语言大模型 / LLM

TokaMind for Power Grid: Cross-Domain Transfer from Fusion Plasma

TokaMind用于电网：从融合等离子体的跨域迁移

JC Wu, Norton Lee, Kai Siang Chen

机构 * TaiScience Research Group（TaiScience研究组） ； Fu Jen Catholic University（辅仁大学） ； Center for Geometry and Physics（几何与物理中心） ； Institute for Basic Science (IBS)（基础科学研究所） 纠错

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

AI总结 TokaMind通过多模态Transformer模型在等离子体诊断数据上预训练，展现优于CNN的方法。研究发现其表示在物理不同但结构相似的领域有效，尤其在电网同步相位数据中表现最佳，提出跨域迁移框架和评估协议。

Comments 8 pages, 5 figures

Consolidation-Expansion Operator Mechanics:A Unified Framework for Adaptive Learning

巩固-扩展运算机机制：自适应学习的统一框架

Debashis Guha

机构 * S P Jain School of Global Management（S P Jain全球管理学院） 纠错

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

AI总结 本文提出巩固-扩展运算机机制，通过计算顺序间隙来实时控制自适应学习系统，确保在收敛轨迹中顺序间隙衰减，并在不同领域中提供可靠的收敛条件。

Comments 38 pages; Corrected author affiliation on title page in v2; no scientific changes

Bug-Report-Driven Fault Localization: Industrial Benchmarking and Lesson Learned at ABB Robotics

基于Bug报告的故障定位：在ABB机器人中的工业基准测试与经验总结

Pernilla Hall, Anton Ununger, Riccardo Rubei, Alessio Bucaioni

机构 * M\" a lardalen University Sweden ； M\" a lardalen University 纠错

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

AI总结 本文研究了仅利用自然语言bug报告能否通过AI实现故障定位，通过ABB机器人五年数据验证传统模型优于transformer模型，展示了文本驱动的故障定位方法。

Steer-to-Detect: Probing Hidden Representations for Detection of LLM-Generated Texts

Steer-to-Detect：探测隐藏表示以检测LLM生成文本

Luxu Liang, Xiang Li

机构 * Tsinghua University（清华大学） ； 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 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 本文提出Steer-to-Detect框架，通过改进的隐藏表示分离能力，有效检测LLM生成文本，理论和实验均表现出色。

Inducing Artificial Uncertainty in Language Models

在语言模型中诱导人工不确定性

Sophia Hager, Simon Zeng, Nicholas Andrews

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Microsoft（微软） 纠错

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

AI总结 本文研究了在缺乏挑战性数据时如何通过诱导人工不确定性来提升语言模型的不确定性量化能力，通过训练探测器识别人工不确定性，实现了在困难数据上的高校准性，且对简单数据的性能影响较小。

Aligning LLM Uncertainty with Human Disagreement in Subjectivity Analysis

对主观分析中语言模型不确定性与人类分歧的对齐

Junyu Lu, Deyi Ji, Xuanyi Liu, Lanyun Zhu, Bo Xu, Liang Yang, Xian-Sheng Hua, Hongfei Lin

机构 * School of Computer Science and Technology, Dalian University of Technology, China（大连理工大学计算机科学与技术学院） ； Tencent（腾讯） ； Peking University（北京大学） ； Tongji University（同济大学） 纠错

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

AI总结 本文提出DPUA框架，通过感知分歧和对齐不确定性，提升模型在主观分析中的可靠性与泛化能力。

LLMs as Implicit Imputers: Uncertainty Should Scale with Missing Information

大型语言模型作为隐式填补器：不确定性应与缺失信息成比例

Stef van Buuren

机构 * TNO - Netherlands Organization for Applied Scientific Research（荷兰应用科学研究院） ； Dept. of Methodology and Statistics, University of Utrecht（乌得勒支大学方法学与统计学系） 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、cs.LG

AI总结 本文探讨了大型语言模型在不完整上下文下的不确定性衡量，通过实验发现熵比置信度更能反映缺失信息的影响，且在不同证据水平上解释了更多准确性变化。

Comments 9 pages, 3 figures, 2 tables, NeurIPS 2026 position paper

A Markov Categorical Framework for Language Modeling

一个马尔可夫范畴框架用于语言建模

Yifan Zhang

机构 * Princeton University（普林斯顿大学） 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、cs.LG

AI总结 本文提出一个马尔可夫范畴框架，从信息处理阶段分析语言模型的生成过程，解释训练如何塑造表示，并揭示表示如何支持复杂行为。

Senses Wide Shut: A Representation-Action Gap in Omnimodal LLMs

宽视角闭合：多模态大语言模型中的表征-行动鸿沟

Trung Nguyen Quang, Yiming Gao, Fanyi Pu, Kaichen Zhang, Shuo Sun, Ziwei Liu

机构 * Nanyang Technological University（南洋理工大学） ； LMMs-Lab Team（多模态大模型实验室团队） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 研究发现多模态大语言模型在感知与行动之间存在鸿沟，通过IMAVB基准测试揭示模型在处理冲突信息时的不足，提出PGLA方法提升拒绝行为。

Layer-wise Representation Dynamics: An Empirical Investigation Across Embedders and Base LLMs

逐层表示动态：跨嵌入器和基础大语言模型的实证研究

Jingzhou Jiang, Yi Yang, Kar Yan Tam

机构 * The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 本文提出LRD框架，通过三种逐层测量家族分析语言模型的层间表示动态，揭示架构和任务层面差异，并应用于模型选择和层间剪枝。

How Do Transformers Learn to Associate Tokens: Gradient Leading Terms Bring Mechanistic Interpretability

Transformer 如何学习关联令牌：梯度主导项带来机制性可解释性

Shawn Im, Changdae Oh, Zhen Fang, Sharon Li

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Technology Sydney（悉尼技术大学） 纠错

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

AI总结 研究通过梯度主导项分析了注意力语言模型中语义关联的形成机制，揭示了权重的闭式表达及其对文本统计的反映。

Comments ICLR 2026

SceneGraphVLM: Dynamic Scene Graph Generation from Video with Vision-Language Models

SceneGraphVLM：基于视频的动态场景图生成方法

Vladislav Makarov, Mark Gizetdinov, Dmitry Yudin

机构 * MIRAI 纠错

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

AI总结 SceneGraphVLM通过紧凑的视觉语言模型生成视频场景图，采用TOON格式提升效率，结合监督微调与强化学习实现高精度与速度的平衡，适用于PSG、PVSG和Action Genome数据集。

Dual-Pathway Circuits of Object Hallucination in Vision-Language Models

视觉语言模型中物体幻觉的双路径电路

Jiaxin Liu, Ding Zhong, Yue Wang, Zhidong Yang, Zhaolu Kang, Guangyuan Dong, Qishi Zhan, Pengcheng Fang, Aofan Liu

机构 * UIUC（伊利诺伊大学香槟分校） ； UMich（密歇根大学） ； Stanford（斯坦福大学） ； HKUST（香港科技大学） ； PKU（北京大学） ； NUS（新加坡国立大学） ； Marquette（马quette大学） ； Southampton（南安普顿大学） 纠错

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

AI总结 研究通过双路径电路分析框架揭示视觉语言模型中物体幻觉的机制，发现视觉接地路径与幻觉路径的交互特性，并通过抑制幻觉路径组件降低幻觉发生率。

Where Does Reasoning Break? Step-Level Hallucination Detection via Hidden-State Transport Geometry

推理何处失效？通过隐藏状态运输几何进行分步幻觉检测

Tyler Alvarez, Ali Baheri

机构 * Rochester Institute of Technology（罗切斯特技术学院） 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.CL、cs.AI

AI总结 本文提出通过隐藏状态运输几何检测多步推理中的幻觉，通过构建对比性PCA镜头和BiLSTM学生模型，实现单次传递中错误定位，揭示轨迹动力学问题及分布偏移下的对比运输边际保持挑战。

Do Activation Verbalization Methods Convey Privileged Information?

激活 verbalization 方法是否传递了特权信息？

Millicent Li, Alberto Mario Ceballos Arroyo, Giordano Rogers, Naomi Saphra, Byron C. Wallace

机构 * Northeastern University（东北大学） ； Kempner Institute, Harvard University（哈佛大学凯姆纳研究所） ； Boston University（波士顿大学） 纠错

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

AI总结 本文评估了激活 verbalization 方法的有效性，发现其可能反映生成器模型的知识而非目标模型的操作，需更精准的基准测试。

Comments ICML 2026. 41 pages, 23 tables, 6 figures

Max-pooling Network Revisited: Analyzing the Role of Semantic Probability in Multiple Instance Learning for Hallucination Detection

最大池化网络再审视：分析语义概率在多实例学习中的作用以检测幻觉

Shota Fujikawa, Issei Sato

机构 * Department of Computer Science, The University of Tokyo（东京大学计算机科学系） 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.CL、cs.LG

AI总结 本文通过分析HaMI在决策边界的理论，提出基于最大池化和轻量级MLP的高效方法，提升幻觉检测效率并保持性能。

STAR: Semantic-Temporal Adaptive Representation Learning for Few-Shot Action Recognition

STAR：语义-时间自适应表示学习用于少样本动作识别

Hongli Liu, Yu Wang, Shengjie Zhao

机构 * School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） ； Engineering Research Center of Key Software Technologies for Smart City Perception and Planning, Ministry of Education（教育部智能城市感知与规划关键软件技术工程研究中心） 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

AI总结 STAR通过语义对齐和时间感知模块，解决少样本动作识别中的语义-时间对齐和多尺度时间动态建模问题，提升模型在有限样本下的泛化能力。

Comments Accepted for publication in IEEE Transactions on Circuits and Systems for Video Technology (TCSVT)

A Multi-Agent Orchestration Framework for Venture Capital Due Diligence

面向风险投资尽调的多智能体 orchestration 框架

Grigorios Alexandrou, Katerina Pramatari

机构 * Greek Business Registry（希腊企业登记处） 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 本文提出一个自动化多智能体框架，结合大语言模型和实时网络检索，将非结构化数据转化为结构化投资信息，通过程序化提取管道和结构化回退机制提升金融尽调的准确性与可靠性。

Comments 13 pages, 1 figure

Structure from Strategic Interaction & Uncertainty: Risk Sensitive Games for Robust Preference Learning

基于战略互动与不确定性的结构：用于鲁棒偏好学习的风险敏感游戏

Max Horwitz, Jake Gonzales, Eric Mazumdar, Lillian J. Ratliff

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

AI总结 本文提出风险敏感偏好游戏，通过优化凸风险度量来提升鲁棒性，建立稳定算法并控制偏置，实验证明其在不同数据层的鲁棒性。

Revealing the Gap in Human and VLM Scene Perception through Counterfactual Semantic Saliency

通过反事实语义显著性揭示人类与VLM场景感知之间的差距

Ziqi Wen, Parsa Madinei, Miguel P. Eckstein

机构 * Department of Computer Science, University of California, Santa Barbara（加州大学圣巴巴拉分校计算机科学系） ； Department of Psychological and Brain Sciences, University of California, Santa Barbara（加州大学圣巴巴拉分校心理学与脑科学系） 纠错

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

AI总结 本文通过反事实语义显著性方法揭示VLM在高阶语义场景理解中与人类感知之间的差距，发现模型过度依赖大物体、图像中心物体和高显著性物体，而对人物依赖程度较低。

Descriptive Collision in Sparse Autoencoder Auto-Interpretability: When One Explanation Describes Many Features

稀疏自编码器中的描述性碰撞：当一个解释描述许多特征

Jordan F. McCann

机构 * Independent Researcher（独立研究者） 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 研究发现稀疏自编码器中存在描述性碰撞问题，即多个不同特征共享相同解释，影响解释的准确性与区分性。

Comments 11 pages, 2 figures, 3 tables

When to Act, Ask, or Learn: Uncertainty-Aware Policy Steering

何时行动、提问或学习：不确定性感知的策略引导

Jessie Yuan, Yilin Wu, Andrea Bajcsy

机构 * Carnegie Mellon University（卡内基梅隆大学） 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 本文提出不确定性感知策略引导框架，通过联合推理任务语义不确定性和低层动作可行性，选择执行高置信度动作、通过自然语言查询澄清任务歧义或请求动作干预修正低层策略，提升机器人部署性能。

Comments To appear in Robotics: Science and Systems 2026

Protein Circuit Tracing via Cross-layer Transcoders

通过跨层转编码器进行蛋白质电路追踪

Darin Tsui, Kunal Talreja, Daniel Saeedi, Amirali Aghazadeh

机构 * School of Electrical ； Computer Engineering, Georgia Institute of Technology, Atltanta, GA 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ProtoMech框架，利用跨层转编码器发现蛋白质语言模型中的计算电路，实现高精度蛋白质设计。

Comments Accepted into ICML 2026. 32 pages, 17 figures

UniJEPA: Enhancing Robot Policy via Unified Continuous and Discrete Representation Learning

UniJEPA：通过统一的连续和离散表示学习增强机器人策略

Jianke Zhang, Yucheng Hu, Yanjiang Guo, Xiaoyu Chen, Yichen Liu, Wenna Chen, Chaochao Lu, Jianyu Chen

机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University, Beijing, China.（清华大学交叉信息研究院） ； Shanghai Qi Zhi Institute, Shanghai, China（上海启智研究院） ； Peking University, Beijing, China（北京大学） ； Shanghai AI Lab, Shanghai, China（上海人工智能实验室） 纠错

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

AI总结 本文提出UniJEPA，通过大规模预训练学习高维视觉特征，结合理解、规划和连续未来表示学习，提升机器人在开放环境中的任务执行能力。

Journal ref ICML 2026

LEXI-SG: Monocular 3D Scene Graph Mapping with Room-Guided Feed-Forward Reconstruction

LEXI-SG：基于房间引导前馈重建的单目3D场景图映射

Christina Kassab, Hyeonjae Gil, Matías Mattamala, Ayoung Kim, Maurice Fallon

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

AI总结 LEXI-SG是首个仅使用RGB相机输入的开放词汇3D场景图密集映射系统，通过语义先验分割场景为房间，实现可扩展的密集映射。

Uncovering Symmetry Transfer in Large Language Models via Layer-Peeled Optimization

通过分层剥离优化揭示大语言模型中的对称性传递

Zhehang Du, Hangfeng He, Weijie Su

机构 * The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； University of Rochester（罗切斯特大学） 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.AI

AI总结 本文研究了大语言模型通过分层剥离优化是否能诱导几何结构，证明了目标分布对称性在模型最优解中精确传递，并展示了开源LLM在无显式正则化下自然呈现理论预测的对称性。

LLM Flow Processes for Text-Conditioned Regression

用于文本条件回归的LLM流程

Felix Biggs, Samuel Willis

机构 * Secondmind ； Wayve 纠错

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

AI总结 本文提出结合轻量级神经过程与边际LLM预测，以解决文本条件回归中的误差累积问题，提升预测校准和局部一致性。

Beyond Individual Mimicry: Constructing Human-Like Social network with Graph-Augmented LLM Agents

超越个体模仿：构建具有图增强大语言模型代理的人类社交网络

Haoran Bu, Litian Zhang, Chuxuan Zhang, Zhanyuan Liu, Hui Pang, Xi Zhang

机构 * Cyberspace Security, Beijing University of Posts and Telecommunications（网络安全，北京邮电大学） ； Institute of Software, Chinese Academy of Sciences（软件研究所，中国科学院） 纠错

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

AI总结 本文提出GraphMind，通过让基于LLM的社交机器人学习人类社交网络结构，解决现有社交机器人在全局交互协调上的不足，并构建GraphMind-Botnet评估现有检测算法性能。

"Like Taking the Path of Least Resistance": Exploring the Impact of LLM Interaction on the Creative Process of Programming

像选择阻力最小的路径：探索LLM交互对编程创作过程的影响

Zeinabsadat Saghi, Run Huang, Souti Chattopadhyay

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 研究通过对比LLM辅助与无辅助条件，发现LLM能缩短编程创意生成时间，但生成的解决方案创意点数与用户自创相当，探讨了LLM在支持用户创造力方面的设计启示。

Do Skill Descriptions Tell the Truth? Detecting Undisclosed Security Behaviors in Code-Backed LLM Skills

技能描述是否真实？在代码支持的LLM技能中检测未披露的安全行为

Wenhui He, Yue Li, Bang Fu, Huan Xing, Xing Fan, ZeHua Zhang, Baoning Niu

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 本文研究LLM生态系统中程序性技能描述与实现之间的不一致，通过构建安全属性分类法和SKILLSCOPE工具，发现9.4%的技能存在安全风险，工具在识别不一致时达到84.8%的精度和96.5%的召回率。

Comments 11 pages, 3 figures, 9 tables