语言大模型 / LLM

Agentic Scaffolding Amplifies Sycophantic Behavior in Large Language Models

智能体式支架会放大大语言模型中的谄媚行为

Thantham Jittham

机构 * Cornell University（康奈尔大学） 纠错

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

AI总结 该研究探究智能体式交互支架是否放大LLM的谄媚行为，发现其会系统性放大且伴随准确率下降，提出ASA概念及相关指标，警示AI自主性提升会加剧谄媚。

Comments 13 pages, 4 figures. Accepted to the UAI 2026 Workshop on Safe AI

Small Language Model enabled Autonomous agent for Language-Conditioned Cognitive Radar

基于小型语言模型的语言条件认知雷达自主智能体

Minhaj Uddin Ahmad, Zakia Zaman, Shunqiao Sun, Mizanur Rahman

专题命中 知识编辑与模型理解 ：language model(title,abstract)；small language model(title,abstract)；SLM(abstract,abstract_cn)；prompting(abstract)

AI总结 本文提出一种小型语言模型驱动的自主智能体框架，作为语言条件认知雷达的智能控制器，经实验验证可在多种雷达场景下完成算法选择，且雷达特定提示与基于物理的工具执行是可靠决策的必要条件。

Comments Accepted at MLSP 2026, ATL, USA

Text-Anchored Semantic Perturbations for Transferable Jailbreak Attacks on Multimodal Large Language Models

面向多模态大语言模型的可迁移越狱攻击的文本锚定语义扰动

Wenyun Li, Guiping Cao, Xiangyuan Lan, Zheng Zhang

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Pengcheng Laboratory（鹏城实验室） ； Pazhou Laboratory (Huangpu)（琶洲实验室（黄埔）） 纠错

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

AI总结 本研究针对多模态大语言模型易受越狱攻击的问题，提出TA-SPA黑盒越狱框架，通过文本锚定语义分解与语义保留增强实现可迁移攻击，在商业模型及防御下表现出竞争力，推动表征级安全对齐研究。

Comments Accept by EMNLP 2026 Findings

Credal Large Language Models for Semantic Commitment under Uncertainty

用于不确定性下语义承诺的Credal大语言模型

Shireen Kudukkil Manchingal, Sofiia Nikolenko, Fabio Cuzzolin

机构 * Oxford Dynamics（牛津动力学） ； Ludwig-Maximilians-Universität München（慕尼黑大学） ； Institute for Artificial Intelligence, Data Analysis and Systems (AIDAS)（人工智能、数据分析与系统研究所） ； School of Engineering Computing & Mathematics（工程计算与数学学院） ； Oxford Brookes University（牛津布鲁克斯大学） 纠错

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

AI总结 本研究提出Credal大语言模型（CLLMs），通过LoRA适配器集成体构建Credal集合，推导CTC和SCC两类承诺分数，在多模型多数据集上验证其在问答、幻觉检测等任务中表现优异。

Comments 31 pages, 5 figures, 13 tables

Kernel Token Contradiction: a Fast and Principled Approach for LLM Claim Uncertainty Quantification

核令牌矛盾：一种快速且原则性的大语言模型声明不确定性量化方法

Jérémie Dentan, Alexi Canesse, Mahammed El Sharkawy, Sonia Vanier

机构 * LIX (École Polytechnique, IP Paris, CNRS)（LIX（巴黎综合理工学院、巴黎IP大学、法国国家科学研究中心）） 纠错

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

AI总结 该研究提出KTC方法，实现仅CPU运行下8.2倍于GPU交叉编码器方法、65倍于同性能CPU方法的加速，在多语言多模型基准上匹配或超越现有声明级UQ方法，可用于LLM输出实时监控。

Comments Preprint. Under review

Claim-Level Confidence Calibration for Reliable Decision Making with Large Language Models

面向大型语言模型可靠决策的声明级置信度校准

Toghrul Abbasli, Kentaroh Toyoda, Yuan Wang, Li Chen

机构 * Tsinghua University（清华大学） ； Vulcan Research（伏尔坎研究院） ； AIFT ； Keio Global Research Institute (KGRI)（庆应全球研究所（KGRI）） ； China Mobile Research Institute（中国移动研究院） ； Zhongguancun Laboratory（中关村实验室） 纠错

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

AI总结 该研究针对大型语言模型的幻觉及置信度与事实不匹配问题，提出黑箱场景下的声明级置信度校准框架，在TriviaQA等数据集上降低了事实问题的预期校准误差。

Comments In Proceedings of The 5th Workshop on Uncertainty Reasoning and Quantification in Decision Making (held in conjunction with ACM SIGKDD 2026), Jeju, Korea

DynHD: Hallucination Detection for Diffusion Large Language Models via Denoising Dynamics Deviation Learning

DynHD: 通过去噪动态偏差学习检测扩散大语言模型的幻觉

Yanyu Qian, Yue Tan, Yixin Liu, Wang Yu, Shirui Pan

机构 * Nanyang Technological University, Singapore（新加坡南洋理工大学） ； Griffith University, Australia（澳大利亚格里菲斯大学） 纠错

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

AI总结 本文提出DynHD，通过空间和时间视角解决扩散大语言模型幻觉检测中的信息密度不均和去噪动态建模问题，采用语义感知证据构造模块和偏差检测器提升检测性能。

Comments Accepted by EMNLP 2026 Findings. 16 pages, 8 figures, 5 tables

Beyond Surface Cues: Disentangling Sociocultural Signals in Multilingual LLMs

超越表层线索：在多语言大语言模型（LLM）中解耦社会文化信号

Yuanjun Feng, Tanzhou Liu, Stefan Feuerriegel, Yash Raj Shrestha

机构 * University of Lausanne（洛桑大学） ； LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

专题命中 知识编辑与模型理解 ：LLM(title_cn,summary_cn)；分类 cs.CL、cs.AI

AI总结 本研究提出经人工验证的多智能体审计框架，分析12个LLM的89253个多语言输出，发现多语言LLM的偏见表征随语言和任务变化，需区分表层线索与真正的跨文化模式。

Execution-Anchored Hallucination Calibration Reranking for Verilog Code Generation

面向Verilog代码生成的执行锚定幻觉校准重排序

Guang Yang, Xing Hu, Xiang Chen, Terry Yue Zhuo, Xin Xia

专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)

AI总结 该研究针对LLM生成Verilog代码时的性能问题，提出EAHC重排序框架，通过双通道架构融合执行与推理信号，解决现有方法的域迁移差和推理幻觉问题。

What AstroPT knows about galaxies, and what that can teach us about LLMs

AstroPT对星系的认知，以及这能为我们提供关于大型语言模型（LLMs）的启示

UniverseTBD: Kshitij Duraphe, Aman Kumar, Michael J. Smith, Shashwat Sourav

机构 * IUCAA（印度大学间天文和天体物理中心） ； AstroAI ； Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

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

AI总结 该研究利用基于星系图像训练的类LLM模型AstroPT作为测试平台，探究星系属性的出现顺序，为校准应用于LLMs的机械可解释性方法提供了受控沙盒。

Comments 13 pages, 12 figures, code at this https URL (https://github.com/Smith42/astroPT), accepted at Sci-FM@COLM 2026

Hidden in the Request: Explaining Unethical LLM Compliance through Token Relevance

隐藏在请求中：通过词元相关性解释不道德的大语言模型合规性

Or Biton, Tomer Krichli, Itai Allouche, Joseph Keshet

机构 * Faculty of Electrical and Computer Engineering, Technion（以色列理工学院电气与计算机工程学院） 纠错

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

AI总结 本研究针对LLMs在不道德场景下的合规性失败问题，提出LRP引导的解码方法，发现模型对提示词元的归因不足是关键原因，干预后可提升响应安全性。

PropUQ-MAS: Propagation-Aware Uncertainty Quantification for LLM Multi-Agent Systems

PropUQ-MAS：面向大语言模型多智能体系统的传播感知不确定性量化

Yaokun Liu, Yifan Liu, Daniel Yue Zhang, Ruichen Yao, Zelin Li, Dong Wang

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

AI总结 针对现有不确定性量化方法无法捕捉大语言模型多智能体系统中不确定性传播的问题，提出PropUQ-MAS框架，实验显示其可显著提升该系统的不确定性量化性能。

Comments Accepted to EMNLP 2026 (Main Conference)

Syntax-Guided Diffusion Language Models with User-Integrated Personalization

带有用户集成个性化的语法引导扩散语言模型

Ruqian Zhang, Yijiao Zhang, Juan Shen, Zhongyi Zhu, Annie Qu

机构 * Department of Statistics and Data Science, Fudan University（复旦大学统计与数据科学系） ； Department of Statistics and Applied Probability, University of California, Santa Barbara（加州大学圣巴巴拉分校统计与应用概率系） 纠错

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

AI总结 本研究提出语法引导扩散语言模型，结合结构监督与个性化条件，通过级联及非级联架构、共享表示机制，在多任务实验中展现出文本生成的流畅度、多样性与风格保真度优势。

Addressing the Selection Problem in Explainable AI

解决可解释人工智能中的选择问题

Claire Vlases, Katelyn Morrison

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

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

AI总结 针对可解释人工智能（XAI）中用户难以选择合适技术的问题，研究提出多智能体大语言模型（LLM）编排工具，将用户查询转化为对应XAI解释技术，以解决选择问题。

Comments Accepted to the Workshop on Explainable Artificial Intelligence at the International Joint Conference on Artificial Intelligence 2026 (XAI@IJCAI26)

Mitigating Bias in Large Vision-Language Models via Counterfactual Ensemble Decoding

基于反事实集成解码缓解大视觉语言模型中的偏差

Yisong Xiao, Aishan Liu, Yongxin Huang, Zonghao Ying, Shiji Zhao, Tianlin Li, Yong Han, Jian Yang, Xianglong Liu

机构 * State Key Lab of Software Development Environment, Beihang University（北京航空航天大学软件开发环境国家重点实验室） 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 该研究针对大视觉语言模型的社会偏差问题，提出反事实集成解码框架，通过构建多群体反事实视角并集成解码，在三类基准上实现最高47.97%的偏差降低，同时保留模型核心能力。

Bridging Linguistic Structure and Mechanistic Interpretability for Conceptual Interpretation in Language Models

弥合语言结构与机械可解释性以实现语言模型中的概念解释

Nura Aljaafari, Danilo S. Carvalho, André Freitas

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

AI总结 该研究提出DSRA方法，结合因果追踪与定义性语义角色，在GPT-J-6B和BERTIN GPT-J-6B中揭示语言模型内部激活与定义结构的系统对应，为概念解释研究提供新路径。

Comments 20 pages, 17 figures

POOL: Propagated Uncertainty Over Lookalikes

POOL：基于相似样本传播的不确定性

Rounak Sharma, Ananya B. Sai, Soumyabrata Pal

机构 * Adobe Research, India（印度奥多比研究院） 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 该研究提出高性价比置信度估计框架POOL，结合混合估计器Hy@5，在多个数据集和黑盒大语言模型上，以更少采样数实现更高AUROC，同时大幅节省生成成本。

Context-Aware Cluster Decoding: Semantic Anchor-Driven Coherence in dMLLMs

上下文感知集群解码：dMLLMs中的语义锚驱动连贯性

Yikai Zhao, Qiyan Zhao, Jiaquan Zhang, Xiaofeng Zhang, Xiaosong Yuan, Pengzhou Cheng

机构 * Sun Yat-sen University（中山大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Alibaba Group（阿里巴巴集团） ； Shanghai University（上海大学） 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 针对 dMLLMs 生成长文本时的语义漂移与重复问题，提出上下文感知集群解码方法，结合置信度与邻域邻近度评分，在多模型多基准上实现质量提升并减少幻觉。

Comments This paper is accepted by EMNLP 2026. 19 pages, 12 figures, 13 tables

Agentic AI for Safety-critical Multi-drone Systems: Challenges and Opportunities

面向安全关键多无人机系统的智能体人工智能：挑战与机遇

Timothy Merritt, Alejandro Jarabo-Peñas, Juan Bravo-Arrabal, Maria-Theresa Bahodi, Anders Lyhne Christensen

机构 * Aalborg University（奥尔堡大学） ； University of Southern Denmark（南丹麦大学） 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 本文针对安全关键多无人机系统应用受限问题，结合NAMUR、PERSIST项目经验，提出将智能体AI作为社会技术设计问题，采用以人为本的迭代方法开发可迁移的概念验证系统与评估策略。

Comments 9 pages, 4 figures, presented at the AgentCraft Workshop at IUI2026 Conference, this https URL (https://agentcraft-iui.github.io/2026/) - this http URL (http://CEUR-WS.org) proceedings forthcoming

SuperMap: A Spatio-Temporal SLAM System for Visual-Language Navigation

SuperMap：用于视觉-语言导航的时空SLAM系统

Shibo Zhao, Guofei Chen, Honghao Zhu, Zhiheng Li, Changwei Yao, Nader Zantout, Seungchan Kim, Wenshan Wang, Ji Zhang, Sebastian Scherer

机构 * The Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

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

AI总结 本文提出SuperMap，一种结合几何SLAM与开放词汇感知的4D时空建图框架，用于视觉-语言导航，可稳定维护目标身份，经基准与真实机器人验证后开源。

CBX-Bench: A Human-Aligned MLLM Council for Benchmarking Concept Bottleneck Model Explanations

CBX-Bench：用于评估概念瓶颈模型解释的人类对齐多模态大语言模型委员会

Yusuf Meric Karadag, Gulay Oklan, Seref Baris Cagliyan, Umut Ozdemir, Emre Akbas

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

AI总结 该研究开发了人类对齐的多模态大语言模型（MLLM）委员会，构建了CBX-Bench基准，实现了概念瓶颈模型（CBM）解释的可扩展定量评估，其在人类偏好排名上的恢复率达70%以上。

Comments Accepted to the Explainable Computer Vision (eXCV) Workshop at ECCV 2026

Mol-JEPA: A multimodal Joint Embedding Predictive Architecture for Molecules

Mol-JEPA：用于分子的多模态联合嵌入预测架构

Florian Rottach, Sebastian Schieferdecker, William Rudman, Randall Balestriero, Carsten Eickhoff

机构 * University of Tübingen（蒂宾根大学） ； Boehringer Ingelheim（勃林格殷格翰） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Brown University（布朗大学） 纠错

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

AI总结 针对分子基础模型的化学无效增强等局限，提出Mol-JEPA多模态框架，利用模态掩码融入生化上下文，在基准测试中展现出优异性能。

The Communication Map of a Transformer

Transformer的通信图

Richard Zhe Wang

机构 * St. John Fisher University（圣约翰费舍尔大学） 纠错

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

AI总结 该研究提出仅从权重生成语言模型所有潜在通信通道的通信图，通过实验验证其可恢复诱导电路并消除模型的诱导能力，发布了相关工具套件。

Comments 28 pages. Code and results: this https URL (https://github.com/richardzhewang/communication-map)

ReCoG: Reciprocal Co-Evolution for Multimodal Graph Learning

ReCoG：面向多模态图学习的互惠协同演化

Rui Xue, Tianfu Wu

机构 * North Carolina State University（北卡罗来纳州立大学） 纠错

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

AI总结 ReCoG是将图结构学习与多模态表示学习紧密耦合的新范式，在节点分类和链接预测基准中优于多模态图结构学习基线，证明了结构与语义协同演化的重要性。

Tracing the Unlabeled Storm: Cross-Variable Transfer in a Lagrangian Atmospheric JEPA Framework

追踪未标记的风暴：拉格朗日大气JEPA框架中的跨变量迁移

K M Anirudh, S Sandeep, Hariprasad Kodamana

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

AI总结 该研究提出跨变量代理学习方法，基于M-JEPA在无降水监督下预训练，实现了优于ECMWF集合的季风降水预测，为大气表示迁移提供诊断框架。

Comments 8 pages, 3 figures, plus supplementary material

RIG-RoPE: Relation-Stratified Multimodal Attention with Instance-Local Rotary Geometry and Representation-Aware Traversal Coordinates

RIG-RoPE：具有时长感知时间坐标的关系与实例门控旋转位置编码

Donggen Li

机构 * Sichuan University（四川大学） 纠错

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

AI总结 本研究针对多模态场景中静态多维位置分配的局限，提出RIG-RoPE机制，通过关系与实例门控及时长感知时间坐标优化位置编码，未增加可学习参数，确立了相关公式与验证路径。

Comments 26 pages, 2 figures, 4 tables. This revision adds matched, inference-only Qwen2-VL-2B native/RIG L1 mechanism evidence: exact text-only equivalence, exact RIG Gauge invariance, native Gauge sensitivity, and retained same-instance spatial effects. Task-level Qwen benchmarks, training gains, stable task improvement, universality, and empirical superiority remain unestablished

Designing Benchmarks for Knowledge Work

知识工作的设计与报告基准

Yining Hua, Hongbin Na, Cyrus Ayubcha, Levi Lian

机构 * Harvard University（哈佛大学） ； University of Technology Sydney（悉尼科技大学） ； Stanford University（斯坦福大学） ； Raycaster AI 纠错

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

AI总结 针对当前知识工作评估基准与真实部署脱节的问题，提出三步法（定义工作活动、指定测试设置、评分工作产品）来明确基准任务与工作主张的对应关系，并通过三个案例分析展示设计选择如何影响可支持的工作主张。

Comments 18 pages. This replacement updates the title and revises the contribution from a three-step reporting approach to a four-field work-centered benchmark representation (represented activity, tested setting, required work product, and evaluated result). Author affiliations now include Agent Evaluation Science, Inc., New York, NY 10001

ST-EVO: Towards Generative Spatio-Temporal Evolution of Multi-Agent Communication Topologies

ST-EVO：迈向多智能体通信拓扑的生成时空演化

Xingjian Wu, Xvyuan Liu, Junkai Lu, Siyuan Wang, Xiangfei Qiu, Yang Shu, Jilin Hu, Chenjuan Guo, Bin Yang

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

AI总结 ST-EVO从时空视角提出多智能体通信拓扑的生成方法，通过紧凑调度器实现对话层面的通信调度，并具备自我反馈能力，实验显示其在多个基准测试中性能优越。

From Subjective Judgments to Auditable Standards:Protocol-Guided AI Auditing of Website Redundancy

从主观判断到可审计标准：协议引导的网站冗余度AI审计

Ge Kong, Yongtong Cao

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

AI总结 本文提出CORA审计方法，通过多维度测量分离网站冗余的不同含义，在测试台上表现优于基线，对不达标工具弃权自动评分，是受控基准的可审计候选程序。

PRISM: Streaming Human Motion Generation with Per-Joint Latent Decomposition

PRISM：基于关节潜在分解的流式人类动作生成

Zeyu Ling, Qing Shuai, Teng Zhang, Shiyang Li, Bo Han, Changqing Zou

机构 * State Key Laboratory of CAD & CG（CAD与计算机图形学国家重点实验室） ； Zhejiang University（浙江大学） ； Zhejiang Lab（浙江实验室） ； Computer Animation & Perception Group（计算机动画与感知小组） 纠错

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

AI总结 PRISM通过关节潜在分解和无噪声条件注入，实现了流式人类动作生成，统一了文本到动作、姿态条件生成等多种任务，达到SOTA性能。