语言大模型 / LLM

Who Do Language Models Think Is Competent? A Mechanistic Analysis of Occupational Bias

语言模型认为谁具备胜任能力？职业偏见的机制分析

Keren Fuentes, Aaron Mueller

机构 * Boston University（波士顿大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本研究通过引入因果框架，揭示语言模型对用户专业知识的内部表征存在职业偏见，该偏见会受人口统计学属性影响，且仅靠行为指标无法完全检测到相关失效模式。

CFM: Language-aligned Concept Foundation Model for Vision

CFM：面向视觉的语言对齐概念基础模型

Kai Wittenmayer, Sukrut Rao, Amin Parchami-Araghi, Bernt Schiele, Jonas Fischer

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） 纠错

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 CFM提出一种语言对齐的概念基础模型，提供细粒度可解释的概念，提升视觉任务的解释能力，实现分类、分割和描述生成的高性能表现。

Comments Accepted as a Spotlight at ECCV 2026. Corrected inaccuracies in equation 3,4 and B.8. 58 pages

RARE: Decoupling Representation Steering from Expert Routing in Mixture-of-Experts Language Models

RARE：在混合专家（MoE）语言模型中解耦表示调控与专家路由

Zhibo Zhang, Zhen Ouyang, Ling Shi, Kailong Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； AIDX TECH PTE. LTD.（AIDX科技私人有限公司） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.CL

AI总结 针对表示工程直接应用于MoE模型的结构不匹配问题，提出与路由无关的RARE框架，通过投影扰动到路由矩阵零空间并修正路由漂移，在三类调控任务中实现了更优的有效性-效用权衡。

Comments 20 pages, 3 figures. Paper accepted to the Actionable Interpretability Workshop at COLM 2026

Trojaning the Alignment: Stealthy Backdoor Attacks against Graph Foundation Models

对齐攻击：针对图基础模型的隐蔽后门攻击

Minhua Lin, Zhicheng Gao, Yilong Wang, Hanqing Lu, Xiang Zhang, Suhang Wang

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Amazon（亚马逊） 纠错

专题命中 知识编辑与模型理解 ：foundation model(title,abstract)；分类 cs.LG

AI总结 本文针对带文本属性图的图基础模型，提出STAG隐蔽特洛伊木马攻击框架，协调图触发器生成器与文本软提示实现后门攻击，经多数据集实验验证其有效性与隐蔽性。

Comments Accepted by ICDM 2026

Lift, Associate, and Fuse: A Decision-Centric Framework for 2D-to-3D Foundation Model Transfer

提升、关联与融合：面向2D到3D基础模型迁移的以决策为中心的框架

Wentao Sun, Yiping Chen, John S. Zelek, Jonathan Li

机构 * School of Geospatial Engineering and Science, Sun Yat-sen University（中山大学地理空间工程与科学学院） ； University of Waterloo（滑铁卢大学） 纠错

专题命中 知识编辑与模型理解 ：foundation model(title,abstract)

AI总结 该研究提出以决策为中心的LAF框架，将2D到3D基础模型迁移系统拆分为五个算子，通过对161个系统的审计，为3D感知系统的比较、故障诊断与规范提供了表示无关的方法。

Comments A framework to realize 3D segmentation

When Words Are Safe But Actions Kill: Probing Physical Jailbreak Beyond Textual Jailbreak in Hidden-State Risk Space

当言语安全但行动致命：在隐藏状态风险空间中探究超越文本安全的物理危险

Weimeng Wang, Ziqiang Wang, Zihang Zhan, Chuanpu Fu, Qi Li, Ke Xu

机构 * Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 研究大语言模型中语言无害指令在现实世界中的物理危险与文本级内容危险是否相同，提出PRISM方法，通过隐藏状态方向分析等证明CD和PD可分离，PRISM在多个基准测试中表现良好，能检测物理危险而非仅依赖明确不安全措辞。

Explaining Intrinsic Moral Self-Correction with Mechanistic Interpretability

大语言模型中的内在自我修正：通过机制可解释性实现可解释的提示

Yu-Ting Lee, Fu-Chieh Chang, Yu-En Shu, Hui-Ying Shih, Pei-Yuan Wu

机构 * Graduate Institute of Communication Engineering, National Taiwan University, Taipei, Taiwan（通讯工程研究院，国立台湾大学） ； MediaTek Research, Taipei, Taiwan（联发科研究，台北，台湾） ； Department of Electrical Engineering, National Taiwan University, Taipei, Taiwan（电气工程系，国立台湾大学） ； Department of Electrical Engineering, National Tsing Hua University, Hsinchu, Taiwan（电气工程系，国立清华大学） ； AI Research Center (AINTU), National Taiwan University, Taipei, Taiwan（人工智能研究中心（AINTU），国立台湾大学） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)；prompting(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本研究通过机制可解释性揭示大语言模型中内在自我修正的机制，证明提示引导隐藏表示偏移是其核心驱动因素。

Deep Learning Models Also Recall Features

深度学习模型也会回忆特征

Pierre Beckmann

机构 * École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院） ； Idiap Research Institute（Idiap研究所） 纠错

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出深度学习模型存在特征回忆这一通用操作，定义了该概念、证明其适用于多种架构并与特征组合对比，为理解深度学习提供了新工具，也为机械可解释性研究指明了实证方向。

AsmEvo: Agentic Assembly-Level Optimization of AMD GPU Kernels with Functional Equivalence Verification

AsmEvo：采用功能等价性验证的AMD GPU内核智能体级汇编层优化工具

Ji Liu, Puyuan Yang, Rongzhang Zheng, Fan Wang, Jinglin Wang, Muhammad A. Awad, Mortis Huang, Andy Chang, Zekai Li, Zeping Li, Zihao An, Yue Liu, Yuchen Yang, Jianghui Wang, Chushi Chen, Ziqiong Liu, Fuwei Yang, Dong Li, Wen Heng Chung, Shengcai Liu, Emad Barsoum

机构 * AMD（超威半导体公司） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract,abstract_cn)；分类 cs.CL

AI总结 AsmEvo是一款针对AMD GPU内核的智能体级汇编层优化工具，通过功能等价性验证优化已编译的AMDGPU代码对象，在多款AMD GPU上实现了显著加速比。

Representation Affects Retrieval: A Case Study of Skill Discovery and Routing in a Multimodal Agent Harness

表征影响检索：多模态智能体框架中技能发现与路由的案例研究

Kevin Dela Rosa

机构 * Cloudglue USA（美国Cloudglue公司） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 该研究以多模态智能体框架Tinycloud为案例，发现提示内技能的部分暴露会产生词汇竞争，抑制正确技能选择，其为大规模技能路由提供了小规模视角。

Comments 5 pages, 1 figure, 3 tables. Accepted at AgentSearch '26 workshop at SIGIR 2026 (Melbourne, Australia, July 24, 2026)

Calibrate-Then-Delegate: Safety Monitoring with Risk and Budget Guarantees via Model Cascades

校准后再委托：通过模型级联实现具有风险和预算保证的安全监控

Edoardo Pona, Milad Kazemi, Mehran Hosseini, Yali Du, David Watson, Osvaldo Simeone, Nicola Paoletti

机构 * King’s College London（伦敦国王学院） ； University of Manchester（曼彻斯特大学） ； Northeastern University London（伦敦东北大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract,abstract_cn)；分类 cs.LG

AI总结 本文提出Calibrate-Then-Delegate方法，通过模型级联在保证计算成本的同时实现实例级决策，有效提升安全监控的准确性和效率。

When Looks Do Not Lie: Discourse Structure Guided In-Context Learning for Faithful Diagram Generation

用上下文示例能改进教育图表生成吗？如果幻觉破坏了整体效果就不能

Evanfiya Logacheva, Arto Hellas, Tsvetomila Mihaylova, Juha Sorva, Ava Heinonen, Juho Leinonen

机构 * Aalto University（阿尔托大学） 纠错

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 本研究通过基于RST的上下文示例方法改进教育图表生成，发现高复杂度上下文增加幻觉风险，LLMs难以检测错误。

Kinematic Knowledge Maps for Pattern Alignment: Structured Latent Representational Learning in Multimodal Gait Analysis

用于模式对齐的运动学知识图谱：多模态步态分析中的结构化潜在表示学习

Chen Dong, He Zonglin, Cheung Kenneth M.C

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 本研究提出ScoliDetect框架，通过运动学知识图谱（KKM）实现多模态步态分析，其介导的融合结合三模态对比预训练提升了脊柱侧凸筛查的泛化性与可解释性，外部ROC-AUC达0.972。

Aristotelian Manifolds: Leveraging Platonic Perceptual Features for Backpropagation Free Rapid Concept Learning

亚里士多德流形：利用柏拉图式感知特征实现无反向传播的快速概念学习

Michael Karnes, Alper Yilmaz

机构 * The Ohio State University（俄亥俄州立大学） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 本文提出基于柏拉图式表征假说的亚里士多德流形框架，将基础模型作为通用感知滤波器，研究不同领域的几何响应特征，建立层选择与特征压缩分类体系，实现无反向传播的基础模型潜在空间利用。

ConceptFormer: Learning Adaptive Latent Concepts for Query-Document Alignment in Visual Document Retrieval

ConceptFormer：学习自适应潜在概念以实现视觉文档检索中的查询-文档对齐

Chunyi Peng, Zhipeng Xu, Yukun Yan, Zhenghao Liu, Shi Yu, Sen Mei, Yubo Sun, Yongheng Zhang, Jie Zhou, Yu Gu, Ge Yu, Maosong Sun

机构 * Northeastern University（东北大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)

AI总结 针对视觉文档检索中现有监督信号的局限，本文提出ConceptFormer框架，以自适应潜在概念为中间表示衔接语义鸿沟，在基准测试中较最强基线实现了16.7%、22.1%的NDCG@10相对提升，性能优异。

Using Human-LLM Disagreement to Improve Checklist-Based Quality Appraisal

利用人类与大语言模型（LLM）的分歧改进基于核查表的质量评估

Timo van der Kuil (1), Bruno Messina Coimbra (1), Mirjam van Zuiden (2), Robert A. Bagheri (1), Rens van de Schoot (1), Klaas Dieleman (1), Berend Greijn (1), Stefan Houkes (1), Sebastiaan Rodenhuis (1), Elizabeth M. Grandfield (1) ((1) Methodology and Statistics Utrecht University, (2) Clinical Psychology Utrecht University)

机构 * Utrecht University（乌得勒支大学） 纠错

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

AI总结 本研究探究LLM能否近似基于核查表评估的人类判断，发现人类与LLM的分歧多源于核查表的歧义性和条件性标准，修订此类条目可提升评估一致性，分析分歧还能助力研究综合工作流的迭代改进。

Comments 31 pages, 8 figures

An LLM agent for end-to-end computational materials discovery

用于端到端计算材料发现的大语言模型智能体

Chen Yuntong, Huang Ju, Liu Yu, Zhao Dan, Sun Mingqi, Ju Chentian, Liu Yanbing, Huang Lijiang, Zhao Guobin

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

AI总结 研究针对计算材料发现中多算法工具重复应用的挑战，提出MAESTRO LLM智能体系统，可完成MOF全筛选流程，发现传统方法易忽略的高性能材料。

Uncovering and Understanding Hidden Dependencies in the LLM API Reseller Ecosystem via Prefix-Cache Side Channels

通过前缀缓存侧信道揭示和理解LLM API转售商生态系统中的隐藏依赖关系

Zimo Ji, Xin Wei, Congying Xu, Wenyuan Jiang, Xin Yang, Zongjie Li, Yudong Gao, Shuai Wang

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 本研究提出CacheTracer，利用前缀缓存侧信道测量LLM API转售商间的隐藏依赖关系，通过对39个转售商端点的测量发现了深度集中的缓存可达结构，验证了方法的可靠性与准确性。

Disentangling Threads: Exploring the Potential of LLM-Supported Discussion Forum Analysis for Community Insight

分离线程：探索大语言模型支持的讨论论坛分析在社区洞察中的潜力

Tony W. Li, Zhiqing Wang, Thanh-Nha Tran, Yu-Chun Grace Yen, Steven P. Dow

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

AI总结 该研究针对在线讨论论坛自由回复结构难挖掘洞见的问题，通过分析论坛讨论、构建框架与探针、访谈21名研究者，为LLM支持的社区意义建构工具提供设计建议。

Comments Accepted to ACM Collective Intelligence Conference, 2026

Human-AI Collaboration in Requirements Engineering: Evidence of the Negative Effect of LLMs on Requirements Inspection

需求工程中的人机协作：大语言模型（LLM）对需求检查的负面影响证据

Giovanna Broccia, Julian Frattini, Chetan Arora, Maurice H. ter Beek, Alessandro Fantechi, Andreas Vogelsang, Alessio Ferrari

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

AI总结 该研究通过控制交叉实验发现，大语言模型（LLM）支持会降低新手需求检查员的气味检测准确率，且先使用LLM学习需求检查会减缓技能获取。

Can LLMs Introspect? A Reality Check

LLM 能否内省？一个现实检验

Shashwat Singh, Tal Linzen, Shauli Ravfogel

机构 * Center for Data Science（数据科学中心） 纠错

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

AI总结 本文基于人类元认知研究的教训，质疑大型语言模型能否真正内省，并通过重新审视两个评估范式发现，当前证据不足以证明LLM具有元认知监控能力。

Comments Accepted at COLM 2026

Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence

大语言模型智能体时代的图工程：从个体智能到系统智能

Yuyuan Feng, Zhishang Xiang, Chaobin Yang, Qichao Ma, Zerui Chen, Yujing Zhang, Ke Huang, Chuanjie Wu, Zhaoxu Liu, Yili Wang, Xin He, Jiapu Wang, Zijin Hong, Hao Chen, Yuanchen Bei, Kun Wang, Shengyuan Chen, Ningyu Zhang, Enyan Dai, Linhao Luo, Qingyi Pan, Qi Wang, Wenqi Fan, Guangjing Wang, Na Zou, Yangqiu Song, Xin Wang, Zechao Li, Xia Hu, Qing Li, Xiao Huang, Zhihong Zhang, Jinsong Su, Qinggang Zhang, Yi Chang

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

AI总结 该研究针对LLM智能体复杂任务的个体智能局限，提出图工程范式，通过构建动态图结构组织协调异构智能体，为系统智能提供统一基础。

Peer-Voted LLM-Agent Stress Tests Find Feed-Induced Lexical Convergence but No Reliable Matched-Exposure Advantage for Distributed Sources

同行投票的大语言模型智能体压力测试：发现feed诱导的词汇趋同，但分布式来源无可靠的匹配暴露优势

Rana Muhammad Usman, Dominic Williamson

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

AI总结 本研究通过PV-SST测试床开展实验，发现同行排名feed会诱导LLM智能体群体的词汇趋同，但未证实分布式来源相比单一来源具有可靠的立场改变优势。

Comments 9 pages, 3 figures. Code, frozen protocol, configurations, summary tables, and data are publicly available at this https URL (https://github.com/ranausmanai/synthetic-social-networks) and this https URL (https://huggingface.co/datasets/ranausmans/synthetic-social-networks)

From Search Agents to Dissemination Interfaces: Understanding Human Trust in Health Information from Conversational Search

从搜索智能体到传播界面：理解人们对对话式搜索中健康信息的信任

Xin Sun, Rongjun Ma, Xiaochang Zhao, Janne Lindqvist, Jan de Wit, Zhuying Li, Abdallah El Ali, Jos A. Bosch

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

AI总结 本研究通过两项混合方法研究，发现人们对ChatGPT提供的健康信息信任显著高于谷歌，且传播界面类型会显著影响这种信任，为开发可信的LLM驱动健康工具提供了关键见解。

An Extensive Empirical Study on Code Translation Technique

代码翻译技术的大规模实证研究

Ruihang Fan, Jiajun Jiang, Xinpeng Wang, Jiateng Fu, Fengjie Li, Jiasi Shen

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

AI总结 本研究通过大规模实证对比，发现LLM及基于LLM的代码翻译方法在方法级正确性上优于学习类方法，类级翻译更难，静态与逻辑错误是主要挑战，为代码翻译技术开发提供指导。

Stream3Dv2: Geometric-Semantic Fusion Enhanced Streaming Zero-Shot 3D Scene Understanding

Stream3Dv2：几何-语义融合增强的流式零样本3D场景理解

Jie Xu, Na Zhao

机构 * Singapore University of Technology and Design（新加坡科技设计大学） 纠错

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

AI总结 针对现有开放词汇零样本3D场景理解模型难以处理流式RGB-D输入、易受2D分割掩码噪声影响的问题，提出无训练框架Stream3Dv2，通过几何-语义融合等策略提升性能，在相关任务上优于基准，可与LLM智能体集成用于开放世界具身智能。

Certified Multi-Turn Robustness for LLM Safety via Compositional Bounds and Safety Persistence

通过组合边界与安全持久性实现大语言模型安全的多轮认证鲁棒性

Yang Liu, Bin Chong, Wenkai Yang, Shuai Zhang, Yancheng Chen, Feiyu Han, GuoZhen, Cheng Zhang, Huaibing Xie, Changze Lv, Shihan Dou, Pluto Zhou

机构 * Peking University（北京大学） ； Renmin University of China（中国人民大学） ； Tsinghua University（清华大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tencent Hunyuan（腾讯混元） 纠错

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

AI总结 针对LLMs易受多轮越狱攻击的问题，提出MTCR框架，通过状态对抗MDPs等方法实现多轮认证鲁棒性，实验表明其经验安全性能超认证边界。

SKILL-RAG: Self-Knowledge Induced Learning and Filtering for Retrieval-Augmented Generation

SKILL-RAG：用于检索增强生成的自知识诱导学习与过滤方法

Tomoaki Isoda

机构 * Tomoaki Isoda（独立研究者） 纠错

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

AI总结 该研究针对RAG的幻觉问题，提出SKILL-RAG方法，通过强化学习框架引出模型自知识，过滤无关检索内容，在多个问答基准上提升生成质量并减少输入文档数量。

Comments The author has decided not to pursue further development or publication of this work. Since the current manuscript represents an incomplete research project and no revised version is planned, the author requests that the article be withdrawn

ARQ: Agentic CodeQL Query Refinement for C/C++ Vulnerability Detection

ARQ：用于C/C++漏洞检测的智能CodeQL查询优化框架

Chunyi Wang, Yunfei Ke, Junfeng Yang, Yun-Yun Tsai, Penghui Li

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

AI总结 本文提出ARQ智能框架，利用合成C/C++程序的执行证据和LLM优化CodeQL查询，无需标注数据等，优化后查询的真阳性最多提升119.8%，还修复了长期悬而未决的问题并发现新漏洞。

SAC-Copula: Quality-Preserving Watermarking for Diffusion Language Models via Smooth Correlated Gumbel Fields

SAC-Copula：基于平滑相关Gumbel场的扩散语言模型质量保留水印

Baixin Li, Haiyun He

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

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

AI总结 针对扩散语言模型的水印方法与迭代并行去掩蔽不兼容的问题，提出SAC-Copula方法，通过高斯Copula构建平滑相关Gumbel扰动场实现质量保留水印，在LLaDA等数据集上验证了其质量-可检测性权衡优势。

Comments Accepted to Findings of EMNLP 2026. 24 pages, 13 figures