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。
MaineCoon: 追求实时音视频社交世界模型
机构 * Catnip AI Team（Catnip AI团队）
专题命中 效率与部署 ：preference optimization(abstract)
AI总结 提出MaineCoon，首个22B参数的实时音视频自回归模型，支持单GPU上高达47.5 FPS的流式生成和亚秒级交互，专为社交互动应用优化，引入自重采样、跨模态对齐、领域偏好优化和强化在线策略蒸馏等技术。
Comments 32 pages, 13 figures, 3 tables
RT-Counter：实时文本引导的开放词汇目标计数
机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
专题命中 效率与部署 ：language model(abstract)
AI总结 提出实时文本引导开放词汇计数框架RT-Counter，通过视觉原型文本化模块和编织Transformer层，在保持高精度的同时实现实时推理，在FSC147上MAE为13.30，速度达112.48 FPS。
FUSER: 前馈多视图3D配准Transformer与SE(3)^N扩散精化
机构 * Nanyang Technological University（南洋理工大学） ； Alibaba Group（阿里巴巴集团） ； Nanjing University（南京大学）
专题命中 效率与部署 ：foundation model(abstract)
AI总结 提出FUSER，首个前馈多视图配准Transformer，在统一潜在空间中直接预测全局位姿，避免成对匹配；并引入SE(3)^N扩散精化框架FUSER-DF以校正估计。
Comments Accepted to CVPR 2026 (Oral)
面向多样化类人团队协作与通信的算法化提示生成与大型语言模型
机构 * Thomas Lord Department of Computer Science, University of Southern California（美国南加州大学汤姆·劳德计算机科学系） ； School of Computing and Information, University of Pittsburgh（美国匹兹堡大学计算与信息学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学西伯利机械与航空航天工程学院）
专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI
AI总结 结合质量多样性优化与LLM代理，自动搜索生成多样化团队行为的提示，捕获人类协作与通信策略，并通过用户研究验证其类人性。
像锤子一样，它能建造，也能破坏：Reddit上网络安全运营中大语言模型的使用、认知与采纳
机构 * Arizona State University（亚利桑那州立大学） ； Technische Universität Berlin（柏林技术大学）
专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.AI
AI总结 通过对Reddit网络安全论坛892篇帖子进行混合方法分析，研究安全从业者使用LLM工具的模式、认知和采纳情况，发现LLM主要用于低风险、生产力导向任务，企业级安全平台受关注，但可靠性、验证开销和安全问题限制了其自主性。
Comments This paper appears in the Proceedings of the Twenty-Second Symposium on Usable Privacy and Security (SOUPS) 2026
LLM生成调查中的公平性
机构 * Department of Computer Science, University of Chile（智利大学计算机科学系） ； National Center for Artificial Intelligence (CENIA)（国家人工智能中心） ； School of Government, Adolfo Ibáñez University（阿道弗·伊巴涅斯大学政府学院） ； Millennium Institute for Foundational Research on Data (IMFD)（数据基础研究千年研究所）
专题命中 领域大模型 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.LG
AI总结 研究分析了LLM在不同人口中的表现，发现其在美国数据集上表现更优，但存在因训练数据偏见导致的公平性问题，提出新的测量框架以提升模型公平性。
Journal ref EPJ Data Science (2026)
AUTOGATE：基于翻转感知的LLM驱动RTL重写的自动时钟门控
机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； NVIDIA（英伟达）
专题命中 领域大模型 ：LLM(title,title_cn)；分类 cs.AI、cs.LG
AI总结 提出AUTOGATE框架，通过ML-LLM协同设计将波形翻转迹线转化为紧凑表示，指导LLM进行RTL重写，实现层次化代码库中的时钟门控优化，平均降低动态功耗49.31%。
Comments 9 pages, 6 figures, 7 tables
使用认知模型改进语言模型对人类说服博弈的模拟
机构 * Princeton University（普林斯顿大学）
专题命中 领域大模型 ：language model(title,abstract)；large language model(abstract)；prompting(abstract)；分类 cs.AI
AI总结 提出方程到行为提示和强化学习方法，使语言模型匹配认知模型（如贝叶斯更新、动机推理），在说服博弈中提升模拟人类决策多样性的能力。
Slop悖论：合成标准化如何侵蚀AI重写放射学报告中的临床不确定性和跨模态对齐
机构 * School of Computing and Engineering Sciences, University of Chester（切斯特大学计算与工程科学学院）
专题命中 领域大模型 ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 本研究通过控制实验测量AI重写放射学报告导致的信息退化，发现电子健康记录摘要虽破坏内容但保留图像-文本对齐，而标准化重写和教学病例准备则相反，造成更大对齐损失，称为slop悖论。
当规则学习时：一种用于法律案例检索的自演化智能体
机构 * Center of Information Research, AMS（AMS信息研究中心） ； Discipline and Technology Research Center for Large Model Intelligence Applications（大模型智能应用学科与技术研究中心） ； Hebei University of Engineering（河北工程大学）
专题命中 领域大模型 ：LLM(summary_cn,abstract)；分类 cs.AI
AI总结 提出一种自演化框架，通过LLM智能体自动生成并优化查询重写规则，无需参数训练即可增强BM25在法律案例检索中的性能。
Comments To appear in ACL 2026
RooseBERT: 政治语言建模的新协议
机构 * Université Côte d’Azur CNRS, INRIA, I3S Sophia Antipolis, France（法国尼斯大学 CNRS INRIA I3S 索菲亚Antipolis 分校）
专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL、cs.AI
AI总结 针对政治语言特殊性，提出领域预训练模型RooseBERT，在大型政治辩论语料上训练，在多项政治分析任务中优于通用模型。
ZeroSyl: 用于口语语言建模的简单零资源音节分词
机构 * Electrical and Electronic Engineering, Stellenbosch University, South Africa（斯瓦兹堡大学电子与电气工程系，南非）
专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL
AI总结 提出ZeroSyl，一种无需训练的方法，直接从冻结的WavLM模型中提取音节边界和嵌入，实现竞争性的音节分割性能，并在词汇、句法和叙事基准上优于先前方法。
Comments Accepted to Interspeech 2026
MedicalAgentsBench：复杂医学推理基准——比较内化推理模型与外化智能体框架
机构 * Program in Computational Biology & Biomedical Informatics, Yale University（计算生物学与生物医学信息学项目，耶鲁大学） ； Department of Biomedical Informatics & Data Science, Yale University（生物医学信息学与数据科学系，耶鲁大学） ； Department of Computer Science, Yale University（计算机科学系，耶鲁大学） ； Department of Biosystems Science and Engineering, ETH Zurich（生物系统科学与工程系，苏黎世联邦理工学院） ； Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； Department of Bioinformatics, UT Southwestern Medical Center（生物信息学系，德克萨斯西南医学中心）
专题命中 领域大模型 ：LLM(abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 提出MedicalAgentsBench基准（862个复杂临床问题），比较内化推理模型与外化智能体框架在医学推理中的表现，发现两者效果可叠加，最优组合为o3-mini+MDAgents（准确率35.1%）。
UoU：基于大规模无监督学习的通用指纹基础模型
机构 * Department of Automation, Tsinghua University（清华大学自动化系）
专题命中 领域大模型 ：foundation model(title,abstract)
AI总结 提出UoU指纹基础模型，通过多级表示层次和结合监督、弱监督与无监督的训练策略，实现跨传感器、质量和应用的通用特征提取。
欧盟法律自动化中的测量差距：欧盟AI法案下教义性法律推理的基准测试
机构 * Chair of Law and Artificial Intelligence and Director, CZS Institute for Artificial Intelligence and Law, University of Tübingen（法律与人工智能教授、人工智能与法律研究所主任，图宾根大学）
专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 针对当前缺乏评估大型语言模型进行教义性法律推理的基准，提出该能力对满足欧盟AI法案中“适当准确性”要求至关重要。
PseudoBench: 衡量自主研究如何助长伪科学
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Xi’an Jiao Tong University（西安交通大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 提出PseudoBench基准，通过200个伪科学声明-证据对评估AI代理识别和抵制伪科学的能力，发现当前系统极易生成有说服力的伪科学报告，拒绝率接近零。
Comments 26 pages, 21 figures
CyberEvolver：面向网络安全代理的即时结构化自我进化
机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Pudong Research Institute of Cryptology（上海浦东密码研究院）
专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出CyberEvolver框架，通过四层可进化架构、痕迹诊断机制和种群波束搜索，实现网络安全代理基于失败经验的支架自我进化，平均成功率提升13.6%。
IndustryBench-MIPU：面向工业产品的多图像属性值提取基准
机构 * Multimodal and Industrial AI Team（多模态与工业AI团队） ； Taobao&Tmall, Alibaba Group（淘宝&天猫，阿里巴巴集团）
专题命中 领域大模型 ：large language model(abstract)；language model(abstract)
AI总结 提出首个多图像工业产品理解基准IndustryBench-MIPU，通过结构化属性提取任务评估多模态大模型在规格表、铭牌、技术图纸上的文本识别、视觉推理、领域知识和跨图像证据整合能力，发现多图像完整性是核心瓶颈。
信息性缺失生成不规则临床时间序列
机构 * Aalborg University（奥尔堡大学） ； University of Pavia（帕维亚大学） ； Bowling Green State University（博林格林州立大学）
专题命中 领域大模型 ：foundation model(abstract)；分类 cs.LG
AI总结 提出基于扩散的临床时间序列生成方法，联合建模实验室值和观察模式，在DACMI基准上验证，能捕获生理与检测行为间的临床依赖。
机器在何种条件下能够真正具有创造力？
机构 * Concordia University（康考迪亚大学）
专题命中 领域大模型 ：foundation model(abstract)；分类 cs.AI
AI总结 本文基于Designics理论，提出机器真正创造力需满足十个要求，并通过实例论证其计算可行性，同时指出当前生成式AI系统尚不具备真正创造力。
基于不确定性引导的LLM辅助的弃权感知个性化物体重排
机构 * Concordia University（康考迪亚大学）
专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)
AI总结 提出APOLLO框架，结合轻量级个性化嵌入模型与选择性大语言模型辅助，通过不确定性估计在模糊决策时调用LLM，实现高效、隐私保护的弃权感知物体重排。
Comments Accepted at the 2026 IEEE 35th International Conference on Robot and Human Interactive Communication (RO-MAN 2026)
Jacobian Scopes: LLM中的令牌级因果归因
机构 * Cornell University（康奈尔大学） ； Imperial College London（伦敦帝国理工学院） ； Goodfire AI
专题命中 知识编辑与模型理解 ：LLM(title_cn,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 提出Jacobian Scopes，一种基于梯度的令牌级因果归因方法，用于解释LLM预测，揭示政治偏见、翻译策略和上下文学习机制。
Comments 25 pages, 16 figures
探测、融合与可信度：基础模型表示在多模态癌症分析中的系统评估
机构 * The Alan Turing Institute（艾伦·图灵研究所） ； University of Bristol（布里斯托大学） ； University of Manchester（曼彻斯特大学） ； The Institute of Cancer Research（癌症研究所） ； Genentech（基因泰克）
专题命中 知识编辑与模型理解 ：foundation model(title,abstract)；分类 cs.AI、cs.LG
AI总结 系统评估基础模型表示在计算病理学任务中的性能，发现图像和组学表示互补，多模态融合在单模态不占优时有效，并利用共形预测验证了不确定性感知推理的临床价值。
大型音频语言模型时间理解失败模式的深入分析
机构 * University of Maryland, College Park（马里兰大学帕克分校）
专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.LG
AI总结 本文通过行为与因果机制分析，揭示大型音频语言模型在时间推理中因模态不平衡而失败，并提出注意力重分配方法提升准确率。
Comments Accepted to Interspeech 2026
配对时正确，分离时错误：多模态大语言模型中模态特定神经元的解耦与编辑
机构 * School of Information Science and Engineering, Yunnan University（云南大学信息科学与工程学院） ； School of Software, Yunnan University（云南大学软件学院） ； National University of Singapore（新加坡国立大学） ； School of Engineering, Yunnan University（云南大学工程学院）
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、cs.LG
AI总结 针对多模态大语言模型知识编辑中存在的解耦失败问题，提出DECODE方法，通过显式解耦和定位模态特定神经元组，实现跨模态触发下的有效知识更新。
Comments 18 pages, 11 figures
4D表示进展：几何、运动与交互
机构 * Simon Fraser University（西蒙弗雷泽大学） ； University of Alberta（阿尔伯塔大学）
专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)
AI总结 本文综述了4D生成与重建领域，从几何、运动和交互三个核心支柱出发，分析不同4D表示方法的特性、挑战及适用场景，并探讨了大语言模型和视频基础模型在其中的作用。
Comments CGF'26,21 pages. Project Page: https://mingrui-zhao.github.io/4DRep-GMI/
有理稀疏自编码器
机构 * Lehigh University（里海大学）
专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.AI、cs.LG
AI总结 提出有理稀疏自编码器（RSAE），用可训练有理函数替代固定编码器激活，通过两阶段流程（初始化+微调）在多种语言模型和基线激活族上提升重构与下游行为指标，不牺牲特征可解释性。
Comments Accepted to the Mechanistic Interpretability Workshop at ICML 2026
基于流的视觉-语言-动作模型的不确定性量化
机构 * TU Munich（慕尼黑工业大学） ； ETH Zurich（苏黎世联邦理工学院） ； MPI IS Tübingen（马克斯·普朗克智能系统研究所）
专题命中 知识编辑与模型理解 ：pretraining(abstract)；分类 cs.LG
AI总结 提出利用速度场差异（VFD）量化流匹配模型中的认知不确定性，用于故障检测和主动微调，在LIBERO基准上实现高效任务适应。
Comments Project page: tum-lsy.github.io/uq_vla/. 28 pages, 12 figures
基于权重正则化的稳定且可操控的稀疏自编码器
机构 * Department of Biology, University of Oxford, Oxford, UK（牛津大学生物学系） ； Kavli Institute for Nanoscience Discovery, University of Oxford, Oxford, UK（牛津大学纳科学发现研究所） ； Department of Chemistry, University of Oxford, Oxford, UK（牛津大学化学系）
专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.LG
AI总结 通过L1/L2权重正则化提高稀疏自编码器的跨种子特征一致性，并在语言模型上提升操控成功率，同时保持可解释性分数。
BrainWorld：一种用于全脑4D fMRI动力学的结构先验条件生成模型
机构 * Department of Biomedical Engineering, Southern University of Science and Technology（南方科技大学生物医学工程系） ； School of Biomedical Engineering, Shenzhen University（深圳大学生物医学工程学院）
专题命中 知识编辑与模型理解 ：foundation model(abstract)
AI总结 提出BrainWorld模型，利用结构MRI作为解剖先验条件，通过去噪过程生成全脑4D fMRI动态，在22个数据集上稳定生成400帧轨迹，并通过生成样本增强提升下游任务性能。
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