语言大模型 / LLM

Self-Foveate: Enhancing Diversity and Difficulty of Synthesized Instructions from Unsupervised Text via Multi-Level Foveation

自聚焦：通过多级聚焦从无监督文本中增强合成指令的多样性和难度

Mingzhe Li, Xin Lu, Yanyan Zhao

机构 * Research Center for Social Computing and Interactive Robotics（社会计算与交互机器人研究中心） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 Self-Foveate通过多级聚焦方法提升无监督文本合成指令的多样性和难度，采用细粒度到整体模式的提取策略，并结合重合成模块提高指令质量。

Comments Accepted to ACL 2025 (Findings). 23 pages, 4 figures

AutoBinder Agent: An MCP-Based Agent for End-to-End Protein Binder Design

AutoBinder Agent：一种基于MCP的端到端蛋白质结合剂设计代理

Fukang Ge, Jiarui Zhu, Linjie Zhang, Haowen Xiao, Xiangcheng Bao, Fangnan Xie, Danyang Chen, Yanrui Lu, Yuting Wang, Ziqian Guan, Lin Gu, Jinhao Bi, Yingying Zhu

机构 * Guangzhou Institutes of Biomedicine and Health（广州生物医学研究院） ； Chinese Academy of Sciences（中国科学院） ； Renmin University of China（中国人民大学） ； South China University of Technology（华南理工大学） ； RIKEN, Japan（日本理化学研究所） ； Westlake University（西湖大学） 纠错

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

AI总结 AutoBinder Agent通过结合LLM与MCP协议，实现端到端蛋白质结合剂设计，提升药物设计流程的可重复性与可扩展性。

Comments 4 pages, 3 figures

astra-langchain4j: Experiences Combining LLMs and Agent Programming

astra-langchain4j: 结合大语言模型与代理编程的经验

Rem Collier, Katharine Beaumont, Andrei Ciortea

机构 * School of Computer Science, University College Dublin, Ireland（都柏林大学计算机科学学院） ； School of Computer Science, University of St.Gallen, St. Gallen, Switzerland（圣加尔登大学计算机科学学院） 纠错

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

AI总结 本文介绍了将大语言模型与Astra编程语言结合的实践经验，探讨了传统代理工具包对新代理平台设计的影响。

Journal ref Proceedings of the 22nd European Conference on Multi-Agent Systems, Bucharest Romania, 2025

Zero-Shot Open-Schema Entity Structure Discovery

零样本开放模式实体结构发现

Xueqiang Xu, Jinfeng Xiao, James Barry, Mohab Elkaref, Jiaru Zou, Pengcheng Jiang, Yunyi Zhang, Max Giammona, Geeth de Mel, Jiawei Han

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） ； IBM Research（IBM研究院） ； IBM Research Europe（IBM欧洲研究院） 纠错

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

AI总结 本文提出零样本开放模式实体结构发现方法，通过充实、细化和统一机制提升大语言模型提取完整实体结构的能力。

Comments EACL 2026 camera-ready

LLaMEA-SAGE: Guiding Automated Algorithm Design with Structural Feedback from Explainable AI

LLaMEA-SAGE: 通过可解释AI的结构反馈引导自动算法设计

Niki van Stein, Anna V. Kononova, Lars Kotthoff, Thomas Bäck

机构 * LIACS, Leiden University（莱顿大学信息科学研究中心） ； University of St Andrews（圣安德鲁大学） 纠错

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

AI总结 LLaMEA-SAGE通过可解释AI的结构反馈引导自动算法设计，提升搜索效率和性能。

Comments 14 pages

MulVul: Retrieval-augmented Multi-Agent Code Vulnerability Detection via Cross-Model Prompt Evolution

MulVul: 通过跨模型提示进化实现检索增强的多智能体代码漏洞检测

Zihan Wu, Jie Xu, Yun Peng, Chun Yong Chong, Xiaohua Jia

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

AI总结 MulVul通过跨模型提示进化实现多智能体代码漏洞检测，采用由粗到细的策略，利用检索工具提升漏洞识别精度，达到34.79%的Macro-F1成绩。

Speed at the Cost of Quality: How Cursor AI Increases Short-Term Velocity and Long-Term Complexity in Open-Source Projects

以质量为代价：Cursor AI如何在开源项目中提升短期速度和长期复杂性

Hao He, Courtney Miller, Shyam Agarwal, Christian Kästner, Bogdan Vasilescu

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文研究Cursor AI对开源项目开发速度和质量的影响，发现其短期提升速度但长期增加代码复杂性，指出质量保障是早期采用者的主要瓶颈。

Journal ref 23rd International Conference on Mining Software Repositories (MSR '26), April 13--14, 2026, Rio de Janeiro, Brazil

LLMPopcorn: Exploring LLMs as Assistants for Popular Micro-video Generation

LLMPopcorn：探索大型语言模型作为流行微视频生成助手

Junchen Fu, Xuri Ge, Kaiwen Zheng, Alexandros Karatzoglou, Ioannis Arapakis, Xin Xin, Yongxin Ni, Joemon M. Jose

机构 * University of Glasgow（格拉斯哥大学） ； Shandong University（山东大学） ； Amazon（亚马逊） ； Telefónica Research（Telefónica研究院） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 LLMPopcorn利用大型语言模型生成流行微视频，通过实验证明先进LLM可生成高流行度内容，并优化生成效果。

Comments Accepted by ICASSP2026

Flow-based Extremal Mathematical Structure Discovery

基于流的极值数学结构发现

Gergely Bérczi, Baran Hashemi, Jonas Klüver

机构 * Aarhus University, Denmark（奥胡斯大学，丹麦） ； Max Planck Institute for Mathematics in the Sciences, Leipzig, Germany（马克斯·普朗克数学研究所，莱比锡，德国） 纠错

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

AI总结 FlowBoost通过闭环生成框架结合流匹配模型、奖励引导策略优化和随机局部搜索，有效发现极值几何结构，减少训练资源和时间，超越现有方法。

Comments 32 pages

Authority Signals in AI Cited Health Sources: A Framework for Evaluating Source Credibility in ChatGPT Responses

AI引用健康来源中的权威信号：用于评估ChatGPT响应来源可信度的框架

Erin Jacques, Erela Datuowei, Vincent Jones, Corey Basch, Celeta Vanderpool, Nkechi Udeozo, Griselda Chapa

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

AI总结 本研究提出权威信号框架，用于评估ChatGPT健康响应来源的可信度，发现大部分引用来源来自已建立的机构。

Comments 24 pages, 4 figures, 1 table. All research materials available at https://doi.org/10.5281/zenodo.18287499

Revisiting the Role of Natural Language Code Comments in Code Translation

重新审视自然语言代码注释在代码翻译中的作用

Monika Gupta, Ajay Meena, Anamitra Roy Choudhury, Vijay Arya, Srikanta Bedathur

机构 * Indian Institute of Technology, New Delhi, India（印度理工学院德里分校） ； IBM Research - India, India（IBM印度研究） 纠错

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

AI总结 本文研究了自然语言代码注释对代码翻译准确性的影响，提出COMMENTRA方法，证明其能将LLM代码翻译性能翻倍。

ES4R: Speech Encoding Based on Prepositive Affective Modeling for Empathetic Response Generation

基于前置情感建模的语音编码用于共情响应生成

Zhuoyue Gao, Xiaohui Wang, Xiaocui Yang, Wen Zhang, Daling Wang, Shi Feng, Yifei Zhang

机构 * Northeastern University, China（东北大学） 纠错

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

AI总结 ES4R通过前置情感建模和双层注意力机制，提升语音对话中的共情响应生成能力，优于现有基线模型。

Next Generation Active Learning: Mixture of LLMs in the Loop

下一代主动学习：循环中的LLM混合

Yuanyuan Qi, Xiaohao Yang, Jueqing Lu, Guoxiang Guo, Joanne Enticott, Gang Liu, Lan Du

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

AI总结 本文提出一种基于混合LLM的主动学习框架，通过聚合多个LLM的优势提升标注鲁棒性，并通过标注差异和负学习提高学习效果，实验证明其性能优于单个LLM和集合方法。

SmartOracle -- An Agentic Approach to Mitigate Noise in Differential Oracles

SmartOracle -- 一种缓解差分预言机噪声的代理方法

Srinath Srinivasan, Tim Menzies, Marcelo D'Amorim

机构 * North Carolina State University（北卡罗来纳州立大学） 纠错

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

AI总结 SmartOracle通过代理系统减少差分预言机噪声，提高模糊测试准确性并降低分析成本

Soft Instruction De-escalation Defense

软指令缓解防御

Nils Philipp Walter, Chawin Sitawarin, Jamie Hayes, David Stutz, Ilia Shumailov

机构 * CISPA Helmholtz Center for Information Security（CISPA信息安全研究中心） ； Google DeepMind（谷歌DeepMind） ； AI Sequrity Company（AI安全公司） 纠错

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

AI总结 SIC通过迭代提示净化循环，有效防御LLM在智能体系统中受到提示注入攻击，尽管存在局限性，但提升了系统安全性。

A Preliminary Agentic Framework for Matrix Deflation

一个初步的代理框架用于矩阵消去

Paimon Goulart, Evangelos E. Papalexakis

机构 * University of California, Riverside（加州大学河滨分校） 纠错

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

AI总结 本文提出了一种基于代理的矩阵消去方法，利用LLM和VLM实现无阈值的消去，通过上下文学习和排列优化，在不同数据集上取得有竞争力的结果。

A Large-Scale Study on the Development and Issues of Multi-Agent AI Systems

多智能体AI系统的发展与问题的大型研究

Daniel Liu, Krishna Upadhyay, Vinaik Chhetri, A. B. Siddique, Umar Farooq

机构 * Louisiana State University（路易斯安那州立大学） ； University of Kentucky（肯塔基大学） 纠错

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

AI总结 本文通过分析多智能体AI系统的开发和问题，揭示了生态系统的发展模式及维护挑战，强调了改进测试和文档的重要性。

Comments 8 pages, 8 figures, IEEE BigData Workshop on Software Engineering for Agentic AI 2025

Can AI mediation improve democratic deliberation?

人工智能调解能否提升民主讨论？

Michael Henry Tessler, Georgina Evans, Michiel A. Bakker, Iason Gabriel, Sophie Bridgers, Rishub Jain, Raphael Koster, Verena Rieser, Anca Dragan, Matthew Botvinick, Christopher Summerfield

机构 * Google DeepMind（谷歌DeepMind） ； Massachusetts Institute of Technology（麻省理工学院） ； Yale Law School（耶鲁法学院） ； Department of Experimental Psychology, University of Oxford（牛津大学实验心理学系） 纠错

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

AI总结 本文探讨人工智能如何通过增强参与、公平调解和有意义讨论来提升民主讨论的质量。

Journal ref Knight Institute for the First Amendment at Columbia University Symposium on "AI and Democratic Freedoms", April 10-11, 2025

Guiding Generative Storytelling with Knowledge Graphs

通过知识图谱引导生成叙事

Zhijun Pan, Antonios Andronis, Eva Hayek, Oscar AP Wilkinson, Ilya Lasy, Annette Parry, Guy Gadney, Tim J. Smith, Mick Grierson

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

AI总结 本研究通过知识图谱辅助生成叙事，提升长篇叙述的质量和用户可控性，实验表明结构明确的叙述有明显改进，但反思性故事未见提升。

Comments Accepted for publication in the International Journal of Human-Computer Interaction. Published online 29 December 2025

Journal ref International Journal of Human-Computer Interaction (2025)

LLMberjack: Guided Trimming of Debate Trees for Multi-Party Conversation Creation

LLMberjack: 多方对话创建的引导修剪

Leonardo Bottona, Nicolò Penzo, Bruno Lepri, Marco Guerini, Sara Tonelli

机构 * University of Trento（特伦托大学） ； Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会） 纠错

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

AI总结 LLMberjack通过引导修剪辩论树，利用LLM辅助实现多方对话的高效创建，提升输出质量并减少人工工作量。

Comments 9 pages, 3 figures

Accurate Table Question Answering with Accessible LLMs

利用可及的大规模语言模型实现准确的表格问答

Yangfan Jiang, Fei Wei, Ergute Bao, Yaliang Li, Bolin Ding, Yin Yang, Xiaokui Xiao

机构 * National University of Singapore（新加坡国立大学） ； Alibaba Group（阿里巴巴集团） ； Mohamed bin Zayed University of Artificial Intelligence（莫卧儿 bin 赞德人工智能大学） ； Hamad Bin Khalifa University（哈马德 bin 哈利法大学） 纠错

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

AI总结 本文提出Orchestra多智能体方法，利用小型开源LLMs高效解决表格问答问题，实现高质量且低成本的TQA性能。

Comments accepted for publication in the Proceedings of the IEEE International Conference on Data Engineering (ICDE) 2026

Understanding Prompt Management in GitHub Repositories: A Call for Best Practices

理解GitHub仓库中的提示管理：对最佳实践的呼吁

Hao Li, Hicham Masri, Filipe R. Cogo, Abdul Ali Bangash, Bram Adams, Ahmed E. Hassan

机构 * Queen’s University（女王大学） ； Huawei Technologies（华为技术） ； L L ahore University of Management Sciences（拉瓦尔管理科学大学） 纠错

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

AI总结 本研究通过分析GitHub仓库中的开源提示，揭示了提示管理中的关键挑战，并提出了提升提示软件可用性和可维护性的最佳实践建议。

FuncPoison: Poisoning Function Library to Hijack Multi-agent Autonomous Driving Systems

FuncPoison：用于劫持多智能体自动驾驶系统的中毒函数库

Yuzhen Long, Songze Li

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

AI总结 FuncPoison通过注入恶意工具篡改多智能体自动驾驶系统的函数库，导致决策错误和系统误导，揭示了该领域的重要安全风险。

Mitigating Social Desirability Bias in Random Silicon Sampling

在随机硅采样中缓解社会可取性偏差

Sashank Chapala, Maksym Mironov, Songgaojun Deng

机构 * Eindhoven University of Technology（埃因霍温理工大学） 纠错

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

AI总结 本研究通过提示工程方法减轻LLM中的社会可取性偏差，提升硅样本与人类数据的一致性。

Comments 31 pages, 9 figures, and 24 tables

Brain-language fusion enables interactive neural readout and in-silico experimentation

脑语言融合实现交互式神经读取和计算机仿真实验

Victoria Bosch, Daniel Anthes, Adrien Doerig, Sushrut Thorat, Peter König, Tim Christian Kietzmann

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

AI总结 CorText通过将神经活动嵌入LLM潜在空间，实现脑数据与自然语言的交互式解码和跨类别泛化，推动脑活动与语言之间的生成性接口发展。

Comments v2

NL2CA: Auto-formalizing Cognitive Decision-Making from Natural Language Using an Unsupervised CriticNL2LTL Framework

NL2CA: 一种基于无监督批评树的自然语言自动形式化认知决策方法

Zihao Deng, Yijia Li, Renrui Zhang, Peijun Ye

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

AI总结 NL2CA通过自动形式化自然语言描述的认知决策规则，实现无监督学习下的认知代理构建与优化，提升认知建模的可解释性和可扩展性。

RAID: Refusal-Aware and Integrated Decoding for Jailbreaking LLMs

RAID：针对对抗解码的拒绝意识与集成解码用于对抗大型语言模型

Tuan T. Nguyen, John Le, Thai T. Vu, Willy Susilo, Heath Cooper

机构 * University of Wollongong（沃林根大学） 纠错

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

AI总结 RAID通过嵌入空间正则化和拒绝意识正则化器，有效提升对抗解码攻击的成功率，同时降低计算成本。

Realistic threat perception drives intergroup conflict: A causal, dynamic analysis using generative-agent simulations

现实威胁感知驱动群体冲突：基于生成代理模拟的因果动态分析

Suhaib Abdurahman, Farzan Karimi-Malekabadi, Chenxiao Yu, Nour S. Kteily, Morteza Dehghani

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

AI总结 本文通过生成代理模拟研究现实威胁与象征威胁对群体冲突的因果影响，发现现实威胁直接提升敌意，而象征威胁的影响需通过群体内偏见中介，非敌对接触可缓解冲突升级。

CODE ACROSTIC: Robust Watermarking for Code Generation

CODE ACROSTIC: 为代码生成提供稳健的水印技术

Li Lin, Siyuan Xin, Yang Cao, Xiaochun Cao

机构 * Institude of Science Tokyo（东京科学研究院） ； Shanghai University（上海大学） ； Sun Yat-sen University（孙中山大学） 纠错

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

AI总结 CODE ACROSTIC通过利用Cue List区分代码熵，提升代码水印标记的可检测性和实用性，有效应对注释移除攻击。

FROC: A Unified Framework with Risk-Optimized Control for Machine Unlearning in LLMs

FROC：一种用于大语言模型机器去学习的统一框架，具有风险优化控制

Si Qi Goh, Yongsen Zheng, Ziyao Liu, Sami Hormi, Kwok-Yan Lam

机构 * Digital Trust Centre, Nanyang Technological University, Singapore（南洋理工大学数字信任中心） ； College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算与数据科学学院） 纠错

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

AI总结 FROC提出了一种用于大语言模型机器去学习的统一框架，通过风险优化控制机制，实现对去学习过程的风险管理和效用平衡。