语言大模型 / LLM

One Framework to Rule Them All: Unifying Multimodal Tasks with LLM Neural-Tuning

Hao Sun, Yu Song, Jiaqing Liu, Jihong Hu, Yen-Wei Chen, Lanfen Lin

机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； College of Information Science and Engineering, Ritsumeikan University（立命馆大学信息科学与工程学院） 纠错

专题命中 知识编辑与模型理解 ：LLM(title)

Chatperone: An LLM-Based Negotiable Scaffolding System for Mediating Adolescent Mobile Interactions

Suwon Yoon, Seungwon Yang, Jeongwon Choi, Wonjeong Park, Inseok Hwang

专题命中 知识编辑与模型理解 ：LLM(title)

Comments 5 pages, Workshop Paper

Fine-Grained Erasure in Text-to-Image Diffusion-based Foundation Models

Kartik Thakral, Tamar Glaser, Tal Hassner, Mayank Vatsa, Richa Singh

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

Comments Published in CVPR 2025

ProDehaze: Prompting Diffusion Models Toward Faithful Image Dehazing

Tianwen Zhou, Jing Wang, Songtao Wu, Kuanhong Xu

专题命中 知识编辑与模型理解 ：prompting(title)

Comments Accepted to ICME 2025

UniAff: A Unified Representation of Affordances for Tool Usage and Articulation with Vision-Language Models

Qiaojun Yu, Siyuan Huang, Xibin Yuan, Zhengkai Jiang, Ce Hao, Xin Li, Haonan Chang, Junbo Wang, Liu Liu, Hongsheng Li, Peng Gao, Cewu Lu

专题命中 知识编辑与模型理解 ：language model(title)

Comments ICRA 2025

ARVideo: Autoregressive Pretraining for Self-Supervised Video Representation Learning

Sucheng Ren, Hongru Zhu, Chen Wei, Yijiang Li, Alan Yuille, Cihang Xie

专题命中 知识编辑与模型理解 ：pretraining(title)

Probing Conceptual Understanding of Large Visual-Language Models

Madeline Schiappa, Raiyaan Abdullah, Shehreen Azad, Jared Claypoole, Michael Cogswell, Ajay Divakaran, Yogesh Rawat

专题命中 知识编辑与模型理解 ：language model(title)

Comments All code and dataset is available at: https://tinyurl.com/vlm-robustness. Accepted in CVPRW 2024

CLIPSwarm: Generating Drone Shows from Text Prompts with Vision-Language Models

Pablo Pueyo, Eduardo Montijano, Ana C. Murillo, Mac Schwager

专题命中 知识编辑与模型理解 ：language model(title)

Sound and Visual Representation Learning with Multiple Pretraining Tasks

Arun Balajee Vasudevan, Dengxin Dai, Luc Van Gool

专题命中 知识编辑与模型理解 ：pretraining(title)

Comments 11 pages, 3 figures

Implementing focal-plane phase masks optimized for real telescope apertures with SLM-based digital adaptive coronagraphy

Jonas Kühn, Patapis Polychronis, Garreth Ruane, Xin Lu

专题命中 知识编辑与模型理解 ：SLM(title)

Comments 15 pages, 10 figures, accepted for publication in Optics Express feature issue "Recent Advances in Astrophotonics"

How AI Prompts Can Teach Us About the Structure of Human Behavior

AI提示词如何能帮助我们理解人类行为的结构

Matthew O. Jackson, Benjamin S. Manning, Yutong Xie, Walter Yuan, Qiaozhu Mei

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 该研究提出一种基于大语言模型的AI方法，通过调整类型向量匹配人类选择，发现人类行为可由风险厌恶、策略复杂度、信任三个维度近似，能预测不同游戏行为，为行为科学提供简约理论支持。

Code as Representation: A Compilable Parsing Paradigm for Academic Documents

代码作为表示：学术文档的可编译解析范式

Rihui Jin, Jun Wang, chengyuan zhu, Liang Mingyu, Yue Gao, Li Yunxuan, Kuicai Dong, Guilin Qi, Lin Ren, Yongrui Chen, Xinbang Dai, Jiaqi Li, Tongtong Wu, Gholamreza Haffari

机构 * Southeast University（东南大学） ； Nanyang Technological University（南洋理工大学） ； Nanjing University（南京大学） 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 针对学术PDF难以被机器处理的问题，提出CADP可编译解析范式，构建CADP-Bench基准并测试SOTA MLLMs，发现前沿模型仍难生成高保真可执行重构，该基准已开放供研究。

Comments Accepted by ACM MM 2026

MoRA: Mobility as the Backbone for Geospatial Representation Learning at Scale

MoRA：以移动性为核心的大规模地理空间表示学习

Ya Wen, Jixuan Cai, Qiyao Ma, Linyan Li, Xinhua Chen, Chris Webster, Yulun Zhou

机构 * The University of Hong Kong（香港大学） ； WeChat, Tencent（微信、腾讯） ； City University of Hong Kong（城市大学） 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 MoRA通过移动图为核心骨架，融合多种数据模态，实现大规模地理空间表示学习，提升预测性能。

Measuring Narrative Polarization in Online Discourse

关于叙述：在线极化的修辞机制

Jan Elfes, Marco Bastos, Luca Maria Aiello

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 本文通过分析YouTube视频和评论，探讨了在线极化中叙述如何通过修辞机制影响群体间的观点塑造与交流。

Comments 31 pages, 9 figures, 8 tables

Journal ref PNAS Nexus, pgag270 (2026)

Hallucination Span Detection with Input-Side Evidence Alignment

结合输入侧证据对齐的幻觉跨度检测

Miyu Yamada, Yuki Arase

机构 * Institute of Science Tokyo（东京科学大学） 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 针对大型语言模型生成文本的幻觉问题，提出结合输入侧证据对齐的幻觉跨度检测任务，训练编码器模型通过预测置信度检测幻觉并对齐输入证据，实验验证了方法的有效性。

Mitigating Hallucination in Fictional Character Role-Play

Nafis Sadeq, Zhouhang Xie, Byungkyu Kang, Prarit Lamba, Xiang Gao, Julian McAuley

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

Comments EMNLP 2024 Camera Ready

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2024

CardioState-JEPA: Delay-Aware Cross-Modal Learning of a Shared Cardiac Representation

CardioState-JEPA：面向共享心脏表征的延迟感知跨模态学习

Hamza Shafiq, Hung Manh Pham, Bin Zhu, Pan Zhou, Jun Hu, Aaqib Saeed

机构 * Singapore Management University（新加坡管理大学） ； Eindhoven University of Technology（埃因霍温理工大学） 纠错

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

AI总结 CardioState-JEPA是一种延迟感知跨模态心脏基础模型，通过对齐ECG、PPG、PCG的共享生理表征，在25项下游任务上显著提升了各模态的分类性能，实现了异质心脏信号的相互监督。

Do LLMs Know Their Vulnerable Scenarios?

大语言模型知道它们的脆弱场景吗？

Ziheng Peng, Huiqi Deng, Haoran Jing, Xuankun Rong, Jiahui Han, Xiting Wang, Na Zou, Xia Hu

机构 * Renmin University of China（中国人民大学） ； Xi’an Jiaotong University（西安交通大学） ； University of Science and Technology of China（中国科学技术大学） ； Wuhan University（武汉大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 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 研究大语言模型在特定场景下的脆弱性，提出Concept2Scenario框架，通过实例化概念空间、归因拒绝抑制等步骤发现脆弱场景，在多模型和基准测试中验证，能提高攻击成功率、可迁移且组合效果优。

Comments 19 pages, 11 Figures, Under Review

Asymptotic Risk Calibration for Selective Question Answering

选择性问答的渐近风险校准

Shufan Lin, Sijin Dong

机构 * Zhangjiang University（张江大学） ； Ibaraki University（茨城大学） 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LLMs问答的不确定性控制缺陷，提出A-CRC-QA事后校准框架，在两类问答数据集上实现了接受答案可靠性与保留率的良好权衡。

Hallucination-Free GUI Grounding via Regression-Free Layout-Aware Matching

无幻觉的GUI定位：基于无回归的布局感知匹配

Yuke Li, Xuehan Hou

机构 * School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） 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.AI

AI总结 该研究提出无回归框架，通过解耦指令理解与布局感知定位，在ScreenSpot-Pro和Mind2Web数据集上显著提升GUI定位的准确率、成功率及元素选择率，抑制了坐标幻觉。

When Is a Steerable Concept Representation Real? Measurement Confounds in a Cross-Family Audit of Neuroscience Parallels in LLMs

可操控概念表征何时为真？大型语言模型中神经科学相似性跨系列审计的测量混淆

Yuqi Wu, Shengming Zhao, Jie Chen

机构 * College of Biomedical Engineering, Fudan University（复旦大学生物医学工程学院） 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.AI

AI总结 本研究对17个不同规模的LLMs审计4种神经科学启发范式，发现AI神经科学研究受测量混淆限制，发布了相关方案、刺激与代码。

EvoTrustRAG: Evolution-Aware Conflict Attribution and Evidence Handling for Reliable Retrieval-Augmented Generation

EvoTrustRAG：面向可靠检索增强生成的感知演化冲突归因与证据处理

Xi Nie, Hongwei Li, Shenghao Wu, Wenshu Fan, Qiyang Song, Wenbo Jiang

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RAG在动态对抗环境中面临的冲突证据挑战，提出无训练框架EvoTrustRAG，通过构建冲突证据图并利用时间关系等进行归因，提升了冲突归因的准确率与宏F1值，降低了协同攻击下的错误率。

Cross-Model Humor Preference Modeling with Cards Against Humanity

基于《反人类牌》的跨模型幽默偏好建模

Victor Winter, Farhan Lakhany

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 该研究以《反人类牌》风格任务开展实验，发现大语言模型可通过裁判的先前选择及理由，提升近似另一模型幽默偏好的准确率，为跨模型偏好建模提供操作层面的证据。

Comments 11 pages, 2 figures, 1 table

Is CLIP Cross-Eyed? Revealing and Mitigating Center Bias in the CLIP Family

CLIP是否双目偏视？揭示并缓解CLIP家族中的中心偏差

Oscar Chew, Hsiao-Ying Huang, Kunal Jain, Tai-I Chen, Khoa D Doan, Kuan-Hao Huang

机构 * Texas A&M University（德克萨斯A&M大学） ； National Taiwan University（国立台湾大学） ； ASUS（华硕） ； VinUniversity 纠错

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

AI总结 研究揭示CLIP家族模型存在中心偏差问题，导致对图像边缘重要物体识别困难，通过可解释方法分析发现嵌入表示和注意力机制中的信息丢失是原因，提出无需训练的视觉提示和注意力重分布策略缓解偏差。

Comments COLM 2026

TGIF: Text-Guided Layer Fusion Mitigates Hallucination in Multimodal LLMs

基于文本引导的层融合缓解多模态大语言模型中的幻觉

Chenchen Lin, Sanbao Su, Rachel Luo, Yuxiao Chen, Yan Wang, Marco Pavone, Fei Miao

机构 * University of Connecticut（康涅狄格大学） ； NVIDIA（NVIDIA公司） ； Stanford University（斯坦福大学） 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.AI

AI总结 TGIF通过文本引导的层融合方法，有效缓解多模态大语言模型中的幻觉问题，提升视觉接地能力。

Comments Accepted at COLM 2026

MI-MIDI: Mechanistic Interpretability of Text-to-MIDI Generation Models via Probing, Lenses and Steering

MI-MIDI：基于探测、透镜与调控的文本生成MIDI模型的可机理解释

Jakub Poćwiardowski, Mateusz Modrzejewski

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

AI总结 本研究针对两款文本生成MIDI模型，采用探测、透镜等方法开展可机理解释，揭示架构对音乐结构的塑造作用，提出双取向调控协议并提供音乐概念追踪工具包。

Comments 13 pages

Skill-RAG: Failure-State-Aware Retrieval Augmentation via Hidden-State Probing and Skill Routing

Skill-RAG: 通过隐藏状态探测与技能路由实现故障状态感知的检索增强

Kai Wei, Raymond Li, Xi Zhu, Zhaoqian Xue, Jiaojiao Han, Jingcheng Niu, Fan Yang

机构 * University of Michigan（密歇根大学） ； University of British Columbia（不列颠哥伦比亚大学） ； Rutgers University（罗格斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； New Jersey Institute of Technology（新泽西理工学院） ； TU Darmstadt（图腾斯大学） ； Wake Forest University（威克森林大学） 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 提出Skill-RAG框架，通过轻量级隐藏状态探测器和基于提示的技能路由器，在检索失败时诊断原因并选择四种技能（查询重写、问题分解、证据聚焦、退出）纠正查询-证据错位，显著提升多轮检索后困难案例的准确性。

Social World Models

社交世界模型

Xuhui Zhou, Jiarui Liu, Akhila Yerukola, Hyunwoo Kim, Maarten Sap

机构 * Language Technologies Institute, Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学语言技术研究所） ； NVIDIA, Santa Clara, CA, USA（英伟达） 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 本文提出社交世界模型（SWMs）及结构化社交世界表示形式（S3AP），通过显式建模隐藏心理状态提升AI在社交推理任务中的性能。

Equivariant Sparse Autoencoders: Mechanistic Interpretability of Neural Networks on Symmetric Data

等变稀疏自编码器：对称数据上神经网络的机制可解释性

Ege Erdogan, Ana Lucic

机构 * University of Amsterdam（阿姆斯特丹大学） 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.LG

AI总结 该研究针对稀疏自编码器在对称数据上的不可识别问题，提出等变稀疏自编码器，可避免缺陷并发现更有用的下游任务特征，表明重构质量与特征实用性在对称下可能负相关。

Comments NeurIPS 2025 Mechanistic Interpretability and UniReps workshops

Decomposed Entailment for Factuality Checking and Hallucination Detection

用于事实性核查与幻觉检测的分解式蕴含关系

Achir Oukelmoun, Nasredine Semmar, Gaël De Chalendar

机构 * CEA LIST 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 本研究提出轻量级黑箱框架HallDetect，将生成内容分解为原子主张并经对比式蕴含模型验证，在多基准上优于同资源基线，可定位幻觉错误。