Korea Advanced Institute of Science and Technology（韩国科学技术院）

Instruction-Tuned Language Models Cannot Sample from Distributions They Can Describe

指令微调语言模型无法从它们能描述的分布中进行采样

Chaemin Jang, Dongman Lee, Jihee Kim

机构 * School of Computing, KAIST（韩国科学技术院计算学院） ； School of Business and Technology Management, KAIST（韩国科学技术院商业与技术管理学院） 纠错

AI总结 研究发现指令微调语言模型无法从其能描述的分布中采样，存在“知道/做”分裂，通过让模型描述分布可减半误差，还提出PPA在无额外成本下降低21%误差。

Comments EMNLP Findings 2026

FiCA: Feed-forward instant Gaussian Codec Avatars from a Single Portrait Image

FiCA：基于单张肖像图像的前馈即时高斯编解码器化身

Kim Youwang, Zhengyu Yang, Liuhao Ge, Yu Rong, Timur Bagautdinov, Su Zhaoen, Nir Sopher, Jovan Popović, Teng Deng, Tae-Hyun Oh, Chen Cao

机构 * Codec Avatars Lab, Meta（Meta编解码虚拟化身实验室） ； Dept. of Electrical Engineering, POSTECH（浦项科技大学电气工程系） ； School of Computing, KAIST（韩国科学技术院计算机学院） 纠错

AI总结 提出FiCA，一种结合人类视觉基础模型和扩散模型的前馈管道，从单张图像生成逼真、可驱动的3D高斯化身，无需测试时优化。

Comments Project page: https://kim-youwang.github.io/FiCA

Perturbation-Based Epistemic Uncertainty for Failure Detection in Vision-Language-Action Models

基于扰动的视觉-语言-动作模型不确定性用于故障检测

Yousung Lee, Dongsoo Har

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

AI总结 提出一种无标签、模型无关的扰动框架，通过注入高斯扰动到隐藏激活中估计认知不确定性，在分布偏移下提升故障检测性能。

SubT: Subspace Tuning for Few-shot Generalization of Audio-Language Models

约束泛化：音频-语言模型少样本泛化的子空间微调

Jaehyuk Jang, Kangwook Ko, Wonjun Lee, Changick Kim

机构 * KAIST（韩国科学技术院） 纠错

AI总结 针对音频-语言模型少样本微调导致的基类-新类权衡问题，提出子空间微调（SubT），通过结构化子空间参数化和残差锚定约束文本嵌入漂移，并利用子空间感知门控抑制负迁移，在11个音频基准上实现高效强泛化。

Comments EMNLP 2026 Findings

A Zero-shot Generalized Graph Anomaly Detection Framework via Node Reconstruction

基于节点重构的零样本广义图异常检测框架

Phan Nguyen, Dat Cao, Hien Chu, Khue Hoang

机构 * School of Computing, KAIST（韩国科学技术院计算机学院） 纠错

AI总结 提出AlignGAD框架，通过全局统一模块对齐异构特征、聚类模块捕获组级异常模式及节点差异评分模块聚合多视图异常证据，实现零样本跨域图异常检测。

Comments PRICAI 2026

KVoiceBench, KOpenAudioBench, and KMMAU: Agent-Driven Korean Speech Benchmarks for Evaluating SpeechLMs

KVoiceBench, KOpenAudioBench 和 KMMAU：用于评估语音语言模型的智能体驱动的韩语语音基准

Haechan Kim, Seungjun Chung, Inkyu Park, Jihoo Lee, Jonghyun Lee

机构 * KRAFTON ； Graduate School of AI, KAIST（韩国科学技术院人工智能研究生院） ； Department of Mathematical Sciences, Seoul National University（首尔国立大学数学科学系） 纠错

AI总结 针对语音语言模型评估中英语中心化的问题，提出两种智能体驱动的基准构建框架，构建并发布了三个韩语语音基准（KVoiceBench、KOpenAudioBench、KMMAU），通过评估八个最新模型揭示了英语-韩语性能差距和不同任务间的互补性弱点。

Comments 16 pages, 4 figures

OmniACBench: A Benchmark for Evaluating Context-Grounded Acoustic Control in Omni-Modal Models

OmniACBench：一种评估多模态模型上下文感知语音控制的基准

Seunghee Kim, Bumkyu Park, Kyudan Jung, Joosung Lee, Soyoon Kim, Jeonghoon Kim, Taeuk Kim, Hwiyeol Jo

机构 * Hanyang University（翰阳大学） ； Seoul National University（首尔国立大学） ； KAIST AI（韩国科学技术院人工智能研究所） ； NAVER Cloud（NAVER云） 纠错

AI总结 OmniACBench评估多模态模型在上下文感知语音生成中的能力，通过语音速率、音调等六种特征验证，揭示模型在多模态整合中的瓶颈及三种常见失败模式。

Comments EMNLP 2026

T-MAP: Red-Teaming LLM Agents with Trajectory-aware Evolutionary Search

T-MAP: 通过轨迹感知的进化搜索实现红队攻击LLM代理

Hyomin Lee, Sangwoo Park, Yumin Choi, Sohyun An, Seanie Lee, Sung Ju Hwang

机构 * KAIST（韩国科学技术院） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 本文提出T-MAP方法，通过轨迹感知的进化搜索发现对抗性提示，有效突破安全防护并实现有害目标，实验显示其在攻击实现率上优于基线方法，适用于多步骤工具执行的LLM代理安全测试。

Comments EMNLP 2026

PACE-RAG: Patient-Aware Contextual and Evidence-Constrained RAG for Clinical Drug Recommendation

PACE-RAG：面向临床药物推荐的患者感知上下文与证据约束RAG

Chaeyoung Huh, Hyunmin Hwang, Jung Hwan Shin, Sungyang Jo, Jinse Park, Jong Chul Ye

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Department of Neurology, Seoul National University Hospital（首尔国立大学医院神经科） ； Asan Medical Center, University of Ulsan, College of Medicine（釜山大学医学院阿桑医院） ； Haeundae Paik Hospital, Inje University（庆尚大学医院海undae医院） 纠错

AI总结 提出PACE-RAG框架，通过提取患者特定临床特征、检索相关病例并结合当前症状与用药史，实现个性化药物推荐，在帕金森病和MIMIC-IV数据集上取得最优性能。

Comments EMNLP Findings 2026 (34 pages, 18 figures)

Training-free LLM Verification via Recycling Few-shot Examples

利用回收少样本示例实现无需训练的大语言模型验证

Dongseok Lee, Jimyung Hong, Dongyoung Kim, Jaehyung Kim

机构 * Yonsei University（延世大学） ； KAIST（韩国科学技术院） 纠错

AI总结 针对LLM推理随机性与结论不一致的问题，提出无需训练的ReFeri框架，结合前向置信得分与后向重构惩罚，在7项任务上使3种LLM准确率平均提升8.2%。

Comments EMNLP 2026 Main

Learning diverse attacks on large language models for robust red-teaming and safety tuning

针对大语言模型学习多样化攻击以用于鲁棒红队测试与安全调优

Seanie Lee, Minsu Kim, Lynn Cherif, David Dobre, Juho Lee, Sung Ju Hwang, Kenji Kawaguchi, Gauthier Gidel, Yoshua Bengio, Esmeralda S. Whitammer, Moksh Jain

机构 * KAIST（韩国科学技术院） ； Mila – Québec AI Institute（米拉-魁北克人工智能研究所） ； Université de Montréal（蒙特利尔大学） ； McGill University（麦吉尔大学） ； National University of Singapore（新加坡国立大学） ； University of Edinburgh（爱丁堡大学） ； CIFAR（加拿大高级研究所） 纠错

AI总结 该研究针对现有红队测试方法存在的模式崩塌或攻击有效性不足问题，提出GFlowNet微调加二次平滑的方法生成多样化攻击提示，其攻击对各类LLM有效且可迁移，用该攻击提示调优的模型对其他攻击方法具有鲁棒性。

Comments ICLR 2025; code: https://github.com/GFNOrg/red-teaming