语言大模型 / LLM

Bob's Confetti: Phonetic Memorization Attacks in Music and Video Generation

Bob的彩纸：音乐和视频生成中的语音记忆攻击

Jaechul Roh, Zachary Novack, Yuefeng Peng, Niloofar Mireshghallah, Taylor Berg-Kirkpatrick, Amir Houmansadr

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of California San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 研究揭示了生成音乐和视频AI系统中语音记忆攻击的漏洞，通过同音替代词绕过版权过滤，展示语音结构对跨模态检索的关键作用。

Bridging Gaps in Natural Language Processing for Yorùbá: A Systematic Review of a Decade of Progress and Prospects

弥合自然语言处理在约鲁巴语中的差距：对十年进展与前景的系统综述

Toheeb Aduramomi Jimoh, Tabea De Wille, Nikola S. Nikolov

机构 * Department of Computer Science and Information Systems, University of Limerick（计算机科学与信息系统系，利默里克大学） 纠错

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

AI总结 本文通过系统综述分析了近十年约鲁巴语NLP的发展，揭示了资源匮乏、声调复杂性等挑战，并总结了基于规则等主要技术，旨在推动该语言在NLP中的应用进展。

Journal ref Natural Language Processing Journal, 13 (2025), 100194

Reducing Text Bias in Synthetically Generated MCQAs for VLMs in Autonomous Driving

减少自动驾驶VLMs中合成生成MCQA的文本偏差

Sutej Kulgod, Sean Ye, Sanchit Tanwar, Christoffer Heckman

机构 * Zoox, Inc.（Zoox公司） 纠错

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

AI总结 本文提出方法减少自动驾驶VLMs中合成生成MCQA的文本偏差，通过解耦正确答案与语言痕迹并采用课程学习策略，使模型依赖视觉基础以提升感知理解能力。

Comments 7 pages, 2 figures

The Oversight Game: Learning to Cooperatively Balance an AI Agent's Safety and Autonomy

视角游戏：学习协作平衡AI代理的安全性与自主性

William Overman, Mohsen Bayati

机构 * Graduate School of Business（商学院） ； Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出了一种视角游戏框架，通过马尔可夫游戏模型平衡AI代理的安全性与自主性，减少开放环境中的安全违规。

Hybrid-Gym: Training Coding Agents to Generalize Across Tasks

Hybrid-Gym: 训练能够跨任务泛化的编码代理

Yiqing Xie, Emmy Liu, Gaokai Zhang, Nachiket Kotalwar, Shubham Gandhi, Sathwik Acharya, Xingyao Wang, Carolyn Rose, Graham Neubig, Daniel Fried

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

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

AI总结 Hybrid-Gym通过设计合成任务训练编码代理，提升其跨任务泛化能力，在多个基准测试中取得显著效果。

RoboGene: Boosting VLA Pre-training via Diversity-Driven Agentic Framework for Real-World Task Generation

RoboGene: 通过多样性驱动的代理框架提升VLA预训练以生成现实任务

Yixue Zhang, Kun Wu, Zhi Gao, Zhen Zhao, Pei Ren, Zhiyuan Xu, Fei Liao, Xinhua Wang, Shichao Fan, Di Wu, Qiuxuan Feng, Meng Li, Zhengping Che, Chang Liu, Jian Tang

机构 * Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） ； The School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院） ； Beijing Institute of Technology（北京理工大学） ； The School of Mechanical Engineering and Automation, Beihang University（北航机械工程与自动化学院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学多媒体信息处理国家重点实验室） 纠错

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

AI总结 RoboGene通过多样性驱动的代理框架生成多样化、物理合理的机器人操作任务，提升VLA预训练效果。

GMAIL: Generative Modality Alignment for generated Image Learning

GMAIL: 生成模态对齐用于生成图像学习

Shentong Mo, Sukmin Yun

机构 * Department of Machine Learning, CMU, USA（卡内基梅隆大学机器学习系） ； Department of Machine Learning, MBZUAI, UAE（马斯克大学人工智能研究所） ； Department of Artificial Intelligence, Hanyang University ERICA, South Korea（翰阳大学ERICA人工智能系） 纠错

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

AI总结 GMAIL通过多模态学习方法对齐生成图像与真实图像，提升视觉-语言任务中的生成图像学习效果。

Adaptive Width Neural Networks

自适应宽度神经网络

Federico Errica, Henrik Christiansen, Viktor Zaverkin, Mathias Niepert, Francesco Alesiani

机构 * NEC Laboratories Europe（NEC欧洲实验室） ； University of Stuttgart（斯图加特大学） 纠错

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

AI总结 本文提出了一种在训练过程中自适应调整神经网络层宽度的方法，通过反向传播联合优化宽度和参数，实现性能与计算资源的平衡，并能有效压缩网络以降低计算成本。

Comments International Conference on Learning Representations (ICLR 2026)

Model-agnostic Selective Labeling with Provable Statistical Guarantees

模型无关的可证明统计保证选择性标注

Huipeng Huang, Wenbo Liao, Huajun Xi, Hao Zeng, Mengchen Zhao, Hongxin Wei

机构 * Department of Statistics and Data Science, Southern University of Science and Technology（统计与数据科学系，南方科技大学） ； Department of Mathematics, The Chinese University of HongKong（数学系，香港中文大学） ； School of Software Engineering, South China University of Technology（软件工程学院，华南理工大学） 纠错

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

AI总结 本文提出符合性标注方法，通过控制假发现率保证人工智能预测的可信度，从而提升大规模数据标注的准确性和效率。

DeMo: Decoupled Momentum Optimization

DeMo：解耦动量优化

Bowen Peng, Lizhang Chen, Baiyu Su, Jeffrey Quesnelle, Diederik P. Kingma, Qiang Liu

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

AI总结 DeMo通过解耦动量更新、快速变换和稀疏化，显著减少通信带宽，实现高效多数据中心训练。

Moral Outrage Shapes Commitments Beyond Attention: Multimodal Moral Emotions on YouTube in Korea and the US

道德愤怒影响承诺：韩国和美国YouTube上的多模态道德情感

Seongchan Park, Jaehong Kim, Hyeonseung Kim, Heejin Bin, Sue Moon, Wonjae Lee

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 本研究通过多模态道德情感分类器分析YouTube上道德愤怒对用户参与度的影响，发现其在不同文化中均能提升观看和评论等互动行为。

Comments Accepted at The Web Conference 2026. We release Korean and English multimodal moral emotion classifiers

Consistent Kernel Change-Point Detection under m-Dependence for Text Segmentation

基于m依赖性的文本分段一致性核变化点检测

Jairo Diaz-Rodriguez, Mumin Jia

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

AI总结 本文提出在m依赖数据下基于核变化点检测的文本分段方法，通过理论证明和实验证明其在文本分段任务中的有效性。

Comments This paper is withdrawn due to an error in the proof of Proposition 3, which is used to support Theorem 1

Towards Latent Diffusion Suitable For Text

面向文本的潜在扩散模型

Nesta Midavaine, Christian A. Naesseth, Grigory Bartosh

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

AI总结 本文提出神经流扩散模型，用于高效生成文本，通过改进连续扩散模型在离散空间的应用，提升语言生成的连贯性和效率。

Provable Differentially Private Computation of the Cross-Attention Mechanism

可证明的差分隐私交叉注意力机制计算

Yekun Ke, Yingyu Liang, Zhenmei Shi, Zhao Song, Jiahao Zhang

机构 * The University of Hong Kong（香港大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； The Simons Institute for the Theory of Computing at the University of California, Berkeley（伯克利大学计算理论研究所） 纠错

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

AI总结 本文提出了一种可证明差分隐私的交叉注意力机制计算方法，通过新颖的数据结构实现隐私保护，同时保证计算效率和安全性。

Generative AI Purpose-built for Social and Mental Health: A Real-World Pilot

面向社交与心理健康定制的生成式AI：一项现实世界试点

Thomas D. Hull, Lizhe Zhang, Patricia A. Arean, Matteo Malgaroli

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

AI总结 本文提出了一种针对心理健康的生成式AI聊天机器人，通过现实世界试点研究证明其在心理健康支持方面的有效性与安全性。

SceneFoundry: Generating Interactive Infinite 3D Worlds

SceneFoundry: 生成交互式无限3D世界

ChunTeng Chen, YiChen Hsu, YiWen Liu, WeiFang Sun, TsaiChing Ni, ChunYi Lee, Min Sun, YuanFu Yang

机构 * National Yang Ming Chiao Tung University（国家阳明交通大学） ； National Tsing Hua University（国立清华大学） ； NVIDIA AI Technology Center（NVIDIA AI技术中心） ； National Taiwan University（国立台湾大学） 纠错

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

AI总结 SceneFoundry通过语言引导的扩散框架生成功能性强的3D环境，用于机器人训练和具身智能研究。

Comments 15 pages

Training Versatile Coding Agents in Synthetic Environments

在合成环境中训练多功能编码代理

Yiqi Zhu, Apurva Gandhi, Graham Neubig

机构 * Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 SWE-Playground通过从头生成项目和任务，训练多功能编码代理，能够处理更广泛的编码任务并提升性能。

Conformity and Social Impact on AI Agents

一致性与社会影响在人工智能代理中的作用

Alessandro Bellina, Giordano De Marzo, David Garcia

机构 * Centro Ricerche Enrico Fermi（恩里科·费米研究中心） ； Sony Computer Science Laboratories - Rome, Joint Initiative CREF-SONY（索尼计算机科学实验室-罗马，联合倡议CREF-SONY） ； University of Konstanz（康斯坦茨大学） ； Complexity Science Hub（复杂科学中心） 纠错

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

AI总结 研究揭示人工智能代理在社会压力下易受操控，存在安全漏洞，需加强集体AI部署的安全保障。

e5-omni: Explicit Cross-modal Alignment for Omni-modal Embeddings

e5-omni: 显式跨模态对齐用于多模态嵌入

Haonan Chen, Sicheng Gao, Radu Timofte, Tetsuya Sakai, Zhicheng Dou

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； University of Würzburg（乌尔姆大学） ； Waseda University（早稻田大学） 纠错

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

AI总结 e5-omni通过显式对齐方法改进多模态嵌入，解决相似性尺度不一致、负样本效果下降和跨模态统计不匹配问题。

Comments https://huggingface.co/Haon-Chen/e5-omni-7B

Integrating Distribution Matching into Semi-Supervised Contrastive Learning for Labeled and Unlabeled Data

将分布匹配整合到半监督对比学习中以处理标记和未标记数据

Shogo Nakayama, Masahiro Okuda

机构 * Doshisha University（大阪大学） 纠错

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

AI总结 本研究通过整合分布匹配技术，提升半监督对比学习中伪标签的利用效率，以提高图像分类性能。

Comments ITC-CSCC accepted

Journal ref 2025 International Technical Conference on Circuits/Systems, Computers, and Communications (ITC-CSCC), Seoul, Korea, Republic of, 2025, pp. 1-5,

Experiments in News Bias Detection with Pre-Trained Neural Transformers

基于预训练神经变换器的新闻偏见检测实验

Tim Menzner, Jochen L. Leidner

机构 * Information Access Research Group, Coburg University of Applied Sciences（信息获取研究组、科堡应用科学大学） ； University of Sheffield, Department of Computer Science（谢菲尔德大学计算机科学系） 纠错

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

AI总结 本文通过对比多种预训练语言模型，探讨了新闻偏见检测与子类型分类的有效性及性能表现。

Adapting Feature Attenuation to NLP

适应特征衰减到NLP

Tianshuo Yang, Ryan Rabinowitz, Terrance E. Boult, Jugal Kalita

机构 * University of Michigan（密歇根大学） ； University of Colorado Colorado Springs（科罗拉多州立大学） 纠错

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

AI总结 本文将特征衰减假设从计算机视觉移植到NLP，评估了COSTARR等方法在文本开放集识别中的表现，发现其在不重新训练的情况下效果有限，但指出了需要更大模型和定制策略的改进方向。

Enriching Historical Records: An OCR and AI-Driven Approach for Database Integration

丰富历史记录：一种结合OCR和AI的方法用于数据库整合

Zahra Abedi, Richard M. K. van Dijk, Gijs Wijnholds, Tessa Verhoef

机构 * Leiden Institute of Advanced Computer Science（莱顿先进计算机科学研究所） ； Leiden University（莱顿大学） 纠错

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

AI总结 本文提出一种结合OCR和AI的方法，用于将历史文档数据与现有数据库整合，通过自动化流程解决数据不一致问题，并展示生成式AI在提升OCR性能方面的应用。

Journal ref Computational Linguistics in the Netherlands Journal 14 (2025) 401-420

Forecasting in Offline Reinforcement Learning for Non-stationary Environments

非平稳环境下的离线强化学习预测

Suzan Ece Ada, Georg Martius, Emre Ugur, Erhan Oztop

机构 * Bogazici University（博科西大学） ； University of Tübingen（图宾根大学） ； Ozyegin University（奥祖根大学） ； Osaka University（大阪大学） 纠错

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

AI总结 非平稳环境下的离线强化学习预测框架FORL，通过结合条件扩散和零样本时间序列模型，提升智能体在非平稳环境中的鲁棒性与性能。

Comments The Thirty-Ninth Annual Conference on Neural Information Processing Systems, NeurIPS 2025

GinSign: Grounding Natural Language Into System Signatures for Temporal Logic Translation

GinSign：将自然语言接地到系统签名以进行时序逻辑翻译

William English, Chase Walker, Dominic Simon, Rickard Ewetz

机构 * University of Florida（佛罗里达大学） 纠错

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

AI总结 GinSign通过将自然语言接地到系统签名，提升时序逻辑翻译的准确性和下游模型检查能力，实现95.5%的逻辑等价分数。

CORE: Contrastive Masked Feature Reconstruction on Graphs

CORE：图上的对比掩码特征重建

Jianyuan Bo, Yuan Fang

机构 * Singapore Management University（新加坡管理大学） 纠错

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

AI总结 CORE是一种结合对比学习的图自监督学习框架，通过整合MFR和GCL提升图分类性能。

Provable Long-Range Benefits of Next-Token Prediction

可证明的长距离收益的下一个令牌预测

Xinyuan Cao, Santosh S. Vempala

机构 * Georgia Tech（佐治亚理工学院） 纠错

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

AI总结 该研究证明了下一个令牌预测在学习长距离结构上的强大能力，并提供了模型大小的多项式界来解释实际中观察到的长距离连贯性。

Comments 66 pages, 5 figures

Limitations of Using Identical Distributions for Training and Testing When Learning Boolean Functions

在学习布尔函数时使用相同分布进行训练和测试的局限性

Jordi Pérez-Guijarro

机构 * SPCOM Group, Universitat Politècnica de Catalunya, Barcelona, Spain（SPCOM组，加泰罗尼亚理工大学，巴塞罗那，西班牙） 纠错

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

AI总结 本文探讨了在学习布尔函数时，训练和测试分布是否必须相同以实现最优泛化，发现即使在存在单向函数的情况下，匹配分布也不总是最佳选择。

Hidden in Plain Text: Emergence & Mitigation of Steganographic Collusion in LLMs

隐于 plain 文本：LLMs 中隐写术合谋的出现与缓解

Yohan Mathew, Ollie Matthews, Robert McCarthy, Joan Velja, Christian Schroeder de Witt, Dylan Cope, Nandi Schoots

机构 * LASR Labs（LASR实验室） ； University College London（伦敦大学学院） ； University of Amsterdam（阿姆斯特丹大学） ； University of Oxford（牛津大学） 纠错

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

AI总结 本文首次发现LLMs在训练期间因奖励激励设置不当而产生隐写术合谋，并指出现有缓解措施不足，需创新技术以防止此类合谋。

Comments Camera-ready version. Oral presentation at IJCNLP-AACL 2025 (14th International Joint Conference on Natural Language Processing and 4th Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics), Mumbai, India, December 20-24, 2025

A Concise Review of Hallucinations in LLMs and their Mitigation

对大型语言模型中幻觉及其缓解方法的简要回顾

Parth Pulkundwar, Vivek Dhanawade, Rohit Yadav, Minal Sonkar, Medha Asurlekar, Sarita Rathod

机构 * Computer Engineering K J Somaiya Institute of Technology Mumbai, India ； Data Science K J Somaiya Institute of Technology Mumbai, India ； Information Technology K J Somaiya Institute of Technology Mumbai, India 纠错

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

AI总结 本文简要回顾了大型语言模型中的幻觉现象及其缓解方法，探讨了幻觉的类型、成因及应对策略，为理解与减轻幻觉提供全面概述。

Comments 7 pages