语言大模型 / LLM

Speech-Driven Text Retrieval: Using Target IR Collections for Statistical Language Model Adaptation in Speech Recognition

Atsushi Fujii, Katunobu Itou, Tetsuya Ishikawa

专题命中 其他LLM ：language model(title,abstract)；分类 cs.CL

Journal ref Anni R. Coden and Eric W. Brown and Savitha Srinivasan (Eds.), Information Retrieval Techniques for Speech Applications (LNCS 2273), pp.94-104, Springer, 2002

Combining semantic and syntactic structure for language modeling

Rens Bod

专题命中 其他LLM ：language model(title,abstract)；分类 cs.CL

Comments 4 pages

Journal ref Proceedings ICSLP'2000, Beijing, China

Compiling Language Models from a Linguistically Motivated Unification Grammar

Manny Rayner, Beth Ann Hockey, Frankie James, Elizabeth O. Bratt, Sharon Goldwater, Mark Gawron

专题命中 其他LLM ：language model(title,abstract)；分类 cs.CL

Comments To be published in COLING 2000

Refinement of a Structured Language Model

Ciprian Chelba, Frederick Jelinek

专题命中 其他LLM ：language model(title,abstract)；分类 cs.CL

Comments 10 pages

Journal ref Proceedings of the International Conference on Advances in Pattern Recognition, 1998, pp. 275-284, Plymouth, UK

Exploiting Syntactic Structure for Natural Language Modeling

Ciprian Chelba

专题命中 其他LLM ：language model(title,abstract)；分类 cs.CL

Comments Advisor: Frederick Jelinek, Ph.D. Thesis, 122 pages; removed unused .eps file

Contextual Information and Specific Language Models for Spoken Language Understanding

Paolo Baggia, Morena Danieli, Elisabetta Gerbino, Loreta M. Moisa, Cosmin Popovici

专题命中 其他LLM ：language model(title,abstract)；分类 cs.CL

Comments 6 pages, Latex, uses aclap.sty

Journal ref Proceedings of SPECOM'97, Cluj-Napoca, Romania, pp. 51-56

Point Prompting: Counterfactual Tracking with Video Diffusion Models

点提示：基于视频扩散模型的反事实跟踪

Ayush Shrivastava, Sanyam Mehta, Daniel Geng, Andrew Owens

机构 * University of Michigan（密歇根大学） ； Cornell University（康奈尔大学） 纠错

专题命中 其他LLM ：prompting(title,abstract)

AI总结 本文提出利用视频扩散模型进行零样本点跟踪，通过提示模型在视频中标记移动点，实现反事实生成，实验表明其跟踪效果优于传统方法且能克服遮挡。

Comments ICLR 2026. Project link: https://point-prompting.github.io

Zero-Shot 3D Visual Grounding from Vision-Language Models

Rong Li, Shijie Li, Lingdong Kong, Xulei Yang, Junwei Liang

机构 * HKUST(GZ)（香港科技大学（广州）） ； I 2 R, A*STAR（I2R, A*STAR） ； NUS（国立大学） ； CSE, HKUST（计算机科学与工程系，香港科技大学） 纠错

专题命中 其他LLM ：language model(title,abstract)；LLM(comments)

Comments 3D-LLM/VLA @ CVPR 2025; Project Page at https://seeground.github.io/

Mitigating Cache Noise in Test-Time Adaptation for Large Vision-Language Models

Haotian Zhai, Xinyu Chen, Can Zhang, Tianming Sha, Ruirui Li

专题命中 其他LLM ：language model(title,abstract)；foundation model(comments)

Comments Accepted by ICME 2025 and ICLR 2025 Workshop on Foundation Models in the Wild

Personalized Large Vision-Language Models

Chau Pham, Hoang Phan, David Doermann, Yunjie Tian

专题命中 其他LLM ：language model(title,abstract)；LLM(comments)

Comments A simple way to personalize your LLM

"It's like a rubber duck that talks back": Understanding Generative AI-Assisted Data Analysis Workflows through a Participatory Prompting Study

Ian Drosos, Advait Sarkar, Xiaotong Xu, Carina Negreanu, Sean Rintel, Lev Tankelevitch

专题命中 其他LLM ：prompting(title,abstract)

Comments Ian Drosos, Advait Sarkar, Xiaotong Xu, Carina Negreanu, Sean Rintel, and Lev Tankelevitch. 2024. "It's like a rubber duck that talks back": Understanding Generative AI-Assisted Data Analysis Workflows through a Participatory Prompting Study. In Proceedings of the 3rd Annual Meeting of the Symposium on Human-Computer Interaction for Work (CHIWORK 2024)

Journal ref Proceedings of the 3rd Annual Meeting of the Symposium on Human-Computer Interaction for Work (CHIWORK 2024)

Semantic Importance-Aware Communications Using Pre-trained Language Models

Shuaishuai Guo, Yanhu Wang, Shujing Li, Nasir Saeed

专题命中 其他LLM ：language model(title,abstract)

Comments Accepted by IEEE Communications Letters, Semantic communications, pre-trained language model, ChatGPT, BERT, data importance

Where did the ambiguity go? Examining how multimodal models interpret polysemous words

歧义去了哪里？探究多模态模型如何解释多义词

Jasin Cekinmez, Addison J. Wu, Raja Marjieh, Thomas L. Griffiths

机构 * Princeton University（普林斯顿大学） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；foundation model(abstract)；分类 cs.CL、cs.AI

AI总结 该研究对比17个文本到图像模型和15个文本生成模型，发现多模态模型生成图像的词义多样性低于文本，揭示了基础模型在不同模态间意义表达的迁移 gap。

Comments Oral Presentation, Sci-FM Workshop @ COLM 2026

Linguistic Comparison of AI- and Human-Written Responses to Online Mental Health Queries

人工智能与人类撰写回复的语言比较：在线心理健康查询

Koustuv Saha, Yoshee Jain, Violeta J. Rodriguez, Munmun De Choudhury

机构 * Siebel School of Computing and Data Science, The Grainger College of Engineering, University of Illinois Urbana-Champaign（Siebel计算与数据科学学院，格拉inger工程学院，伊利诺伊大学厄巴纳-香槟分校） ； Department of Psychology, College of Liberal Arts and Sciences, University of Illinois Urbana-Champaign（心理学系，文理学院，伊利诺伊大学厄巴纳-香槟分校） ； School of Interactive Computing, College of Computing, Georgia Institute of Technology（交互计算学院，计算机学院，佐治亚理工学院） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；prompting(abstract_cn)；分类 cs.CL、cs.AI

AI总结 研究通过比较AI和人类回复的语义和语言特征，探讨AI在心理健康支持中的有效性及局限性。

Journal ref npj Artificial Intelligence, 2026

Agent Team Work Zone: An Automated, Persistent Workspace for Long-Lived Claude Code Agent Teams

智能体团队工作区：面向长期存在的编码智能体团队的自动化持久工作区

Shouren Wang

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

AI总结 研究针对Claude Code等大语言模型智能体在长期工作流程中存在的问题，提出ATWZ，通过围绕其原生智能体团队构建基于文件系统的操作层，保存智能体工作状态等，解决相关问题并减少提示编写工作量。

Comments 31 pages, 9 figures

How Context Shapes Truth: Geometric Transformations of Statement-level Truth Representations in LLMs

上下文如何塑造真相：LLMs中语句级真相表示的几何变换

Shivam Adarsh, Maria Maistro, Christina Lioma

机构 * University of Copenhagen（哥本哈根大学） 纠错

专题命中 其他LLM ：LLM(abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 研究LLMs中上下文如何改变真相向量，发现早期层正交、中层收敛，上下文增加向量幅度，大模型通过方向变化区分相关与无关上下文。

Comments ACL 2026 (Main)

Are LLMs Reliable Rankers? Rank Manipulation via Two-Stage Token Optimization

LLMs的排名可靠性如何？通过两阶段令牌优化实现排名操纵

Tiancheng Xing, Jerry Li, Yixuan Du, Xiyang Hu

机构 * National University of Singapore（新加坡国立大学） ； University of Southern California（南加州大学） ； Georgetown University（乔治城大学） ； Arizona State University（亚利桑那州立大学） 纠错

专题命中 其他LLM ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出RAF方法，通过两阶段令牌优化生成自然语言提示，提升目标项在LLM排名中的位置，同时保持语言自然性，实验显示其在提升排名和保持自然性方面比现有方法更鲁棒。

Comments ACL 2026

SHIFT: Gate-Modulated Activation Steering for Knowledge Conflict Mitigation in Retrieval-Augmented Generation

SHIFT: 门控调制激活引导用于检索增强生成中的知识冲突缓解

Ruochang Li, Pengcheng Huang, Zhenghao Liu, Yukun Yan, Huiyuan Xie, Yu Gu, Ge Yu, Maosong Sun

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang, China（东北大学计算机科学与工程学院，沈阳，中国） ； Department of Computer Science and Technology, Tsinghua University, Beijing, China（清华大学计算机科学与技术系，北京，中国） 纠错

专题命中 其他LLM ：LLM(summary_cn,abstract_cn)；分类 cs.CL、cs.AI

AI总结 提出SHIFT框架，通过轻量级门控模块调节LLM内部激活，以自适应解决检索上下文与参数知识间的冲突，仅优化0.01%参数，在六个数据集上验证有效性。

Comments 19 pages, 13 Figures

Rotary Position Encodings for Graphs

图的旋转位置编码

Isaac Reid, Arijit Sehanobish, Cederik Höfs, Bruno Mlodozeniec, Leonhard Vulpius, Federico Barbero, Adrian Weller, Krzysztof Choromanski, Richard E. Turner, Petar Veličković

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

AI总结 研究旋转位置编码（RoPE）在图结构数据上的应用，提出基于图拉普拉斯谱的旋转方法（WIRE），提升图学习性能，并具有理论性质。

Why Are Linear RNNs More Parallelizable?

为什么线性RNN更易于并行化？

William Merrill, Hongjian Jiang, Yanhong Li, Anthony Lin, Ashish Sabharwal

专题命中 其他LLM ：LLM(abstract,abstract_cn)；language model(abstract)；分类 cs.CL、cs.LG

AI总结 本文通过将RNN类型与标准复杂度类紧密关联，揭示了线性RNN（LRNN）因可视为对数深度算术电路而易于并行化，而非线性RNN因能解决L-完全问题而存在并行化障碍。

Comments To appear at ICML 2026

Reducing Political Manipulation with Consistency Training

通过一致性训练减少政治操纵

Long Phan, Devin Kim, Alexander Pan, Alice Blair, Adam Khoja, Dan Hendrycks

机构 * Center for AI Safety（人工智能安全中心） ； UC Berkeley（加州大学伯克利分校） 纠错

专题命中 其他LLM ：LLM(abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 针对大语言模型在敏感话题中表现出的隐性政治偏见，提出政治一致性训练（PCT）方法，通过情感一致性和帮助一致性两个指标及相应训练范式来减少偏见。

Speaking of Language: Reflections on Metalanguage Research in NLP

论语言：NLP中元语言研究的思考

Nathan Schneider, Antonios Anastasopoulos

机构 * Georgetown University（乔治城大学） ； George Mason University（弗吉尼亚理工大学） 纠错

专题命中 其他LLM ：LLM(summary_cn,abstract_cn)；分类 cs.CL、cs.AI

AI总结 本文定义元语言概念，将其与NLP和LLM关联，介绍两个实验室以元语言为中心的研究，并讨论元语言的四个维度及元语言任务，提出未来研究方向。

Comments To appear at the Big Picture Workshop at ACL 2026. Camera-ready version

Probabilistic Modeling of Latent Agentic Substructures in Deep Neural Networks

深度神经网络中潜在代理子结构的概率建模

Su Hyeong Lee, Risi Kondor, Richard Ngo

机构 * Department of Statistics, University of Chicago（芝加哥大学统计学系） ； Department of Computer Science, University of Chicago（芝加哥大学计算机科学系） 纠错

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

AI总结 本文提出基于概率建模的智能代理理论，探讨了代理通过加权对数池化实现递归结构，并揭示了在LLM中代理对齐现象的数学框架。

Comments Accepted by ICML 2026

ContextualSHAP : Enhancing SHAP Explanations Through Contextual Language Generation

ContextualSHAP：通过上下文语言生成增强SHAP解释

Latifa Dwiyanti, Sergio Ryan Wibisono, Hidetaka Nambo

机构 * Kanazawa University（金泽大学） 纠错

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

AI总结 本文提出结合大语言模型生成上下文解释的ContextualSHAP，提升SHAP解释的可理解性与实用性，通过医疗案例验证其有效性。

Comments This paper was accepted and presented at the 7th World Symposium on Software Engineering (WSSE) 2025 on 25 October 2025 in Okayama, Japan, and is currently awaiting publication

Journal ref WSSE '25: Proceedings of the 2025 7th World Symposium on Software Engineering

Agentic Driving Coach: Robustness and Determinism of Agentic AI-Powered Human-in-the-Loop Cyber-Physical Systems

代理驾驶教练：代理AI驱动的人机协同物理系统中的鲁棒性与确定性

Deeksha Prahlad, Daniel Fan, Hokeun Kim

机构 * Arizona State University（亚利桑那州立大学） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；foundation model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出基于反应计算模型的框架，用于解决人机协同物理系统中代理AI的鲁棒性和确定性问题，通过驾驶教练案例验证了方法的有效性。

Commercial Persuasion in AI-Mediated Conversations

人工智能调解对话中的商业说服

Francesco Salvi, Alejandro Cuevas, Manoel Horta Ribeiro

机构 * Princeton University（普林斯顿大学） 纠错

专题命中 其他LLM ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 研究探讨了人工智能调解对话中商业说服的影响，发现基于LLM的说服使用户选择赞助产品率提高近三倍，且大多数参与者未能察觉促销倾向。

LLMs Do Not Grade Essays Like Humans

大型语言模型并不像人类那样评分作文

Jerin George Mathew, Sumayya Taher, Anindita Kundu, Denilson Barbosa

机构 * University of Alberta（阿尔伯塔大学） 纠错

专题命中 其他LLM ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文评估了LLM生成的评分与人类评分的一致性，发现LLM在评分时存在偏差，倾向于给短或不充分的作文高分，而给较长但有小错误的作文低分，表明LLM的评分机制与人类不同。

Principled Context Engineering for RAG: Statistical Guarantees via Conformal Prediction

基于RAG的原理化上下文工程：通过符合预测实现统计保证

Debashish Chakraborty, Eugene Yang, Daniel Khashabi, Dawn Lawrie, Kevin Duh

机构 * HLTCOE, Johns Hopkins University（HLTCOE，约翰霍普金斯大学） 纠错

专题命中 其他LLM ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出通过符合预测框架实现RAG的上下文工程，通过统计可控的过滤方法减少冗余上下文，提升事实准确性。

Comments Accepted at ECIR 2026

kRAIG: A Natural Language-Driven Agent for Automated DataOps Pipeline Generation

kRAIG：一种基于自然语言的自动化数据Ops流水线生成代理

Rohan Siva, Kai Cheung, Lichi Li, Ganesh Sundaram

机构 * Cisco（思科公司） 纠错

专题命中 其他LLM ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 kRAIG通过ReQuesAct框架明确用户意图，利用检索增强的工具合成过程生成KFP流水线，提升数据提取和加载的成功率及转换准确性。

Comments 9 pages, 7 figures

From Vulnerabilities to Remediation: A Systematic Literature Review of LLMs in Code Security

从漏洞到修复：对LLMs在代码安全中应用的系统文献综述

Enna Basic, Alberto Giaretta

机构 * Department of Computer Science, Örebro University（奥雷布罗大学计算机科学系） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.CL、cs.AI

AI总结 本文系统综述了LLMs在代码安全中的应用，探讨其引入漏洞类型、漏洞检测与修复能力及提示策略影响，以及数据中毒攻击对其性能的影响。