语言大模型 / LLM

Prompts Without Evidence: How Neuroimaging Mentions Shift Clinical Vision-Language Model Predictions

脚手架效应：提示框架如何驱动临床VLM评估中的表面多模态增益

Doan Nam Long Vu, Simone Balloccu

机构 * Technical University of Darmstadt（达姆施塔特技术大学） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 研究发现，在临床VLM评估中，提示中提及MRI可用性即可解释70-80%的性能提升，与图像数据是否存在无关，这种“脚手架效应”揭示了表面评估无法反映真实多模态推理能力。

Comments Accepted to EMNLP 2026 Main Conference

Adaptive Strategy Generation for Boundary Value Exploration Beyond Numeric Inputs

超越数值输入的边界值探索自适应策略生成

Sabinakhon Akbarova, Felix Dobslaw, Robert Feldt

专题命中 领域大模型 ：LLM(summary_cn,abstract)

AI总结 本文提出基于LLM的ABEX框架，以自适应策略生成替代手动设计变异算子，在含多类型输入的20个函数的黑盒测试中，其边界探索与故障揭示性能优于现有QD基线。

Comments 29 pages, 6 figures

From Small Talk to Rapport: Exploring Robot Self-Disclosure in Collaborative Tasks

从闲聊到融洽关系：探索机器人在协作任务中的自我表露

Kaitlynn Taylor Pineda, Anvii Mishra, Brian Chien, Angela Guo, Toluwani Williams, Ziang Xiao, Chien-Ming Huang

专题命中 领域大模型 ：LLM(summary_cn,abstract)

AI总结 本研究开发了LLM驱动的工业机械臂，采用低/高表露策略开展用户研究，发现低表露时用户自我表露更多、团队协作感更强，提示机器人自我表露并非越多越好，需考虑用户HRI经验。

Comments 8 pages, 2 figures, 1 table

EXPOSE: Explainable and Domain-Robust Embeddings from Pathology Vision Foundation Models using Sparse Autoencoders

EXPOSE：基于稀疏自编码器的病理视觉基础模型可解释且领域鲁棒的嵌入表示

Anja Witte, Maximilian Lennartz, Jan Baumbach, Guido Sauter, Stefan Bonn, Patrick Fuhlert, Marina Zimmermann

机构 * University Medical Center Hamburg-Eppendorf（汉堡埃彭多夫大学医学中心） ； University of Hamburg（汉堡大学） ； German Center for Child and Adolescent Health（德国儿童与青少年健康中心） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.LG

AI总结 本研究针对病理视觉基础模型嵌入的领域偏移问题，提出EXPOSE框架，利用稀疏自编码器解耦并抑制领域特定特征，在前列腺癌数据集实验中提升了跨域性能与嵌入鲁棒性。

Propagating construction-time knowledge quality into medical question answering: A framework grounded in clinical guidelines

将构建时的知识质量传播到医学问答：一种基于临床指南的框架

Jie Hu, Junjie Wang, Shan Lu, Yifang Hu, Gong Cheng, Yun Liu

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.AI

AI总结 该研究提出一种基于临床指南的质量感知框架，将KG构建时的三元组质量信号融合后传播到问答的子图检索与证据提示，可减少知识遗漏与冲突输出，提升临床问答性能。

AI Writers Have a Consistent Stylometric Footprint, but AI Editors Do Not

AI 生成文本具有一致的计量文体足迹，但 AI 编辑文本不具有

Zhengyang Shan, Yukyung Lee, Sophie Hao

机构 * Boston University（波士顿大学） 纠错

专题命中 领域大模型 ：LLM(abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 该研究发现 AI 生成文本具有一致的计量文体足迹，而 AI 编辑文本没有，二者留下的痕迹存在差异，需分别研究。

Comments EMNLP Main 2026

LLMs' Reshaping of People, Processes, Products, and Society in Software Development: A Comprehensive Exploration with Early Adopters

大型语言模型对软件开发中人、过程、产品和社会的重塑：与早期采用者的综合探索

Benyamin Tabarsi, Heidi Reichert, Sam Gilson, Ally Limke, Sandeep Kuttal, Tiffany Barnes

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

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文通过访谈早期采用者，探讨LLMs对软件开发中人、过程、产品和社会的影响，揭示其在不同阶段的应用差异及对开发者技能的新要求。

Journal ref Empirical Software Engineering, 32, 21 (2027)

Do Medical Vision Models Reason About Anatomy? Probing the Spatial Inductive Biases of Learned Visual Representations

医学视觉模型是否对解剖结构进行推理？探究学习到的视觉表示的空间归纳偏置

Naren Akash, Neeraja Ramanan

专题命中 领域大模型 ：foundation model(abstract)；pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 本研究构建SPAR-Bench探测任务，发现医学视觉模型仅记忆标准解剖结构，缺乏特定患者图像内结构对比的推理能力，池化探测会低估其表示能力。

From Uncertainty to Clinical Risk: Severity-Aware Conformal Planning for Interactive Medical Diagnosis

从不确定性到临床风险：面向交互式医疗诊断的严重程度感知共形规划

Yue Zhou, Haiyang Zhou, Jin Zhang, Kong Wang, Yongxin Ni, Youhua Li, Hanwen Du

机构 * Lanzhou University（兰州大学） ； Hunan University（湖南大学） ； National University of Singapore（新加坡国立大学） ； City University of Hong Kong（香港城市大学） ； The Ohio State University（俄亥俄州立大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 该研究针对交互式医疗诊断漏诊重症的风险与长程规划缺失问题，提出严重程度感知共形临床规划框架，在DDXPlus和MediQ上提升了诊断准确性、鉴别质量并降低了高风险错误。

LitCurate: A Configuration-Driven AI-Assisted Framework for Scientific Database Construction with an Application to Lower-Mantle Equation-of-State Data

LitCurate：一种配置驱动的AI辅助科学数据库构建框架及在下地幔状态方程数据中的应用

Abin Shakya, Wilson Samuels, Dominica Wilson, Gioia A. Marchi, Israa Draz, Chenxing Luo, Renata M. Wentzcovitch

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出开源框架LitCurate，整合大语言模型与可审计分阶段工作流构建科学数据库，并将其应用于构建含1334条条目的下地幔高压矿物相状态方程数据库，实现文献到可追溯数据的转化。

Comments 26 pages, 7 figures

Does Finetuning with Scientific Data Increase Hallucinations? A Multi-domain Factuality Evaluation of LLMs

使用科学数据微调会增加幻觉：LLMs的多领域事实性评估

Raia Abu Ahmad, Nikolas Rauscher, Ekaterina Borisova, Fabio Barth, Georg Rehm, Sebastian Möller

机构 * Deutsches Forschungszentrum für Künstliche Intelligenz GmbH（德国人工智能研究中心 GmbH） ； Technische Universität Berlin（柏林技术大学） ； Humboldt-Universität zu Berlin（柏林洪堡大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出SciFactCheck基准和模块化评估框架，发现科学微调模型在所有幻觉类型和科学领域上事实可靠性下降，且内部更不自信但语言更武断。

Comments Camera-ready version

A Correspondence Score for Validating Learned Patient Representations in Clinical Tabular Data

用于验证临床表格数据中学到的患者表征的对应分数

Majid Lotfian Delouee, Sjors G. J. G. In 't Veld, Martijn C. Schut

专题命中 领域大模型 ：foundation model(abstract)

AI总结 该研究针对临床表格数据中学到的患者表征是否保留原始数据相似性的问题，提出结合贝叶斯优化权重的对应分数，经实验表明表格基础模型的表征保留对应关系更优，可用于评估表征质量并辅助方法与维度选择。

Report Supervision

报告监督

Pedro R. A. S. Bassia, Wenxuan Li, Jakob Wasserthal, Jieneng Chen, Xinze Zhou, Zheren Zhu, Chuntung Zhuanga, Sergio Decherchi, Andrea Cavalli, Kang Wang, Yang Yang, Alan Yuille, Zongwei Zhou

机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； University Hospital Basel（巴塞尔大学医院） ； Stanford University（斯坦福大学） ； University of California, San Francisco（加利福尼亚大学旧金山分校） ； Italian Institute of Technology（意大利技术研究院） ； University of Bologna（博洛尼亚大学） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Johns Hopkins Medicine（约翰斯·霍普金斯医疗集团） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 本研究提出报告监督（R-Super）框架，利用大量放射学报告补充稀缺的肿瘤掩码训练数据，在肾脏和胰腺肿瘤分割任务上显著提升了AI的检测与分割性能。

Comments Published in Medical Image Analysis, 2026

SymboLLM-FE: LLM-Accelerated Symbolic Regression for Automated Feature Engineering on Tabular Data

SymboLLM-FE：用于表格数据自动特征工程的大语言模型加速符号回归

Zi-Jian Cheng, Zi-Yi Jia, Zhi Zhou, Yu-Feng Li, Lan-Zhe Guo

机构 * Nanjing University（南京大学） ； School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） 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.LG

AI总结 SymboLLM-FE将符号回归与LLM结合，通过符号回归提取强相关公式并经LLM优化，在6个真实数据集和4个Kaggle竞赛上性能优于现有AutoFE，解决了可解释性差和迭代多的问题。

EvoUndo: Recoverability-Constrained Self-Evolution for LLM Agent Harnesses

EvoUndo：面向大语言模型智能体执行框架的可恢复性约束自进化

Tanmay Sah, Dolly Sah, Harshul Jain, Tanya Sah

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

AI总结 本研究针对LLM智能体自进化的可恢复性问题，提出EvoUndo框架，通过协同设计验证、状态落地等，在600个任务中实现高比例的失败变更恢复，且效应存在模型依赖性。

Blind Men and the Elephant: Probing the Epistemic Myopia of LLMs under Long-Tail Divergent Knowledge

盲人摸象：探究长尾分歧知识下大语言模型（LLM）的认知近视问题

Zhuoshi Pan, Junru Lu, Yan Qian, H. Vicky Zhao, Di Yin, Xing Sun

机构 * Tsinghua University（清华大学） ； Tencent（腾讯） ； University of Warwick（华威大学） 纠错

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

AI总结 本研究推出ElephantBench探针，发现LLM在长尾分歧知识问答中仅52.4%的问题能同时回忆两种解释，模型规模扩大等方法无法消除认知不完整性，为评估LLM认知严谨性提供了工具。

Comments 10 pages, 10 figurs, 1 table, under review

Circuit Discovery Helps Detect LLM Jailbreaking: A Mechanistic Interpretability Study

电路发现助力检测大语言模型越狱：一项机制可解释性研究

Paria Mehrbod, Boris Knyazev, Guy Wolf, Eugene Belilovsky, Geraldin Nanfack

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

AI总结 本研究通过机制可解释性分析，在LLaMA-2-7B-chat-hf中识别出负责越狱响应的关键计算电路，剪枝这些电路可降低80%攻击成功率，为对齐LLMs的防御提供了可解释的新方向。

Comments Accepted at the 2nd Workshop on Reliable and Responsible Foundation Models of the 42nd International Conference on Machine Learning (ICML) 2025

PersonaEdit: Representative Sample Selection for Personalized Model Editing

PersonaEdit：用于个性化模型编辑的代表性样本选择

You-Mei Huang, Chung-Chi Chen, An-Zi Yen

机构 * National Yang Ming Chiao Tung University（国立阳明交通大学） ； National Institute of Informatics（信息学研究所） 纠错

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

AI总结 针对LLM个性化中模型编辑的样本选择难题，提出PersonaEdit策略，可减少编辑样本量并保留性能，结合检索式提示增强效果更优，为LLM个性化提供高效可扩展方案。

Comments Accepted by EMNLP 2026 Findings

Why Didn't It Check? Unsupported Final Claims and Their Repair in Two Tool-Equipped Language Models

为何未进行核查？两个配备工具的语言模型中未获支持的最终主张及其修复

Justin Bronder

机构 * Corabo（科拉博公司） 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 该研究分析了配备工具的语言模型作出未获支持最终主张的问题，在 Qwen3-32B 上实现了 33/512 的发生率，提供证据可修复全部此类主张，而 Gemma 4 未出现该问题。

Comments 18 page, 1 figure, 5 tables

Dynamic Alignment Compensation for Hallucination Mitigation in Large Vision-Language Models

用于减轻大型视觉语言模型幻觉的动态对齐补偿

Kairong Yu, Zixin Zhu, Le Yu, Hongwei Wang

机构 * Zhejiang University（浙江大学） ； Southeast University（东南大学） 纠错

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

AI总结 针对大型视觉语言模型的幻觉问题，提出无需训练的推理时方法动态对齐补偿，结合分层语义补偿与序列语义校正，在9个多模态基准上可减少幻觉并保持整体性能。

Comments Accepted by EMNLP2026 Findings

Overview of SHROOM-Visions 2026: A Shared Task on Hallucination Detection in Large Vision-Language Models

SHROOM-Visions 2026概览：大型视觉语言模型幻觉检测共享任务

Raúl Vázquez, Aman Sinha, Chuyuan Li, Artem Shelmanov, Artem Vazhentsev, Claudio Savelli, Eduardo Calò, Emilio Raimond, Stella Frank, Hengyu Luo, Flavio Giobergia, Vincent Segonne, Lorenzo Vaiani, Jörg Tiedemann, Timothee Mickus

机构 * University of Helsinki（赫尔辛基大学） ； Politecnico di Torino（都灵理工大学） ； Université Bretagne Sud（南布列塔尼大学） ； University of Copenhagen（哥本哈根大学） ； University Grenoble Alpes（格勒诺布尔阿尔卑斯大学） ； University of Lorraine（洛林大学） 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 本文介绍了2026年在EMNLP 2026同期举办的SHROOM-Visions共享任务，该任务针对大型视觉语言模型的幻觉检测，依托SHEEP数据集开展，吸引27支团队提交600余个系统，最优系统较基线提升30-40个百分点。

Comments Under review

A Declarative-Procedural Perspective on Expert Routing in Bilingual Mixture-of-Experts Language Models

双语混合专家语言模型中专家路由的声明式-过程式视角

Amrit Gopinath, Raghul, Durairaj Thenmozhi

机构 * Sri Sivasubramaniya Nadar College of Engineering（斯里·西瓦苏布拉马尼亚·纳达尔工程学院） ； Shiv Nadar University Chennai（钦奈希夫·纳达尔大学） 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 该研究探究双语MoE语言模型的专家路由是否形成语言结构，对比课程学习与无课程训练的模型，发现无课程模型专业化更强但依赖随机种子，课程模型路由更均衡，揭示MoE路由可出现可解释语言组织。

Comments 15 pages, 6 figures, 12 tables (including appendix)

Geometric algebra as the input language of collider foundation models

几何代数作为碰撞物理基础模型的输入语言

E. Abasov, L. Dudko, F. Grigoryev, P. Volkov, A. Zaborenko

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

AI总结 本文提出将碰撞事件视为单一几何对象，利用几何代数的分级分解组织所有可观测量，提供34个经典可观测量的字典，并展示如何通过投影获得高阶不变量和低阶配方，最终通过多共振拓扑分离示例展示方法。

Comments 48 pages, 7 figures

A Formal Limitation on Learning Human Language From Textual Corpora

从文本语料库学习人类语言的形式化局限

Emily Cheng, Ryan Cotterell

机构 * Universitat Pompeu Fabra（庞培法布拉大学） ； ETH Zürich（苏黎世联邦理工学院） 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.CL

AI总结 该研究从信息论角度推导了听者从话语表示恢复说话者意图含义的概率上界，通过三类实验验证了理论，表明任何文本特征提取器的表示都无法超越该上界。

Comments this is a draft; comments welcome

ASA: Backbone-Training-Free Representation Engineering for Tool-Calling Agents

ASA：无需骨干训练的工具调用智能体表示工程

Youjin Wang, Run Zhou, Yingjie Ma, Rong Fu, Jiani Liang, Shuaishuai Cao, Min Huang, Tao Fang, Liangming Pan

机构 * Renmin University of China（中国人民大学） ； University of Macau（澳门大学） ； Central South University（中南大学） ； Jiangxi Normal University（江西师范大学） ； Macau Millennium College（澳门 millennium 学院） ； Peking University（北京大学） 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 针对大语言模型在工具调用中的惰性代理问题，提出一种无需训练、推理时激活干预的方法ASA，通过路由条件混合引导向量和探针引导门控，显著提升工具使用F1并降低误报率。

Comments Due to an unresolved dispute among the authors regarding the correctness of the experimental results and the validity of the conclusions, the team has decided to withdraw this paper until these issues can be fully resolved

Representation of syntax in LLMs through the lens of linear distance and similarity-aware entropy

通过线性距离与相似度感知熵视角看大语言模型（LLMs）中的句法表征

Juan Pablo Vigneaux, Mary Kennedy, Khalil Iskarous, Robert Frank, Matilde Marcolli

机构 * Northwestern University（西北大学） ； University of Southern California（南加州大学） ； Yale University（耶鲁大学） ； California Institute of Technology（加州理工学院） 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 本研究通过拆分结构探针的评估指标UASL，发现影响其变异的两个关键因素，揭示了大语言模型句法表征的抽象程度及对嵌入空间几何属性的依赖性。

Comments 29 pages (9 main text, 18 appendix), 20 figures, 7 tables. Code and data: https://github.com/jpvigneaux/structural-probes-labelwise-analysis

Probing Perceptual Priors of MLLMs via Gibbs Sampling with Interpretable Generative Controls

通过带可解释生成控制的吉布斯采样探测多模态大语言模型（MLLMs）的感知先验

Manuel Cherep, Pattie Maes, Nikhil Singh

机构 * MIT（麻省理工学院） ； Dartmouth College（达特茅斯学院） 纠错

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

AI总结 本文提出带可解释生成控制的吉布斯采样方法，直接从多模态大语言模型的感知先验分布采样，探测出规范偏差及直接提示不可见的新颖先验，为研究模型感知先验提供了新途径。

Comments 40 pages, 21 figures

Spectral Query-Key Product Weight Steering for Training-Free VLM Hallucination Mitigation

谱查询-键乘积权重引导用于免训练VLM幻觉缓解

Karn Tiwari, Varnith Chordia, Prathosh A P

机构 * Indian Institute of Science, Bengaluru（印度科学理工学院，班加罗尔） ； Snap Research（Snap 研究院） 纠错

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

AI总结 提出QK乘积引导，一种无数据、免训练、零推理成本的权重编辑方法，通过抑制中间层主导奇异模式减少对象幻觉，在三个GQA基VLM上平均降低CHAIR$_s$ 4.0%。

Comments Published at the Workshop on Actionable Interpretability at COLM 2026, EMNLP Conference 2026

The Autonomy Tax: Defense Training Breaks LLM Agents

自主性税：防御训练破坏LLM智能体

Shawn Li, Yue Zhao

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 揭示防御训练在提升LLM智能体安全性时，系统性地破坏其工具执行能力，导致任务失败率飙升，且无法有效防御复杂攻击。

How Proper Scoring Rules Shape LLM Forecasting

恰当评分规则如何塑造大语言模型（LLM）的预测

Benjamin Turtel, Paul Wilczewski, Kris Skotheim, Ville A. Satopää, Philip E. Tetlock

机构 * Lightning Rod Labs（闪电杆实验室） ； INSEAD（欧洲工商管理学院） ； School of Arts & Sciences, University of Pennsylvania（宾夕法尼亚大学文理学院） 纠错

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

AI总结 本文研究了5种恰当评分规则作为训练目标对LLM预测的影响，发现不同规则训练的模型在校准、概率使用等方面有差异，Brier训练模型表现最优。