） 纠错

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

AI总结 本文提出SpidR-Adapt，通过元学习框架实现语音单元在新语言中的快速适应，采用多任务自适应预训练协议和一阶双层优化方法，实现数据高效的语言建模性能。

Multi-Scale Reversible Chaos Game Representation: A Unified Framework for Sequence Classification

多尺度可逆混沌游戏表示：序列分类的统一框架

Sarwan Ali, Taslim Murad

机构 * Columbia University（哥伦比亚大学） ； Department of Computer Science, Institute of Business Administration（计算机科学系，商学院） 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 本文提出多尺度可逆混沌游戏表示（MS-RCGR）框架，通过理性算术和分层k-mer分解生成尺度不变特征，提升生物序列分类性能，结合传统机器学习、计算机视觉和混合方法实现多范式分析。

Mitigating Multimodal Hallucination via Phase-wise Self-reward

通过分阶段自奖励缓解多模态幻觉

Yu Zhang, Chuyang Sun, Kehai Chen, Xuefeng Bai, Yang Xiang, Min Zhang

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Peng Cheng Laboratory（鹏城实验室） ； Shenzhen（深圳） ； China（中国） 纠错

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

AI总结 本文提出PSRD框架，通过分阶段自奖励信号在推理时动态抑制幻觉，有效降低LLaVA-1.5-7B的幻觉率50%，在多个基准上优于现有方法。

Comments Self-reward for vision hallucination mitigation

SafeConstellations: Mitigating Over-Refusals in LLMs Through Task-Aware Representation Steering

SafeConstellations: 通过任务感知的表示引导缓解大语言模型的过度拒绝行为

Utsav Maskey, Sumit Yadav, Mark Dras, Usman Naseem

机构 * Macquarie University（麦考瑞大学） ； IOE, Pulchowk Campus（IOE普楚克校区） 纠错

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

AI总结 本文提出SafeConstellations方法，通过任务感知的表示引导在推理时调整表示轨迹，减少大语言模型在处理良性指令时的过度拒绝现象，同时保持模型实用性。

Comments ACL 2026 Main

LoReC: Rethinking Large Language Models for Graph Data Analysis

LoReC：重新思考用于图数据分析的大型语言模型

Hongyu Zhan, Qixin Wang, Yusen Tan, Haitao Yu, Jingbo Zhou, Shuai Chen, Jia Li, Xiao Tan, Jun Xia

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tongji University（同济大学） ； Westlake University（西湖大学） ； Ant Group（蚂蚁集团） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 LoReC提出了一种新的GraphLLM方法，通过三个阶段提升LLM对图数据的理解，实验表明其在图数据任务中优于现有方法和传统GNN。

Comparing Human and Large Language Model Interpretation of Implicit Information

比较人类与大语言模型对隐含信息的解释

Antonio De Santis, Tommaso Bonetti, Andrea Tocchetti, Marco Brambilla

机构 * Politecnico di Milano（米兰理工大学） 纠错

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

AI总结 研究比较人类与大语言模型对隐含信息的解释方法，通过隐含信息提取任务发现，人类在多数情况下与模型一致，但常提出额外信息，表明当前基于LLM的隐含信息提取覆盖有限。

Comments ACL 2026 Findings

When Choices Become Risks: Safety Failures of Large Language Models under Multiple-Choice Constraints

当选择成为风险：在多选约束下大型语言模型的安全失败

Yuheng Chen, Zhiyu Wu, Bowen Cheng, Tetsuro Takahashi

机构 * Kagoshima University（鹿儿岛大学） ； Fudan University（复旦大学） ； China University of Petroleum-Beijing（中国石油大学（北京）） 纠错

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

AI总结 研究发现，在多选约束下，LLM可能绕过拒绝行为，导致安全风险增加，揭示当前安全评估在结构化任务中的不足。

Uncovering Logit Suppression Vulnerabilities in LLM Safety Alignment

揭示LLM安全对齐中的logit抑制漏洞

Yuxi Li, Yi Liu, Yuekang Li, Ling Shi, Gelei Deng, Shengquan Chen, Kailong Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； Nanyang Technological University（南洋理工大学） ； University of New South Wales（新南威尔士大学） ； Nankai University（南开大学） 纠错

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

AI总结 本文提出SSAG方法，通过系统操控输出层logit揭示LLM安全对齐的漏洞，实验显示其在五种主流模型上以95%成功率暴露有害响应，同时减少86%的响应时间。

Concurrent Criterion Validation of a Validity Screen for LLM Confidence Signals via Selective Prediction

通过选择性预测验证LLM置信信号有效性的同时标准验证

Jon-Paul Cacioli

机构 * Independent Researcher（独立研究者） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文通过评估20个前沿LLM在六个认知领域的524项任务表现，验证了LLM置信信号分类对选择性预测性能的预测能力，发现有效模型在AUROC上显著优于无效模型。

Comments 11 pages, 4 figures, 2 tables. Companion to arXiv:2604.15702

GraSP: Graph-Structured Skill Compositions for LLM Agents

GraSP：用于LLM代理的图结构技能组合

Tianle Xia, Lingxiang Hu, Yiding Sun, Ming Xu, Lan Xu, Siying Wang, Wei Xu, Jie Jiang

机构 * Tencent（腾讯） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.CL

AI总结 本文提出GraSP，一种可执行技能图架构，通过引入编译层提升LLM代理技能编排效率，通过五种类型操作符将扁平技能集转化为带前提-效应边的有向无环图，提升任务完成效率和奖励。

Inertia in Moral and Value Judgments of Large Language Models

大语言模型中的道德与价值观判断中的惯性

Bruce W. Lee, Yeongheon Lee, Hyunsoo Cho

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Ewha Womans University（成均馆大学） 纠错

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

AI总结 研究发现大语言模型在不同角色设定下仍保持一致的价值取向，存在道德和价值观维度的惯性倾向，揭示了模型内部的偏见和价值偏好。

Comments ACL 2026

Towards an Agentic LLM-based Approach to Requirement Formalization from Unstructured Specifications

迈向基于代理的LLM方法：从非结构化规范中提取需求形式化

Alberto Tagliaferro, Bruno Guindani, Livia Lestingi, Matteo Rossi

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

AI总结 本文提出基于代理的方法，从非结构化规范中自动生成符合验证要求的形式化属性，通过提取、过滤和翻译三个模块，实现语义对齐，实验表明其在三个场景中准确率达77.8%。

Comments Accepted at the AIPV 2026 workshop (non-archival)

Clustering Discourses: Racial Biases in Short Stories about Women Generated by Large Language Models

聚类论述：大型语言模型生成的关于女性的短篇故事中的种族偏见

Gustavo Bonil, João Gondim, Marina dos Santos, Simone Hashiguti, Helena Maia, Nadia Silva, Helio Pedrini, Sandra Avila

机构 * Instituto de Estudos da Linguagem（语言研究学院） ； Universidade Estadual de Campinas（坎皮纳斯州立大学） 纠错

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

AI总结 研究探讨了大型语言模型，特别是LLaMA 3.2-3B，在生成葡萄牙语短篇故事中对黑人和白人女性的叙述构建方式，通过聚类分析揭示了三种主要的论述表现形式，并提出结合机器学习与定性分析的方法。

Comments 12 pages, 3 figures. Accepted at STIL @ BRACIS 2025

Prompt Optimization Enables Stable Algorithmic Collusion in LLM Agents

提示优化使LLM代理实现稳定的算法共谋

Yingtao Tian

机构 * Sakana AI Tokyo, Japan（日本东京Sakana AI） 纠错

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

AI总结 研究探讨提示优化是否会导致市场模拟中出现共谋行为，提出元学习循环方法，发现优化后代理能发现更稳定的共谋策略，且在测试市场中表现良好，揭示了通用协调原理。

LLM-Enhanced Multi-Agent Reinforcement Learning with Expert Workflow for Real-Time P2P Energy Trading

增强型多智能体强化学习与专家工作流的大型语言模型用于实时点对点能源交易

Chengwei Lou, Zekai Jin, Wei Tang, Guangfei Geng, Jin Yang, Lu Zhang

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

AI总结 本文提出基于大型语言模型-多智能体强化学习的框架，解决实时点对点能源交易中用户技术能力有限、缺乏专家经验及电网安全问题，通过模仿学习生成个性化策略，降低经济成本和电压违规率。

Journal ref IEEE Transactions on Smart Grid (Early Access), 2026

All Public Voices Are Equal, But Are Some More Equal Than Others to LLMs?

所有公共声音都平等，但有些比其他声音更平等吗？

Sola Kim, Marco A. Janssen, Jieshu Wang, Ame Min-Venditti, Neha Karanjia, John M. Anderies

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

AI总结 研究通过对比不同身份属性对LLM处理公共评论的影响，发现职业身份对摘要质量有显著影响，而种族和性别影响不一致，提示需在政府信息系统中关注社会经济信号。

Comments Preprint

Dual Alignment Between Language Model Layers and Human Sentence Processing

语言模型层与人类句子加工的双重对齐

Tatsuki Kuribayashi, Alex Warstadt, Yohei Oseki, Ethan Gotlieb Wilcox

机构 * MBZUAI ； Tohoku University（东北大学） ； UC San Diego（南加州大学） ； The University of Tokyo（东京大学） ； Georgetown University（乔治城大学） 纠错

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

AI总结 研究探讨了语言模型内部层在处理语法歧义时对人类认知努力的估计能力，发现后期层更准确但仍低估人类数据，揭示了人类与语言模型在句子加工中的不同模式。

Comments ACL 2026 main

Style over Story: Measuring LLM Narrative Preferences via Structured Selection

风格胜过故事：通过结构化选择测量大语言模型的叙事偏好

Donghoon Jung, Jiwoo Choi, Songeun Chae, Seohyon Jung

机构 * School of Digital Humanities and Computational Social Sciences, KAIST（数字人文与计算社会科学学院，韩国科学技术院） 纠错

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

AI总结 通过结构化选择实验测量大语言模型的叙事偏好，发现模型在风格优先于叙事内容方面表现一致，且风格偏好稳定，而内容元素则存在模型间差异和指令敏感性。

Comments Accepted to ACL 2026 (Findings), camera-ready version

Improving LLM Unlearning Robustness via Random Perturbations

通过随机扰动提升大语言模型去学习鲁棒性

Dang Huu-Tien, Hoang Thanh-Tung, Anh Bui, Minh-Phuong Nguyen, Le-Minh Nguyen, Naoya Inoue

机构 * Japan Advanced Institute of Science and Technology（日本科学技术先进研究院） ； VNU University of Engineering and Technology（越南工程与技术大学） ； Monash University（莫纳什大学） ； RIKEN（日本研究机构） 纠错

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

AI总结 本文提出将去学习过程视为后门攻击与防御问题，通过随机噪声增强方法提升去学习模型的鲁棒性，实验表明该方法有效保持去学习性能。

Comments Accepted by Transactions on Machine Learning Research

Conjunctive Prompt Attacks in Multi-Agent LLM Systems

多智能体大语言模型中的联合提示攻击

Nokimul Hasan Arif, Qian Lou, Mengxin Zheng

机构 * University of Central Florida（中央佛罗里达大学） 纠错

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

AI总结 研究多智能体系统中联合提示攻击的机制与防御，通过路由优化提升攻击成功率并降低误触发率，揭示了智能体流水线的结构性漏洞。

Comments ACL 2026 Main Conference

SOCIA-EVO: Automated Simulator Construction via Dual-Anchored Bi-Level Optimization

SOCIA-EVO: 通过双锚点双层优化实现自动模拟器构建

Yuncheng Hua, Sion Weatherhead, Mehdi Jafari, Hao Xue, Flora D. Salim

机构 * School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院） 纠错

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

AI总结 本文提出SOCIA-EVO框架，通过双锚点双层优化解决长周期LLM代理中的上下文漂移和优化不稳定问题，生成统计上与观测数据一致的模拟器。

Comments This paper has been accepted to the ACL 2026 Main Conference

RLM-on-KG: Heuristics First, LLMs When Needed: Adaptive Retrieval Control over Mention Graphs for Scattered Evidence

RLM-on-KG：先用启发式方法，必要时再用大语言模型：针对散落证据的提及图自适应检索控制

Andrea Volpini, Elie Raad

机构 * WordLift 纠错

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

AI总结 本文研究LLM在知识图谱探索中的优势，提出RLM-on-KG系统，通过实体优先多跳探索提升检索效果，发现LLM控制在证据分散时表现更优，且通过探索轨迹验证了结构化数据质量。

Comments Preprint. 32 pages, 9 figures. Code and data available at the project repository