语言大模型 / LLM

LLMs with in-context learning for Algorithmic Theoretical Physics

具有上下文学习的LLM用于算法理论物理

Anamaria Hell, Leander Thiele

机构 * Kavli IPMU (WPI), UTIAS, The University of Tokyo, and Center for Data-Driven Discovery（Kavli IPMU（WPI）、UTIAS、东京大学以及数据驱动发现中心） 纠错

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

AI总结 本文探讨了利用大语言模型和计算机代数系统进行理论物理算法计算的可能性，通过与Maple接口验证了其在修正引力理论中的应用效果。

Comments 8 pages, 2 figures

Insight: Enhancing Mobile Accessibility for Blind and Visually Impaired Users with LLMs

洞察：利用LLMs增强视障和视觉障碍用户移动设备的可访问性

Joshua Owusu Ansah, Anuj Kapoor, Ayush Khanna, Manvika Vinod, Precious Njeck, Shuai Gao

机构 * Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 本文提出Insight，一种基于LLM的Android无障碍服务，通过自然语言交互和实时屏幕摘要提升视障用户体验，实验显示其在减少心理努力和任务时间方面优于TalkBack。

Comments 10 pages, 5 figures

LDMDroid: Leveraging LLMs for Detecting Data Manipulation Errors in Android Apps

LDMDroid：利用LLM检测Android应用中的数据操纵错误

Xiangyang Xiao, Huaxun Huang, Rongxin Wu

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

AI总结 本文提出利用LLM开发LDMDroid框架，通过状态感知过程生成UI事件序列以提高数据操纵功能触发成功率，并利用视觉特征识别数据状态变化，有效检测数据操纵错误。

The Power of Order: Fooling LLMs with Adversarial Table Permutations

顺序的力量：用对抗性表格排列欺骗LLMs

Xinshuai Dong, Haifeng Chen, Xuyuan Liu, Shengyu Chen, Haoyu Wang, Shaoan Xie, Kun Zhang, Zhengzhang Chen

机构 * CMU（卡内基梅隆大学） ； NEC Labs（NEC 实验室） ； Dartmouth College（达特茅斯学院） ； MBZUAI 纠错

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

AI总结 研究揭示LLMs对表格布局的脆弱性，提出对抗性表格排列攻击，证明其对多种LLM性能的破坏，凸显结构数据处理的潜在弱点。

Functional Subspace, where language models can use vector algebra to solve problems

功能子空间，语言模型可以使用向量代数来解决问题

Jung H. Lee, Sujith Vijayan

机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； School of Neuroscience（神经科学学院） 纠错

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

AI总结 研究探讨语言模型通过子空间和向量代数解决复杂任务的机制，发现模型能创建子空间并利用简单代数运算完成提示学习任务。

Comments page 20, 7 main figures, 8 supplementary figures

SLAM: Structural Linguistic Activation Marking for Language Models

SLAM：语言模型的结构语言激活标记

Fabrice Harel-Canada, Amit Sahai

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 SLAM通过在结构几何中嵌入水印而非词频，实现了高检测准确率且低质量损失，优于现有方案。

Comments Under review

Narrative Landscape: Mapping Narrative Dispositions Across LLMs

叙事景观：跨大语言模型的叙事倾向映射

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(summary_cn,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出一个量化框架，用于评估LLM输出中稳定的模型特定规律。通过跨六个前沿模型和三种指令类型的结构化叙事约束选择任务，从一致性和多样性两个维度分析模型倾向，并引入基于PCA的可视化方法进行直接比较。

Comments Accepted to NLP4DH 2026, camera-ready version

GameChat: Multi-LLM Dialogue for Safe, Agile, and Socially Optimal Multi-Agent Navigation in Constrained Environments

GameChat：多LLM对话用于在受限环境中安全、敏捷且社会最优的多智能体导航

Vagul Mahadevan, Shangtong Zhang, Rohan Chandra

机构 * University of Virginia（弗吉尼亚大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 本文提出GameChat方法，通过自然语言通信解决多智能体在受限环境中安全、敏捷且无 deadlock 的导航问题，实验显示其在目标到达时间及优先级任务完成率上显著提升。

Journal ref 2025 IEEE International Symposium on Multi-Robot and Multi-Agent Systems (MRS), 2025, pp. 1-7

Not-So-Strange Love: Language Models and Generative Linguistic Theories are More Compatible than They Appear

并非奇怪的爱：语言模型和生成语言理论比看起来更兼容

R. Thomas McCoy

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

AI总结 本文探讨语言模型与生成语言理论的兼容性，提出LMs可支持基于形式结构的理论，扩展了可测试理论的范围，促进使用基础与生成理论的融合。

Comments Accepted to Behavioral and Brain Sciences; 4 pages; Commentary on "How Linguistics Learned to Stop Worrying and Love the Language Models" by Richard Futrell and Kyle Mahowald

SkillRAE: Agent Skill-Based Context Compilation for Retrieval-Augmented Execution

SkillRAE: 基于技能的上下文编译用于检索增强执行

Xiangcheng Meng, Shu Wang, Yixiang Fang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 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 SkillRAE提出一种两阶段检索增强执行方法，通过构建多级技能图和救援感知紧凑编译，提升技能证据组织效率，实验证明在SkillsBench上比SOTA方法提升11.7%。

ArchRAG: Attributed Community-based Hierarchical Retrieval-Augmented Generation

ArchRAG: 基于属性社区的分层检索增强生成

Shu Wang, Yixiang Fang, Yingli Zhou, Xilin Liu, Yuchi Ma

机构 * Microsoft（微软） 纠错

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 ArchRAG通过引入属性社区和层次聚类方法，提升图数据检索效率与生成准确性，降低token消耗。

Comments Published in Proceedings of the AAAI Conference on Artificial Intelligence, 2026

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 40(19), 15868-15876, 2026

Towards Understanding Continual Factual Knowledge Acquisition of Language Models: From Theory to Algorithm

朝着理解语言模型持续事实知识获取的理解：从理论到算法

Haoyu Wang, Yifan Shang, Zhongxiang Sun, Weijie Yu, Xiao Zhang, Jun Xu

机构 * Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China（中国人民大学北京校区人工智能学院） ； School of Artificial Intelligence（人工智能学院） ； Data Science, University of International Business（国际商务大学数据科学） 纠错

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

AI总结 本文提出理论框架解释持续事实知识获取机制，提出STOC方法提升知识持续性，实验验证其有效性。

Comments Accepted by ICML 2026

An Experimental Method to Study Opinion Diffusion in Human-AI Hybrid Societies

一种研究人类-人工智能混合社会中意见扩散的实验方法

Léna Gaubert, Rémi Devaux, Elif Çelen, Raja Marjieh, Diana Mangalagiu, Antoine Jardin, Nori Jacoby

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

AI总结 本文提出一种实验方法研究混合人类-人工智能社会网络中的意见动态，通过比较人类-only、AI-only和混合网络三种条件，发现混合网络能降低最终极化程度，而人类-only网络则表现出更高的极化和较低的邻居共识。

Comments 8 pages, 5 figures. Accepted for presentation as a talk at the Annual Conference of the Cognitive Science Society (CogSci 2026)

Language Models Without a Trainable Input Embedding Table: Learning from Fixed Minimal Binary Token Codes

无可训练输入嵌入表的语言模型：从固定最小二进制令牌代码中学习

A. Bochkov

机构 * Andrey Bochkov（安德里·博赫科夫） 纠错

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

AI总结 本文探讨了现代语言模型中可训练输入嵌入表的必要性，通过固定最小二进制令牌代码和无参数提升方法，在不使用可训练嵌入表的情况下实现了与传统方法相当的验证集困惑度，证明了其非必要性。

Breaking the Impasse: Dual-Scale Evolutionary Policy Training for Social Language Agents

打破僵局：用于社交语言代理的双尺度进化策略训练

Minzheng Wang, Run Luo, Yanbo Wang, Zichen Liu, Yuqiao Tan, Tao Tan, Xu Nan, Yinhe Zheng, Wenji Mao

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所MAIS部） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； National University of Singapore（新加坡国立大学） ； Ritzz-AI 纠错

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

AI总结 本文提出双尺度进化策略训练方法，解决社交语言游戏中因策略空间庞大导致的进化停滞问题，通过动态优化景观干预，恢复梯度信号并促进持续战略探索。

Comments Accepted to the ACL 2026 Main Conference

Big AI is accelerating the metacrisis: What can we do?

大AI正在加速元危机：我们能做什么？

Steven Bird

机构 * Charles Darwin University（查尔斯·达尔文大学） 纠错

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

AI总结 大AI加剧了生态、意义和语言危机，本文呼吁语言工程师团结一致，探索替代方案，设计以人类繁荣为核心的自然语言处理未来。

Comments 12 pages, 2 figures, to appear in Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026), San Diego, July 2026

Faithful Autoformalization via Roundtrip Verification and Repair

通过往返验证与修复实现可信的自动形式化

Daneshvar Amrollahi, Jerry Lopez, Clark Barrett

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出一种无需地面真实标注的往返验证方法，通过形式化-自然语言翻译-再形式化-逻辑等价性检查，验证形式化结果的可信度，并通过诊断引导的局部修复提升准确性。

Lecture Notes on Statistical Physics and Neural Networks

统计物理与神经网络讲义

Olaf Hohm

机构 * Institute for Physics, Humboldt University Berlin（柏林洪堡大学物理研究所） 纠错

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

AI总结 讲义介绍统计物理与神经网络相关的经典主题，包括玻尔兹曼-吉布斯分布、相变及玻尔兹曼机的学习算法，以及深度学习的发展背景。

Comments 56 pages, 7 figures, based on a course given at Humboldt University Berlin

Spectral Condition for $μ$P under Width-Depth Scaling

在宽度-深度扩展下μP的谱条件

Chenyu Zheng, Rongzhen Wang, Xinyu Zhang, Chongxuan Li

机构 * Gaoling School of AI, Renmin University of China（中国人民大学东城区人工智能学院） 纠错

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

AI总结 本文提出一种统一的谱框架，用于在宽度-深度扩展下实现μP，揭示了从k=1到k≥2的转变，统一了不同μP形式并验证了其在实际架构中的有效性。

Comments 76 pages, 13 figures, 40 tables

Decoding Islamophobic Discourse: Using LLMs to Identify Tropes and Semi-Coded Hate Speech

解码伊斯兰恐惧言论：利用大语言模型识别隐喻和半编码仇恨言论

Raza Ul Mustafa, Roi Dupart, Gabrielle Smith, Noman Ashraf, Nathalie Japkowicz

机构 * Loyola University New Orleans（洛伊拉大学新奥尔良分校） ； Tulane University（Tulane 大学） ； American University（美国大学） 纠错

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

AI总结 本文利用大语言模型分析极端社交平台上的隐喻伊斯兰恐惧术语，发现其难以被人类和系统识别，通过BERT主题建模揭示了伊斯兰恐惧言论在不同政治和右翼运动中的传播情况。

NEXT: Multi-Grained Mixture of Experts via Text-Modulation for Multi-Modal Object Re-Identification

NEXT: 通过文本调制的多粒度专家混合实现多模态物体重识别

Shihao Li, Huaibo Huang, Junxian Duan, Aihua Zheng, Jin Tang, Jixin Ma

机构 * State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology（光电信息采集与防护技术国家重点实验室） ； Anhui Provincial Key Laboratory of Multimodal Cognitive Computation（安徽省多模态认知计算重点实验室） ； School of Artificial Intelligence（人工智能学院） ； Anhui University（安徽大学） ； State Key Laboratory of Multimodal Artificial Intelligence Systems（多模态人工智能系统国家重点实验室） ； New Laboratory of Pattern Recognition（模式识别新实验室） ； CASIA（中国科学院自动化所） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Computing and Mathematical Sciences（计算与数学科学学院） ； University of Greenwich（格林威治大学） 纠错

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

AI总结 本文提出NEXT框架，通过文本调制分离语义和结构分支，融合多粒度专家特征，提升多模态物体重识别性能。

SEM-RAG: Structure-Preserving Multimodal Graph Compilation and Entropy-Guided Retrieval for Telecommunication Standards

SEM-RAG：结构保持的多模态图编译与熵引导检索用于电信标准

Yuzhi Yang, Lina Bariah, Yuhuan Lu, Hang Zou, Mérouane Debbah

专题命中 其他LLM ：LLM(abstract,abstract_cn)

AI总结 本文提出SEM-RAG框架，通过结构保持编译和熵引导检索提升电信标准文档检索性能，实验显示其在表格和公式密集型问题上表现优异，准确率高达94.1%。

EvidenT: An Evidence-Preserving Framework for Iterative System-Level Package Repair

EvidenT: 一个证据保留的系统级包修复框架

Chenyu Zhao, Minghua Ma, Shenglin Zhang, Zeshun Huang, Yongqian Sun, Chetan Bansal, Saravan Rajmohan, Dan Pei

专题命中 其他LLM ：LLM(abstract,abstract_cn)

AI总结 本文提出EvidenT框架，通过证据管理与工具执行解耦，解决系统级包修复中的依赖和环境配置问题，实验显示其在RISC-V包修复中表现优异，且在不同架构上具有良好的通用性。

Why Low-Resource NLP Needs More Than Cross-Lingual Transfer: Lessons Learned from Luxembourgish

为何低资源NLP需要比跨语言迁移更多：从卢森堡语学到的教训

Fred Philippy, Siwen Guo, Jacques Klein, Tegawendé F. Bissyandé

机构 * SnT, University of Luxembourg（卢森堡大学SnT学院） ； Luxembourg Institute of Science and Technology（卢森堡科学技术研究院） 纠错

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

AI总结 本文探讨了低资源语言处理中跨语言迁移与语言特定努力的互补性，指出两者需结合以构建可持续的NLP流程。

Comments Accepted at BigPicture Workshop 2026 (co-located with ACL 2026)

CrossVL: Complexity-Aware Feature Routing and Paired Curriculum for Cross-View Vision-Language Detection

CrossVL: 用于跨视角视觉语言检测的复杂度感知特征路由与配对课程学习

Zhipeng Liu, Chunbo Luo

机构 * Department of Computer Science, University of Exeter（埃克塞特大学计算机科学系） 纠错

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

AI总结 本文提出CrossVL框架，结合复杂度感知路径聚合和配对课程学习，提升跨视角视觉语言模型的检测性能，实验显示其在MAVREC数据集上提升了aerial mAP并缩小了地面与空中视角的性能差距。

Comments Accepted to CVPR 2026. Code available at https://github.com/1nyourlife/Crossvl_cvpr2026

Workspace Optimization: How to Train Your Agent

工作区优化：如何训练你的智能体

Elad Sarafian, Gal Kaplun, Ron Banner, Daniel Soudry, Boris Ginsburg

机构 * NVIDIA 纠错

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

AI总结 本文提出通过优化智能体的工作区结构来提升其在多轮任务中的表现，通过模拟权重空间训练方法，利用人工制品、证据、反例和文本反馈来改进智能体的执行能力。

Mitigating Misalignment Contagion by Steering with Implicit Traits

通过隐含特征引导缓解对齐传染

Maria Chang, Ronny Luss, Miao Liu, Keerthiram Murugesan, Karthikeyan Ramamurthy, Djallel Bouneffouf

机构 * IBM Research Yorktown Heights（IBM研究院Yorktown Heights） 纠错

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

AI总结 研究探讨了多智能体交互中对齐传染问题，提出通过隐含特征引导技术维持模型初始亲社会行为，有效缓解因恶意引导导致的反社会倾向。

Muown: Row-Norm Control for Muon Optimization

Muown：行范数控制用于缪子优化

Kai Lion, Florian Hübler, Bingcong Li, Antonio Orvieto, Niao He

机构 * ETH Zurich（苏黎世联邦理工学院） ； Technical University of Munich（慕尼黑技术大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； MPI-IS Tübingen（图宾根MPI-IS） ； Tübingen AI Center（图宾根人工智能中心） 纠错

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

AI总结 本文提出Muown，通过将行幅度向量作为显式优化变量，改进了缪子优化在大规模训练中的稳定性，提升了模型 perplexity 并减少对权重衰减的敏感性。

Octopus Protocol: One-Shot Hardware Discovery and Control for AI Agents via Infrastructure-as-Prompts

Octopus Protocol：通过基础设施即提示实现AI代理的一次性硬件发现与控制

Quilee Simeon, Justin M. Wei, Yile Fan

机构 * MIT（麻省理工学院） 纠错

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

AI总结 Octopus Protocol通过五阶段流程实现硬件发现与控制，利用语言模型API生成MCP协议服务器，使AI代理能自主完成硬件集成与闭环视觉-运动控制。

Muon Does Not Converge on Convex Lipschitz Functions

Muon 不收敛于凸 Lipschitz 函数

Tetiana Parshakova, Ahmed Khaled, Michael Crawshaw, Guillaume Garrigos, Robert M. Gower

机构 * Center for Computational Mathematics, Flatiron Institute, Simons Foundation（计算数学中心，Flatiron研究所，Simons基金会） ； Princeton University, Google DeepMind（普林斯顿大学，谷歌DeepMind） ； George Mason University（乔治·梅森大学） ； Université Paris Cité and Sorbonne Université, CNRS, Laboratoire de Probabilités, Statistique et Modélisation（巴黎cité大学和索邦大学，CNRS，概率、统计和建模实验室） 纠错

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

AI总结 本文指出 Muon 在凸 Lipschitz 函数上不收敛，尽管误差反馈可恢复其收敛性，但性能在图像分类和语言模型任务中下降，表明 Muon 的成功可能源于该模型未包含的结构。