语言大模型 / LLM

Closing the Prior-Posterior Loop: Self-Reflective Molecular Design with Analysis-Driven LLM Iteration

闭合先验-后验循环：基于分析驱动LLM迭代的自反性分子设计

Junyi Gong, Zijie Qiu, Ben Zhong Tang

机构 * Faculty of Chemistry, Shenzhen MSU-BIT University（深圳MSU-BIT大学化学学院） ； School of Science and Engineering, Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）科学与工程学院） ； Department of Chemistry, Hong Kong University of Science and Technology（香港科技大学化学系） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 提出一种自反性分子设计框架，用第一性原理计算的完整物化理由替代标量反馈，使LLM从随机采样器转变为因果推理器，在HOMO-LUMO能隙任务中实现0.0003 eV偏差和100%成功率。

Comments 3 tables, 4 figures

LLM Self-Recognition: Steering and Retrieving Activation Signatures

LLM 自我识别：引导与检索激活签名

Thibaud Ardoin, Jonas Schäfer, Gerhard Wunder

机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 通过随机稀疏向量引导内部残差流，在LLM生成文本中嵌入可检测指纹，实现高精度归属，同时保持文本质量。

Comments To appear in Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)

LLM Explainability with Counterfactual Chains and Causal Graphs

基于反事实链和因果图的LLM可解释性

Nirit Nussbaum-Hoffer, Nitay Calderon, Liat Ein-Dor, Roi Reichart

机构 * Faculty of Data and Decision Sciences, Technion I IBM Research（数据与决策科学学院，技术离子IBM研究所） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 提出一种四阶段方法，利用因果图建模LLM推理过程，通过MCMC启发的反事实增强发现类判别性概念并生成可解释图，用于疾病诊断、情感分析等任务。

Uncertainty-Aware Clarification in LLM Agents with Information Gain

基于信息增益的LLM智能体不确定性感知澄清

Mengyi Deng, Zhiwei Li, Xin Li, Tingyu Zhu, Ying Zhao, Zhijiang Guo, Wei Wang

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 针对用户指令不明确导致LLM智能体工具操作错误的问题，提出一种以信息增益奖励为导向的澄清框架，通过贝叶斯信念更新量化澄清问题的效用，训练智能体生成高信息增益的澄清，在τ-Bench环境中将任务成功率提升3.7%，仅增加0.3个交互步骤。

Journal ref ICML 2026

Knowledge Boundary Probing and Demand-Guided Intervention for LLM-Based Power System Code Generation

知识边界探测与需求引导干预：面向基于LLM的电力系统代码生成

Hui Wu, Xiaoyang Wang, Zhong Fan

机构 * Department of Engineering, University of Exeter（工程系，埃克塞特大学） ； Department of Computer Science, University of Exeter（计算机科学系，埃克塞特大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 针对LLM在电力系统代码生成中因API知识边界错误导致失败的问题，提出PowerCodeBench基准、L0-L3文档驱动探测和边界感知干预方法，显著提升模型准确率。

Comments 43 pages, 12 figures, includes supplementary material

Projectional Decoding: Towards Semantic-Aware LLM Generation

投影式解码：迈向语义感知的LLM生成

Boqi Chen, José Antonio Hernández López, Aren A. Babikian

机构 * University of Ottawa（渥太华大学） ； University of Murcia（穆尔西亚大学） ； University of Toronto（多伦多大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 提出投影式解码框架，通过维护部分图模型作为主要工件表示，实现增量语义验证和错误检测，以提升LLM生成工件的语义有效性。

Comments 5 pages, 3 figures. Accepted at FSE 2026 IVR track

Omissive Bias in Religious Representation: Benchmarking LLM Answers to Everyday Ethical Decision-making

宗教表征中的省略偏见：评估LLM在日常伦理决策中的回答

David Wingate, Sheryl Carty, Joshua Coates, Daniel Feldman, Nancy Fulda, Larry Howell, Brett Israelson, Dallin Jacobs, Jonathan Karr, John Paul Kimes, Elisabeth Kincaid, Paul Martens, Gavin Mobley, Suzana Pinheiro, Lindsay Slemboski, Peter Whiting

机构 * Brigham Young University ； Baylor University ； University of Notre Dame ； Yeshiva University 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 通过构建AllFaith宗教表征基准，评估LLM在回答日常伦理问题时是否提及宗教，发现模型普遍存在省略宗教框架的偏见，尤其在个人实际情境中更为明显。

Towards Inclusive Toxic Content Moderation: Addressing Vulnerabilities to Adversarial Attacks in Toxicity Classifiers Tackling LLM-generated Content

迈向包容性有害内容审核：解决面向LLM生成内容的有害性分类器对抗攻击的脆弱性

Shaz Furniturewala, Arkaitz Zubiaga

机构 * Center for Data Science, New York University（纽约大学数据科学中心） ； Queen Mary University of London（伦敦大学女王学院） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 针对LLM生成内容的有害性分类器易受对抗攻击的问题，提出基于机制可解释性的方法识别并抑制脆弱电路，提升模型鲁棒性并揭示人口统计学层面的公平性差距。

Can LLM Agents Be CFOs? Benchmarking Long-Horizon Resource Allocation in an Uncertain Enterprise Environment

LLM代理能成为CFO吗？在不确定的企业环境中评估长期资源分配

Yi Han, Yan Wang, Lingfei Qian, Haohang Li, Yupeng Cao, Yueru He, Xueqing Peng, Nanhan Shen, Yitao Xu, Yankai Chen, Dongji Feng, Jimin Huang, Xue Liu, Jian-Yun Nie, Sophia Ananiadou

机构 * Georgia Institute of Technology（佐治亚理工学院） ； The Fin AI ； Stevens Institute of Technology（史蒂文斯理工学院） ； Columbia University（哥伦比亚大学） ； George Mason University（乔治·马歇尔大学） ； McGill University（麦吉尔大学） ； Mohamed bin Zayed University of Artificial Intelligence（莫扎大学人工智能学院） ； California State University, Monterey Bay（加州州立大学蒙特雷湾分校） ； University of Manchester（曼彻斯特大学） ； Mila – Quebec Artificial Intelligence Institute（魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文通过EnterpriseArena模拟器评估LLM在不确定环境下的长期资源分配能力，发现现有模型在复杂任务中表现不足，仅15.4%的试验能持续完整周期。

Steer-to-Detect: Probing Hidden Representations for Detection of LLM-Generated Texts

Steer-to-Detect：探测隐藏表示以检测LLM生成文本

Luxu Liang, Xiang Li

机构 * Tsinghua University（清华大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 本文提出Steer-to-Detect框架，通过改进的隐藏表示分离能力，有效检测LLM生成文本，理论和实验均表现出色。

Shaping Schema via Language Representation as the Next Frontier for LLM Intelligence Expanding

通过语言表示塑造模式作为扩展LLM智能的下一个前沿

Zhiqin Yang, Yuhan Liu, Jingwen Fu, Pei Fu, Bo Han, Masashi Sugiyama, Nanning Zheng

机构 * The Hong Kong University of Science and Technology（香港理工大学） ； MiLM Plus, Xiaomi Inc（小米公司） ； Zhongguancun Academy（中关村学院） ； Hong Kong Baptist University（香港 Baptist大学） ； The University of Tokyo（东京大学） ； RIKEN Center for Advanced Intelligence Project（日本理化学研究院高级智能项目中心） ； Xi’an Jiaotong University（西安交通大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文探讨通过高级语言表示塑造模式作为扩展LLM智能的新方向，提出语言表示的结构和符号复杂性对知识激活和组织至关重要，并通过实验证明语言表示设计的有效性。

Comments 41 pages, 30 figures

Robust LLM Unlearning Against Relearning Attacks: The Minor Components in Representations Matter

鲁棒的LLM去学习对抗重新学习攻击：表示中的次要成分至关重要

Zeguan Xiao, Xuanzhe Xu, Yun Chen, Yong Wang, Jian Yang, Yanqing Hu, Guanhua Chen

机构 * Shanghai University of Finance and Economics（上海金融学院） ； Alibaba Group（阿里巴巴集团） ； Southern University of Science and Technology（南方科技大学） ； Beihang University（北航） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文研究了LLM去学习中对抗重新学习攻击的脆弱性，发现现有方法主要优化主导成分，而次要成分更抗反转。提出Minor Component Unlearning方法，通过聚焦稳健方向提升抗攻击能力。

LLMs Capture Emotion Labels, Not Emotion Uncertainty: Distributional Analysis and Calibration of Human-LLM Judgment Gaps

大型语言模型捕捉情绪标签而非情绪不确定性：人类与LLM判断差距的分布分析与校准

Keito Inoshita, Xiaokang Zhou, Akira Kawai, Katsutoshi Yada

机构 * Faculty of Business and Commerce（商科学院） ； Faculty of Business Data Science（商务数据科学学院） ； RIKEN Center for Advanced Intelligence Project（先进智能项目研究所） ； Faculty of Data Science（数据科学学院） ； Japan Safety Society Research Center（日本安全协会研究中心） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文通过对比人类标注与LLM在GoEmotions和EmoBank基准上的情绪判断分布，发现零样本模型与人类分布差异显著，需领域微调而非模型规模扩大以缩小差距，并提出三种轻量校准方法以提升情绪标注的准确性。

Differentiable Conformal Training for LLM Reasoning Factuality

可微 conformal 训练用于 LLM 推理事实性

Nathan Hittesdorf, Marco Salzetta, Lu Cheng

机构 * Department of Computer Science, University of Illinois at Chicago, Chicago, United States（伊利诺伊大学芝加哥分校计算机科学系） ； Department of Physics, University of Illinois at Urbana-Champaign, Urbana, United States（伊利诺伊大学厄巴纳-香槟分校物理系） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 本文提出可微 conformal 训练方法，通过联合验证推理步骤中的事实性声明，提升 LLM 的事实性可靠性，实验显示在保持可靠性的同时，事实性声明保留率提升141%。

Comments Submitted ICML

STAR-Teaming: A Strategy-Response Multiplex Network Approach to Automated LLM Red Teaming

STAR-Teaming：一种基于策略-响应多plex网络的自动化LLM红队方法

MinJae Jung, YongTaek Lim, Chaeyun Kim, Junghwan Kim, Kihyun Kim, Minwoo Kim

机构 * DATUMO INC（DATUMO公司） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出STAR-Teaming，一种基于多plex网络的自动化红队方法，通过网络驱动优化生成有效攻击策略，提升LLM策略漏洞的可解释性并降低计算成本。

Comments Accepted at ACL 2026 Findings

Building Trust in the Skies: A Knowledge-Grounded LLM-based Framework for Aviation Safety

在天空中建立信任：一种基于知识的LLM框架用于航空安全

Anirudh Iyengar, Alisa Tiselska, Dumindu Samaraweera, Hong Liu

机构 * Senior Member, IEEE（IEEE高级会员） ； IEEE 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出结合LLM和知识图谱的框架，提升航空安全分析的可信度，通过双阶段流程构建和验证安全知识，提高准确性和可追溯性。

Comments Initial version of a conference publication

SR-LLM: Rethinking the Structured Representation in Large Language Model

Jiahuan Zhang, Tianheng Wang, Hanqing Wu, Ziyi Huang, Yulong Wu, Dongbai Chen, Linfeng Song, Yue Zhang, Guozheng Rao, Kaicheng Yu

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

QuST-LLM: Integrating Large Language Models for Comprehensive Spatial Transcriptomics Analysis

Chao Hui Huang

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

Comments 12 pages, 7 figures

KS-LLM: Knowledge Selection of Large Language Models with Evidence Document for Question Answering

Xinxin Zheng, Feihu Che, Jinyang Wu, Shuai Zhang, Shuai Nie, Kang Liu, Jianhua Tao

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

LLM-DA: Data Augmentation via Large Language Models for Few-Shot Named Entity Recognition

Junjie Ye, Nuo Xu, Yikun Wang, Jie Zhou, Qi Zhang, Tao Gui, Xuanjing Huang

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

Towards Lightweight Reliability: Using Soft Prompts for Hallucination Mitigation in Large Language Models

迈向轻量级可靠性：使用软提示缓解大型语言模型中的幻觉

S M Tahmid Siddiqui, Akib Jawad Ononto, Anoop Singhal, Latifur Khan

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； National Institute of Standards and Technology（国家标准与技术研究院） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；prompting(abstract)

AI总结 提出一种参数高效的软提示方法RCSP，通过对比学习、课程学习和KL正则化平衡事实回忆、幻觉抑制和弃权，在多个QA数据集上优于基线。

Comments 20 pages, 5 tables, 2 figures. Accepted for publication in DBSec 2026

Behavioral and Representational Evidence of Binomial Ordering Preferences in Large Language Models

大型语言模型中二项式排序偏好的行为与表征证据

Zhiqing Yang, Yilun Liu, Yunpu Ma, Volker Tresp, Hinrich Schütze

机构 * Ludwig Maximilian University of Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(summary_cn,abstract_cn)；分类 cs.CL、cs.LG

AI总结 通过多语言二项式数据集和分布度量，研究LLM对梯度频率分布的建模能力，发现模型虽能恢复主导顺序，但难以精确匹配偏好分布，并通过稀疏探针验证偏好强度在中间层编码且可操纵。

Comments Code and data are publicly available at https://github.com/Zhi-qing-Yang/Linguistic-Binomials-in-Large-Language-Models

Probing for Knowledge Attribution in Large Language Models

探测大型语言模型中的知识归因

Ivo Brink, Alexander Boer, Dennis Ulmer

机构 * KPMG NL（KPMG荷兰分公司） ； University of Amsterdam（阿姆斯特丹大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；prompting(abstract)

AI总结 本文通过线性探针从隐藏表示中分类大型语言模型输出的主导知识来源（记忆或上下文），并引入自监督流水线AttriWiki生成训练数据，在多个模型和数据集上达到高F1分数。

Second Guess: Detecting Uncertainty Through Abstention and Answer Stability in Small Language Models

Second Guess: 通过弃权和答案稳定性检测小型语言模型的不确定性

Ashwath Vaithinathan Aravindan, Mayank Kejriwal

机构 * University of Southern California（南加州大学） ； Information Sciences Institute（信息科学研究所） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；small language model(title,abstract)；large language model(abstract)；SLM(abstract_cn)

AI总结 提出一种轻量级、无参数的提示技术Second Guess，通过添加“我不知道”选项并观察答案稳定性，在多项选择问答中实现弃权，有效检测小型语言模型的不确定性。

Tracing Moral Foundations in Large Language Models

在大型语言模型中追溯道德基础

Chenxiao Yu, Bowen Yi, Farzan Karimi-Malekabadi, Suhaib Abdurahman, Jinyi Ye, Shrikanth Narayanan, Yue Zhao, Morteza Dehghani

机构 * Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Psychology, University of Southern California（南加州大学心理学系） ； Center for Computational Language Sciences, University of Southern California（南加州大学计算语言科学中心） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract_cn)；pretraining(abstract)

AI总结 本文研究了大型语言模型中道德基础的编码、组织和表达，通过多层方法分析道德基础与人类道德感知的一致性，并发现道德结构在预训练和微调过程中自然形成，且部分解耦。

Evaluating Uncertainty Quantification Methods in Argumentative Large Language Models

评估论证大语言模型中的不确定性量化方法

Kevin Zhou, Adam Dejl, Gabriel Freedman, Lihu Chen, Antonio Rago, Francesca Toni

机构 * Imperial College London（帝国理工学院伦敦分校） ； King’s College London（伦敦国王学院） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；prompting(abstract)

AI总结 本文评估了在论证大语言模型中不同不确定性量化方法在声明验证任务中的性能，发现直接提示法效果优于复杂方法。

Comments Accepted at EMNLP Findings 2025

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, 21700-21711. 2025

Large Language Model for Patent Concept Generation

Runtao Ren, Jian Ma, Jianxi Luo

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；SFT(abstract)

Comments Accepted for publication in Advanced Engineering Informatics, Link: https://doi.org/10.1016/j.aei.2025.103301

Journal ref Advanced Engineering Informatics 65 (2025): 103301

An Empirical Analysis of Uncertainty in Large Language Model Evaluations

Qiujie Xie, Qingqiu Li, Zhuohao Yu, Yuejie Zhang, Yue Zhang, Linyi Yang

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；post-training(abstract)

Comments ICLR 2025

FLAME: Factuality-Aware Alignment for Large Language Models

Sheng-Chieh Lin, Luyu Gao, Barlas Oguz, Wenhan Xiong, Jimmy Lin, Wen-tau Yih, Xilun Chen

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；SFT(abstract)

When Do LLM Personas Support Visualization Design? A Cross-Model Study of Color Assignment and Chart Choice

LLM人格何时支持可视化设计？跨模型研究颜色分配与图表选择

Shahreen Salim, Klaus Mueller

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)

AI总结 本研究通过跨模型实验（GPT-4o-mini、GPT-4.1-mini、GPT-5-mini）和43个大五人格剖面，发现LLM人格在颜色分配任务中表现不稳定，而在图表选择任务中任务上下文比人格影响更大，表明LLM人格仅适合作为探索性工具而非人类替代。

Comments 5 pages, 3 figures