语言大模型 / LLM

Safe Deep Reinforcement Learning for Energy-Efficient HVAC Control in Multi-Zone Residential Buildings

面向多区域住宅建筑节能HVAC控制的安全深度强化学习

Oussama Ziadi, Abdelilah Rochd, Samir Idrissi Kaitouni, Mohamed Oualid Mghazli, Adnane Saoud

专题命中 后训练与偏好优化 ：post-training(abstract)

AI总结 该研究针对多区域住宅建筑HVAC控制的能耗-安全问题，提出带安全认证的深度强化学习框架，在仿真中训练PPO与SAC智能体，验证了其在降低能耗、减少舒适度违规方面的有效性及安全保证的可行性。

Comments 6 pages, 5 figures. Accepted to IEEE Conference on Control Technology and Applications (CCTA) 2026

Risk-Controllable Multi-View Diffusion for Driving Scenario Generation

可控风险多视角扩散用于驾驶场景生成

Hongyi Lin, Wenxiu Shi, Heye Huang, Dingyi Zhuang, Song Zhang, Yang Liu, Xiaobo Qu, Jinhua Zhao

专题命中 后训练与偏好优化 ：preference optimization(abstract)

AI总结 RiskMV-DPO通过整合风险水平与物理风险建模，实现可控风险的多视角驾驶场景生成，提升3D检测性能并减少FID，推动安全导向的具身智能发展。

Comments 10 pages, 4 figures; accepted at the CVPR 2026 Workshop on Video Generative Models: Benchmarks and Evaluation (VGBE). Updated to the complete camera-ready version

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2026

SIGMA: SHAP-Guided Implicit-Trajectory Generation for Metadata-Free LLM-Based AutoFE

SIGMA：基于SHAP的无元数据LLM自动特征工程隐式轨迹生成

Xuan Zheng, Kento Uchida, Shinichi Shirakawa

机构 * Yokohama National University（横滨国立大学） 纠错

专题命中 长上下文与记忆 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 针对无元数据场景下LLM-AutoFE的轨迹问题，提出SIGMA框架，利用SHAP值和EXIT方法，降低特征重复率并提升效率，实现与SOTA相当的性能。

Do Large Language Models Play Six Degrees of Separation? Measuring Topological Compression in Long-Context Manifolds

大型语言模型是否遵循六度分隔理论？测量长上下文流形中的拓扑压缩

Md. Faiyaz Abdullah Sayeedi

机构 * BRAC University（BRAC大学） 纠错

专题命中 长上下文与记忆 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

AI总结 本研究通过分析LLM隐藏状态流形的几何结构，发现深度推理层的语义锚点遵循六度分隔理论，该拓扑特性可用于RAG的零样本幻觉检测，为评估事实可靠性提供了几何指标。

Agent libOS: A Runtime Substrate for Capability-Controlled Self-Evolving LLM Agents

Agent libOS: 一种受库操作系统启发的运行时，用于长时间运行、能力受控的LLM智能体

Yingqi Zhang

机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） 纠错

专题命中 长上下文与记忆 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 提出Agent libOS运行时，将LLM智能体建模为具有进程标识、生命周期、能力控制和审计记录的AgentProcess，通过类似libc的工具包装和运行时原语边界实现安全调度与资源控制。

Comments 20 pages, 3 figures, 7 tables. Project page: https://github.com/yingqi-z20/Agent-libOS

Attention Flows: Tracing LLM Conceptual Engagement via Story Summaries

注意力流动：通过故事摘要追踪LLM概念性参与

Rebecca M. M. Hicke, Sil Hamilton, David Mimno, Ross Deans Kristensen-McLachlan

机构 * Cornell University（康奈尔大学） ； Aarhus University（奥胡斯大学） 纠错

专题命中 长上下文与记忆 ：LLM(title,title_cn)；分类 cs.CL、cs.AI、cs.LG

AI总结 研究通过比较人类与LLM生成的故事摘要，分析模型在文本中的概念性参与模式，发现模型更关注文本结尾，揭示了摘要生成任务的复杂性。

Comments Error found in data creation pipeline

GraphWake: Group Polarization via Memory-Mediated Polarization Cascade in LLM-Agent Communities

GraphWake：LLM智能体社群中基于记忆介导极化级联的群体极化

Haoran Bu, Zejian Chen, Litian Zhang, Xi Zhang

专题命中 长上下文与记忆 ：LLM(title,title_cn)；分类 cs.AI

AI总结 该研究提出名为GraphWake的新型威胁，通过记忆介导极化级联操纵LLM智能体社群，实验证实其可大幅提升群体极化程度，揭示了社群层面的极化风险。

Bounded-State Restoration: Decoupling Local Restore Capacity from External LLM State

有界状态恢复：将本地恢复能力与外部大语言模型状态解耦

Zixuan Li

专题命中 长上下文与记忆 ：LLM(title,summary_cn)

AI总结 提出有界状态恢复（BSR）方法，解耦本地恢复能力与外部LLM状态，在DeepSeek-V4-Flash上实现大外部状态下低本地RWS，缩短恢复TTFT。

Comments 16 pages, 8 figures

CABLE: Extending the Reach of Memory Retrieval via Complementary Antecedent-Based Linking and Expansion

CABLE：通过基于互补前项的链接与扩展扩展记忆检索的覆盖范围

Zheling Tan, Jin Gao, Dequan Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 长上下文与记忆 ：LLM(summary_cn,abstract)；分类 cs.CL

AI总结 CABLE是一种插件式记忆检索增强模块，通过构建互补关联扩展检索覆盖范围，在多个模型和数据集上的系统级评估中提升了证据可及性的LLM评判分数。

Comments Accepted by COLM 2026

Intent-Driven Dynamic Chunking: Segmenting Documents to Reflect Predicted Information Needs

基于意图的动态分块：使文档分块反映预测的信息需求

Christos Koutsiaris

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出基于意图的动态分块方法，通过预测用户查询优化文档分块，提升检索性能，尤其在长文档中效果显著。

Comments 8 pages, 4 figures. Code available at https://github.com/unseen1980/IDC

ArborMem: Navigating Interaction States with Memory Forests

ArborMem：用记忆森林导航交互状态

Zongwei Lv, Yuemeng Xu, Yilun Yao, Siyi Ding, Xinyu Tan, Yaoming Li, Guangxiang Zhao, Weihong Lin, Lin Sun, Xiangzheng Zhang, Tong Yang

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 ArborMem是一种在线记忆框架，将对话表示为可导航的交互状态森林，在LongMemEval等基准上优于最强基线，还引入了分支结构诊断基准BranchMemEval。

Comments 24 pages, 2 figures

A Tight Linear Deterministic Competitive Ratio for Fully Online KV-Cache Scheduling

全在线KV缓存调度的紧线性确定性竞争比

Ian D'Ambrosio

专题命中 长上下文与记忆 ：LLM(abstract,abstract_cn)

AI总结 该研究针对全在线KV缓存调度问题，通过构造困难实例得到确定性竞争比下界，利用均匀因果串行策略得到上界，在Lean 4中完成机器验证，证明其竞争比为紧线性的Θ(n)。

Comments 6 pages. The exact fully online model, fixed-memory-before-scheduler quantifier order, serial upper bound, and wide-short lower bound are checked in Lean 4. A separate reproducibility archive contains pinned-source bootstraps, exact finite controls, formal proofs, tests, and canonical SHA-256 manifests

Q-Interference: Memory-Efficient Phase-Aware Quantum-Inspired Attention

Q-干涉：内存高效的相位感知量子启发注意力机制

Emama Nahid, Tahmid Imtiaz Imu, Huayue Gu, Liran Ma, Zhipeng Cai, Honghui Xu

机构 * Kennesaw State University（肯尼索州立大学） ； Miami University（迈阿密大学） ； Georgia State University（佐治亚州立大学） 纠错

专题命中 长上下文与记忆 ：language model(abstract)；分类 cs.CL

AI总结 本研究提出Q-Interference，一种内存高效的相位感知量子启发注意力机制，通过精确三角分解避免大型中间张量，适配GPT架构，在基准实验中训练稳定且内存优势显著。

Comments Preprint

Authorization Before Context: A Model-Neutral Audience Boundary Against Cross-Audience Memory Leakage in Agentic Systems

上下文之前的授权：一种针对智能体系统中跨受众记忆泄露的模型无关受众边界

Sibo Liu

专题命中 长上下文与记忆 ：language agent(abstract)；分类 cs.AI

AI总结 本研究针对智能体系统的跨受众记忆泄露问题，提出模型无关的受众边界方法，通过反单调授权规则确保未授权事实不进入上下文，在合成数据集上验证了其有效性。

Comments 13 pages, 3 figures. Author preprint. Accepted for presentation at AdvML-Frontiers x CoTMA, a non-archival workshop at COLM 2026

SkillEffect: Checked Lowering for Memory-Bounded Agent Tools

SkillEffect：面向内存受限智能体工具的经校验的降阶机制

Yinuo Wang, Yiyu Shi

机构 * Sichuan University（四川大学） ； University of Notre Dame（圣母大学） 纠错

专题命中 长上下文与记忆 ：language model(abstract)；分类 cs.AI

AI总结 本文提出SkillEffect架构，通过经校验降阶运行时与独立校验器，在智能体工具调度时强制实施异构内存关系，可降低峰值内存并提升固定内存上限下的任务完成率。

H$^{2}$MT: Semantic Hierarchy-Aware Hierarchical Memory Transformer

H$^{2}$MT: 语义层次感知的层次记忆Transformer

Maryam Haghifam, Zifan He, Jason Cong, Yizhou Sun

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

专题命中 长上下文与记忆 ：LLM(abstract_cn)；分类 cs.CL

AI总结 提出H$^{2}$MT模型，通过离线构建语义层次结构并利用自底向上的后序聚合计算记忆嵌入，在推理时实现从粗到细的查询路由，从而在长上下文推理中实现质量与效率的权衡。

Beyond the Hype: Evaluating LLM Integration and Practical Limitations in Security Operation Centers

超越炒作：评估安全运营中心（SOC）中大型语言模型（LLM）的集成与实际局限性

Elnaz Rabieinejad, Ali Dehghantanha, Fattane Zarrinkalam, Sarina Dastgerdy

专题命中 推理与问题求解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)

AI总结 本文通过对20位不同类型SOC从业者的半结构化访谈，分析了LLM在SOC中的应用现状、存在的局限性，提出了LLM集成成熟度标准及相关研究议程。

LLM-Derived Preference Judgments Are Not Self-Consistent

大语言模型（LLM）得出的偏好判断不具备自一致性

Matthew T. Ford, Francis Bahk, Jingjing Wang, Adam S. Jovine, Tinghan Ye, David B. Shmoys, Peter I. Frazier

专题命中 推理与问题求解 ：LLM(title,title_cn)；分类 cs.CL、cs.AI

AI总结 研究发现，用于解读人类偏好的LLM得出的数值化偏好判断存在大量持续不一致性，无法由单一效用函数概括，打破了相关研究的自一致性假设。

Comments 16 pages, 4 figures; includes appendices

Chain-of-Experience for Continual LLM Improvement

用于持续改进大语言模型的经验链（Chain-of-Experience, CoE）

Haoqin Tu, Yunhao Fang, Yizhong Wang, Cihang Xie, Shen Yan

机构 * UC Santa Cruz（加州大学圣克鲁兹分校） ； Bytedance Seed（字节跳动Seed） 纠错

专题命中 推理与问题求解 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 该研究提出经验链（CoE）方法，通过迭代交互让LLM从经验中持续改进，在多领域8种LLM上验证其比无反馈基线更优，结合互补反馈可进一步提升，且每令牌准确率高于现有测试时策略。

Comments H.T. and Y.F. contributed to this work equally

Structure-Internalized Rule Language Model for Faithful Knowledge Graph Reasoning

用于忠实知识图谱推理的结构内化规则语言模型

Xingrui Zhuo, Jiapu Wang, Manzong Huang, Gongqing Wu, Xindong Wu

机构 * Key Laboratory of Knowledge Engineering with Big Data (Hefei University of Technology)（大数据知识工程重点实验室（合肥工业大学）） ； School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机与信息学院） ； Nanjing University of Science and Technology（南京理工大学） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)；LLM(abstract,abstract_cn)；SFT(abstract,abstract_cn)；large language model(abstract)

AI总结 针对大语言模型在知识图谱推理中存在的推理证据感知漂移问题，提出结构内化规则语言模型SIRLM，通过结构规则生成协调知识与参数化知识，在36个数据集上优于17种现有方法

Ads in AI Chatbots? An Analysis of How Large Language Models Navigate Conflicts of Interest

AI聊天机器人中的广告：大型语言模型如何应对利益冲突分析

Addison J. Wu, Ryan Liu, Shuyue Stella Li, Yulia Tsvetkov, Thomas L. Griffiths

机构 * Princeton University（普林斯顿大学） ； University of Washington（华盛顿大学） 纠错

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI

AI总结 本文分析了大型语言模型在面临用户与公司利益冲突时的决策问题，通过实验发现多数模型优先考虑公司利益而非用户福祉，展示了在广告推荐中潜在的风险。

Comments COLM 2026

Evidence of conceptual mastery in the application of rules by Large Language Models

大型语言模型在规则应用中展现出概念掌握能力的证据

José Luiz Nunes, Guilherme FCF Almeida, Brian Flanagan

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI

AI总结 本文通过两项心理学实验发现，Gemini Pro等部分LLMs在规则应用上展现类人表现，证实LLMs掌握规则概念，对法律决策与哲学探究有启示。

Hierarchical Data Selection via Manifold Coverage and Sparse Feature Coverage in LLM Post-training

大语言模型后训练中基于流形覆盖与稀疏特征覆盖的分层数据选择

Peng Sun, Yi Yang, Antong Zhang, Chunxiao Li, Yanbo Wang, Dianbo Liu, xin chen, Kai Yu, Lu Chen, Tianfan Fu

专题命中 推理与问题求解 ：LLM(title,summary_cn)；post-training(title)；分类 cs.LG

AI总结 本文提出MASS算法，将LLM后训练的数据选择建模为分层覆盖问题，在Vision Flan与LLaVA-CoT上仅用少量数据即可达到或超过全量训练效果，且优于现有基线方法。

MMDynOpt-Agent: Dynamic Optimization for Multimodal Large Language Model Reasoning via Reinforcement Learning

MMDynOpt-Agent：基于强化学习的多模态大语言模型推理动态优化方法

Wenjin Liu, Haoran Luo, Fayuan Ke, Zhenghong Lin, Yue Lu, Zhe Cui, Anh Tuan Luu, Carl Yang

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)

AI总结 该研究针对多模态大语言模型推理效率不足的问题，提出MMDynOpt-Agent，通过强化学习将多模态推理动态优化建模为马尔可夫决策过程，结合多轮优化提示与多维度奖励机制，在15个公开数据集上性能优于基线方法。

Supporting Calibrated Reliance in Human-AI Collaboration: Different Strategies for Different Tasks

说服悖论：当LLM解释未能提升人机团队表现时

Ruth Cohen, Lu Feng, Ayala Bloch, Sarit Kraus

机构 * Bar-Ilan University（巴伊兰大学） ； University of Virginia（弗吉尼亚大学） ； Department of Psychology, Ariel University（阿里尔大学心理学系） 纠错

专题命中 推理与问题求解 ：LLM(title_cn,summary_cn)；分类 cs.CL、cs.AI

AI总结 研究揭示LLM解释在提升人机团队表现上的矛盾效果，通过三组实验发现解释增加信心但未必提升准确性，且可能抑制错误恢复能力，强调需转向校准依赖与有效错误恢复的设计。

AISA: AI Safety Assistant Framework for Continuous Improvement of Highway Construction

AISA：用于公路施工持续改进的AI安全助手框架

Mason Smetana, Trevor Neece, Lev Khazanovich

机构 * University of Pittsburgh（匹兹堡大学） 纠错

专题命中 推理与问题求解 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本研究提出AISA框架，基于LLM和文本嵌入模型实现公路施工事故分类、质量评分及相关数据检索，为未来智能体应用提供基础，在OIICS分类和事故检索等任务上取得优于随机水平的效果。

Comments 17 pages, 5 figures

aDSL: Agentic 3D Creation via Joint Agent-Program Design

aDSL：通过智能体-程序联合设计实现智能体驱动的3D内容创建

Rui-Huan Wang, Si-Tong Wei, Jia-Qi He, Heng-Yi Wei, Baoquan Chen, Peng-Shuai Wang

专题命中 推理与问题求解 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)

AI总结 该研究联合设计以智能体为中心的领域特定语言aDSL与角色专业化多智能体系统，通过“规划-执行-评审”循环提升3D内容创建的鲁棒性等，在文本到形状等任务上优于LLM基线。

Automating Parent Selection Configuration in Genetic Programming with Agentic AI

用智能体人工智能实现遗传编程中父代选择配置的自动化

Jose Guadalupe Hernandez, Jui-Hsuan Chang, Anil Kumar Saini, Xi Li, Jason H. Moore

专题命中 推理与问题求解 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)

AI总结 该研究提出智能体AI框架，结合LLM推理与RAG实现遗传编程父代选择配置自动化，经符号回归测试，5 mini--AR配置表现优于锦标赛选择，为进化系统自动化设计提供了新路径。

SignalReasoner: Assessing the Upper Bound of 3B Models for Signal Mathematical Reasoning

SignalReasoner：评估3B模型在信号数学推理任务中的上限

Guozheng Sun

专题命中 推理与问题求解 ：SFT(abstract,abstract_cn)；large language model(abstract)；language model(abstract)；post-training(abstract)

AI总结 本研究针对信号数学推理任务，以Qwen2.5-3B-Base为对象，对比两种训练范式与三种强化优化算法，其最佳模型准确率较基准提升超两倍。

Towards Safer RAG: Only Agents Capable of System 2 Thinking may Access Untrusted Documents

迈向更安全的检索增强生成（RAG）：仅具备系统2思考能力的智能体可访问不可信文档

Mehrdad Ghassabi

机构 * University of Isfahan（伊斯法罕大学） 纠错

专题命中 推理与问题求解 ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本研究针对RAG系统的知识投毒漏洞，提出仅具备系统2推理能力的智能体可访问不可信文档的安全原则，通过实证证明该原则能提升模型对被破坏证据的鲁棒性且无需严格隔离。