语言大模型 / LLM

MoshiRAG: Asynchronous Knowledge Retrieval for Full-Duplex Speech Language Models

MoshiRAG: 异步知识检索用于全双工语音语言模型

Chung-Ming Chien, Manu Orsini, Eugene Kharitonov, Neil Zeghidour, Karen Livescu, Alexandre Défossez

机构 * Toyota Technological Institute at Chicago（丰田技术研究所（芝加哥）） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL

AI总结 本文提出MoshiRAG，通过异步框架结合紧凑接口与选择性检索，提升全双工语音模型的事实性，同时保持交互性。

Comments Accepted to ICML 2026

LLMs and the ZPD

语言模型与最近发展区

Peter Wallis

机构 * Centre for Policy Modelling（政策建模中心） 纠错

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文探讨语言模型是否通过分布式表示进行思考，提出应从实践角度理解其'原始思考'，并强调互动在人类交流中的核心地位，而非仅是真实理解的补充。

Comments Short paper submitted to Interspeech 2026 (Desk Reject) 4 pages, plus references. 2 figures

Stable diffusion models reveal a persisting human and AI gap in visual creativity

稳定扩散模型揭示了人类与AI在视觉创造力中的持续性差距

Silvia Rondini, Claudia Alvarez-Martin, Paula Angermair-Barkai, Olivier Penacchio, M. Paz, Matthew Pelowski, Dan Dediu, Antoni Rodriguez-Fornells, Xim Cerda-Company

机构 * Cognition and Brain Plasticity Unit, Bellvitge Biomedical Research Institute（认知与脑可塑性单位，贝尔维希生物医学研究所） ； Bridging AI and Neuroscience, Computer Vision Center（弥合人工智能与神经科学，计算机视觉中心） ； Department of Cognition, Development and Educational Psychology, University of Barcelona（认知、发展与教育心理学系，巴塞罗那大学） ； Vienna Cognitive Science Hub（维也纳认知科学中心） ； Faculty of Psychology, University of Vienna（心理学系，维也纳大学） ； Computer Science Department, Universitat Autonoma de Barcelona（计算机科学系，巴塞罗那自治大学） ； University of Barcelona Institute for Complex Systems (UBICS)（巴塞罗那大学复杂系统研究所） ； Department of Catalan Philology and General Linguistics, University of Barcelona（加泰罗尼亚语言学与一般语言学系，巴塞罗那大学） ； Catalan Institution for Research and Advanced Studies (ICREA)（加泰罗尼亚研究与高级科学研究机构（ICREA）） ； Aix-Marseille University（艾克斯-马赛大学） ； Institute of Neurosciences (UBNeuro), University of Barcelona（神经科学研究所（UBNeuro），巴塞罗那大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.AI

AI总结 研究比较了人类参与者与AI图像生成模型在视觉创造力上的表现，发现视觉艺术家最具有创造力，随后是非艺术家，再是受人类启发的生成AI，最后是自我引导的生成AI。人类指导显著提升了生成AI的创造力，但人类与AI评估者在创造力判断上存在显著差异。

Journal ref Advanced Science, 2026, e24142

Unlocking LLM Creativity in Science through Analogical Reasoning

通过类比推理解锁大语言模型在科学中的创造力

Andrew Shen, Shaul Druckmann, James Zou

机构 * Stanford University（斯坦福大学） 纠错

专题命中 领域大模型 ：LLM(title)；分类 cs.CL、cs.AI

AI总结 本文通过类比推理方法提升大语言模型在开放性问题解决中的多样性与创新性，实验表明该方法显著提高了生成解决方案的质量和多样性。

Predicting Psychological Well-Being from Spontaneous Speech using LLMs

从自发言语预测心理幸福感使用大语言模型

Erfan Loweimi, Sofia de la Fuente Garcia, Saturnino Luz

机构 * University of Edinburgh（爱丁堡大学） ； Centre for Medical Informatics (CMI) Usher Institute University of Edinburgh（医学信息学中心（CMI）乌舍研究所爱丁堡大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 研究利用大语言模型对自发语音进行零样本预测，探索其在心理幸福感评分中的应用，发现模型能提取语义信息，实现高达0.8的相关性，并通过统计分析和词云分析提升可解释性。

Evolving Roles of LLMs in Scientific Innovation: Assistant, Collaborator, Scientist, and Evaluator

大语言模型在科学创新中的演变角色：助手、合作者、科学家和评估者

Haoxuan Zhang, Ruochi Li, Yang Zhang, Ting Xiao, Jiangping Chen, Junhua Ding, Haihua Chen

机构 * Department of Information Science, University of North Texas（北卡罗来纳州立大学信息科学系） ； Department of Computer Science, North Carolina State University（北卡罗来纳州立大学计算机科学系） ； Department of Data Science, University of North Texas（得克萨斯大学数据科学系） ； School of Information Sciences, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校信息科学学院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出四角色框架，区分研究支持与前沿发现，分析各角色方法、基准和评估实践，强调AI科学进步需兼顾模型能力与评估、监督、责任及机构整合。

Overtrained, Not Misaligned

过度训练，而非对齐问题

Joel Schreiber, Ariel Goldstein

机构 * Hebrew University of Jerusalem（特拉维夫大学） 纠错

专题命中 领域大模型 ：LLM(abstract_cn)；分类 cs.AI、cs.LG

AI总结 研究发现过度训练导致跨领域对齐问题，通过分析12种开源模型发现模型大小与对齐问题相关性显著，提出通过早停和学习率调整可避免该问题。

Comments Under review at CoLM 2026; companion to Nature Matters Arising (also under review). 25 pages, 6 figures

BLOCK-EM: Preventing Emergent Misalignment via Latent Blocking

BLOCK-EM：通过潜在阻塞防止对齐问题

Muhammed Ustaomeroglu, Guannan Qu

专题命中 领域大模型 ：language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出BLOCK-EM方法，通过阻塞内部特征减少语言模型在微调中出现的对齐问题，实验显示在六个领域中阻塞固定特征可使对齐问题减少95%，且不影响模型质量与任务表现。

Comments Accepted to ICML 2026

AcuityBench: Evaluating Clinical Acuity Identification and Uncertainty Alignment

AcuityBench：评估语言模型对医疗紧急情况识别和不确定性对齐

Robin Linzmayer, Georgianna Lin, Di Coneybeare, Jason Chu, Trudi Cloyd, Manish Garg, Miles Gordon, Elizabeth Hartofilis, Benjamin Hong, Ashraf Hussain, Eugene Y. Kim, Oluchi Iheagwara King, Ross McCormack, Erica Olsen, John K. Riggins, Mustafa N. Rasheed, Dana L. Sacco, Vinay Saggar, Osman R. Sayan, Amit Shembekar, Janice Shin-Kim, Wendy W. Sun, Bernard P. Chang, David Kessler, Noémie Elhadad

机构 * Department of Computer Science, Columbia University, New York, NY, USA（计算机科学系，哥伦比亚大学，纽约，纽约州，美国） ； Department of Biomedical Informatics, Columbia University, New York, NY, USA（生物医学信息学系，哥伦比亚大学，纽约，纽约州，美国） ； Department of Emergency Medicine, Columbia University Irving Medical Center, New York, NY, USA（急诊医学系，哥伦比亚大学伊文思医疗中心，纽约，纽约州，美国） 纠错

专题命中 领域大模型 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 AcuityBench通过统一框架评估语言模型对医疗紧急程度的识别能力，包含914个案例，涵盖明确和模糊情况，揭示模型在不同任务格式下的表现差异及不确定性处理问题。

Comments 41 pages, 5 figures. Preprint under review for the Track on Evaluations and Datasets at NeurIPS 2026

Fractal Graph Contrastive Learning

分形图对比学习

Nero Z. Li, Xuehao Zhai, Zhichao Shi, Boshen Shi, Xuhui Jiang

机构 * CDT, University of Oxford（牛津大学CDT） ； IDEA Research, International Digital Economy Academy（IDEA研究院、国际数字经济学院） ； School of Advanced Interdisciplinary Sciences, UCAS（北京大学交叉学科研究院） ； State Key Lab of AI Safety, Institute of Computing Technology, CAS（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； China Mobile Research Institute（中国移动研究院） ； DataArc Tech Ltd.（DataArc科技有限公司） 纠错

专题命中 领域大模型 ：pretraining(abstract)；分类 cs.LG

AI总结 本文提出分形图对比学习框架，通过引入分形维度感知的对比损失和改进的全局增强策略，提升图对比学习的结构一致性与性能。

Comments 32 pages, 7 figures

Decomposing the Generalization Gap in PROTAC Activity Prediction: Variance Attribution and the Inter-Laboratory Ceiling

在PROTAC活性预测中分解泛化差距：方差归因与跨实验室天花板

Thor Klamt, Wolfgang Nejdl, Ming Tang

机构 * L3S Research Center, Leibniz Universität Hannover（莱布尼茨汉诺威大学L3S研究中心） ； Institute of Data Science (Knowledge-Based Systems), Faculty of Electrical Engineering and Computer Science, Leibniz Universität Hannover（数据科学研究所（知识系统）） 纠错

专题命中 领域大模型 ：language model(abstract)；分类 cs.LG

AI总结 本文研究了PROTAC活性预测中随机分割与留一目标法之间的泛化差距，通过方差归因发现跨实验室测量误差是主要因素，并提出校准协议和评估框架以提高预测性能。

Comments 32 pages, 11 figures, 11 tables. Dataset: https://huggingface.co/datasets/ThorKl/protac-bench (CC-BY-4.0). Code: https://github.com/ThorKlm/PROTAC-Bench (MIT)

RACC: Representation-Aware Coverage Criteria for LLM Safety Testing

RACC：面向LLM安全测试的表示感知覆盖标准

Zeming Wei, Zhixin Zhang, Chengcan Wu, Yihao Zhang, Xiaokun Luan, Meng Sun

机构 * Peking University（北京大学） 纠错

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

AI总结 本文提出RACC，一种专为LLM安全测试设计的覆盖标准，通过提取安全表示并评估测试提示的激活情况，有效提升测试套件质量，同时对冗余输入不敏感，适用于大规模神经网络的安全测试。

Shaping Schema via Language Representation as the Next Frontier for LLM Intelligence Expanding

通过语言表示塑造模式作为扩展LLM智能的下一个前沿

Zhiqin Yang, Yuhan Liu, Jingwen Fu, Pei Fu, Bo Han, Masashi Sugiyama, Nanning Zheng

机构 * The Hong Kong University of Science and Technology（香港理工大学） ； MiLM Plus, Xiaomi Inc（小米公司） ； Zhongguancun Academy（中关村学院） ； Hong Kong Baptist University（香港 Baptist大学） ； The University of Tokyo（东京大学） ； RIKEN Center for Advanced Intelligence Project（日本理化学研究院高级智能项目中心） ； Xi’an Jiaotong University（西安交通大学） 纠错

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

AI总结 本文探讨通过高级语言表示塑造模式作为扩展LLM智能的新方向，提出语言表示的结构和符号复杂性对知识激活和组织至关重要，并通过实验证明语言表示设计的有效性。

Comments 41 pages, 30 figures

Robust LLM Unlearning Against Relearning Attacks: The Minor Components in Representations Matter

鲁棒的LLM去学习对抗重新学习攻击：表示中的次要成分至关重要

Zeguan Xiao, Xuanzhe Xu, Yun Chen, Yong Wang, Jian Yang, Yanqing Hu, Guanhua Chen

机构 * Shanghai University of Finance and Economics（上海金融学院） ； Alibaba Group（阿里巴巴集团） ； Southern University of Science and Technology（南方科技大学） ； Beihang University（北航） 纠错

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

AI总结 本文研究了LLM去学习中对抗重新学习攻击的脆弱性，发现现有方法主要优化主导成分，而次要成分更抗反转。提出Minor Component Unlearning方法，通过聚焦稳健方向提升抗攻击能力。

Qwen-Scope: Turning Sparse Features into Development Tools for Large Language Models

Qwen-Scope：将稀疏特征转化为大语言模型的开发工具

Boyi Deng, Xu Wang, Yaoning Wang, Yu Wan, Yubo Ma, Baosong Yang, Haoran Wei, Jialong Tang, Huan Lin, Ruize Gao, Tianhao Li, Qian Cao, Xuancheng Ren, Xiaodong Deng, An Yang, Fei Huang, Dayiheng Liu, Jingren Zhou

机构 * Qwen Team（Qwen团队） 纠错

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

AI总结 Qwen-Scope通过稀疏自编码器为大语言模型提供开发工具，支持推理引导、评估分析、数据驱动工作流和训练优化，展示了SAEs在模型诊断与改进中的实用性。

Scalable Token-Level Hallucination Detection in Large Language Models

可扩展的令牌级幻觉检测方法在大语言模型中

Rui Min, Tianyu Pang, Chao Du, Minhao Cheng, Yi R. Fung

机构 * Sea AI Lab（Sea AI实验室） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 本文提出TokenHD方法，通过可扩展的数据引擎和重要性加权策略，实现令牌级幻觉检测，实验显示小型模型在训练后性能优于大模型，且检测能力随模型规模扩大而提升。

Instruction Lens Score: Your Instruction Contributes a Powerful Object Hallucination Detector for Multimodal Large Language Models

指令透镜分数：您的指令为多模态大语言模型提供了一个强大的对象幻觉检测器

Runhe Lai, Xinhua Lu, Yanqi Wu, Jinlun Ye, Weijiang Yu, Ruixuan Wang

机构 * School of Computer Science and Engineering, Sun Yat-sen University, Guangzhou, China（中山大学计算机科学与工程学院，广州，中国） ； Peng Cheng Laboratory, Shenzhen, China（鹏城实验室，深圳，中国） ； Key Laboratory of Machine Intelligence and Advanced Computing, MOE, Guangzhou, China（机器智能与高级计算关键实验室，教育部，广州，中国） 纠错

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

AI总结 本文提出InsLen，通过结合校准局部分数和上下文一致性分数，有效检测多模态大语言模型中的对象幻觉，无需额外训练或辅助模型。

Comments Accepted by ICML-2026

Predicting Decisions of AI Agents from Limited Interaction through Text-Tabular Modeling

通过文本-表格建模从有限交互预测AI代理的决策

Eilam Shapira, Moshe Tennenholtz, Roi Reichart

机构 * Faculty of Data and Decision Sciences（数据与决策科学学院） 纠错

专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract)；foundation model(abstract)；prompting(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出文本-表格预测方法，通过分析游戏状态、报价历史和对话，预测AI代理的决策，实验表明隐藏的LLM表示能有效提升预测性能。

Uncertainty Quantification for LLM-based Code Generation

基于大语言模型的代码生成的不确定性量化

Senrong Xu, Yuhao Tan, Yanke Zhou, Guangyuan Wu, Zenan Li, Yuan Yao, Taolue Chen, Feng Xu, Xiaoxing Ma

机构 * State Key Lab of Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； ETH Zürich（苏黎世联邦理工学院） ； Birkbeck, University of London（伦敦大学伯克贝克学院） 纠错

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

AI总结 本文提出RisCoSet方法，通过多重假设检验构建风险控制的预测集，用于大语言模型代码生成任务，有效减少代码移除并提升准确性。

BoolXLLM: LLM-Assisted Explainability for Boolean Models

BoolXLLM: 基于大语言模型的布尔模型可解释性

Du Cheng, Serdar Kadioglu, Xin Wang

机构 * AI Center of Excellence, Fidelity Investments（富达投资人工智能卓越中心） ； Department of Computer Science, Brown University（布朗大学计算机科学系） 纠错

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

AI总结 本文提出BoolXLLM框架，结合大语言模型提升布尔模型的可解释性，通过特征选择、阈值推荐和规则压缩三个阶段增强解释性，实现理论与人类可理解的结合。

Where is the Mind? Persona Vectors and LLM Individuation

心灵在哪里？人格向量与大语言模型个体化

Pierre Beckmann, Patrick Butlin

机构 * EPFL（瑞士联邦理工学院） ； Idiap Research Institute（Idiap研究所） ； Eleos AI Research（Eleos AI研究） 纠错

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

AI总结 本文探讨大语言模型中个体化问题，通过机制可解释性分析人格向量和人格空间，提出虚拟实例观及两种新观点，论证注意力流维持心理连接，人格结构假说支持人格相关观点。

Agent-BRACE: Decoupling Beliefs from Actions in Long-Horizon Tasks via Verbalized State Uncertainty

Agent-BRACE: 通过 verbalized 状态不确定性解耦信念与行动以应对长 horizon 任务

Joykirat Singh, Zaid Khan, Archiki Prasad, Justin Chih-Yao Chen, Akshay Nambi, Hyunji Lee, Elias Stengel-Eskin, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft Research（微软研究院） 纠错

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

AI总结 Agent-BRACE 通过解耦信念状态模型与策略模型，利用强化学习优化，在长 horizon 部分可观测任务中提升性能，实现上下文窗口恒定且任务相关信息保留。

Comments Code: https://github.com/joykirat18/Agent-BRACE

Modeling Narrative Structure in Latin Epic Poetry with Automatically Generated Story Grammars

用自动生成的故事语法建模拉丁史诗诗歌的叙事结构

Abigail Swenor, John James, Neil Coffee, Walter Scheirer

机构 * Department of Computer Science and Engineering, University of Notre Dame（诺特兰大学计算机科学与工程系） ； Department of Classics, University at Buffalo（布法罗大学古典学系） 纠错

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

AI总结 本文提出一种利用大语言模型和少样本学习自动标注拉丁史诗诗歌故事元素，以提升文学文本分析的可解释性和实用性。

Comments Submitted to Journal of Computational Literary Studies

Structural Interpretations of Protein Language Model Representations via Differentiable Graph Partitioning

通过可微分图划分对蛋白质语言模型表示进行结构解释

Siddhant Dutta, Edward Tan Beng Wai, Soumick Sarker, Pasan Gunawardane, Jagath C. Rajapakse

机构 * Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出一种插件式框架，通过将ESM-2表示投影到蛋白质接触图并应用SoftBlobGIN网络，实现结构感知的消息传递和学习功能子结构，提升下游任务性能。

Comments 19 Pages, 8 figures, 11 Tables, Submitted to NeurIPS 2026

Metaphor Is Not All Attention Needs

隐喻并非注意力所需全部

Olga Sorokoletova, Francesco Giarrusso, Giacomo De Luca, Piercosma Bisconti, Matteo Prandi, Federico Pierucci, Marcello Galisai, Vincenzo Suriani, Daniele Nardi

机构 * Sapienza University of Rome Department of Computer, Control and Management Engineering（罗马大学Sapienza计算机、控制与管理工程系） ； DEXAI – Icaro Lab（DEXAI – Icaro实验室） ； University of Rome Tor Vergata（罗马大学Tor Vergata） ； Sant’Anna School of Advanced Studies（Sant’Anna高级研究学校） 纠错

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

AI总结 本文研究文学式绕过策略为何有效，发现其效果源于风格不规则性而非对文学格式的识别失败，表明安全机制需考虑风格变化对模型行为的影响。

Multimodal Abstractive Summarization of Instructional Videos with Vision-Language Models

基于视觉语言模型的指令视频多模态抽象摘要

Maham Nazir, Muhammad Aqeel, Richong Zhang, Francesco Setti

机构 * Beihang University, Beijing, China（北航大学，北京，中国） ； University of Verona, Italy（威尼斯大学，意大利） 纠错

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

AI总结 本文提出ClipSum框架，利用冻结的CLIP视觉语言特征进行指令视频摘要，通过显式时间建模和维度自适应融合，实现视觉与语言的语义对齐，实验显示其在YouCook2数据集上表现优于传统方法。

Comments Accepted to ICPR 2026

Epistemic Uncertainty for Test-Time Discovery

测试时发现的知识不确定性

Kainat Riaz, Muhammad Ahmed Mohsin, Ahsan Bilal, Muhammad Umer, Ayesha Mohsin, Aqib Riaz, Ali Subhan, John M. Cioffi

机构 * Stanford University（斯坦福大学） ； National University of Sciences and Technology（国家安全科学与技术大学） ； University of Oklahoma（俄克拉荷马大学） 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UG-TTT方法，通过维护低秩适配器的集成来区分未探索区域与困难问题，利用互信息量化分歧以提升探索效率，从而在科学发现任务中提高最大奖励和解的多样性。

When Looking Is Not Enough: Visual Attention Structure Reveals Hallucination in MLLMs

当观察不足时：视觉注意结构揭示大语言模型中的幻觉

Fanpu Cao, Xin Zou, Xuming Hu, Hui Xiong

机构 * Thrust of Artificial Intelligence, HKUST (Guangzhou)（人工智能前沿 thrust，香港科技大学（广州）） ； Department of Computer Science and Engineering, HKUST（计算机科学与工程系，香港科技大学） 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 本文通过分析视觉注意的高频结构揭示大语言模型中的幻觉现象，提出LaSCD解码策略，有效减少幻觉并保持模型能力。

Probing Cross-modal Information Hubs in Audio-Visual LLMs

探测音频-视觉大语言模型中的跨模态信息枢纽

Jihoo Jung, Chaeyoung Jung, Ji-Hoon Kim, Joon Son Chung

机构 * Department of Electrical Engineering, Korea Advanced Institute of Science ； The Graduate School of Advanced Imaging Science, Multimedia \& Film, Chung-Ang University, Seoul, Republic of Korea 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 本文研究了音频-视觉大语言模型中音频与视觉模态间的跨模态信息流动，发现信息主要存储在sink tokens中，并提出一种无需训练的hallucination缓解方法。

Comments Accepted by ICML 2026

Probing RLVR training instability through the lens of objective-level hacking

通过目标层面黑客的视角探查RLVR训练不稳定性

Yiming Dong, Kun Fu, Haoyu Li, Xinyuan Zhu, Yurou Liu, Lijing Shao, Jieping Ye, Zheng Wang

机构 * School of Physics, Peking University（北京大学物理学院） ； Tongyi Lab（通义实验室） ； Alibaba Group（阿里巴巴集团） ； Kavli Institute for Astronomy and Astrophysics, Peking University（北京大学天文与天体物理研究院） ； National Astronomical Observatories, Chinese Academy of Sciences（中国科学院国家天文台） 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 本文通过目标层面黑客视角揭示RLVR训练不稳定性的根源，分析MoE模型中训练-推理差异异常增长的机制，为设计稳定的RLVR算法提供指导。

Comments Accepted by ICML 2026