ArtiMo: Agent-Driven Articulated Mesh Animation
ArtiMo：智能体驱动的关节网格动画
专题命中 推理与问题求解 ：language model(abstract)
AI总结 ArtiMo是一种智能体驱动的零样本框架，结合URDF运动学约束与LLMs/VLMs，生成文本引导的关节网格动画，通过视觉自改进机制修正错误，在新基准数据集上优于基线。
AI 大模型
语言大模型 / LLM
大语言模型、预训练、指令微调、后训练和语言模型应用。
1. 推理与问题求解 26 篇
2. 评测与基准 92 篇
Six misconceptions about large language models: A minimal model and diagnostic taxonomy
大型语言模型的六大误解：一个极简模型与诊断分类法
专题命中 评测与基准 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；pretraining(abstract)
AI总结 该研究提出以四组区分为核心的LLM极简模型，诊断六大误解，应用于出版商AI政策案例，为纠正民间理论错误提供诊断工具。
Comments 20 pages, 1 figure, 2 tables, and 2 boxes. Published in PNAS Nexus
Affective Context Amplifies Sycophancy in LLM Responses
情感语境会放大大型语言模型（LLM）回复中的奉承行为
机构 * Penn State University（宾夕法尼亚州立大学） ； Villanova University（维拉诺瓦大学）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 该研究发现，在主观评价互动中，7个LLM在两个Reddit数据集上的奉承偏差会被用户的负面情绪（尤其是孤独、痛苦）放大，模型会通过回避型奉承抑制关键反馈。
FL-MAESTRO: Multi-Agent LLM Orchestration for Resource-Constrained Federated Learning
FL-MAESTRO：面向资源受限联邦学习的多智能体大语言模型编排框架
机构 * University of Calgary（卡尔加里大学） ； University of Michigan（密歇根大学）
专题命中 评测与基准 ：LLM(title,summary_cn)；large language model(abstract,abstract_cn)；language model(abstract,abstract_cn)；分类 cs.AI
AI总结 FL-MAESTRO是面向资源受限联邦学习的多智能体LLM编排框架，通过三个专业LLM智能体联合决策，在非IID CIFAR-10基准上，准确率与最强能量感知基线相当，浪费轮次能量从超三分之一降至近零。
Comments Accepted at IEEE GLOBECOM 2026
The Lifecycle of LLM-as-a-Judge for Large-Scale Recommendation Explanations
用于大规模推荐解释的LLM评判模型的生命周期
机构 * Netflix（网飞公司）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 该研究提出用于Netflix大规模推荐解释评估的LLM评判模型生命周期框架，经五周A/B测试证实，其对齐的解释可提升会员对新颖内容的观看及浏览到播放会话量。
Library Hallucinations in LLM-Generated Code: A Risk Analysis Grounded in Developer Queries
LLM生成代码中的库幻觉：基于开发者查询的风险分析
机构 * King’s College London（伦敦国王学院） ； University College London（伦敦大学学院）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 本文研究了LLM生成代码中库幻觉的风险，通过分析用户提示变化对库幻觉的影响，揭示了系统性漏洞，并提出了LibHalluBench基准测试以评估这些幻觉。
Comments 28 pages, 1 figure, 13 tables. Accepted to Proceedings of EMNLP 2026
Don't Judge Code by Its Cover: Exploring Biases in LLM Judges for Code Evaluation
不要以封面判断代码：探索LLM评委在代码评估中的偏见
机构 * IPAI, Seoul National University（IPAI，首尔国立大学） ； Dept. of ECE, Seoul National University（电子工程系，首尔国立大学） ； LG AI Research（LG人工智能研究）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 本文研究了LLM评委在评估代码时存在的偏见问题，揭示了其在处理语义等价但表面不同的代码时的不稳定性，并指出需要更稳健的评估方法。
Comments Accepted to EACL 2026 (Findings)
Beyond Gold Standards: Epistemic Ensemble of LLM Judges for Formal Mathematical Reasoning
超越黄金标准：用于形式化数学推理的LLM评判者的认知集成
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 本研究提出基于LLM评判者的认知与形式化基础集成（EFG），用于系统自动评估形式化数学推理中的语句自动形式化任务，实验证实其比粗粒度模型更具适用性。
TraceGrant: A Contract-Governed Security Framework for the Task-Effect Lifecycle of Networked LLM Agents
TraceGrant：一种用于联网LLM智能体任务-效应生命周期的合约治理安全框架
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)
AI总结 TraceGrant是通过显式合约治理联网LLM智能体任务-效应生命周期的安全框架，在两类基准攻击案例中未出现攻击成功，且能关联用户意图、执行与任务完成。
Evaluating Large Language Model Performance on International Maritime Dangerous Goods Code Compliance
评估大型语言模型在国际海运危险货物规则合规性上的性能
机构 * NCB Hazcheck Limited（NCB Hazcheck有限公司） ； Durham University（杜伦大学）
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；LLM(summary_cn,abstract)；分类 cs.AI
AI总结 本研究构建首个IMDG规则合规性基准DGEval，评估13个LLM的性能，发现其在积载等安全关键领域表现弱，仅可辅助结构化查询，需人工监督。
Comments 28 pages, 2 figures
ExpertIVS: Sociological Expert Driven Individual Value Simulation in Large Language Models
ExpertIVS：大型语言模型中由社会学专家驱动的个体价值观模拟
机构 * The International Joint Institute of Tianjin University（天津大学国际联合研究院） ； Tianjin University（天津大学） ； TJUNLP Lab, School of Computer Science and Technology, Tianjin University（天津大学计算机科学与技术学院） ； National Governance Institute, Tianjin Normal University（天津师范大学国家治理研究院） ； College of Computer and Information Engineering, Tianjin Normal University（天津师范大学计算机与信息工程学院）
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.CL、cs.AI
AI总结 本研究针对大型语言模型社会模拟中个体价值观建模的不足，提出ExpertIVS框架，通过14个社会学专家智能体重构个体画像，经多国家多人群实验验证其在价值观还原、泛化等方面性能优于基线。
Know2Guess: A Contamination-Aware Multi-Zone Benchmark for Knowledge-Boundary Evaluation in Large Language Models
Know2Guess: 一种面向大型语言模型知识边界评估的污染感知多区域基准
机构 * Anhui University（安徽大学）
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.CL、cs.AI
AI总结 提出一种污染感知多区域基准，通过冻结构建时标签测量从可回答知识到应弃权未知的转变，评估模型在回答与弃权间的可靠性。
Comments 28 pages, 11 figures, Accepted as a regular paper at the International Conference on Neural Information Processing (ICONIP 2026)
The Metanym Game: An LLM Benchmark Without Ground Truth That Rises With the Models It Measures
Metanym游戏：一种自包含、自洽的LLM同行社区结构智能基准
专题命中 评测与基准 ：LLM(title,title_cn)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出Metanym游戏作为LLM结构智能基准，通过同行互评和奇异值分解实现无黄金标准的客观评估，事实评分与GPQA Diamond相关性达0.92，发现评判能力比生成能力更稀缺。
Comments 69 pages (main text + four appendices: A. Mathematical Theory and Derivations B. generation/evaluation prompts, C. council-evaluation excerpt D. Auditing the Metanym Game-GPQA correlation: No Leaks Found), 3 figures, 19 tables. Github repo with pages/figures/tables/code and data for reproducing results: this https URL (https://github.com/dnordfors/metanym-game-paper)
PromptResponse: Optimizing Prompts for LLM Coding Tasks
PromptResponse：优化大语言模型编码任务的提示词
机构 * Humboldt-Universität zu Berlin（柏林洪堡大学） ； HU Berlin（柏林洪堡大学）
专题命中 评测与基准 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 本研究提出PromptResponse，通过对HumanEval数据集的5种变体让GPT-4o执行8200次编码任务，发现统一格式（尤其JSON）可提升代码效率与稳定性，LLM调优提示词会降低性能，还发布了相关数据集与评估流程。
Comments 22 pages, 7 figures, 10 listings
Free-Text Evaluation of LLMs for 5G Domain Knowledge and Fault Analysis using LLM-as-Judge
基于LLM作为评判者的5G领域知识与故障分析大模型自由文本评估
机构 * Surrey Institute for People-Centered Artificial Intelligence（萨里以人为本人工智能研究院） ； Google（谷歌）
专题命中 评测与基准 ：LLM(title,title_cn)；分类 cs.CL、cs.AI
AI总结 本文以自由文本格式评估Claude-Haiku-4.5等三个轻量型LLM的5G领域知识与故障分析能力，发现其故障诊断准确率超90%但规范召回不足，Gemini-3.1-Flash-Lite效率最优适合生产部署。
Comments 6pages, 4figures. Accepted for presentation in IEEE CSCN conference
ProofJudge: Tool-Grounded LLM Evaluation of Formal Proof Quality in Mathlib
ProofJudge：基于工具的大语言模型（LLM）对Mathlib中形式化证明质量的评估工具
专题命中 评测与基准 ：LLM(title,title_cn)；分类 cs.CL、cs.AI
AI总结 本研究提出ProofJudge系统，通过智能体式LLM从五个维度评估Mathlib形式化证明质量，在218个声明数据集上验证其与人类偏好对齐度，发布开源制品支持相关研究。
Comments 4 pages, 1 figure, 1 table
The Dual Nature of LLM Persona: Aggregated Tendencies and Frame-Dependent Geometry
LLM人格的双重性质：聚合倾向与框架依赖的几何结构
专题命中 评测与基准 ：LLM(title,title_cn)；分类 cs.AI、cs.LG
AI总结 通过心理测量问卷评估LLM人格时，发现人格表达包含聚合特征（大五人格分数）和几何特征（SPD流形）两种可分离成分，其中几何特征并非内在属性，而是框架依赖的协调模式，揭示了LLM人格的双重性质。
Structural Hallucination in Large Language Models: A Network-Based Evaluation of Knowledge Organization and Citation Integrity
大语言模型中的结构幻觉：基于网络的对知识组织与引用完整性的评估
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)
AI总结 本文提出基于网络的结构幻觉压力测试，评估大语言模型在知识组织与引用完整性方面的表现，发现其在不同领域存在显著的结构偏差。
From Regulation to Implementation: A Critical Evaluation of LLM-Assisted Regulatory Compliance in Industry
从法规到实施：对工业中大型语言模型（LLM）辅助法规合规性的批判性评估
机构 * School of Engineering Technology, Purdue University（普渡大学工程技术学院）
专题命中 评测与基准 ：LLM(title,title_cn)；分类 cs.AI
AI总结 该研究针对工业中LLM辅助法规合规性的研究缺口，探索数据提取指令和法规模糊性对LLM生成合规文档质量与一致性的影响，发现不同严格程度的法规指南对LLM输出的一致性和幻觉情况有不同影响。
Comments 10 pages, 4 figures
ClawSentry: A Progressive Multi-Tier Security Monitor for Safeguarding Autonomous LLM Agents
ClawSentry：一种用于保护自主大语言模型智能体的渐进式多层安全监控器
专题命中 评测与基准 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 ClawSentry是一种开源、与框架无关的智能体运行时安全监控网关，通过渐进式多层机制防护自主LLM智能体，可大幅降低攻击成功率，同时保持较高的任务安全率。
Comments 35 pages, 14 figures. Code: this https URL (https://github.com/Elroyper/ClawSentry)
Designing a Robust LLM-Based Evaluation System for Agentic AI in Drug Discovery Through Human Alignment
通过人类对齐设计用于药物发现中智能体AI的鲁棒性大语言模型评估系统
机构 * AstraZeneca（阿斯利康） ； Chalmers University of Technology（查尔姆斯理工大学） ； University of Gothenburg（哥德堡大学） ； Science for Life Laboratory (SciLifeLab)（生命科学实验室）
专题命中 评测与基准 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.LG
AI总结 本研究针对药物发现智能体AI，提出人类对齐的LLM作为评判者评估框架，优化后对齐度达0.86，为科学领域智能体系统评估提供可复用模板。
UpgradeBench: A Decision-Centric Benchmark for Upgrading Fine-Tuned LLM Specialists
UpgradeBench：面向微调LLM专用模型升级的决策导向基准
机构 * Alibaba Group（阿里巴巴集团） ； Cheung Kong Graduate School of Business（长江商学院）
专题命中 评测与基准 ：LLM(title,title_cn)；language model(abstract)；pretraining(abstract)；分类 cs.AI
AI总结 该研究提出UpgradeBench基准，针对LLM专用模型升级的决策问题，在多模型序列与任务上验证了适配器迁移等策略的效果，实现低成本高效升级。
Comments 23 pages, 12 tables, 3 figures
aiXamine: Unified Black-Box Evaluation of Cross-Dimensional Trade-offs in LLM Safety, Security, and Privacy
aiXamine：针对大语言模型安全、安全与隐私的跨维度权衡的统一黑盒评估
专题命中 评测与基准 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.LG
AI总结 该研究推出aiXamine统一黑盒平台，对超120个LLM开展大规模联合评估，发现安全、隐私等跨维度权衡现象，揭示当前对齐方法将多维度可信性视为单一目标的缺陷。
Can We Trust AI Agents? A Case Study of an LLM-Based Multi-Agent System for Ethical AI
我们能信任智能体吗？基于大语言模型的多智能体系统用于伦理AI的案例研究
机构 * Tampere University（塔尔皮奥大学） ； University of Jyväskylä（耶夫斯克耶拉大学） ； University of Vaasa（瓦萨大学）
专题命中 评测与基准 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本研究通过设计LLM-MAS多智能体原型，评估其在处理AI伦理问题时的代码生成能力，发现其能生成大量相关代码，但存在源代码集成等实际挑战。
Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics
将黑盒机器学习模型蒸馏为用于学习分析的小型自解释语言模型
专题命中 评测与基准 ：LLM(summary_cn,abstract)；language model(title,abstract)；large language model(abstract)
AI总结 本研究提出两阶段微调流水线，将黑盒ML模型蒸馏为小型自解释LLM，可在普通设备上离线预测解释，在教育数据集上表现良好且数据不外泄。
Complete Cyclic Subtask Graphs for Tool-Using LLM Agents: Flexibility, Cost, and Bottlenecks in Long-Horizon Workflows
完全循环子任务图用于工具使用LLM代理：多代理工作流程中的灵活性、成本和瓶颈
机构 * Lebanese American University（黎巴嫩美国大学）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文研究了完全循环子任务图，通过分析不同基准测试发现，多代理工作流程中灵活性可能带来协调成本和推理成本，而外部任务瓶颈可能主导性能。
Comments 37 pages, 8 figures. Published in Transactions on Machine Learning Research (TMLR), 2026. Supplementary material included as ancillary material
No PUN Intended: Plausible Unknown Names for Person-Centred LLM Evaluation
并非双关：面向以人为中心的大语言模型评估的合理未知姓名（PUN）
机构 * Technische Universität Berlin（柏林工业大学） ； Weizenbaum Institute for the Networked Society（魏茨曼网络社会研究所） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
专题命中 评测与基准 ：LLM(title,summary_cn)；分类 cs.CL、cs.AI、cs.LG
AI总结 针对LLM评估中人名使用导致的测量混淆问题，提出PUN协议构建合理未知姓名，经204人研究验证其有效性并发布300个对照姓名。
Comments Under review
Large Language Models at the Intersection of Software Engineering and Software Security:An Evidence-Centered Structured Survey and Research Agenda
大型语言模型在软件工程与软件安全交叉领域：一项以证据为中心的结构化调查与研究议程
机构 * Nanjing Liancheng Intelligent Technology Group（南京连城智能科技集团）
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI
AI总结 本研究调查了LLMs在软件工程与软件安全交叉领域的进展，提出保证框架，识别有效性威胁与最低报告协议，制定研究议程，主张以任务适配证据而非单一基准评判模型能力。
TH-GNN: Heterogeneous Temporal Graph Neural Networks for LLM-Agent Shilling Attack Detection
TH-GNN：用于检测大语言模型智能体刷单攻击的异质性时序图神经网络
机构 * JAIN (Deemed to be University)（JAIN（被认定大学）） ； Zayed University（扎耶德大学）
专题命中 评测与基准 ：LLM(title,summary_cn)；分类 cs.CL、cs.LG
AI总结 本文提出TH-GNN，一种异质性时序图神经网络，联合建模时序、结构与语义信号，在5类攻击族和4个基准数据集上检测LLM智能体刷单攻击，总体平均F1值达0.870，性能优于纯文本基线模型。
Beyond End-to-End Success: Diagnosing Failures in Long-Horizon Security LLM Agents
超越端到端成功：诊断长视野安全大语言模型智能体的失败
专题命中 评测与基准 ：LLM(title,summary_cn)；分类 cs.AI
AI总结 该研究针对长视野安全LLM智能体，提出带检查点的诊断方法，发现Gemini 2.5 Flash失败多因未观测到需复用状态，92种子研究显示针对性指导可提升其状态观测率至95.4%，且失败主因随模型代际变化，需诊断失败根源而非仅看总体成功。
