语言大模型 / LLM

LLM-Guided Retrieval for Prediction of Molecular Perturbation Responses

大语言模型引导的检索用于分子扰动响应预测

Betty Xiong, Jan-Christian Huetter, Gabriele Scalia, Tommaso Biancalani, Sepideh Maleki

机构 * Stanford University（斯坦福大学） ； Genentech（基因泰克） 纠错

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

AI总结 本研究提出LLM引导的检索方法，在Tahoe-100M数据集上优于多个基线，可提升分子扰动预测的方向准确率，是零样本分子扰动预测的关键驱动因素。

Comments Published at MLGenX @ ICLR 2026

From Chasing Ghosts to Missed Attacks: Perspectives and Perceptions of SOC Practitioners on LLM Integration, Risks, and Readiness

从追逐幽灵到被遗漏的攻击：安全运营中心从业者对大型语言模型（LLM）整合、风险及准备情况的看法与认知

Jonas Thurner, Nadine Jost, Stefan Albert Horstmann, Fabian Ising, Lea Groeber, Alena Naiakshina, Sebastian Schinzel

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

AI总结 本研究通过对25名有LLM使用经验的SOC从业者访谈，分析LLM在SOC的应用情况，明确其优势与局限，推导LLM辅助安全运营的设计与整合要求。

From Network Automation to Trustworthy Autonomous Networking in the LLM Era: A Network Control Intelligence Perspective

从网络自动化到大语言模型（LLM）时代的可信自主网络：网络控制智能视角

Tianzhu Zhang, Changgang Zheng, Shanshan Wang, Yarui Zhang, Lina Shi, Yue Jin, Xiaofei Wang, Meikang Qiu

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)

AI总结 本文以网络控制智能（NCI）为框架，梳理网络控制系统三阶段演进，提出可信自主网络定义及参考架构，明确LLM赋能运营的集成模式与相关研究议程。

DE-NER : Zero-shot Named Entity Recognition via Dialogue Elicitation of Large Language Models

DE-NER：通过大型语言模型的对话引导实现零样本命名实体识别

Xuankang Zhang, Jiangming Liu

机构 * Yunnan University（云南大学） 纠错

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

AI总结 DE-NER是一个对话引导框架，利用大型语言模型的对话能力解决零样本命名实体识别的提示与演示工程局限，在多基准零样本设置下平均F1值提升3.75%。

WIP: Chat-Debugging: Large Language Model as a Hardware Debugging Assistant

WIP：Chat-Debugging：大型语言模型作为硬件调试助手

Andrew Ash, John Hu

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)

AI总结 该研究提出将大型语言模型应用于硬件调试的Chat-Debugging方法，通过人机交互提升电气类学生的调试信心与技能，填补了物理硬件调试辅助工具的研究空白。

Comments This is the accepted version of a paper accepted for presentation at the 2026 IEEE Frontiers in Education Conference (FIE). The final version will be available via IEEE Xplore at: https://ieeexplore.ieee.org/Xplore/home.jsp

Will the Agent Recuse, and Will It Stop? Measuring LLM-Agent Compliance with In-Band Governance Signals at the Access Door and Mid-Flight

智能体会自行回避吗？测量LLM智能体对带内拒绝访问信号的遵从性

Thamilvendhan Munirathinam

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.AI

AI总结 提出一种轻量级带内拒绝信号（Recuse Signal），通过实验测量LLM智能体是否自愿遵从该信号，发现信号能有效诱导回避，但高级模型在操作员授权下可能忽略。

Comments v4: adds Experiment 4 (cross-vendor mid-task halt; measured harness-enforcement backstop). 15 pages, 2 figures

Can LLMs Understand the Impact of Trauma? Costs and Benefits of LLMs Coding the Interviews of Firearm Violence Survivors

大型语言模型能理解创伤的影响吗？对枪支暴力幸存者访谈的LLM编码的成本与收益

Jessica H. Zhu, Shayla Stringfield, Vahe Zaprosyan, Michael Wagner, Michel Cukier, Joseph B. Richardson

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

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

AI总结 本文研究了使用LLM对枪支暴力幸存者访谈进行主题编码的可行性，发现尽管某些配置能识别重要代码，但整体相关性低且易受数据处理影响，同时指出LLM的限制和伦理挑战。

Comments Accepted to Findings of the Association for Computational Linguistics (2026)

Journal ref Findings of the Association for Computational Linguistics (2026)

Microscopic dynamics of consensus formation in multi-agent LLM Naming Games

多智能体大语言模型命名博弈中共识形成的微观动力学

Cristiano De Nobili, Vijayasri Iyer, Alessandro Codello, Raffaella Burioni

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

AI总结 该研究揭示了多智能体LLM命名博弈中，解码温度作为架构依赖控制参数，通过不同听者机制调控共识形成的微观动力学，得出了双速率动力学的解析有序条件。

Comments 8 pages, 8 figures, 1 table, 1 appendix

LLM Agents Can See Code Repositories

LLM智能体能够查看代码仓库

Dongjian Ma, Silin Chen, Yufei Yang, Yuling Shi, Yanfu Yan, Xiaodong Gu

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)

AI总结 研究多模态大语言模型在仓库级问题解决中利用视觉表示的效果，发现纯视觉方案降低精度，而结合视觉结构图可减少26%输入token并保持或提升精度。

Comments Accepted by ASE 2026. Our code and data are available at https://github.com/cslsolow/SeeRepo

Progressive in Principle, Centrist in Practice: LLM Political Bias Is Instrument-Dependent

无形的联盟伙伴：当民主变得具体时，LLM如何投票

Joel P. Barmettler

机构 * Independent Researcher（独立研究员） ； Zurich Switzerland（苏黎世瑞士） 纠错

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

AI总结 通过对比抽象问卷和瑞士实际公投，发现LLM在具体政策决策中表现为中间派、偏向现状且跨语言不一致，而非先前认为的左倾偏见。

Comments 13 pages, 9 figures, 3 tables. Code and data: https://github.com/joelbarmettlerUZH/invisible-coalition-partner

Rewrite to Translate, Translate to Reward: Reinforcement Learning for Source Rewriting in Machine Translation

改写以翻译，翻译以奖励：机器翻译中源端改写的强化学习

Boxuan Lyu, Haiyue Song, Zhi Qu, Hidetaka Kamigaito, Kotaro Funakoshi, Manabu Okumura

机构 * Institute of Science Tokyo（东京科学大学） ； Preferred Networks Inc（Preferred Networks 公司） ； Nara Institute of Science and Technology（奈良先端科学技术大学院大学） 纠错

专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 提出RLSR框架，通过强化学习训练源端改写模型，以翻译质量提升为奖励，无需为每个MT模型调提示，在6个MT模型和16个语言对上超越无改写和同规模提示基线，与235B LLM提示基线性能相当。

The persuasive power of large language models does not depend on their perceived national origin

大型语言模型的说服力不依赖于其感知到的国籍

Ningzhi Liu, Yannic Hinrichs, Jonas R. Kunst

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

AI总结 该研究通过随机实验发现，大型语言模型的感知国籍不影响其说服力，用户虽对对手AI初始信任较低但仍会吸收其论点，国籍标签难抵御其带来的外国影响力。

Embodied Empathy: A Multimodal AR and LLM-Powered System for Self-Attachment Psychotherapy with Self-Initiated Humour

具身共情：一种用于自我依恋心理治疗的多模态AR与大语言模型驱动系统，结合自发起幽默协议

Xinyan Ye, Gwyneth Phang, Anandha Gopalan, Abbas Edalat

专题命中 其他LLM ：LLM(title,summary_cn)

AI总结 该研究针对心理健康从业者供给不足的问题，开发结合SIHP与SAT的多模态AR及LLM系统，经8天16人研究验证其可行性，可改善情绪并转变用户对AI对话工具的期望。

AutoFOAM: The Self-Refining Autonomous OpenFOAM Agent

AutoFOAM：自优化自主OpenFOAM智能体

Arun Govind Neelan, A Seshaditya

机构 * SimuNetics ； Onnes Cryogenics ； Quasi AI 纠错

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

AI总结 AutoFOAM是基于Qwen-coder 2.5-14B微调的自主LLM智能体，通过7阶段迭代循环及三种抗退化机制，可基于自然语言指令完成OpenFOAM模拟，助力CFD工作流程普及与快速原型开发。

Specula: Scaling formal specifications for autonomous model checking of system code

Specula：扩展用于系统代码自主模型检查的形式规范

Qian Cheng, Saad Mohammad Rafid Pial, Ruize Tang, Yiming Su, Emilie Ma, Finn Hackett, Ivan Beschastnikh, Yu Huang, Tianyin Xu

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

AI总结 Specula利用大语言模型编码代理为系统代码生成形式规范，通过自我进化循环解决LLM技术局限，实现自主模型检查，应用于48个开源项目发现众多错误，消除形式方法应用障碍，助力系统代码验证。

Comments 17 pages, 11 figures

The Illusion of Stochasticity in LLMs

大语言模型中的随机性错觉

Xiangming Gu, Soham De, Michalis Titsias, Larisa Markeeva, Petar Veličković, Razvan Pascanu

机构 * Google DeepMind（谷歌DeepMind） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 其他LLM ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 研究指出大语言模型作为智能体在随机采样方面存在根本性缺陷，通过多模型家族和分布的实证分析揭示了这一问题。

Comments COLM 2026

Divergent large language model predictions from convergent representations in ambiguous word pairs

歧义词对中收敛表示引发的大语言模型发散预测

K. Jack Scott, Narun Pat, Veronica Liesaputra

机构 * University of Otago（奥塔哥大学） 纠错

专题命中 其他LLM ：large language model(title)；language model(title)；分类 cs.CL

AI总结 本研究通过分析三种规模的仅解码器Transformer，揭示其解决词汇歧义的机制：中间层表示区分度最高、顶层预测KL散度最大，且顶层表示差异直接决定输出，为嵌入方法的应用提供了启示。

Comments 21 main text pages, 20 pages supplemental, 4 figures

Isotropy Cliffs: The Geometric Signature of Decision-Making in Large Language Models

各向同性悬崖：大语言模型决策的几何特征

Okan S. Coskun, Florian Rottach, Carsten Eickhoff, William Rudman

机构 * University of Tübingen（蒂宾根大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 该研究从各向同性视角分析大语言模型多项选择题问答的决策几何，识别出各向同性转变的决策关键过渡层，发现该几何行为与下游准确率高度相关且对提示变化鲁棒，揭示模型决策的通用机制。

Prompt Codebooks: Discrete Compositional Optimization for Language Model Instruction Refinement

提示码本：面向语言模型指令精炼的离散组合优化

Jyotirmoy Nath, Neeraj Kumar, Brejesh Lall

机构 * IIT Delhi（印度德里理工学院） 纠错

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

AI总结 提出Prompt Codebooks (PCO)框架，将自动提示优化重构为离散组合学习，通过可重用的自然语言本能单元实现实例级路由和结构化反馈，在多个基准上提升性能并压缩提示长度。

Agent-as-Peer-Debriefer: A Multi-Agent Framework with Perspective-Based Refinement for Qualitative Analysis

Agent-as-Peer-Debriefer: 一种基于视角精炼的多智能体定性分析框架

Zhimin Lin, Kun Cheng, Zhiyao Shu, Junhua Fang, Juntao Li, Fan Bai, Jie Gao

机构 * Soochow University（苏州大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 提出一种多智能体框架，通过模拟同行汇报（peer debriefing）并引入理论驱动、数据驱动和应用三种分析视角，提升大语言模型在定性数据分析中的编码质量。

Confidence and Calibration of Activation Oracles for Reliable Interpretation of Language Model Internals

激活预言机的置信度与校准：用于语言模型内部的可信解释

Federico Torrielli, Peter Schneider-Kamp, Lukas Galke Poech

机构 * University of Turin（都灵大学） ； University of Southern Denmark（南丹麦大学） 纠错

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

AI总结 本文研究了6种激活预言机置信度估计方法，发现bootstrap模式频率在校准上优于其他方法（ECE 5.7% vs 25.5%），而log-prob基线可作为快速分诊信号。

Modeling Social Dynamics with an LLM-Enabled Agent Based Network-Dynamic (LAND) Model

基于大语言模型的智能体网络动态（LAND）模型对社会动力学的建模

Lynnette Hui Xian Ng, Kathleen M. Carley

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文采用GhostField架构的LAND模型构建AuraSight场景，通过31万余智能体与人类主体的模拟，揭示社会动力学源于网络拓扑与叙事交换的递归互动。

USP-Mamba: Unmixing-Derived Spectral and Structural Prompting for Hyperspectral Image Super-Resolution

USP-Mamba：基于解混的光谱与结构提示的高光谱图像超分辨率方法

Shi Chen, Jie Zhang, Yicong Zhou

专题命中 其他LLM ：prompting(title,abstract)

AI总结 本文针对现有Mamba模型用于高光谱图像超分辨率时破坏空间邻接性、未对齐图像固有特征的问题，提出USP-Mamba框架，通过解混光谱提示、结构提示及互补扫描，在多数据集上性能优于现有方法。

Foveated Probes Recover Localized Binding Information in Vision Foundation Models

凹点探测法在视觉基础模型中恢复局部绑定信息

Mateusz Michalkiewicz, Mahsa Baktashmotlagh, Guha Balakrishnan

专题命中 其他LLM ：foundation model(title,abstract)

AI总结 该研究通过对比全局读出、凹点读出和神谕读出，发现冻结视觉基础模型的空间盲性源于全局嵌入界面，而非 patch 标记缺乏空间信息，凹点读出可有效恢复局部绑定信息。

Comments 15 pages, 6 figures

Attention-Steered Vision-Language Models for Sign Language Translation

用于手语翻译的注意力引导视觉-语言模型

Meibo Hu, Guohao Sun, Annemarie D. Ross, Sheng Li, Zhiqiang Tao

机构 * Rochester Institute of Technology（罗切斯特理工学院） ； University of Virginia（弗吉尼亚大学） ； National Technical Institute for the Deaf（国家聋人技术学院） 纠错

专题命中 其他LLM ：language model(title,abstract)

AI总结 针对视觉-语言模型在手语翻译中时空视觉定位差的问题，提出AttnSign框架，通过空间注意力监督和RL运动节奏引导提升性能，在How2Sign和OpenASL基准上表现优于现有方法。

A Context-Aware Cultural Heritage Guide Powered by LLMs

由大语言模型（LLMs）驱动的上下文感知文化遗产指南

Liliana Ardissono, Fabio Ferrero, Angelo Geninatti Cossatin, Claudio Mattutino, Noemi Mauro

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

AI总结 本研究扩展了文化遗产网页应用Triangolazioni，构建与LLMs无关的松耦合架构，实现LLMs驱动的上下文感知文化遗产信息搜索与展示，丰富了文化遗产内容。

Journal ref In Proceedings of the 34th ACM Conference on User Modeling, Adaptation and Personalization (UMAP '26). 2026

Learning to Select Visual In-Context Demonstrations

学习选择视觉上下文示例

Eugene Lee, Yu-Chi Lin, Jiajie Diao

机构 * University of Cincinnati（辛辛那提大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） 纠错

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 本文提出LSD方法，通过强化学习构建最优演示集，提升多模态大语言模型在视觉回归任务中的表现，揭示了学习选择在视觉上下文学习中的必要性。

Comments 21 pages, 12 figure, accepted to Computer Vision and Pattern Recognition Conference (CVPR) 2026 Findings Track

Journal ref In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 9455-9465) 2026

Reassessing Muon for Matrix Factorization

重新评估用于矩阵分解的Muon优化器

Ali Parviz, Gal Mishne, Alex Cloninger

机构 * Halicioğlu Data Science Institute, UC San Diego（加州大学圣地亚哥分校哈利西奥卢数据科学研究所） ； Department of Mathematics, UC San Diego（加州大学圣地亚哥分校数学系） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 研究在低秩矩阵分解问题上重新评估Muon优化器，通过与精心调整的自适应基线对比，发现Muon在此设置下不始终优于AdamW，一些优势对超参数选择敏感，更细致地展现谱感知正交化何时有益，主张在受控问题上评估优化器。

AROpt: An Optimization Method for Autoregressive Time Series Forecasting

AROpt: 一种用于自回归时间序列预测的优化方法

Zheng Li, Jerry Cheng, Huanying Gu

机构 * Department of Computer Science（计算机科学系） ； New York Institute of Technology（纽约理工学院） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出一种新方法，通过强制预测误差随预测时间增加而增长，提升自回归时间序列预测的准确性与灵活性，实验表明在多个基准上取得新突破。

Comments 16 pages, 5 figures, 6 tables

Evolving in the Agent Jungle via History-Informed Opponent Awareness

在智能体丛林中通过历史感知的对手意识进化

Zhaofeng Zhang, Linhan Xia, Rui Liu, Yihao Wang, Binrui Shen, Shengxin Zhu

机构 * University of Edinburgh（爱丁堡大学） ； University of Oklahoma（俄克拉荷马大学） ； Imperial College London（伦敦帝国学院） ； University of Michigan（密歇根大学） ； University of Southern California（南加州大学） ； Tencent（腾讯） ； Beijing Normal University（北京师范大学） ； Beijing Normal–Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院） 纠错

专题命中 其他LLM ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 针对多智能体环境中对手策略持续进化导致静态技能修改方法失效的问题，提出OASE方法，通过历史快照锚定的配对比较选择有益技能修改，在两类场景中实现更低均衡距离与更少无效策略变更。