语言大模型 / LLM

Are Machine Rationales (Not) Useful to Humans? Measuring and Improving Human Utility of Free-Text Rationales

Brihi Joshi, Ziyi Liu, Sahana Ramnath, Aaron Chan, Zhewei Tong, Shaoliang Nie, Qifan Wang, Yejin Choi, Xiang Ren

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

Comments Accepted at ACL 2023

Towards Answering Open-ended Ethical Quandary Questions

Yejin Bang, Nayeon Lee, Tiezheng Yu, Leila Khalatbari, Yan Xu, Samuel Cahyawijaya, Dan Su, Bryan Wilie, Romain Barraud, Elham J. Barezi, Andrea Madotto, Hayden Kee, Pascale Fung

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

Comments 16 pages

Fill in the Blank: Context-aware Automated Text Input Generation for Mobile GUI Testing

Zhe Liu, Chunyang Chen, Junjie Wang, Xing Che, Yuekai Huang, Jun Hu, Qing Wang

专题命中 其他LLM ：LLM(abstract)；large language model(abstract)；language model(abstract)

Comments Accepted by IEEE/ACM International Conference on Software Engineering 2023 (ICSE 2023)

Evaluating Prompts Across Multiple Choice Tasks In a Zero-Shot Setting

Gabriel Orlanski

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

Comments 4 pages, 4 figures

Reframing Instructional Prompts to GPTk's Language

Swaroop Mishra, Daniel Khashabi, Chitta Baral, Yejin Choi, Hannaneh Hajishirzi

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

Comments ACL 2022 Findings

BodyShapeGPT: SMPL Body Shape Manipulation with LLMs

Baldomero R. Árbol, Dan Casas

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

Comments Accepted to ECCV 2024 Workshop on Foundation Models for 3D Humans. Code repository: https://github.com/baldoarbol/BodyShapeGPT

Hijacking Context in Large Multi-modal Models

Joonhyun Jeong

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

Comments Technical Report. Preprint

Journal ref ICLR 2024 Workshop on Reliable and Responsible Foundation Models

Automating Code Adaptation for MLOps -- A Benchmarking Study on LLMs

Harsh Patel, Buvaneswari A. Ramanan, Manzoor A. Khan, Thomas Williams, Brian Friedman, Lawrence Drabeck

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

Comments The work was completed during 2Q, 3Q of Year 2023, when WizardCoder was the top performing Open source LLM for coding. Newer and better models have emerged since then. The processes and methodologies utilized for this benchmarking can still be utilized for evaluating the current SoTA models

Comparing Optimization Targets for Contrast-Consistent Search

Hugo Fry, Seamus Fallows, Ian Fan, Jamie Wright, Nandi Schoots

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

Comments Socially Responsible Language Modelling Research (SoLaR) NeurIPS 2023

Language as the Medium: Multimodal Video Classification through text only

Laura Hanu, Anita L. Verő, James Thewlis

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

Comments Accepted at "What is Next in Multimodal Foundation Models?" (MMFM) workshop at ICCV 2023

A Robust In-Context Model for Conservation Laws: Injecting Context into Flux Neural Operators via Recurrent Vision Transformers

为守恒定律构建稳健的基模型：通过循环视觉变换器注入上下文到流神经算子

Taeyoung Kim, Joon-Hyuk Ko

机构 * Center for AI and Natural Sciences（人工智能与自然科学中心） ； Korea Institute for Advanced Study（韩国高级研究院） 纠错

专题命中 其他LLM ：foundation model(title)；分类 cs.LG

AI总结 本文提出一种结合循环视觉变换器的流神经算子架构，通过超网络提取解动态并生成上下文条件神经算子参数，实现无需显式访问守恒定律或PDE系数即可求解守恒定律。

Comments 19 pages, 3 figures

Auditing Exposure to Harmful Content on TikTok using Multimodal Language Models: A Cross-National, Age-Stratified Study

使用多模态语言模型对TikTok上的有害内容暴露情况进行审计：一项跨国、按年龄分层的研究

Hamidreza Saffari, Francesco Pierri

机构 * Politecnico di Milano（米兰理工大学） 纠错

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

AI总结 本研究使用多模态大语言模型Gemini 2.5 Flash，在法、意、瑞三国对TikTok开展跨国年龄分层审计，发现关键词搜索会大幅提升有害内容占比，意国各年龄组有害内容占比最高，平台安全过滤器低估了明确有害内容。

Comments 20 pages, 16 figures, 14 tables. Accepted to Findings of EMNLP 2026

From Entity Mentions to Tone: An LLM-Based Pipeline for Media Bias Analysis

从实体提及到语气：基于大语言模型的媒体偏见分析流水线

Klesti Hoxha, Olti Qirici

机构 * University of Tirana（地拉那大学） 纠错

专题命中 其他LLM ：LLM(title)；分类 cs.CL

AI总结 该研究提出一种基于大语言模型的媒体偏见分析流水线，对8358篇阿尔巴尼亚新闻文章开展实验，验证了其在偏见分析中的有效性，适用于手动验证数据集或专用语言工具有限的场景。

LLM Framework for Discovering Major Mathematical Conjectures: AI's Quest for the Next Riemann Hypothesis

用于发现重要数学猜想的大语言模型框架：AI对下一个黎曼猜想的探索

Alizer Wong, Zixin Zeng, Yi Tan, Wenyuan Li, Xuhang Chen, Xingru Lai, Yang Shi, Liangsi Lu, Yanhui Chen

专题命中 其他LLM ：LLM(title)；分类 cs.AI

AI总结 该研究提出一种三阶段大语言模型框架，用于系统发现重要数学猜想，经实验验证其在20个候选猜想上的形式化检查表现稳定，无重复问题。

Comments 25pages, 1 figure

Hidden APIs in Language Models: Discovering Reusable Causal Interfaces from Forked Futures

语言模型中的隐藏API：从分叉未来中发现可复用的因果接口

SiYuan Ma, Yiqin Luo, Zhangji, Canran Xiao, Albert Gao, Wei-Hsing Huang, Wei Wang, Qiwei Wu, Xinran Li, Jinfeng Wei, Qixin Zhang

机构 * Nanyang Technological University（南洋理工大学） ； Southern University of Science and Technology（南方科技大学） ； Tianjin University（天津大学） ； Sun Yat-sen University（中山大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The Hong Kong Polytechnic University（香港理工大学） ； Shenzhen University（深圳大学） ； Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 本研究从分叉未来采样后续操作以比较语言模型隐藏状态，发现共享接口在多模型评估中表现最优，支持测试操作库中存在可复用因果接口。

ZUNA1.1: A more flexible EEG foundation model for Denoising and Super-resolution

ZUNA1.1：一种更灵活的用于去噪和超分辨率的脑电图（EEG）基础模型

Christopher Warner, Jonas Mago, JR Huml, Beren Millidge

机构 * Zyphra 纠错

专题命中 其他LLM ：foundation model(title)；分类 cs.LG

AI总结 研究推出3.8亿参数的EEG基础模型ZUNA1.1，其灵活性远超原模型ZUNA1，在EEG去噪与重建任务中性能达标且显著优于MNE包的球形样条插值，已以Apache 2.0许可开源发布。

The Librarian Who Refused to Code: Model-Dependent Identity Enactment in LLM Code Generation

拒绝编码的图书管理员：大语言模型代码生成中依赖模型的身份设定

Shayell Aharon Salomon, Noam Israel, Ido Safruti, Amir Shaked

机构 * Bluebear Security（蓝熊安全公司） 纠错

专题命中 其他LLM ：LLM(title)；分类 cs.CL

AI总结 研究在可控条件下评估不同人物角色对代码生成的影响，测试了四种提示条件、两个模型等，发现角色影响因模型而异，如Claude Opus上图书管理员角色降低正确性，结果表明角色是依赖模型的行为策略偏差，还发布了相关数据和文档。

Comments 17 pages, 3 tables, no figures. Ancillary files include raw completions, derived scores, analysis scripts, persona texts, and preregistration

Failures Are Fated, But Can Be Faded: Characterizing and Mitigating Unwanted Behaviors in Large-Scale Vision and Language Models

失败是注定的，但可以被淡化：在大规模视觉和语言模型中表征和缓解 unwanted 行为

Som Sagar, Aditya Taparia, Ransalu Senanayake

机构 * School of Computing and Augmented Intelligence, Arizona State University, Tempe, United States of America（计算与增强智能学院，亚利桑那州立大学） 纠错

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

AI总结 本文提出利用深度强化学习表征和缓解大规模视觉和语言模型中的失败模式，通过有限的人类反馈重构失败景观，验证了方法在计算机视觉、自然语言处理和视觉-语言任务中的有效性。

Comments 25 pages, 35 figures

Journal ref Proceedings of the 41st International Conference on Machine Learning (ICML 2024), PMLR 235:42999-43023, 2024

A Variational Framework for LLM Generator-Regulator Games

大语言模型生成器-调节器博弈的变分框架

Quanyan Zhu

机构 * Department of Electrical and Computer Engineering, Tandon School of Engineering, New York University, Brooklyn, NY, USA（电气工程系，工程学院，纽约大学，布鲁克林，纽约，美国） 纠错

专题命中 其他LLM ：LLM(title)；分类 cs.AI

AI总结 提出一个变分框架，将语言生成建模为熵正则化吉布斯分布，将调节建模为最优判别器，通过鞍点问题平衡效用、熵、调节一致性和有限长度可检测性，并通过审查过滤和钓鱼防御案例验证。

MaskWAM: Unifying Mask Prompting and Prediction for World-Action Models

MaskWAM：统一掩码提示与预测的世界-动作模型

Hanyang Yu, Haitao Lin, Jingbo Zhang, Wenyao Zhang, Chenghao Gu, Heng Li, Ping Tan

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Tencent Robotics X（腾讯机器人X实验室） ； Tsinghua University（清华大学） 纠错

专题命中 其他LLM ：prompting(title)；分类 cs.LG

AI总结 提出MaskWAM，通过统一掩码输入与预测的混合Transformer架构，解决世界-动作模型的空间瓶颈，提升策略泛化能力，在LIBERO等任务上显著优于基线。

QuantaAlpha: An Evolutionary Framework for LLM-Driven Alpha Mining

QuantaAlpha: 一种基于大语言模型的alpha挖掘进化框架

Jun Han, Shuo Zhang, Wei Li, Yifan Dong, Tu Hu, Yumo Zhu, Xiaomin Yu, Xin Guo, Zhaowei Liu, Kunyi Wang, Jingping Liu, Tianyi Jiang, Ruichuan An, Sen Hu, Zhi Yang, Ronghao Che, Huacan Wang

机构 * SUFE（上海财经大学） ； QuantaAlpha ； SYSU（华南理工大学） ； PKU（北京大学） 纠错

专题命中 其他LLM ：LLM(title)；分类 cs.AI

AI总结 本文提出QuantaAlpha框架，通过进化算法改进alpha挖掘过程，通过轨迹级突变和交叉实现多轮搜索和经验重用，实验表明其在多个市场指数上均表现出稳健的性能。

Why We Look Where We Look: Emergent Human-like Fixations of a Foveated Visual Language Model Maximizing Scene Understanding

为什么我们看那里：一种最大化场景理解的视网膜视觉语言模型表现出的人类样注视模式

Shravan Murlidaran, Ziqi Wen, Sana Shehabi, Miguel P. Eckstein

机构 * Psychological & Brain Sciences, University of California, Santa Barbara（加州大学圣芭芭拉分校心理学与脑科学系） ； Electrical and Computer Engineering, University of California, Santa Barbara（加州大学圣芭芭拉分校电气与计算机工程系） ； Computer Science, University of California, Santa Barbara（加州大学圣芭芭拉分校计算机科学系） 纠错

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

AI总结 研究探讨了人类自由观看时注视模式的形成机制，发现最大化场景理解的视网膜视觉语言模型能够产生类似人类的注视模式，表明这种模式可能是优化场景理解的副产品。

Finding Sense in Nonsense with Generated Contexts: Perspectives from Humans and Language Models

在生成上下文中寻找意义：人类与语言模型的视角

Katrina Olsen, Sebastian Padó

机构 * Grid Dynamics ； IMS ； University of Stuttgart（斯图加特大学） 纠错

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

AI总结 本文通过人类和语言模型对五个语义偏差数据集中的句子进行评估，探讨了如何区分异常句子和无意义句子，并发现语言模型在生成合理上下文方面表现出色。

Comments Accepted for publication at STARSEM 2026, San Diego, CA

LLM-based Multimodal Feedback Produces Equivalent Learning and Better Student Perceptions than Educator Feedback

基于大语言模型的多模态反馈在学习效果和学生感知上与教师反馈相当且更优

Chloe Qianhui Zhao, Jie Cao, Jionghao Lin, Kenneth R. Koedinger

机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； The University of Hong Kong（香港大学） 纠错

专题命中 其他LLM ：LLM(title)；分类 cs.AI

AI总结 本文提出一种实时AI辅助的多模态反馈系统，通过整合结构化文本解释与动态多媒体资源，实现学习效果与学生感知的提升，证明AI反馈在清晰度、具体性等方面优于传统教师反馈。

Comments 11 pages, to be published at the 16th International Learning Analytics & Knowledge Conference (LAK '26)

Solar-VLM: Multimodal Vision-Language Models for Augmented Solar Power Forecasting

Solar-VLM：用于增强太阳能发电预测的多模态视觉语言模型

Hang Fan, Haoran Pei, Runze Liang, Weican Liu, Long Cheng, Wei Wei

机构 * North China Electric Power University（华北电力大学） ； Tsinghua University（清华大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出Solar-VLM框架，通过融合时序观测、卫星图像和文本天气信息，提升太阳能发电预测的准确性，采用多模态编码器和图注意力网络捕捉空间依赖性。

Prompting ChatGPT for Translation: A Comparative Analysis of Translation Brief and Persona Prompts

通过提示词引导ChatGPT进行翻译：翻译简报与角色提示的比较分析

Sui He

专题命中 其他LLM ：prompting(title)；分类 cs.CL

AI总结 本文比较了翻译简报与角色提示在ChatGPT翻译任务中的效果，发现某些元素虽有助于人与人之间的交流，但对提升翻译质量有限，需进一步探索如何将翻译理论工具应用于人机交互的新流程。

Journal ref https://aclanthology.org/2024.eamt-1.27/

Nested Deep Learning Model Towards A Foundation Model for Brain Signal Data

嵌套深度学习模型：面向脑信号数据的基础模型

Fangyi Wei, Jiajie Mo, Kai Zhang, Haipeng Shen, Srikantan Nagarajan, Fei Jiang

专题命中 其他LLM ：foundation model(title)；分类 cs.LG

AI总结 本文提出嵌套深度学习框架，解决脑电信号中棘波检测中通道配置变化和棘波来源识别的问题，提升预测精度并支持跨模态数据整合。

Comments 56 pages; paper structure updated

Performance Comparison of IBN orchestration using LLM and SLMs

基于LLM和SLMs的IBN编排性能比较

Wai Lwin Phone, Brahim El Boudani, Tasos Dagiuklas, Saptarshi Ghosh

机构 * 1 Dept. of Computer Science \& Digital Technologies, London South Bank University, London, UK 纠错

专题命中 其他LLM ：LLM(title)；分类 cs.AI

AI总结 本文比较了LLM和SLMs在IBN编排中的性能，发现SLMs能提升IBN生命周期完成速度20%。

Comments Accepted for presentation at IEEE International Conference on Communications 2026

A conclusive remark on linguistic theorizing and language modeling

对语言理论化与语言建模的结论性评论

Cristiano Chesi

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

AI总结 本文对语言理论化与语言建模的讨论进行了结论性评论，总结了相关回应和观点。

Journal ref Italian Journal of Linguistics 37(1) 2025

Deconstructing sentence disambiguation by joint latent modeling of reading paradigms: LLM surprisal is not enough

通过联合潜在建模阅读范式解构句子消歧：LLM 惊喜值不足以解释

Dario Paape, Tal Linzen, Shravan Vasishth

机构 * Department of Linguistics, University of Potsdam（语言学系，波茨坦大学） ； Center for Data Science/Department of Linguistics, New York University（数据科学中心/语言学系，纽约大学） 纠错

专题命中 其他LLM ：LLM(title)；分类 cs.CL

AI总结 本文通过联合潜在建模阅读范式，提出了一种更准确的句子消歧模型，证明LLM的惊喜值不足以解释人类阅读行为。