语言大模型 / LLM

Label-Consistent Data Generation for Aspect-Based Sentiment Analysis Using LLM Agents

基于 LLM 代理的标签一致数据生成用于基于方面的情感分析

Mohammad H. A. Monfared, Lucie Flek, Akbar Karimi

机构 * Bonn-Aachen International Center for Information Technology, University of Bonn, Germany（波恩-阿赫恩国际信息科技中心，波恩大学，德国） ； Lamarr Institute for Machine Learning and Artificial Intelligence, Germany（拉马尔机器学习与人工智能研究所，德国） 纠错

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

AI总结 本文提出了一种基于 LLM 代理的数据增强方法，通过迭代生成和验证提升 ABSA 中标签一致性的效果，尤其在方面术语生成任务中表现更优。

Comments Accepted to WASSA Workshop at EACL 2026

Eureka-Audio: Triggering Audio Intelligence in Compact Language Models

Eureka-Audio: 在紧凑语言模型中触发音频智能

Dan Zhang, Yishu Lei, Jing Hu, Shuwei He, Songhe Deng, Xianlong Luo, Danxiang Zhu, Shikun Feng, Rui Liu, Jingzhou He, Yu Sun, Hua Wu, Haifeng Wang

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

AI总结 Eureka-Audio通过紧凑架构和统一端到端设计，在低参数量下实现高性能音频理解，匹配甚至超越大模型表现。

Comments 23 pages, 4 figures

Adapting Vision-Language Models for E-commerce Understanding at Scale

大规模电商理解中的视觉-语言模型适应

Matteo Nulli, Vladimir Orshulevich, Tala Bazazo, Christian Herold, Michael Kozielski, Marcin Mazur, Szymon Tuzel, Cees G. M. Snoek, Seyyed Hadi Hashemi, Omar Javed, Yannick Versley, Shahram Khadivi

机构 * eBay Inc.（eBay公司） ； University of Amsterdam（阿姆斯特丹大学） 纠错

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

AI总结 本文提出了一种方法，通过大规模实验研究，展示如何通过针对性适应通用视觉-语言模型以提升电子商务性能，同时保持多模态能力，并提出新的评估套件。

Bridging the Modality Gap in Roadside LiDAR: A Training-Free Vision-Language Model Framework for Vehicle Classification

弥合道路激光雷达的模态差距：一种无需训练的视觉-语言模型框架用于车辆分类

Yiqiao Li, Bo Shang, Jie Wei

机构 * Department of Civil Engineering, City College of New York（城市学院土木工程系） ； Department of Computer Science, City College of New York（城市学院计算机科学系） 纠错

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

AI总结 本文提出一种无需训练的视觉-语言模型框架，用于解决道路激光雷达中稀疏点云与密集图像之间的模态差距问题，实现细粒度车辆分类。

Comments 12 pages, 10 figures, 4 tables

Are Time-Indexed Foundation Models the Future of Time Series Imputation?

时间索引基础模型是否是时间序列填补的未来？

Etienne Le Naour, Tahar Nabil, Adrien Petralia, Ghislain Agoua

机构 * EDF R&D（EDF研究与开发） 纠错

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

AI总结 本文首次对时间索引基础模型进行大规模实证研究，证明其在多种场景下无需重新训练即可实现零样本时间序列填补。

Comments Transactions on Machine Learning Research, 2026

EffoVPR: Effective Foundation Model Utilization for Visual Place Recognition

EffoVPR: 有效利用基础模型进行视觉位置识别

Issar Tzachor, Boaz Lerner, Matan Levy, Michael Green, Tal Berkovitz Shalev, Gavriel Habib, Dvir Samuel, Noam Korngut Zailer, Or Shimshi, Nir Darshan, Rami Ben-Ari

机构 * OriginAI ； The Hebrew University of Jerusalem（海法大学） 纠错

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

AI总结 EffoVPR通过有效利用基础模型提升视觉位置识别的性能，结合自注意力层提取特征和单阶段池化方法，实现更优的识别效果和特征紧凑性。

Comments ICLR 2025

Journal ref International Conference on Learning Representations (ICLR), 2025

QUATRO: Query-Adaptive Trust Region Policy Optimization for LLM Fine-tuning

QUATRO：用于LLM微调的查询自适应信任区域策略优化

Doyeon Lee, Eunyi Lyou, Hyunsoo Cho, Sookyung Kim, Joonseok Lee, Jaemoo Choi

机构 * Seoul National University（首尔国立大学） ； Ewha Woman University（成均馆大学） ； Geogia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 QUATRO通过原则性优化直接施加信任区域约束，实现稳定且可控的LLM微调，提升训练稳定性与熵控制。

Meta SecAlign: A Secure Foundation LLM Against Prompt Injection Attacks

Meta SecAlign: 一种针对提示注入攻击的 secure LLM 基础

Sizhe Chen, Arman Zharmagambetov, David Wagner, Chuan Guo

机构 * FAIR at Meta（Meta 的 FAIR 部门） ； UC Berkeley（加州大学伯克利分校） 纠错

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

AI总结 Meta SecAlign 是首个开源的 LLM，具备内置的模型级防御，实现了商业级性能，且在复杂代理任务中表现优异，同时在提示注入攻击中展现出更高的安全性。

EMO-TTA: Improving Test-Time Adaptation of Audio-Language Models for Speech Emotion Recognition

EMO-TTA: 提高音频-语言模型在语音情绪识别中的测试时适应性

Jiacheng Shi, Hongfei Du, Y. Alicia Hong, Ye Gao

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

AI总结 EMO-TTA通过统计适应方法提升音频-语言模型在语音情绪识别中的测试时适应性，无需训练即可改进模型在非领域场景下的性能。

Comments Accepted to ICASSP 2026

Rethinking Bottlenecks in Safety Fine-Tuning of Vision Language Models

重新审视视觉语言模型安全微调中的瓶颈

Yi Ding, Lijun Li, Bing Cao, Jing Shao

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Purdue University（普渡大学） ； Tianjin University（天津大学） 纠错

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

AI总结 本文提出多图像安全数据集，通过增强视觉推理能力，提升模型在安全关键任务中的性能与通用能力。

Journal ref ICLR 2026

The Trigger in the Haystack: Extracting and Reconstructing LLM Backdoor Triggers

haystack中的触发器：提取和重建LLM后门触发器

Blake Bullwinkel, Giorgio Severi, Keegan Hines, Amanda Minnich, Ram Shankar Siva Kumar, Yonatan Zunger

机构 * Microsoft, Redmond, Washington, USA（微软） 纠错

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

AI总结 本文提出了一种无需先验知识的LLM后门触发器扫描方法，通过记忆提取和输出分布分析来检测和恢复后门触发器。

RefineBridge: Generative Bridge Models Improve Financial Forecasting by Foundation Models

RefineBridge: 生成桥梁模型通过基础模型提升金融预测

Anthony Bolton, Wuyang Zhou, Zehua Chen, Giorgos Iacovides, Danilo Mandic

机构 * Department of Electrical and Electronic Engineering, Imperial College London, UK（帝国理工学院伦敦分校电子与电气工程系） ； Department of CST, Tsinghua University, Beijing, China（清华大学计算机科学与技术系） 纠错

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

AI总结 RefineBridge通过生成桥梁模型改进金融预测，利用可处理的Schrödinger Bridge框架提升时间序列基础模型的预测性能。

Sequence Repetition Enhances Token Embeddings and Improves Sequence Labeling with Decoder-only Language Models

序列重复增强标记嵌入并改进序列标注的解码器-only语言模型

Matija Luka Kukić, Marko Čuljak, David Dukić, Martin Tutek, Jan Šnajder

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

AI总结 本研究通过序列重复技术提升解码器-only模型的双向能力，改进序列标注性能，且无需大幅修改基础模型。

Comments Accepted at EACL 2026 Findings

Bridging Expectation Signals: LLM-Based Experiments and a Behavioral Kalman Filter Framework

弥合期望信号：基于LLM的实验与行为卡尔曼滤波框架

Yu Wang, Xiangchen Liu

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

AI总结 本文通过实验和行为卡尔曼滤波框架研究LLM在面对异质信号时如何更新期望，发现代理对信号的加权偏离单位，个体信号权重高于总体信号，同时信号存在负相互作用，且家庭与企业CEO的期望形成模式存在差异。

PIShield: Detecting Prompt Injection Attacks via Intrinsic LLM Features

PIShield: 通过内在LLM特性检测提示注入攻击

Wei Zou, Yupei Liu, Yanting Wang, Ying Chen, Neil Gong, Jinyuan Jia

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

AI总结 PIShield通过利用指令微调LLM的内部表示，高效检测提示注入攻击，显著优于现有方法。

Comments The code is available at https://github.com/weizou52/PIShield

Evaluating Large Vision-language Models for Surgical Tool Detection

评估大型视觉-语言模型用于手术工具检测

Nakul Poudel, Richard Simon, Cristian A. Linte

机构 * Rochester Institute of Technology（罗切斯特理工大学） ； Center for Imaging Science（成像科学中心） ； Center for Imaging Science and Biomedical Engineering（成像科学与生物医学工程中心） 纠错

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

AI总结 本研究评估了三种大型视觉-语言模型在手术工具检测任务中的性能，发现Qwen2.5在检测和泛化能力上表现最佳。

Causal Data Augmentation for Robust Fine-Tuning of Tabular Foundation Models

因果数据增强用于表格基础模型的稳健微调

Magnus Bühler, Lennart Purucker, Frank Hutter

机构 * Department of Computer Science University of Freiburg（计算机科学系弗赖堡大学） ； University of Freiburg（弗赖堡大学） ； Prior Labs ELLIS Institute Tübingen University of Freiburg（Prior实验室ELLIS研究所弗赖堡大学） 纠错

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

AI总结 CausalMixFT通过因果模型生成合成数据提升表格基础模型在低数据环境下的微调鲁棒性和性能。

Comments Accepted for oral presentation at the EurIPS 2025 Workshop on AI for Tabular Data (Copenhagen). Updated Limix citation

Adaptive Task Balancing for Visual Instruction Tuning via Inter-Task Contribution and Intra-Task Difficulty

面向视觉指令微调的自适应任务平衡：通过跨任务贡献和内在任务难度

Yanqi Dai, Yong Wang, Zebin You, Dong Jing, Xiangxiang Chu, Zhiwu Lu

机构 * Renmin University of China（中国人民大学） ； AMAP, Alibaba Group（阿里妈妈集团） 纠错

专题命中 指令微调 ：instruction tuning(title,abstract)；分类 cs.AI

AI总结 本文提出VisATB方法，通过跨任务贡献和内在任务难度实现视觉指令微调的自适应任务平衡，提升整体性能并缓解不平衡问题。

Comments Accepted for the ACM Web Conference 2026 (WWW 2026)

AM-SAM: Automated Prompting and Mask Calibration for Segment Anything Model

AM-SAM：用于Segment Anything模型的自动化提示和掩码校准

Yuchen Li, Li Zhang, Youwei Liang, Pengtao Xie

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

AI总结 AM-SAM通过自动化提示生成和掩码解码器优化，提升Segment Anything模型在语义分割任务中的准确性和效率。

Journal ref Int. J. Mach. Learn. Cybern. 17, 35 (2026)

Adversarial Defense in Vision-Language Models: An Overview

视觉-语言模型中的对抗防御：概述

Xiaowei Fu, Lei Zhang

机构 * School of Microelectronics and Communication Engineering（微电子与通信工程学院） ； Chongqing University（重庆大学） ； Chongqing, China（中国重庆） 纠错

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

AI总结 本文综述了视觉-语言模型对抗防御的最新进展，探讨了三种主要防御范式及其优缺点，旨在提升模型的鲁棒性。

Benchmarking Foundation Models and Parameter-Efficient Fine-Tuning for Prognosis Prediction in Medical Imaging

在医学影像中评估基础模型和参数高效微调用于预后预测的基准测试

Filippo Ruffini, Elena Mulero Ayllon, Linlin Shen, Paolo Soda, Valerio Guarrasi

机构 * Unit of Artificial Intelligence and Computer Systems, Department of Engineering, Università Campus Bio-Medico di Roma（人工智能与计算机系统单位，工程系，罗马生物医学大学） ； College of Computer Science and Software Engineering, Shenzhen University（计算机科学与软件工程学院，深圳大学） ； Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering, Umeå University（诊断与介入系，辐射物理，生物医学工程，乌梅大学） 纠错

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

AI总结 本研究通过基准测试比较了基础模型和CNN在医学影像预后预测中的性能，发现CNN在低资源情况下表现稳健，而FMs在数据充足时通过参数高效微调能取得良好效果。

Journal ref Computer Methods and Programs in Biomedicine, Vol. 275, 2026

LP-LLM: End-to-End Real-World Degraded License Plate Text Recognition via Large Multimodal Models

LP-LLM：基于大多模态模型的端到端真实世界退化车牌文本识别

Haoyan Gong, Hongbin Liu

机构 * Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） 纠错

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

AI总结 LP-LLM通过端到端结构感知多模态推理框架，结合字符感知模块和LoRA微调策略，提升真实世界退化车牌文本识别性能。

Few-Shot LoRA Adaptation of a Flow-Matching Foundation Model for Cross-Spectral Object Detection

为跨光谱目标检测的流匹配基础模型进行少样本LoRA适应

Maxim Clouser, Kia Khezeli, John Kalantari

机构 * Yrikka Inc.（Yrikka公司） 纠错

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

AI总结 通过少样本LoRA适应流匹配基础模型，实现跨光谱目标检测的合成数据生成与提升

Promptable Foundation Models for SAR Remote Sensing: Adapting the Segment Anything Model for Snow Avalanche Segmentation

可用于SAR遥感的可提示基础模型：为雪崩分割适应Segment Anything模型

Riccardo Gelato, Carlo Sgaravatti, Jakob Grahn, Giacomo Boracchi, Filippo Maria Bianchi

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

AI总结 本文提出基于Segment Anything Model的可提示基础模型，用于SAR遥感中雪崩分割任务，通过适配器、多编码器和提示工程策略提升标注效率。

FARM: Fine-Tuning Geospatial Foundation Models for Intra-Field Crop Yield Regression

FARM：针对田间作物产量回归的地理空间基础模型微调

Shayan Nejadshamsi, Yuanyuan Zhang, Shadi Zaki, Brock Porth, Lysa Porth, Vahab Khoshdel

机构 * University of Manitoba（曼尼托巴大学） ； AIRM Consulting Ltd.（AIRM咨询有限公司） 纠错

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

AI总结 FARM通过微调地理空间基础模型，实现了高分辨率田间作物产量预测，优于传统方法，为精准农业提供更有效的工具。

A Comparative Study of Adaptation Strategies for Time Series Foundation Models in Anomaly Detection

时间序列基础模型在异常检测中的适应策略比较研究

Miseon Park, Kijung Yoon

机构 * Department of Electronic Engineering, Hanyang University, Seoul, Korea（电子工程系，翰阳大学，首尔，韩国） ； Department of Artificial Intelligence, Hanyang University, Seoul, Korea（人工智能系，翰阳大学，首尔，韩国） 纠错

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

AI总结 本文研究了时间序列基础模型在异常检测中的适应策略，发现其在多种基准上表现优异，尤其在类别不平衡情况下，PEFT方法能有效提升性能并降低计算成本。

Robust Graph Fine-Tuning with Adversarial Graph Prompting

鲁棒图微调与对抗图提示

Ziyan Zhang, Bo Jiang, Jin Tang

机构 * School of Computer Science and Technology, Anhui University（计算机科学与技术学院，安徽大学） ； State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology（光电信息采集与防护技术国家重点实验室） 纠错

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

AI总结 本文提出对抗图提示（AGP）方法，通过整合对抗学习提升图神经网络在对抗噪声下的鲁棒性，并在多个基准任务上验证了其有效性。

Deadline-Aware Online Scheduling for LLM Fine-Tuning with Spot Market Predictions

面向截止期限的在线调度用于大语言模型微调与预留市场预测

Linggao Kong, Yuedong Xu, Lei Jiao, Chuan Xu

机构 * Fudan University（复旦大学） ； University of Oregon（俄勒冈大学） ； Inria（法国国家信息与自动化研究所） 纠错

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

AI总结 本文提出了一种面向截止期限的在线调度方法，结合预留和按需实例，通过预测和策略选择算法实现大语言模型微调的低成本高效调度。

A Declarative Language for Building And Orchestrating LLM-Powered Agent Workflows

构建和协调基于大语言模型的智能体工作流的声明式语言

Ivan Daunis

机构 * PayPal 纠错

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

AI总结 本文提出一种声明式语言，用于构建和协调基于大语言模型的智能体工作流，通过统一DSL减少开发时间和部署速度，提升非工程师的使用效率。

Bleeding Pathways: Vanishing Discriminability in LLM Hidden States Fuels Jailbreak Attacks

出血路径：LLM隐藏状态中的判别能力消失加剧了 jailbreak 攻击

Yingjie Zhang, Tong Liu, Zhe Zhao, Guozhu Meng, Kai Chen

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Ant Group（蚂蚁集团） 纠错

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

AI总结 本研究提出DEEPALIGN框架，通过增强LLM隐藏状态的分离度，有效缓解jailbreak攻击，提升安全性和实用性。