Northeastern University（东北大学）

Enhancing LLMs in Predictive Political QA with Semi-Structured Data

利用半结构化数据增强大型语言模型（LLMs）在预测性政治问答（QA）中的表现

Yinan Liu, Zihan Zhou, Zichun Jin, Xinyu Wang, Bin Wang, Xiaochun Yang

机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） 纠错

AI总结 本研究针对预测性政治问答任务，提出双视图框架PSL，结合半结构化政治记录提取立场与结构信号，在三个真实数据集及多个LLM上均优于基线方法。

Decoupling Policy Extraction for Offline Reinforcement Learning

离线强化学习中的策略提取解耦

Xuyao Lin, Yixiang Shan, Jinru Duan, Tao Yang, Xinyu Zhao, Runyu Lei, Yiming Zhao, Jiaxin Fan, Zongbao Feng, Peng Jia

机构 * Simplexity Robotics（森普莱西蒂机器人公司） ； Rensselaer Polytechnic Institute（伦斯勒理工学院） ； Northeastern University（东北大学） 纠错

AI总结 该研究针对离线强化学习中演员与评论员耦合训练的问题，提出将策略改进与演员训练解耦的范式，通过演员生成动作候选、评论员选择，实验显示其性能优于行为克隆及联合训练的离线RL方法。

MGAL: A Multilingual Granularity-Aware Long-Context Benchmark

MGAL：一个多语言粒度感知的长基准测试集

Chunhan Li, Chenglin Xu, Zongyang Zhang, Jiale Liu, Zhuoxi Rao, Xudong Jia, Junxiu He, Menglin Yang, Wenjuan Gong, Zhengzhe Liu, Chengwei Qin

机构 * China University of Petroleum (East China)（中国石油大学（华东）） ； Northeastern University at Qinhuangdao（东北大学秦皇岛分校） ； Lingnan University, Hong Kong（香港岭南大学） 纠错

AI总结 MGAL是首个多语言粒度位置感知长基准，以联合国6种官方语言报告构建，含4种粒度及位置分层，实验发现LLM粗粒度任务表现差、闭源模型低资源语言占优，还识别出语义拥挤等新挑战。

Exploratory As-Analyzed No-Detection of Culturally-Marked Predicate-Triggered PII Amplification in a Synthetic-English RAG Probe: A Predicate-Resource-Confounded Audit

针对合成英语RAG探针中文化标记谓词触发的PII放大的分析性无检测探索：谓词资源混淆审计

Yanhang Li, Zhichao Fan, Zexin Zhuang

机构 * Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Southern Methodist University（南卫理公会大学） 纠错

AI总结 该研究通过对四种文化的合成英语PII语料库开展RAG系统审计，发现无刻板印象驱动的PII放大，因样本效力及探针混淆问题，仅报告无检测结果而非无效应证据。

ConceptFormer: Learning Adaptive Latent Concepts for Query-Document Alignment in Visual Document Retrieval

ConceptFormer：学习自适应潜在概念以实现视觉文档检索中的查询-文档对齐

Chunyi Peng, Zhipeng Xu, Yukun Yan, Zhenghao Liu, Shi Yu, Sen Mei, Yubo Sun, Yongheng Zhang, Jie Zhou, Yu Gu, Ge Yu, Maosong Sun

机构 * Northeastern University（东北大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） 纠错

AI总结 针对视觉文档检索中现有监督信号的局限，本文提出ConceptFormer框架，以自适应潜在概念为中间表示衔接语义鸿沟，在基准测试中较最强基线实现了16.7%、22.1%的NDCG@10相对提升，性能优异。

Prompt2Effect: Training-Free Image-to-Video Model Specialization via LoRA Generation

Prompt2Effect: 通过LoRA生成实现免训练图像到视频模型特化

Xiaomeng Yang, Yanyu Li, Gordon Guocheng Qian, Ivan Skorokhodov, Viacheslav Ivanov, Avalon Vinella, Xuan Zhang, Yanzhi Wang, Sergey Tulyakov, Anil Kag

机构 * Northeastern University（东北大学） ； Snap Inc.（Snap公司） 纠错

AI总结 提出Prompt2Effect，一种权重驱动超网络，通过单次前向传播直接合成效果特定的LoRA权重，无需训练，在保持视频质量的同时将计算成本从56 GPU小时降至3.3秒。

Comments Accepted to ECCV 2026, project page: this https URL (https://xiaomeng-yang.github.io/Prompt2Effect)

Compared to What? Baselines and Metrics for Counterfactual Prompting

与什么相比？反事实提示的基线和度量标准

Zihao Yang, Mosh Levy, Yoav Goldberg, Byron C. Wallace

机构 * Northeastern University（东北大学） ； Bar-Ilan University（巴伊兰大学） ； Allen Institute for AI（人工智能研究所） 纠错

AI总结 本文探讨了反事实提示中基线和度量标准的重要性，指出单纯改变文本因素无法准确评估模型敏感性，提出通过统计检验比较干预差异与改写影响的框架，发现模型对患者性别等的敏感性在考虑一般模型敏感性后显著降低。

Comments Published as a conference paper at COLM 2026. 33 pages, 10 figures, 18 tables. Code: this https URL (https://github.com/redagavin/counterfactual-prompting-baselines); Python package (cfprompt): this https URL (https://github.com/redagavin/cfprompt)

Calibrate-Then-Delegate: Safety Monitoring with Risk and Budget Guarantees via Model Cascades

校准后再委托：通过模型级联实现具有风险和预算保证的安全监控

Edoardo Pona, Milad Kazemi, Mehran Hosseini, Yali Du, David Watson, Osvaldo Simeone, Nicola Paoletti

机构 * King’s College London（伦敦国王学院） ； University of Manchester（曼彻斯特大学） ； Northeastern University London（伦敦东北大学） 纠错

AI总结 本文提出Calibrate-Then-Delegate方法，通过模型级联在保证计算成本的同时实现实例级决策，有效提升安全监控的准确性和效率。