When is Your LLM Steerable?
你的大模型何时可操控？
机构 * University of Maryland, College Park（马里兰大学帕克分校） ； MBZUAI, UAE（穆罕默德·本·扎耶德人工智能大学）
专题命中 评测与基准 ：LLM(title)；language model(abstract)；分类 cs.CL、cs.LG
AI总结 提出通过模型生成初期的内部状态预测激活操控是否成功，并利用该预测器优化操控强度搜索，降低解码成本。
AI 大模型
语言大模型 / LLM
大语言模型、预训练、指令微调、后训练和语言模型应用。
1. 评测与基准 76 篇
Re-evaluating Confidence Remasking in Masked Diffusion Language Models
重新评估掩蔽扩散语言模型中的置信度重新掩蔽
机构 * UvA-Bosch Delta Lab, University of Amsterdam（阿姆斯特丹大学UvA-Bosch Delta实验室） ； Bosch Center for AI（博世人工智能中心） ； University of Basel（巴塞尔大学） ； Johns Hopkins University（约翰霍普金斯大学）
专题命中 评测与基准 ：language model(title,abstract)；分类 cs.LG
AI总结 本文重新评估了掩蔽扩散语言模型中一种无需训练的后验置信度重新掩蔽方法WINO，发现在标准解码设置下其收益甚微，且会加剧多样性坍塌问题。
Task-Aligned Stability Analysis of Vision-Language Models for Autonomous Driving Hazard Detection
面向自动驾驶危险检测的视觉-语言模型任务对齐稳定性分析
机构 * Everett Richards（埃弗里特·里奇ards）
专题命中 评测与基准 ：language model(title,abstract)；分类 cs.AI
AI总结 研究视觉-语言模型在自动驾驶危险检测中，嵌入漂移与任务对齐危险分数变化的关系，发现不同腐败类型导致不同的失效模式，建议基准测试包含任务对齐稳定性指标。
Comments 8 pages (5 main body + 3 references / appendices). ICML 2026 Workshop on Combining Theory and Benchmarks (CTB)
OmniLoc: A Geometry-Aware Foundation Model for Anchor-Free UE Localization Across Diverse Indoor Environments
OmniLoc: 一种几何感知的基础模型，用于跨多样室内环境的无锚点用户设备定位
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 评测与基准 ：foundation model(title,abstract)；分类 cs.LG
AI总结 提出OmniLoc，首个基于无线测量的基础模型，通过统一输入分词、几何感知Transformer和几何感知位置估计模块，实现跨室内环境的鲁棒无锚点定位，显著优于现有方法。
Towards Fully Automated Exam Grading: Fairness-Aware Recognition of Handwritten Answers with Foundation Models
迈向全自动考试评分：基于基础模型的笔迹答案公平性识别
机构 * Institute for Machine Learning and Analytics (IMLA), Offenburg University（奥芬堡大学机器学习和分析研究所（IMLA））
专题命中 评测与基准 ：foundation model(title,abstract)；分类 cs.AI
AI总结 提出使用视觉-语言基础模型（VLM）识别手写答案，在61份考试（3141个答案位置）上达到98.4%准确率，并通过轻量提示将假阴性率降至0.58%，实现公平的全自动评分。
Comments 11 pages, 2 figures, 3 tables
LakeFM: Toward a Foundation Model for Aquatic Ecosystems Using Irregular Multivariate Multi-depth Time Series Data
LakeFM：基于不规则多变量多深度时间序列数据的水生生态系统基础模型
机构 * Virginia Tech（弗吉尼亚理工大学） ； Grand Valley State University（大峡谷州立大学） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； Amazon AGI（亚马逊AGI） ； Aarhus University（奥胡斯大学）
专题命中 评测与基准 ：foundation model(title,abstract)；分类 cs.LG
AI总结 针对湖泊时间序列数据不规则采样和跨湖泊泛化难题，提出预训练基础模型LakeFM，在模拟和观测数据上学习表征，实现优于现有模型的预测性能。
Comments KDD 2026
RAIL: Rethinking Auditory Intelligence in Large Audio-Language Models with a CHC-Grounded Benchmark
RAIL: 基于CHC框架重新思考大型音频语言模型中的听觉智能
机构 * School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院） ； Faculty of Psychology and Educational Sciences, Alexandru Ioan Cuza University of Iași（亚历山德鲁伊万库扎大学心理学与教育科学学院） ； School of Electronic Information, Wuhan University（武汉大学电子信息学院） ； School of Public Health, The University of Hong Kong（香港大学公共卫生学院） ； School of Computer Science, The University of Auckland（奥克兰大学计算机科学学院） ； Department of Data Science and Artificial Intelligence, Monash University（莫纳什大学数据科学与人工智能系）
专题命中 评测与基准 ：language model(title,abstract)；分类 cs.AI
AI总结 提出RAIL基准，基于CHC认知框架将听觉智能分解为五种核心能力，构建结构化评估任务，系统评测大型音频语言模型的认知行为。
4DP-QA: Scalable QA for 4D Perception in Vision Language Models
4DP-QA：面向视觉语言模型中4D感知的可扩展问答
机构 * NVIDIA（英伟达） ； Yale University（耶鲁大学） ； KAIST AI（韩国科学技术院人工智能学院）
专题命中 评测与基准 ：language model(title,abstract)
AI总结 针对视觉语言模型难以理解动态场景的问题，提出一种关注运动场景理解的问答生成流水线，通过真运动追踪解耦物体与相机运动，生成大规模数据集4DP-QA和基准4DP-QA-Bench，训练现有模型在外部基准上取得性能提升。
Comments Project page: https://research.nvidia.com/labs/lpr/4dpqa
The Security Budget of Code-LLM Prompt Hardening: Provable Limits Under Pass-Only Acceptance
代码大语言模型的安全预算：一种信息论容量-安全界限
专题命中 评测与基准 ：LLM(title,abstract)
AI总结 本文提出一种信息论框架，通过容量-安全界限量化代码大语言模型在提示扰动下的功能容量与扰动保留之间的权衡，并利用输出隐藏状态进行实证验证。
VietMed-MCQ: A Consistency-Filtered Data Synthesis Framework for Vietnamese Traditional Medicine Evaluation
VietMed-MCQ：面向越南传统医学评估的一致性过滤数据合成框架
专题命中 评测与基准 ：LLM(abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 提出基于检索增强生成和一致性过滤的VietMed-MCQ数据集，含3190道多选题，经专家验证准确率94.2%，基准测试显示通用模型优于越南语模型。
Comments The authors have withdrawn this article because the current version is still undergoing substantial revision. Several components of the data synthesis framework, consistency-filtering procedure, evaluation protocol, and experimental analysis are being refined and expanded. As a result, the current manuscript should not be considered a complete or final representation of the work
Dual-Stance Evaluation of Sycophancy: The Structure of Agreement and the Limits of Intervention
谄媚的双立场评估：同意的结构与干预的局限
机构 * University of Toronto（多伦多大学）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出双立场评估方法，发现激活引导在减少谄媚时也会抑制对事实正确陈述的同意，揭示了表示可读但不可写的普遍差距。
Comments 18 pages, 9 figures, accepted to TAIS 2026
NightFeats @ MMU-RAGent NeurIPS 2025: A Context-Optimized Multi-Agent RAG System for the Text-to-Text Track
NightFeats @ MMU-RAGent NeurIPS 2025: 面向文本到文本轨道的上下文优化多智能体RAG系统
机构 * NightFeats
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出一种结构化多智能体RAG系统NightFeats，通过检索、策展和组合三阶段分解知识合成，引入时序语义重排序、矛盾协调和引用保留架构，在MMU-RAGent竞赛中超越商业基线。
Comments 5 pages, 1 figure, 1 table. NeurIPS 2025 Competition Track (MMU-RAGent). System developed October 2025
"Do Not Mention This to the User": Detecting and Understanding Malicious Agent Skills in the Wild
“不要向用户提及此事”：检测与理解恶意代理技能
机构 * Griffith University（格里菲斯大学） ； Nanyang Technological University（南洋理工大学） ； University of New South Wales（新南威尔士大学） ； Zhejiang Key Laboratory of Digital Fashion and Data Governance, Zhejiang Sci-Tech University（浙江数字时尚与数据治理重点实验室，浙江科技大学）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.CL、cs.AI
AI总结 本文通过对两个主要注册中心的98,380个技能进行系统安全分析，结合静态模式匹配和动态行为验证，识别出157个恶意技能，揭示了13种攻击技术中的632个不同漏洞，并发现攻击复杂性与隐藏投入相关。
Comments Accepted to the 35th USENIX Security Symposium (USENIX Security 2026)
Transparent Reference-free Automated Evaluation of Open-Ended User Survey Responses
透明参考-free 自动评估开放式用户调查回应
机构 * Kookmin University（韩国明知大学） ； Sungkyunkwan University（庆尚大学） ； Nexxt Intelligence
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.CL、cs.AI
AI总结 本文提出一种两阶段评估框架，用于评估人类开放式调查回应，通过去除无意义回应和评估努力、相关性和完整性，提升自动评估效果。
Comments EMNLP Industry Track
Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: Industry Track
Natural-Language Temporal Grounding in Hour-Long Videos is a Search Problem: A Benchmark and Empirical Decomposition
自然语言在小时级视频中的时间定位是一个搜索问题：基准与经验分解
机构 * NAVER Cloud AI ； KAIST AI（韩国科学技术院人工智能系）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.AI
AI总结 针对小时级视频的自然语言时间定位，提出搜索是主要瓶颈而非识别，发布首个开放小时级定位基准ExtremeWhenBench，并通过检索-定位混合方法显著提升性能。
Comments 10 pages, 6 figures, Code and benchmark: https://github.com/naver-ai/ExtremeWhenBench
Skill-Augmented AI Agents for Medical Research Analysis: An Exploratory Multi-Model Human Evaluation in an NSCLC Transcriptomic Biomarker Task
面向医学研究分析的技能增强型AI代理：一项NSCLC转录组生物标志物任务中的探索性多模型人类评估
机构 * AIPOCH PTE. LTD.
专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本研究通过非小细胞肺癌免疫治疗生物标志物任务，评估技能增强型AI代理相比原生AI在转录组研究分析输出质量上的提升，发现质量信号方向性但未达统计显著性。
A PubMed-Scale Dataset of Structured Biomedical Abstracts
一个PubMed规模的生物医学结构化摘要数据集
机构 * Department of Biomedical Informatics & Data Science, School of Medicine, Yale University（耶鲁大学生物医学信息学与数据科学系，医学院）
专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 针对PubMed中大量非结构化摘要阻碍下游文本处理的问题，构建了包含2320万条记录的结构化摘要语料库，其中590万条来自官方XML，1720万条通过大语言模型自动标注，统一为五段格式。
Comments Data and code for this work are available at https://doi.org/10.5281/zenodo.20336717 and https://github.com/BIDS-Xu-Lab/StructuredPubMed, respectively
Food4All: An Agentic Framework and Benchmark for Food Resource Navigation with Adaptive User Understanding
Food4All: 一种具有自适应用户理解能力的食物资源导航智能体框架与基准
机构 * University of Notre Dame（诺特大学）
专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 提出Food4All框架，结合食物搜索工具与300个多轮评估任务，在686个印第安纳食物资源上评估六种大语言模型，诊断其在约束条件处理和非理想用户交互中的不足。
Comments We have further refined the benchmark construction and experimental presentation to improve clarity and consistency. The revised version includes updated task design, food-resource data, and evaluation details to better align the benchmark with the intended food resource referral setting. These changes provide a more precise presentation of the experimental findings
SAGE: Scalable AI Governance & Evaluation
SAGE: 可扩展的人工智能治理与评估
机构 * LinkedIn Corporation（LinkedIn公司）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出SAGE框架，通过双向校准循环将高质量的人类产品判断转化为可扩展的评估信号，解决了大规模搜索系统中相关性评估的治理差距问题，并实现了92倍成本降低的模型迭代和政策监督。
Q-Fold: Query-Aware Focus-Context Spatio-Temporal Folding for Long Video Understanding
Q-Fold: 查询感知的焦点-上下文时空折叠用于长视频理解
机构 * Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（电子科技大学深圳高等研究院）
专题命中 评测与基准 ：large language model(abstract)；language model(abstract)
AI总结 提出Q-Fold，一种无需训练的长视频输入构建框架，通过查询引导将相关片段保留为高保真焦点帧，不相关片段折叠为上下文布局，在固定预算下提升多模态大模型的长视频理解性能。
Comments 10 pages, 5 figures, 8 tables. Code will be made publicly available
Physics-informed generative AI for semiconductor manufacturing: Enforcing hard physical constraints in generative models by construction
物理信息驱动的生成式AI在半导体制造中的应用：通过构造强制生成模型中的硬物理约束
机构 * School of Electrical and Computer Engineering, University of Oklahoma（俄克拉荷马大学电气与计算机工程学院） ； Center for Quantum Research and Technology, University of Oklahoma（俄克拉荷马大学量子研究与技术中心） ； Intelligent Neuromorphic and Quantum Understanding for Innovative Research and Engineering (INQUIRE) Laboratory（创新研究与工程智能神经形态与量子理解实验室） ； Material Science and Engineering Program, University of Oklahoma, Norman, OK 73019 USA（俄克拉荷马大学材料科学与工程项目，Norman, OK 73019 USA）
专题命中 评测与基准 ：foundation model(abstract)；分类 cs.AI、cs.LG
AI总结 针对半导体制造中生成模型必须满足硬物理约束的问题，本文提出通过构造集成物理信息（如物理信息扩散、PDE约束变分模型等）来强制约束，而非事后过滤，并给出四种集成模式和未来研究方向。
A Physics-Inspired Optimizer: Velocity Regularized Adam
一种受物理启发的优化器：速度正则化Adam
机构 * University of Oxford（牛津大学）
专题命中 评测与基准 ：language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出VRAdam优化器，通过引入速度正则化技术，结合Adam的参数缩放，提升训练稳定性与收敛速度，理论分析显示其在非凸目标下的收敛速率为O(√(lnN)/√N)。
Comments L. Schorling and P. Vaidhyanathan contributed equally to this work. 20 pages, 10 figures
Geometric Metrics and LLMs: What They Measure and When They Work
几何度量与大语言模型：它们测量什么以及何时有效
机构 * Moscow Institute of Physics and Technology（莫斯科物理技术学院） ； Russian Academy of Sciences（俄罗斯科学院）
专题命中 评测与基准 ：LLM(abstract)；分类 cs.CL、cs.AI
AI总结 本文系统测试了用于大语言模型评估的几何度量，发现部分度量主要反映输出长度，而几何度量在文本统计基础上提供有限但真实的信息，并指出故障检测是最有前景的应用。
Gumbel-BEARD: Automatic Layer Selection for Self-Supervised Adaptation of Whisper in Low-Resource Domains
Gumbel-BEARD：低资源领域Whisper自监督自适应的自动层选择
机构 * University of California, Los Angeles, USA（加州大学洛杉矶分校）
专题命中 评测与基准 ：foundation model(abstract)；分类 cs.CL
AI总结 提出Gumbel-BEARD框架，通过可训练的Gumbel-Softmax选择器自动选择Whisper编码器层，结合BEST-RQ自监督目标实现低资源领域自适应，在儿童语音和方言数据集上取得最先进词错误率。
Comments Accepted by Interspeech 2026
Evaluating Bias in Phoneme-Based Automatic Speech Recognition Systems: An Analysis of IPA Transcription Models
评估基于音素的自动语音识别系统中的偏差：对IPA转录模型的分析
机构 * University of Utah（犹他大学）
专题命中 评测与基准 ：language model(abstract)；分类 cs.CL
AI总结 研究评估WhisperIPA和ZIPA两个开源IPA转录ASR系统在不同口音和语言上的性能，通过标准音素错误率和软音素错误率分析，发现模型在性别、口音、种族和年龄等群体间存在持续性能差异。
Brain-IT-VQA: From Brain Signals to Answers
Brain-IT-VQA: 从脑信号到答案
机构 * Weizmann Institute of Science（魏茨曼科学研究所）
专题命中 评测与基准 ：language model(abstract)；分类 cs.AI
AI总结 提出 Brain-IT-VQA 框架，基于 fMRI 脑信号解码语言令牌并结合语言模型进行视觉问答，在 NSD-VQA 新基准上显著优于先前方法，并用于分析脑区对视觉信息的贡献。
JurisTCU: A Brazilian Portuguese Information Retrieval Dataset with Query Relevance Judgments
JurisTCU：一个带有查询相关性判断的巴西葡萄牙语信息检索数据集
机构 * Câmara dos Deputados（议会委员会） ； Tribunal de Contas da União (TCU)（联邦审计法院）
专题命中 评测与基准 ：LLM(abstract)；分类 cs.CL
AI总结 本文介绍了一个包含16045份巴西联邦会计法院判例文书和150个带有相关性标注查询的巴西葡萄牙语信息检索数据集，通过混合方法产生相关性判断，展示了文档扩展方法在提升BM25性能上的显著效果，以及OpenAI模型在短关键词查询中的优越表现。
Comments 23 pages
Interpretable enzyme function prediction via sparse autoencoder features of ESMC across the microbial protein universe
通过ESMC稀疏自编码器特征实现可解释的酶功能预测：跨越微生物蛋白质宇宙
专题命中 评测与基准 ：language model(abstract)
AI总结 利用ESMC-6B蛋白质语言模型的稀疏自编码器特征，无需任务特定训练即可准确预测酶功能，在微生物酶基准上实现78.9% top-1准确率，并发现16.9万个暗酶候选。
Comments 17 pages, 5 figures, 3 tables
Tac-DINO: Learning Vision-Tactile Features with Patch Alignment
Tac-DINO：基于补丁对齐的视觉-触觉特征学习
机构 * Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 评测与基准 ：pretraining(abstract)
AI总结 提出Tac-DINO方法，通过构建大规模触觉数据集和视觉-触觉全息匹配基准，利用补丁对齐学习局部到全局的视觉-触觉表征，性能优于无对齐方法。
Frozen Foundation-Model Embeddings Discard Small-Lesion Signal in Chest Radiography: Implications for Pre-Deployment Evaluation
冻结的基础模型嵌入在胸部X光检查中丢弃小病灶信号：对部署前评估的启示
机构 * Department of Biomedical Engineering and Informatics, Indiana University（印第安纳大学生物医学工程与信息学系） ； Department of Radiology and Imaging Sciences, Emory University（埃默里大学放射学与影像科学系）
专题命中 评测与基准 ：pretraining(abstract)
AI总结 本研究系统量化了五种冻结的视觉Transformer基础模型在胸部X光检查中保留或丢失小尺度、低对比度信号的情况，发现全局聚合步骤会无声地抑制小尺度信号，但可从补丁令牌中恢复。
