语言大模型 / LLM

Fine-Tuning a Large Vision-Language Model for Artwork's Scoring and Critique

对大型视觉-语言模型进行微调以用于艺术品的评分与批评

Zhehan Zhang, Meihua Qian, Li Luo, Siyu Huang, Chaoyi Zhou, Ripon Saha, Xinxin Song

专题命中 指令微调 ：language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出通过微调Qwen2-VL-7B模型，结合多任务学习实现对人类绘画的自动化创造力评估，通过生成与评分标准一致的反馈，提高评分准确性和反馈质量。

LASS-ODE: Scaling ODE Computations to Connect Foundation Models with Dynamical Physical Systems

LASS-ODE：将ODE计算扩展以连接基础模型与动态物理系统

Haoran Li, Chenhan Xiao, Lihao Mai, Yang Weng, Erik Blasch

机构 * Department of Electrical, Computer, and Energy Engineering, Arizona State University, AZ, United States（电气、计算机与能源工程系，亚利桑那州立大学） ； Air Force Research Laboratory, VA, United States（空军研究实验室） 纠错

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 LASS-ODE通过局部线性ODE表示和跨系统注意力机制，提升物理系统动态预测的可扩展性和知识共享效率。

ExChanGeAI: An End-to-End Platform and Efficient Foundation Model for Electrocardiogram Analysis and Fine-tuning

ExChanGeAI: 一个端到端平台和高效的ECG基础模型用于心电图分析与微调

Lucas Bickmann, Lucas Plagwitz, Antonius Büscher, Lars Eckardt, Julian Varghese

机构 * Institute of Medical Informatics, University Münster, Germany（医学信息学研究所，穆斯特大学，德国） ； Clinic for Cardiology II: Electrophysiology, University Hospital Münster, Germany（心脏病学二诊所：电生理学，穆斯特大学医院，德国） 纠错

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 ExChanGeAI是一个端到端平台，提供高效的心电图基础模型CardX，支持从头训练和微调，适用于多种计算环境，且在性能和资源消耗上优于现有模型。

Journal ref J Med Internet Res 2026;28:e81116

The Blessing of Dimensionality in LLM Fine-tuning: A Variance-Curvature Perspective

维度红利在LLM微调中的作用：一种方差-曲率视角

Qiyao Liang, Jinyeop Song, Yizhou Liu, Jeff Gore, Ila Fiete, Risto Miikkulainen, Xin Qiu

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Cognizant AI Lab（Cognizant AI实验室） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 指令微调 ：LLM(title)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文从方差-曲率视角探讨LLM微调中的维度红利，揭示微调景观的低维曲率特性，表明小种群可有效优化高维微调任务。

Comments 8 pages, 6 figures, plus appendices

MORPH: PDE Foundation Models with Arbitrary Data Modality

MORPH：具有任意数据模态的PDE基础模型

Mahindra Singh Rautela, Alexander Most, Siddharth Mansingh, Bradley C. Love, Alexander Scheinker, Diane Oyen, Nathan Debardeleben, Earl Lawrence, Ayan Biswas

机构 * Computing and Artificial Intelligence Division (CAI), Los Alamos National Laboratory, NM, US（计算与人工智能部门（CAI），洛斯阿拉莫斯国家实验室） 纠错

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 MORPH是一种基于卷积视觉变压器的PDE基础模型，通过多模态处理和高效注意机制实现对异质科学数据的高效学习。

LLM-VA: Resolving the Jailbreak-Overrefusal Trade-off via Vector Alignment

LLM-VA: 通过向量对齐解决对抗性回应与过度拒绝的权衡

Haonan Zhang, Dongxia Wang, Yi Liu, Kexin Chen, Wenhai Wang

机构 * Zhejiang University（浙江大学） ； Griffith University（格里菲斯大学） ； Huzhou Institute of Industrial Control Technology（湖州工业控制技术研究院） 纠错

专题命中 指令微调 ：LLM(title,abstract)；分类 cs.AI、cs.LG

AI总结 LLM-VA通过向量对齐解决大型语言模型在对抗性回应与过度拒绝间的权衡问题，提升安全性和效用。

Integrating Language Models for Enhanced Network State Monitoring in DRL-Based SFC Provisioning

在基于深度强化学习的SFC配置中整合语言模型以增强网络状态监控

Parisa Fard Moshiri, Murat Arda Onsu, Poonam Lohan, Burak Kantarci, Emil Janulewicz

机构 * University of Ottawa（渥太华大学） ； Ciena（Ciena公司） 纠错

专题命中 指令微调 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出将深度强化学习与BERT结合，以提升基于DRL的SFC配置中网络状态监控的效率和准确性。

Comments 6 pages, 5 figures, submitted to 30th IEEE International Symposium on Computers and Communications (ISCC) 2025

Exploring Fine-Tuning of Large Audio Language Models for Spoken Language Understanding under Limited Speech Data

探索有限语音数据下大型音频语言模型的微调以提升语音语言理解

Youngwon Choi, Jaeyoon Jung, Hyeonyu Kim, Huu-Kim Nguyen, Hwayeon Kim

机构 * MAUM AI Inc.（MAUM AI公司） ； Soongsil University（_soongsil大学） 纠错

专题命中 指令微调 ：language model(title,abstract)；分类 cs.CL、cs.LG

AI总结 本研究探讨了在有限语音数据条件下，通过不同微调方案提升语音语言理解性能，发现文本-only微调已具竞争力，课程学习在数据稀缺时效果显著。

Comments 4 pages (excluding references), 2 figures, ICASSP 2026 (Accepted)

Fed-SE: Federated Self-Evolution for Privacy-Constrained Multi-Environment LLM Agents

Fed-SE: 联邦自我进化用于隐私约束下的多环境大语言模型代理

Xiang Chen, Yuling Shi, Qizhen Lan, Yuchao Qiu, Min Wang, Xiaodong Gu, Yanfu Yan

机构 * Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） ； UTHealth Houston（UT健康科学中心休斯顿分校） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

专题命中 指令微调 ：LLM(title,abstract)；分类 cs.AI、cs.LG

AI总结 Fed-SE通过局部进化与全局聚合范式，在隐私约束下提升多环境大语言模型代理的跨环境知识转移效果。

Flexible Realignment of Language Models

语言模型的灵活重校准

Wenhong Zhu, Ruobing Xie, Weinan Zhang, Rui Wang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） ； Large Language Department, Tencent（腾讯大语言部门） 纠错

专题命中 指令微调 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出灵活的重校准框架，通过训练和推理时的可控对齐方法，提升语言模型的性能和适应性。

HyDRA: Hierarchical and Dynamic Rank Adaptation for Mobile Vision Language Model

HyDRA：面向移动视觉语言模型的分层和动态秩适应

Yuanhao Xi, Xiaohuan Bing, Ramin Yahyapour

机构 * Liaoning Technical University（辽宁技术大学） ； University of Göttingen（哥廷根大学） 纠错

专题命中 指令微调 ：language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 HyDRA通过分层和动态秩调度优化，提升移动视觉语言模型的微调效率和性能。

ARD-LoRA: Dynamic Rank Allocation for Parameter-Efficient Fine-Tuning of Foundation Models with Heterogeneous Adaptation Needs

ARD-LoRA：动态秩分配用于具有异质适应需求的基础模型参数高效微调

Haseeb Ullah Khan Shinwari, Muhammad Usama

机构 * Newton AI Lab（牛顿人工智能实验室） ； School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（电气工程学院，韩国科学技术院） 纠错

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 ARD-LoRA通过动态秩分配提升基础模型微调效率，实现参数高效且适应性更强的模型调整。

Journal ref IEEE Transactions on Artificial Intelligence, 2025

Emotional Support with LLM-based Empathetic Dialogue Generation

基于大语言模型的共情对话生成情感支持

Shiquan Wang, Ruiyu Fang, Zhongjiang He, Shuangyong Song, Yongxiang Li

机构 * Institute of Artificial Intelligence (TeleAI), China Telecom Corp Ltd（人工智能研究院（TeleAI），中国电信股份有限公司） 纠错

专题命中 指令微调 ：LLM(title)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出基于大语言模型和提示工程的共情对话生成方法，在NLPCC 2025任务中实现第二名，展示了LLM与适应方法结合在情感支持任务中的潜力。

Time Series Foundation Models for Process Model Forecasting

用于过程模型预测的时间序列基础模型

Yongbo Yu, Jari Peeperkorn, Johannes De Smedt, Jochen De Weerdt

机构 * Research Center for Information Systems Engineering (LIRIS)（信息系统工程研究中心（LIRIS）） 纠错

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出使用时间序列基础模型（TSFMs）进行过程模型预测，通过零样本方法在不额外训练的情况下实现更优的预测性能，展示了其在处理稀疏异质时间序列方面的有效性。

Recover-to-Forget: Gradient Reconstruction from LoRA for Efficient LLM Unlearning

恢复-遗忘：从LoRA恢复梯度以实现高效的LLM反学习

Yezi Liu, Hanning Chen, Wenjun Huang, Yang Ni, Mohsen Imani

机构 * University of California, Irvine（加州大学尔湾分校） ； Purdue University Northwest（普渡大学西北分校） 纠错

专题命中 指令微调 ：LLM(title)；foundation model(abstract)；分类 cs.CL、cs.LG

AI总结 R2F通过从LoRA适配器更新中恢复梯度方向，实现高效LLM反学习，无需完整微调或内部参数访问。

RMAdapter: Reconstruction-based Multi-Modal Adapter for Vision-Language Models

RMAdapter: 基于重建的多模态适配器用于视觉-语言模型

Xiang Lin, Weixin Li, Shu Guo, Lihong Wang, Di Huang

专题命中 指令微调 ：language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 RMAdapter通过双分支架构平衡通用与任务特定知识，提升视觉-语言模型在多模态迁移学习中的性能。

Comments Accepted by AAAI 2026(Oral)

MarkTune: Improving the Quality-Detectability Trade-off in Open-Weight LLM Watermarking

MarkTune: 改善开放权重语言模型水印中的质量-可检测性权衡

Yizhou Zhao, Zhiwei Steven Wu, Adam Block

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Columbia University（哥伦比亚大学） 纠错

专题命中 指令微调 ：LLM(title)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 MarkTune通过理论框架提升开放权重语言模型中质量与可检测性的平衡，优于GaussMark并保持生成质量。

NAS-LoRA: Empowering Parameter-Efficient Fine-Tuning for Visual Foundation Models with Searchable Adaptation

NAS-LoRA: 通过可搜索适应增强视觉基础模型的参数高效微调

Renqi Chen, Haoyang Su, Shixiang Tang

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.CL、cs.AI

AI总结 NAS-LoRA 通过引入可搜索适应的神经网络架构搜索块，提升视觉基础模型在特定领域中的参数高效微调性能，减少训练成本24.14%。

Text-Printed Image: Bridging the Image-Text Modality Gap for Text-centric Training of Large Vision-Language Models

文本打印图像：为以文本为中心的大型视觉-语言模型训练弥合图像-文本模态差距

Shojiro Yamabe, Futa Waseda, Daiki Shiono, Tsubasa Takahashi

机构 * Turing Inc.（图灵公司） ； Institute of Science Tokyo（东京科学研究院） ； The University of Tokyo（东京大学） ； Tohoku University（东北大学） 纠错

专题命中 指令微调 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本研究提出文本打印图像（TPI）技术，通过生成合成图像弥合图像-文本模态差距，提升以文本为中心的大型视觉-语言模型训练效果。

Test-Time Spectrum-Aware Latent Steering for Zero-Shot Generalization in Vision-Language Models

测试时谱感知的潜在引导用于视觉-语言模型中的零样本泛化

Konstantinos M. Dafnis, Dimitris N. Metaxas

机构 * Rutgers University（罗格斯大学） 纠错

专题命中 指令微调 ：language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出STP，一种轻量级的测试时适应框架，通过谱感知方法引导潜在表示，提升视觉-语言模型在零样本泛化中的性能，同时保持高效推理速度和低内存消耗。

Comments NeurIPS 2025

FMTK: A Modular Toolkit for Composable Time Series Foundation Model Pipelines

FMTK：用于可组合时间序列基础模型流水线的模块化工具包

Hetvi Shastri, Pragya Sharma, Walid A. Hanafy, Mani Srivastava, Prashant Shenoy

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of California Los Angeles（加州大学洛杉矶分校） 纠错

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 FMTK提供了一个模块化工具包，用于构建和微调时间序列基础模型流水线，通过标准化的主干和组件抽象实现灵活组合和高效性能。

Are Large Brainwave Foundation Models Capable Yet? Insights from Fine-tuning

大规模脑电基础模型是否已具备能力？来自微调的洞察

Na Lee, Konstantinos Barmpas, Yannis Panagakis, Dimitrios Adamos, Nikolaos Laskaris, Stefanos Zafeiriou

机构 * Imperial College London（伦敦帝国学院） ； Archimedes / Athena Research Unit（阿基米德/雅典娜研究单位） ； Aristotle University of Thessaloniki（雅典娜大学） ； Kapodistrian University of Athens（雅典kapodistrian大学） 纠错

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文通过微调实验评估了大规模脑电基础模型的能力，发现其在BCI任务中效率有限，提出LoRA技术可提升性能，强调需重新设计架构以提升脑电分析效果。

Journal ref International Conference on Machine Learning (ICML) 2025

Revisiting Pre-trained Language Models for Vulnerability Detection

重新审视预训练语言模型用于漏洞检测

Youpeng Li, Weiliang Qi, Xuyu Wang, Fuxun Yu, Xinda Wang

机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Florida International University（佛罗里达国际大学） ； Microsoft（微软公司） 纠错

专题命中 指令微调 ：language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文重新审视预训练语言模型在漏洞检测中的应用，发现特定设计的模型在性能上更优，但面临现实场景中的挑战，如复杂依赖检测和标注错误问题。

Comments Accepted by the 21st ACM ASIA Conference on Computer and Communications Security (AsiaCCS 2026)

Doubly Debiased Test-Time Prompt Tuning for Vision-Language Models

Fei Song, Yi Li, Rui Wang, Jiahuan Zhou, Changwen Zheng, Jiangmeng Li

专题命中 指令微调 ：language model(title,abstract)；分类 cs.AI、cs.LG

Comments Accepted by AAAI2026

Towards Effective Federated Graph Foundation Model via Mitigating Knowledge Entanglement

Yinlin Zhu, Xunkai Li, Jishuo Jia, Miao Hu, Di Wu, Meikang Qiu

机构 * Sun Yat-sen University（中山大学） ； Beijing Institute of Technology（北京理工大学） ； Shandong University（山东大学） ； Augusta University（奥古斯塔大学） 纠错

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

Comments Accepted by NeurIPS 2025

Forecast2Anomaly (F2A): Adapting Multivariate Time Series Foundation Models for Anomaly Prediction

Atif Hassan, Tarun Kumar, Ashish Mishra, Sergey Serebryakov, Satish Kumar Mopur, Phanidhar Koganti, Murthy Chelankuri, Ramanagopal Vogety, Suparna Bhattacharya, Martin Foltin

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

From Insight to Exploit: Leveraging LLM Collaboration for Adaptive Adversarial Text Generation

Najrin Sultana, Md Rafi Ur Rashid, Kang Gu, Shagufta Mehnaz

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Dartmouth College（达特茅斯学院） 纠错

专题命中 指令微调 ：LLM(title,abstract)；分类 cs.CL、cs.LG

Comments Findings of the Association for Computational Linguistics: EMNLP 2025 (camera-ready)

Revisiting semi-supervised learning in the era of foundation models

Ping Zhang, Zheda Mai, Quang-Huy Nguyen, Wei-Lun Chao

机构 * The Ohio State University（俄亥俄州立大学） 纠错

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

Comments The paper has been accepted to NeurIPS 2025. Ping Zhang and Zheda Mai contributed equally to this work

Hey, wait a minute: on at-issue sensitivity in Language Models

Sanghee J. Kim, Kanishka Misra

机构 * The University of Chicago（芝加哥大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 指令微调 ：language model(title,abstract)；分类 cs.CL、cs.AI

Comments 10 pages, 5 figures, 3 tables. See https://github.com/sangheek16/hey-wait-a-minute for code and data

Boosting Omnidirectional Stereo Matching with a Pre-trained Depth Foundation Model

Jannik Endres, Oliver Hahn, Charles Corbière, Simone Schaub-Meyer, Stefan Roth, Alexandre Alahi

机构 * École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院） ； Technical University of Darmstadt, Department of Computer Science（德累斯顿技术大学计算机科学系） 纠错

专题命中 指令微调 ：foundation model(title,abstract)；分类 cs.AI、cs.LG

Comments Accepted at IROS 2025. Project page: https://vita-epfl.github.io/DFI-OmniStereo-website/