语言大模型 / LLM

Skilldex: A Package Manager and Registry for Agent Skill Packages with Hierarchical Scope-Based Distribution

Skilldex：一种基于层级作用域的代理技能包包管理器和注册表

Sampriti Saha, Pranav Hemanth

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

AI总结 Skilldex通过编译器式格式一致性评分和技能集抽象解决代理技能包的格式验证与上下文一致性问题，提供三级作用域系统和开源实现。

Comments 8 pages, 1 figure, 5 tables. IEEE conference format

Personalizing Student-Agent Interactions Using Log-Contextualized Retrieval-Augmented Generation (RAG)

基于日志上下文的检索增强生成在个性化学生代理互动中的应用

Clayton Cohn, Surya Rayala, Caitlin Snyder, Joyce Fonteles, Shruti Jain, Naveeduddin Mohammed, Umesh Timalsina, Sarah K. Burriss, Ashwin T S, Namrata Srivastava, Menton Deweese, Angela Eeds, Gautam Biswas

机构 * 1Department of Computer Science, Vanderbilt University, Nashville, USA 2College of Engineering \& Science, University of Detroit Mercy, Detroit, USA 3The School for Science ； Math, Vanderbilt University, Nashville, USA 纠错

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

AI总结 本文提出日志上下文化检索增强生成（LC-RAG）方法，通过环境日志增强协作对话的检索能力，使协作同伴代理Copa能提供个性化指导，支持学生在C2STEM环境中的批判性思维和知识决策。

Comments Peer reviewed; appeared in the International Conference on Artificial Intelligence in Education (AIED25) Workshop on Epistemics and Decision-Making in AI-Supported Education

Journal ref https://sites.google.com/view/edm-aied-2025/home

Rethinking Post-Unlearning Behavior of Large Vision-Language Models

重新思考大型视觉-语言模型的后反遗忘行为

Minsung Kim, Nakyeong Yang, Kyomin Jung

机构 * Seoul National University（首尔国立大学） 纠错

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

AI总结 本文提出新的反遗忘任务和PUBG方法，旨在生成隐私保护且信息丰富的后反遗忘响应，解决现有方法导致的退化、幻觉或过度拒绝问题。

Comments 11 pages

From Heads to Neurons: Causal Attribution and Steering in Multi-Task Vision-Language Models

从头到神经元：多任务视觉-语言模型中的因果归因与操控

Qidong Wang, Junjie Hu, Ming Jiang

机构 * Tongji University（同济大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

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

AI总结 本文提出HONES框架，通过任务相关的注意力头来评估神经元的因果贡献，改进多任务视觉-语言模型中神经元的归因与操控，提升模型性能。

Comments ACL 2026 Findings

When Numbers Start Talking: Implicit Numerical Coordination Among LLM-Based Agents

当数字开始说话：基于大语言模型的智能体间的隐性数字协调

Alessio Buscemi, Daniele Proverbio, Alessandro Di Stefano, The-Anh Han, German Castignani, Pietro Liò

机构 * Luxembourg Institute of Science and Technology（卢森堡科学与技术研究所） ； University of Trento（特伦托大学） ； Teesside University（泰赛大学） ； University of Cambridge（剑桥大学） 纠错

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

AI总结 本文研究了基于大语言模型的多智能体系统中隐性沟通的博弈理论，分析了不同沟通模式下协调与战略结果的变化。

Creating ConLangs to Probe the Metalinguistic Grammatical Knowledge of LLMs

创建ConLangs以探测LLMs的元语言语法知识

Chihiro Taguchi, Richard Sproat

机构 * University of Notre Dame（诺特达美大学） ； Sakana AI（萨卡纳人工智能） ； Notre Dame, IN, USA（印第安纳州诺特达美） ； Tokyo, Japan（日本东京） 纠错

专题命中 其他LLM ：LLM(summary_cn,abstract_cn)；分类 cs.CL

AI总结 本文提出IASC系统，通过LLMs生成构造语言，探讨LLMs对语言和语言学概念的理解能力，实验显示不同LLM和语言规范在形态语法能力上有显著差异。

Comments 53 pages, 18 tables, 3 figures. Accepted at ACL 2026

The Collaboration Gap in Human-AI Work

人机协作中的鸿沟

Varad Vishwarupe, Marina Jirotka, Nigel Shadbolt, Ivan Flechais

机构 * University of Oxford（牛津大学） 纠错

专题命中 其他LLM ：LLM(abstract,abstract_cn)；分类 cs.AI、cs.LG

AI总结 本文探讨了人机协作中稳定性不足的问题，提出三种工作结构并强调 grounding 条件的重要性。

Comments Accepted as a conference paper at ECSCW 2026, Germany

PRL: Prompts from Reinforcement Learning

基于强化学习的提示生成

Paweł Batorski, Adrian Kosmala, Paul Swoboda

机构 * Heinrich Heine Universität Düsseldorf（杜伊斯堡-艾森大学） 纠错

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

AI总结 本文提出PRL方法，通过强化学习自动生成提示，提升文本分类、简化和总结等任务性能，优于现有方法。

ArbGraph: Conflict-Aware Evidence Arbitration for Reliable Long-Form Retrieval-Augmented Generation

ArbGraph：面向可靠长形式检索增强生成的冲突感知证据仲裁

Qingying Niu, Yuhao Wang, Ruiyang Ren, Bohui Fang, Wayne Xin Zhao

机构 * Gaoling School of Artificial Intelligence（高岭人工智能学院） ； Renmin University of China（中国人民大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 ArbGraph通过预生成阶段的证据仲裁解决长形式RAG中的事实冲突，提升事实一致性与信息密度，减少幻觉和检索噪声影响。

Comments 23 pages, 4 figures

EVE: Verifiable Self-Evolution of MLLMs via Executable Visual Transformations

EVE: 通过可执行视觉变换实现多模态大语言模型的可验证自进化

Yongrui Heng, Chaoya Jiang, Han Yang, Shikun Zhang, Wei Ye

机构 * National Engineering Research Center for Software Engineering, Peking University（软件工程国家级工程研究中心，北京大学） ； School of Control Science and Engineering, Shandong University（控制科学与工程学院，山东大学） 纠错

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

AI总结 本文提出EVE框架，通过可执行视觉变换实现多模态大语言模型的可验证自进化，解决伪标签方法和模板方法的不足，通过双策略架构和多维奖励系统提升模型自进化能力。

Universal Adversarial Attacks against Closed-Source MLLMs via Target-View Routed Meta Optimization

针对闭源多模态大语言模型的通用对抗攻击：通过目标视角路由元优化

Hui Lu, Yi Yu, Yiming Yang, Chenyu Yi, Xueyi Ke, Qixing Zhang, Bingquan Shen, Alex Kot, Xudong Jiang

机构 * Rapid-Rich Object Search Lab, Interdisciplinary Graduate Programme, Nanyang Technological University, Singapore（快速丰富目标搜索实验室，跨学科研究生项目，南洋理工大学，新加坡） ； School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（电气与电子工程学院，南洋理工大学，新加坡） ； College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学，新加坡） ； DSO National Laboratories, Singapore（新加坡国防科学实验室） 纠错

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

AI总结 本文提出MCRMO-Attack，通过多作物聚合与注意力引导裁剪稳定监督，通过对齐性门控令牌路由提升token级可靠性，并元学习跨目标扰动先验，从而在商业MLLM上提升未见图像攻击成功率。

Comments This work has been submitted to the IEEE for possible publication

Stable Language Guidance for Vision-Language-Action Models

用于视觉-语言-动作模型的稳定语言引导

Zhihao Zhan, Yuhao Chen, Jiaying Zhou, Qinhan Lyu, Hao Liu, Keze Wang, Liang Lin, Guangrun Wang

机构 * Sun Yat-sen University（中山大学） ； Guangdong Key Lab of Big Data Analysis & Processing（广东大数据分析与处理重点实验室） ； X-Era AI Lab（X-Era AI实验室） 纠错

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

AI总结 本文提出RSS框架，通过解耦物理 affordance 与语义执行，提升视觉-语言-动作模型在语言扰动下的鲁棒性，实验表明其在多种操作基准测试中达到最优性能。

Comments Accepted to ACL2026 main conference

LLaVA-Octopus: Unlocking Instruction-Driven Adaptive Projector Fusion for Video Understanding

LLaVA-Octopus：解锁指令驱动的自适应投影器融合用于视频理解

Boyuan Sun, Jiaxing Zhao, Xiang Chen, Xihan Wei, Qibin Hou

机构 * VCIP, CS, Nankai University（南开大学计算机科学与技术学院） ； Tongyi Group, Alibaba（阿里巴巴通义集团） 纠错

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

AI总结 LLaVA-Octopus通过根据用户指令动态调整不同视觉投影器的特征权重，提升视频理解任务的性能，实验表明其在多个基准测试中表现优异。

Comments 18 pages, 10 figures

On Safety Risks in Experience-Driven Self-Evolving Agents

经验驱动自演化代理中的安全风险

Weixiang Zhao, Yichen Zhang, Yingshuo Wang, Yang Deng, Yanyan Zhao, Xuda Zhi, Yongbo Huang, HaoHe, Wanxiang Che, Bing Qin, Ting Liu

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Singapore Management University（新加坡管理大学） ； SERES 纠错

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

AI总结 研究经验积累与利用对自演化代理在网页和具身环境中的安全性能影响，揭示经验驱动导致的安全性下降及安全-效用权衡问题。

Comments Findings of ACL 2026

Enabling Stroke-Level Structural Analysis of Hieroglyphic Scripts without Language-Specific Priors

无需语言特定先验知识实现象形文字脚本级别的结构分析

Fuwen Luo, Zihao Wan, Ziyue Wang, Yaluo Liu, Pau Tong Lin Xu, Xuanjia Qiao, Xiaolong Wang, Peng Li, Yang Liu

机构 * THUNLP-MT（清华大学自然语言处理实验室） 纠错

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

AI总结 本文提出HieroSA框架，使多模态大语言模型能自动从字符位图中提取脚本级结构，无需人工数据，实现跨语言通用性。

Scaffolding Human-AI Collaboration: A Field Experiment on Behavioral Protocols and Cognitive Reframing

构建人类-人工智能协作：关于行为协议和认知重构的实地实验

Alex Farach, Alexia Cambon, Lev Tankelevitch, Connie Hsueh, Rebecca Janssen

专题命中 其他LLM ：LLM(abstract,abstract_cn)

AI总结 本文通过实地实验探讨了行为和认知支架干预对人类-人工智能协作的影响，发现认知支架干预提升了文档质量，但结果受限于实验设计的潜在偏差。

Comments v2: corrected appendix table float placement; no changes to results, prose, or numbers. Working paper. 45 pages including appendices

Correcting Low-Signal Sensitivity in the Deliberative Reason Index

修正低信号敏感性在 deliberative Reason Index 中的缺陷

Francesco Veri

专题命中 其他LLM ：LLM(abstract,abstract_cn)

AI总结 本文提出改进的DRI方法，通过连续惩罚低信号相关性对数，提高低信号条件下DRI的可靠性与可比性。

Comments 9 pages, 1 figure

In-Context Learning Under Regime Change

情境学习中的制度转变

Carson Dudley, Yutong Bi, Xiaofeng Liu, Samet Oymak

机构 * Department of Mathematics, University of Michigan（数学系，密歇根大学） ； Department of Electrical Engineering and Computer Science, University of Michigan（电气工程与计算机科学系，密歇根大学） ； Michigan Institute for AI and Data in Society, University of Michigan（密歇根人工智能与社会数据研究院，密歇根大学） 纠错

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

AI总结 本文研究了在非平稳环境中，基于Transformer的模型如何通过情境学习检测和适应制度转变，通过实验验证了模型复杂性与制度转变信息的关系，并展示了在实际应用中的有效性。

Barrier-enforced multi-objective optimization for direct point and sharp interval forecasting

基于屏障的多目标优化用于直接点和锐区间预测

Worachit Amnuaypongsa, Yotsapat Suparanonrat, Pana Wanitchollakit, Jitkomut Songsiri

机构 * Department of Electrical Engineering, Faculty of Engineering, Chulalongkorn University, Bangkok, Thailand（电子工程系，工程学院，朱拉隆功大学，曼谷，泰国） ； Department of Computer Engineering, Faculty of Engineering, Chulalongkorn University, Bangkok, Thailand（计算机工程系，工程学院，朱拉隆功大学，曼谷，泰国） 纠错

专题命中 其他LLM ：foundation model(abstract)；分类 cs.LG

AI总结 本文提出了一种单神经网络模型的多步概率预测框架，通过多目标优化方法实现点和区间预测，创新性地引入了扩展对数屏障损失函数，提升了预测精度和覆盖概率。

Comments 25 pages, 12 figures, 3 tables

Revisiting Auxiliary Losses for Conditional Depth Routing: An Empirical Study

重新审视用于条件深度路由的辅助损失：一项实证研究

Qingwei Lin

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文通过实验证明，基于JEPA的门控方法在条件深度路由中优于MLP门控，且去除辅助损失可提升性能，但结论受限于研究范围。

Comments 23 pages, 4 figures. Preprint. Controlled empirical study with 3-seed runs at 157.5M parameters; includes a negative result on oracle-style utility/rank supervision for conditional depth routing

Tight Clusters Make Specialized Experts

紧密集群成为专门专家

Stefan K. Nielsen, Rachel S. Y. Teo, Laziz U. Abdullaev, Tan M. Nguyen

机构 * FPT Software AI Center（FPT软件人工智能中心） ； National University of Singapore（新加坡国立大学） ； Department of Mathematics（数学系） 纠错

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

AI总结 本文提出适应性聚类路由器，通过优化特征权重提升MoE模型的收敛速度、数据鲁棒性和整体性能。

DGSNA: Dynamic Generative Scene-based Noise Addition method

DGSNA：动态生成场景基噪声添加方法

Zihao Chen, Zhentao Lin, Bi Zeng, Linyi Huang, Jia Cai

机构 * School of Computer Science and Technology, Guangdong University of Technology（广东工业大学计算机科学与技术学院） ； China Electronic Product Reliability and Environmental Testing Research Institute（中国电子元件可靠性及环境试验研究所） ； Key Laboratory of Ministry of Industry and Information Technology for Intelligent Products Testing and Reliability（工业和信息化部智能产品测试与可靠性重点实验室） 纠错

专题命中 其他LLM ：language model(abstract)

AI总结 本文提出DGSNA方法，结合生成语言模型动态生成场景信息与基于场景的噪声添加，提升语音识别鲁棒性，实验显示提升11.32%。

Prompt Sensitivity in Vision-Language Grounding: How Small Changes in Wording Affect Object Detection

视觉-语言接地中的提示敏感性：语言表述的微小变化如何影响目标检测

Dawar Jyoti Deka, Amit Sethi, Syed Mohammad Ali

机构 * Department of Aerospace Engineering, Indian Institute of Technology Bombay（印度理工学院孟买分校航空航天工程系） ； Department of Electrical Engineering, Indian Institute of Technology Bombay（印度理工学院孟买分校电气工程系） 纠错

专题命中 其他LLM ：language model(abstract)

AI总结 研究通过控制实验发现，不同表述的提示会导致目标检测结果不稳定，且这种不稳定性源于argmax选择机制而非文本距离。

Comments 5 pages, 9 figures, 1 table. Accepted at ICCAI 2026 (The 12th International Conference on Computing and Artificial Intelligence), Okinawa, Japan, April 24-27, 2026