AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
面向搜索与推荐系统的可验证用户模拟
专题命中 领域大模型 ：LLM(abstract,abstract_cn)
AI总结 提出一个七组件可审计框架，将用户模拟器视为可验证工程制品，通过动手实验检查模拟器行为、诊断差异并检测人口偏差。
Comments Presented as a half-day tutorial at SIGIR 2026, 4 pages
Journal ref In Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2026)
跳出聊天框：融合计算机科学与工业设计的认知包容性生成式人工智能
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 领域大模型 ：prompting(abstract)；分类 cs.AI
AI总结 针对当前GenAI界面认知门槛高、对智力障碍者不友好等问题，通过跨学科设计挑战，提出融合计算机科学的结构化支架与工业设计的体验式支架的双层框架，以扩展认知包容性交互设计空间。
扩散细化分割与视觉-语言解释用于儿童脑肿瘤MRI
机构 * Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） ； School of Medicine, Stanford University（斯坦福大学医学院）
专题命中 领域大模型 ：language model(abstract)；分类 cs.CL
AI总结 提出两阶段框架，先用Swin-UNETR粗分割，再用条件扩散模型细化边界，最后结合多模态语言模型生成结构化报告，提升儿童脑肿瘤分割精度和可解释性。
REGEN：参考引导的合成多元时间序列生成用于预测
机构 * Birla AI Labs, Office of Ananya Birla（Birla AI实验室，Ananya Birla办公室） ； Birla Institute of Technology and Science, Pilani（Birla理工学院与科学学院，Pilani） ； Kalinga Institute of Industrial Technology, Bhubaneswar（Kalinga工业技术学院，Bhubaneswar）
专题命中 领域大模型 ：foundation model(abstract)；分类 cs.LG
AI总结 提出参考引导生成管道ReGeN，通过将观测序列分解为周期骨干、随机残差和跨变量依赖三个可解释组件，实现可控合成，在低数据场景下生成的数据可替代真实数据并提升预测性能。
AI风险的可保险边界：将威胁映射到积极保险、沉默暴露和排除
机构 * Munich Re（慕尼黑再保险） ； Armilla ； Tokio Marine Kiln（东京海上日赤保险） ； CFC ； Apollo ibott ； Coalition
专题命中 领域大模型 ：foundation model(abstract)；分类 cs.AI
AI总结 本文研究了AI风险在商业保险中的可保险性边界，通过分析55类AI威胁与26种保险产品和排除制度，揭示了四个层次的可保险性前沿：积极保险的风险、沉默AI暴露、主动排除的风险以及传统私人保险结构之外的风险。
Comments Version 2
大型语言模型中的可信不确定性：置信度校准与风险控制拒绝的统一框架
机构 * University of Liechtenstein（列支敦士登大学） ； University of the Republic of San Marino（圣马尔科共和国大学） ； University of Mauritius（毛里求斯大学） ； International University of Monaco（摩纳哥国际大学） ； University of Andorra（安道尔大学） ； University of Gibraltar（直布罗陀大学） ； University of the Faroe Islands（法罗群岛大学） ； Ilisimatusarfik (University of Greenland)（格陵兰岛研究所（格陵兰大学）） ； University of Prizren（普里兹伦大学）
专题命中 知识编辑与模型理解 ：language model(title,abstract)；large language model(title)；分类 cs.CL
AI总结 提出UniCR框架，融合多种不确定性证据为校准的正确概率，并通过原则性拒绝满足用户指定的错误预算，无需微调基础模型，在短问答、代码生成和检索增强长问答中提升校准指标并降低风险-覆盖曲线下面积。
Comments arXiv admin note: This paper has been withdrawn by arXiv due to unverifiable authorship and affiliation
能力最小化作为安全原语：风险感知因果门控实现最小特权LLM代理
机构 * Independent Researcher（独立研究者） ； United States of America（美国）
专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；分类 cs.AI
AI总结 提出风险感知因果门控（RACG）框架，通过因果效应估计与校准风险控制决定是否采纳模型预测，显著降低高成本错误，同时保持非门控策略的大部分效用。
对抗性概念搜索：从特征几何预测组合错误
机构 * Brown University（布朗大学） ； University of Southern California（南加州大学） ； Harvard University（哈佛大学） ； Boston University（波士顿大学）
专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract)；分类 cs.AI
AI总结 利用LLM的表征几何预测其组合失败模式，发现概念编码近正交时可靠组合，编码接近时因干扰导致失败，无需评估具体输入即可预测错误。
计划在哪里？通过轻量级机制干预定位语言模型中的潜在规划
机构 * University of California, Berkeley（加州大学伯克利分校）
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 通过押韵对句补全任务，使用线性探针和激活修补方法，研究语言模型在生成过程中是否形成并因果依赖未来约束的潜在规划，发现仅Gemma-3-27B模型存在因果依赖，并定位到五个注意力头。
Comments 13 pages, 20 figures, 3 tables. Accepted to Workshop on Mechanistic Interpretability @ ICML 2026
RepFusion：利用多模态先验在表示空间中进行去噪
机构 * Meta AI ； New York University（纽约大学）
专题命中 知识编辑与模型理解 ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)
AI总结 提出RepFusion方法，利用多模态大语言模型作为噪声表示编码器，为扩散变压器提供条件信号，在相似推理预算下优于新初始化解码器基线。
Comments Project Page: https://xichenpan.com/repfusion
机器学习粒子流作为对撞机物理学的基础模型
机构 * University of California San Diego（加州大学圣地亚哥分校） ； National Institute of Chemical Physics and Biophysics（化学物理与生物物理国家研究所） ； SLAC National Accelerator Laboratory（斯坦福线性加速器中心国家加速器实验室）
专题命中 知识编辑与模型理解 ：foundation model(title,abstract)；分类 cs.LG
AI总结 将事件重建视为机器学习问题，利用MLPF模型学习到的潜在表示，在喷注味识别、喷注能量回归和缺失动量回归三项分析任务上显著提升性能，且单线性层即可媲美先进架构，参数减少约35倍。
Comments 15 pages, 11 figures
LapidaryEngine: 全对话式晶体生成
机构 * Lattice Lab, Toyota Motor Corporation（丰田汽车公司Lattice实验室） ； The University of Osaka（大阪大学）
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.LG
AI总结 提出LapidaryEngine，首个支持全对话式晶体生成的模型，通过枢轴表示实现文本与晶体结构的双向翻译，支持自由形式自然语言请求和迭代优化。
Comments 11 main pages, 5 main figures, and 1 table
自监督遥感视觉模型如何迁移到下游任务？
机构 * University of Colorado Boulder（科罗拉多大学博尔德分校）
专题命中 知识编辑与模型理解 ：foundation model(abstract)；pretraining(abstract)；分类 cs.AI
AI总结 研究六种代表性自监督地理空间基础模型（GeoFMs）在下游任务中的迁移表现，发现模型排名随任务和适应设置变化，中间层特征比最终层更相关，且解码器设计等适应设置影响与模型选择相当。
基于独立成分的故事理解过程中大脑活动的编码模型
机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电子与计算机工程学院） ； School of Psychological and Brain Sciences, Georgia Institute of Technology（佐治亚理工学院心理学与脑科学学院） ； Department of Linguistics, Stanford University（斯坦福大学语言学系）
专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 提出基于独立成分的编码框架，从fMRI数据中分离刺激驱动和噪声信号，利用语言模型预测独立成分时间序列，识别出与听觉和语言相关的认知网络，验证了成分的可解释性和跨个体一致性。
Comments Accepted to CCN 2026 (Proceedings Track)
S$^2$COPE: 通过偏好学习进行自监督概念发现
机构 * Rutgers University（罗格斯大学）
专题命中 知识编辑与模型理解 ：language model(abstract)；preference optimization(abstract)
AI总结 提出S$^2$COPE框架，利用视觉大语言模型在自监督偏好优化循环中自主发现结构化概念，无需任何标签，在多个领域提升下游分类准确率。
集成稀疏自编码器
机构 * Paul G. Allen School of Computer Science \& Engineering, University of Washington
专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.LG
AI总结 针对单个稀疏自编码器只能捕获激活空间中有限特征的问题，提出通过朴素Bagging和Boosting集成多个SAE，理论证明可降低重构误差，实验表明集成方法在重构质量、稳定性和下游任务上优于扩展单个SAE。
Comments Accepted to ICML 2026
大型语言模型代理并非总是忠实的自我进化者
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL
AI总结 本研究首次系统调查自我进化LLM代理的经验忠实性，通过因果干预发现代理依赖原始经验但常忽略或误解浓缩经验，并分析其成因。
Comments ICML 2026
证据门控的LLM先验用于多目标贝叶斯优化
机构 * State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室）
专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG
AI总结 针对多目标贝叶斯优化中LLM先验可能误导的问题，提出一种目标级声誉市场机制，通过在线反馈动态校准专家权重，并引入解耦反事实门控，在合成测试和分子优化基准上验证了动态校准的鲁棒性。
大型语言模型作为监督式提取助手：降低基于智能体建模中文档标准采纳的门槛
专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)
AI总结 本研究探索利用大型语言模型（LLMs）辅助自动化ABM文档标准（如RAT-RS）的采纳，通过四个LLMs从已发表论文中提取报告，发现LLMs在描述性任务上表现可靠，但在解释性和评估性任务上存在局限，并提出了何时依赖LLM、何时需要人工监督的实用启发式方法。
Comments 17 pages, accepted for publication at the Social Simulation Conference 2026, see https://www.durham.ac.uk/research/institutes-and-centres/research-methods/social-simulation-conference-2026/
基于图的目标反向传播用于多LLM智能体系统中的上下文自适应
机构 * Retail Intelligence, Walmart Global Tech（零售智能，沃尔玛全球技术）
专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.CL、cs.LG
AI总结 提出GTBP框架，通过图结构反向传播局部目标输出，实现多LLM智能体工作流的上下文自适应，理论保证稳定性，实验优于基线。
检测议会文本中未披露的LLM生成内容
机构 * Chalmers University of Technology（查尔姆斯理工大学） ； University of Cambridge（剑桥大学）
专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.CL
AI总结 本研究训练可解释文本分类器，检测英国和瑞典议会文本中未披露的LLM使用情况，发现自2022年起两国议会中未披露的LLM使用持续增加。
回顾性进度感知的LLM智能体训练自我精炼
机构 * Shanghai Jiao Tong University（上海交通大学） ； OPPO Research Institute（OPPO研究院）
专题命中 其他LLM ：LLM(title,title_cn)；prompting(abstract)；分类 cs.CL
AI总结 提出RePro框架，通过前向-反思滚动范式训练智能体自我生成进度信号，无需持续外部监督，在WebShop等任务上提升Qwen系列性能高达12%。
主动式LLM智能体的通信策略演化
机构 * Shanghai Jiao Tong University（上海交通大学） ； OPPO Research Institute（OPPO研究院）
专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.AI
AI总结 针对用户与智能体间信息不对称问题，形式化通信策略，提出基于文本和UI的策略，并引入自演化框架CPE，通过提示优化提升任务成功率。
研究边疆：跨研究文化中的写作分析
机构 * Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） ； Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校Siebel计算与数据科学学院） ； Pioneer Centre for AI, University of Copenhagen（哥本哈根大学先锋人工智能中心） ； Allen Institute for Artificial Intelligence (Ai2)（人工智能研究院）
专题命中 其他LLM ：LLM(summary_cn,abstract)；分类 cs.CL
AI总结 本文通过跨文化访谈，揭示研究文化中的语言规范，并评估LLM的文化适应能力，强调人类中心方法在测量文化规范中的有效性。
Comments Accepted to ACL 2025 (Main)
CuMA: 通过人口统计感知的适配器混合使大语言模型与稀疏文化价值观对齐
机构 * Southeast University（东南大学） ； ByteDance Inc.（字节跳动公司） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education, China（新一代人工智能技术及其交叉应用重点实验室（东南大学），中华人民共和国教育部，中国）
专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出CuMA框架，通过人口统计感知路由将冲突梯度分离到专家子空间，解决密集模型在多文化对齐中的均值崩溃问题，在WorldValuesBench等基准上取得最优性能。
Comments ACL 2026 Main
融合文体特征与嵌入系统以估计日语作者身份似然比
专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 首次将似然比框架应用于日语数字文本，通过融合文体特征系统与基于嵌入的系统，提高了似然比量值和判别能力，最佳融合的log-likelihood-ratio成本为0.32484。
Muon 的免费重尾午餐：实证成功的理论证明
机构 * Department of Computer Science, ETH Zurich, Switzerland（苏黎世联邦理工学院计算机科学系） ； Department of Mathematics, Technical University of Munich, Germany（慕尼黑技术大学数学系） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.LG
AI总结 本文在重尾非凸优化中证明，Muon 等非欧几里得方法在核范数平稳性下达到最优样本复杂度，避免了欧几里得方法的维度依赖，并通过大语言模型实验验证。
我没有做出微决策：在协作中测量、诱导和暴露目标级AI贡献
机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； Seoul National University（首尔国立大学）
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CoTrace框架，用于测量和暴露协作中目标级AI贡献，发现模型在目标塑造中贡献有限，但在引入具体要求和间接影响方面作用显著，且交互设计影响模型行为。
FoleyGenEx: 统一视频到音频生成，具备多模态控制、时间对齐与语义精度
机构 * Academy for Advanced Interdisciplinary Studies, Nankai University（南开大学前沿交叉学科研究院） ； Kling Team, Kuaishou Technology（快手科技Kling团队）
专题命中 其他LLM ：large language model(abstract)；language model(abstract)
AI总结 提出FoleyGenEx统一框架，通过条件注入、多模态动态掩码和副词数据增强，实现视频到音频生成中多模态控制、帧级时间对齐与细粒度语义的同步合成。
Comments Accepted by INTERSPEECH 2026
Journal ref INTERSPEECH 2026
Fabula: 与作家社区共建叙事故事创作助手
专题命中 其他LLM ：language model(abstract)
AI总结 通过参与式AI设计，与42位专家合作评估Fabula交互式写作应用，探讨基于叙事理论的故事规划、语言模型自动评估及UI设计对故事质量和创造力的影响。
Comments 41 pages, 10 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈