语言大模型 / LLM

When Binaries Talk Back: Representation-Confusion Attacks on LLM-Assisted Reverse Engineering

当二进制文件进行反击：对大语言模型辅助逆向工程的表示混淆攻击

Igor Santos-Grueiro

专题命中 知识编辑与模型理解 ：LLM(title,abstract)

AI总结 研究大语言模型辅助逆向工程中的表示混淆攻击，通过RARE-Bench衡量，测试RARE-Guard控制，发现无运行时控制时模型有不安全提议，工具授权、支持门和来源门在处理虚假声明上表现不同，二进制派生内容可指导分析且多工具视图不一定提供独立证据。

Comments 20 pages

Cultural Binding Heads in Language Models

语言模型中的文化绑定头

Avrile Floro, Luca Benedetto

机构 * Mistral-7B ； Mistral-Nemo-12B ； Llama-3.1-8B ； Gemma-2-9B 纠错

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

AI总结 通过机制可解释性和析因设计，识别出8个语言模型中2-3个中间层注意力头对文化绑定有因果贡献，且绑定主要在预训练阶段形成，知识探测表明模型知道的知识远多于其行为表现。

AgentFoX: LLM Agent-Guided Fusion with eXplainability for AI-Generated Image Detection

AgentFoX: 基于可解释性的大语言模型引导融合的AI生成图像检测

Yangxin Yu, Yue Zhou, Bin Li, Kaiqing Lin, Haodong Li, Jiangqun Ni, Bo Cao

机构 * Guangdong Provincial Key Laboratory of Intelligent Information Processing（广东省智能信息处理重点实验室） ； Shenzhen Key Laboratory of Media Security（深圳媒体安全重点实验室） ； SZU-AFS Joint Innovation Center for AI Technology（深圳大学-AFS人工智能技术联合创新中心） ； Shenzhen University（深圳大学） ； School of Cyber Science and Technology（网络安全科学与技术学院） ； The Smart City Research Institute of China Electronics Technology Group Corporation（中国电子科技集团有限公司智慧城市研究院） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,abstract)

AI总结 AgentFoX通过多阶段分析流程提升AI生成图像检测的可靠性，结合专家和上下文聚类资料，生成可读性强的报告以增强可解释性与可信度。

Multi-head committees enable direct uncertainty prediction for atomistic foundation models

多头委员会使原子基础模型能够直接进行不确定性预测

Hubert Beck, Pavol Simko, Lars L. Schaaf, Ondrej Marsalek, Christoph Schran

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

AI总结 本文提出利用多头委员会机制构建神经网络势能，用于原子基础模型的不确定性预测，通过主动学习将训练集缩小至原大小的5%，同时保持预测精度。

Comments 11 pages, 7 figures in main article + supporting information

Uncertainty Estimation in Pathology Foundation Models via Deep Mutual Learning

病理基础模型中的不确定性估计：基于深度互学习

Gbègninougbo Aurel Davy Tchokponhoue, Sevda Öğüt, Ali Idri, Dorina Thanou, Pascal Frossard

机构 * UM6P（摩洛哥穆萨-阿卜杜勒-阿齐兹大学） ； EPFL（瑞士联邦理工学院） ； UM5（摩洛哥穆萨-阿卜杜勒-阿齐兹大学） 纠错

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

AI总结 提出DICE框架，通过集成多个冻结的病理基础模型并利用深度互学习对齐，以模型分歧作为不确定性代理，实现可靠的不确定性估计、异常定位，并在分类、校准和定位上匹配或超越现有方法。

GeMoE: Gating Entropy is All You Need for Uncertainty-aware Adaptive Routing in MoE-based Large Vision-Language Models

GeMoE：基于门控熵的MoE大视觉语言模型中不确定性感知自适应路由

Chaoxiang Cai, Minghe Weng, Jie Li, Yibo Jiang, Longrong Yang, Zequn Qin, Xi Li

机构 * School of Software Technology, Zhejiang University（浙江大学软件学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） 纠错

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

AI总结 针对MoE架构中静态路由无法自适应选择专家的问题，提出基于门控熵的不确定性感知自适应路由方法GeMoE，通过最小描述长度原理建模复杂度与性能的权衡，在保持99.5%性能的同时提升36.5%专家激活稀疏性。

GroundControl: Anticipating Navigation Failures in Vision-Language Agents via Trajectory-Consistent Uncertainty Estimates

GroundControl: 通过轨迹一致的不确定性估计预测视觉语言智能体中的导航失败

Nastaran Darabi, Divake Kumar, Sina Tayebati, Devashri Naik, Amit Ranjan Trivedi

机构 * University of Illinois at Chicago (UIC)（伊利诺伊大学芝加哥分校） 纠错

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

AI总结 提出轨迹一致的不确定性估计方法GroundControl，通过卡尔曼滤波建模距离变化并结合轨迹特征，有效预测导航失败，在选择性风险-覆盖评估中优于基线。

FUSE: Quantifying Uncertainty in Vision-Language Models by Bayesian Fusing Epistemic and Aleatoric Uncertainty

FUSE: 通过贝叶斯融合认知不确定性和偶然不确定性来量化视觉语言模型中的不确定性

Harry Zhang, Luca Carlone

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 提出FUSE概率框架，通过贝叶斯融合视觉语言模型中的偶然不确定性和认知不确定性，生成标量不确定性度量，用于可靠预测输出正确性，实现SOTA不确定性校准。

SLAP: The Semantic Least Action Principle for Variational Video-Language Modeling

SLAP: 用于变分视频-语言建模的语义最小作用原理

Xiang Fang, Wanlong Fang

机构 * School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） 纠错

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

AI总结 提出语义最小作用原理(SLAP)，将视频插值建模为黎曼流形上的边界值问题，通过离散欧拉-拉格朗日方程保持对象持久性，解决大视频语言模型中的时间间隙问题。

Comments Accepted by ICML 2026

Why Far Looks Up: Probing Spatial Representation in Vision-Language Models

为什么远处看起来在上方：探究视觉-语言模型中的空间表征

Cheolhong Min, Jaeyun Jung, Daeun Lee, Hyeonseong Jeon, Yu Su, Jonathan Tremblay, Chan Hee Song, Jaesik Park

机构 * Seoul National University（首尔国立大学） ； The Ohio State University（俄亥俄州立大学） ； NVIDIA（英伟达） 纠错

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

AI总结 通过最小对比对分析，发现视觉-语言模型存在垂直-距离纠缠（将图像垂直位置与距离混淆），这种透视偏差导致性能差距，并随数据规模扩大而加剧，而具有良好分离空间轴的模型更鲁棒。

Which Pretraining Paradigm Better Serves Spatial Intelligence? An Empirical Comparison of Vision-Language and Video Generation Models

哪种预训练范式更有利于空间智能？视觉-语言模型与视频生成模型的实证比较

Haozhan Shen, Tiancheng Zhao, Kangjia Zhao, Jianwei Yin

机构 * Zhejiang University（浙江大学） ； Om AI Research（Om人工智能研究） ； Binjiang Institute of Zhejiang University（浙江大学滨江研究院） 纠错

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

AI总结 本文通过冻结特征探测研究，系统比较了视觉-语言模型（VLM）和视频生成模型（VGM）在语义标注、实例分组和3D几何预测三个空间智能维度上的表现，发现两者互补且简单融合可提升整体性能。

Comments Code is here: \href{https://github.com/om-ai-lab/Probing-VLM-VGM}{https://github.com/om-ai-lab/Probing-VLM-VGM}

Discriminative-Generative Target Speaker Extraction with Decoder-Only Language Models

判别-生成目标说话人提取与解码器-only语言模型

Bang Zeng, Beilong Tang, Wang Xiang, Ming Li

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Suzhou Municipal Key Laboratory of Multimodal Intelligent Systems, Digital Innovation Research Center, Duke Kunshan University（多模态智能系统苏州市重点实验室、数字创新研究中心、杜克昆山大学） ； 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 ：language model(title,abstract)

AI总结 本文提出了一种判别-生成两阶段框架，结合判别提取的可控性和生成模型的重建能力，以提高目标说话人提取和语音增强的感知质量、可懂度和说话人一致性。

Comments 13 pages,4 figures

Capability $\neq$ Interpretability: Human Interpretability of Vision Foundation Models

能力 ≠ 可解释性：视觉基础模型的人类可解释性

Julien Colin, Lore Goetschalckx, Nuria Oliver, Thomas Serre

机构 * ELLIS Alicante, Spain（阿利坎特ELLIS研究所，西班牙） ； Brown University, USA（布朗大学，美国） ； imec, Leuven, Belgium（imec，比利时卢旺达） 纠错

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

AI总结 本文研究了视觉基础模型的人类可解释性，提出了一种评估框架，发现基础模型比监督模型更难解释，且可解释性与下游任务性能无关，而是与特征的局部性和粗粒度语义对齐有关。

Mechanisms of Object Localization in Vision-Language Models

视觉-语言模型中物体定位的机制

Timothy Schaumlöffel, Martina G. Vilas, Gemma Roig

机构 * Goethe University Frankfurt, Germany（法兰克福歌德大学，德国） ； The Hessian Center for AI, Germany（黑森人工智能中心，德国） 纠错

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

AI总结 本文研究了视觉-语言模型中物体定位的核心机制，通过分析LLaVA-1.5和InternVL-3.5等模型，揭示了定位依赖于容器化机制，并发现只有少量注意力头参与分类和定位任务，为未来模型设计提供了指导。

Comments Accepted at CVPR 2026

PRiSE-EEG: A Prior-Guided Foundation Model with Depth-Stratified Experts for Cross-Paradigm EEG Representation Learning

PRiSE-EEG: 一种基于先验的EEG基础模型，具有深度分层专家，用于跨范式EEG表示学习

Wei Xiong, Jiangtong Li, Kun Zhu, Jie Li

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

AI总结 本文提出PRiSE-EEG，一种基于先验的EEG基础模型，通过深度分层专家实现跨范式EEG表示学习，通过CKA校准的深度分层专家分配提升了模型的跨范式性能。

Comments 32 pages, 14 figures

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 39 pages, 3 figures

SceneGraphVLM: Dynamic Scene Graph Generation from Video with Vision-Language Models

SceneGraphVLM：基于视频的动态场景图生成方法

Vladislav Makarov, Mark Gizetdinov, Dmitry Yudin

机构 * MIRAI 纠错

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

AI总结 SceneGraphVLM通过紧凑的视觉语言模型生成视频场景图，采用TOON格式提升效率，结合监督微调与强化学习实现高精度与速度的平衡，适用于PSG、PVSG和Action Genome数据集。

Dual-Pathway Circuits of Object Hallucination in Vision-Language Models

视觉语言模型中物体幻觉的双路径电路

Jiaxin Liu, Ding Zhong, Yue Wang, Zhidong Yang, Zhaolu Kang, Guangyuan Dong, Qishi Zhan, Pengcheng Fang, Aofan Liu

机构 * UIUC（伊利诺伊大学香槟分校） ； UMich（密歇根大学） ； Stanford（斯坦福大学） ； HKUST（香港科技大学） ； PKU（北京大学） ； NUS（新加坡国立大学） ； Marquette（马quette大学） ； Southampton（南安普顿大学） 纠错

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

AI总结 研究通过双路径电路分析框架揭示视觉语言模型中物体幻觉的机制，发现视觉接地路径与幻觉路径的交互特性，并通过抑制幻觉路径组件降低幻觉发生率。

BadDLM: Backdooring Diffusion Language Models with Diverse Targets

BadDLM：针对扩散语言模型的多样化目标后门攻击研究

Shengfang Zhai, Xiaoyang Ji, Yuling Shi, Haoran Gao, Fanyu Meng, Yan Zeng, Yuejian Fang, Yinpeng Dong, Jiaheng Zhang

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

AI总结 本文提出BadDLM框架，研究扩散语言模型的后门攻击，通过触发感知训练目标和理论证明，展示其在概念注入、语义属性引导等目标上的有效性，揭示扩散生成中的新安全风险。

Comments 21 pages, Preprint

Cognitive Load Estimation Using Brain Foundation Models and Interpretability for BCIs

利用脑基础模型和可解释性进行认知负荷估计用于BCI

Deeksha M. Shama, Dimitra Emmanouilidou, Ivan J. Tashev

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

AI总结 本文提出利用脑基础模型提取通用EEG特征以提高认知负荷估计的准确性，并通过Partition SHAP分析特征重要性，展示了其在BCI中的应用潜力。

Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Barcelona, Spain, 2026, pp. 7221-7225

Backdoor Attacks on Prompt-Driven Video Segmentation Foundation Models

针对提示驱动视频分割基础模型的后门攻击

Zongmin Zhang, Zhen Sun, Yifan Liao, Wenhan Dong, Xinlei He, Xingshuo Han, Shengmin Xu, Xinyi Huang

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Fujian Normal University（福建师范大学） ； Jinan University（暨南大学） 纠错

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

AI总结 本文研究了针对提示驱动视频分割基础模型的后门攻击，提出BadVSFM框架，通过两阶段策略实现可控的后门效果，实验表明其在多种模型和数据集上具有有效性。

Mitigating Hallucinations in Large Vision-Language Models without Performance Degradation

在不降低性能的情况下缓解大型视觉-语言模型的幻觉

Xingyu Zhu, Junfeng Fang, Shuo Wang, Beier Zhu, Zhicai Wang, Yonghui Yang, Xiangnan He

机构 * MoE Key Lab of BIPC（BIPC摩尔实验室） ； University of Science and Technology of China（中国科学技术大学） ； 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)

AI总结 本文提出MPD框架，通过语义感知组件解耦和可解释参数更新，有效减少幻觉并保持生成能力，实验显示在LLaVA-Bench和MME上减少23.4%幻觉同时保持97.4%的生成能力。

Comments ACL 2026 (Oral)

VLMaterial: Vision-Language Model-Based Camera-Radar Fusion for Physics-Grounded Material Identification

VLMaterial: 基于视觉-语言模型的相机-雷达融合用于物理基础的材料识别

Jiangyou Zhu, He Chen

机构 * Department of Inforation Engineering（信息工程系） 纠错

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

AI总结 本文提出VLMaterial框架，通过融合视觉语言模型与雷达知识实现物理基础的材料识别，采用双管道架构和上下文增强生成策略，提升跨模态融合性能，实验表明其在120余次真实实验中达到96.08%的识别准确率。

HTDC: Hesitation-Triggered Differential Calibration for Mitigating Hallucination in Large Vision-Language Models

HTDC: 通过犹豫触发的微分校准缓解大视觉-语言模型中的幻觉

Xinyun Liu

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(title,abstract)

AI总结 本文提出HTDC，一种无需训练的解码框架，通过检测层间犹豫信号，仅在易出错步骤激活校准，有效抑制幻觉并保持任务准确性。

Comments 10 pages, 4 figures, 6 tables

The Mechanistic Invariance Test: Genomic Language Models Fail to Learn Positional Regulatory Logic

机制不变性测试：基因组语言模型未能学习位置调控逻辑

Bryan Cheng, Jasper Zhang

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

AI总结 研究通过机制不变性测试揭示基因组语言模型在位置调控逻辑理解上的缺陷，发现模型依赖AT含量相关性而非真实位置调控逻辑，需改进架构以应对合成生物学等应用需求。

Comments 14 pages, 4 figures, Accepted to Workshop on Latent and Implicit Thinking - Going Beyond CoT Reasoning, Machine Learning for Genomics Explorations, and Generative and Experimental Perspectives for Biomolecular Design at ICLR 2026

Probing 3D Chromatin Structure Awareness in Evo2 DNA Language Model

探究Evo2 DNA语言模型对三维染色质结构的认知

UkJin Lee

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

AI总结 研究探讨Evo2模型是否能识别三维染色质结构，发现其仅能学习局部CTCF规则，但无法可靠生成收敛CTCF环和恢复TAD边界，提示需双向模型架构整合细胞类型和三维接触以开发更高级的DNA语言模型。

Trust Through Transparency: Explainable Social Navigation for Autonomous Mobile Robots via Vision-Language Models

通过透明实现信任：通过视觉语言模型实现自主移动机器人的可解释社交导航

Oluwadamilola Sotomi, Devika Kodi, Aliasghar Arab

机构 * New York University, Tandon School of Engineering（纽约大学坦登工程学院） ； General Autonomy Inc.（通用自主公司） 纠错

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

AI总结 本文提出一种多模态可解释模块，结合视觉语言模型和热图提升自主导航的透明度，通过自然语言总结使机器人感知、分析并表达观察结果，实验表明实时解释能提升用户信任和理解。

Comments Submitted to IEEE Conferences

Audio Hallucination Attacks: Probing the Reliability of Large Audio Language Models

音频幻觉攻击：测试大型音频语言模型的可靠性

Ashish Seth, Sonal Kumar, Ramaneswaran Selvakumar, Nishit Anand, Utkarsh Tyagi, Prem Seetharaman, Ramani Duraiswami, Dinesh Manocha

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Adobe Research（Adobe研究院） 纠错

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

AI总结 本文提出Audio Hallucination Attacks，通过6500个问答对测试大型音频语言模型是否真实基于音频输入生成响应，发现其可靠性与基准性能存在差距，并提出AHA-Guard数据集降低攻击成功率。

Structural Graph Probing of Vision-Language Models

视觉-语言模型的结构图谱探查

Haoyu He, Yue Zhuo, Yu Zheng, Qi R. Wang

机构 * Northeastern University（东北大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 研究通过神经拓扑分析视觉-语言模型的层间相关图谱，揭示群体结构对行为的意义、跨模态变化及因果影响，提出神经拓扑作为解释性中间尺度。

Comments IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

Overthinking Causes Hallucination: Tracing Confounder Propagation in Vision Language Models

过度思考导致幻觉：追踪视觉语言模型中的混杂因素传播

Abin Shoby, Ta Duc Huy, Tuan Dung Nguyen, Minh Khoi Ho, Qi Chen, Anton van den Hengel, Phi Le Nguyen, Johan W. Verjans, Vu Minh Hieu Phan

机构 * Australian Institute for Machine Learning, University of Adelaide（阿德莱德大学澳大利亚机器学习研究所） ； Hanoi University of Science and Technology（河内科技大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

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

AI总结 研究发现视觉语言模型幻觉源于过度思考，通过分析模型推理过程揭示混杂因素传播机制，提出Overthinking Score提升幻觉检测性能。

Comments CVPR2026 Findings