Northeastern University（东北大学）

When Personality Meets Quantization: A Layer-wise MBTI Analysis of Quantized LLMs

当人格遇见量化：量化大语言模型的分层MBTI分析

Yao Fu, Lijia Huang, Xiaomin Li, Runchao Li, Yu Yin, Kenneth A. Loparo

机构 * Case Western Reserve University（凯斯西储大学） ； Northeastern University（东北大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本研究对跨多种精度（含4位、2位方法）的开源LLM进行分层MBTI分析，揭示LLM人格是依赖层的涌现决策过程，量化、解码会影响其人格，为量化LLM行为可靠性提供新视角。

Capacity Overflow: A Blind Spot for Backdoor Attacks in Vision MoE

容量溢出：视觉混合专家模型中后门攻击的一个盲点

Xiaocheng Zou, Tiancheng Zheng, Xiaolin Xu, Ruyi Ding

机构 * Northeastern University（东北大学） ； Louisiana State University（路易斯安那州立大学） 纠错

AI总结 本研究针对视觉MoE的批次依赖令牌调度机制，提出一种三阶段隐蔽供应链后门攻击，在小批次审计时休眠、大批次部署时激活，可规避多种防御，在ImageNet-100等数据集上实现76-87%的攻击成功率。

Comments 17 pages, 3 figures, ECCV2026

Not All Attention Heads Contribute to Critical Visual Token Selection: Head-Aware Pruning Matters More

并非所有注意力头都有助于关键视觉标记选择：头感知剪枝更重要

Chaofang Ma, Lin Jiang, Carol Jingyi Li, Xingyu Liu, Zeyu Li, Jiang Xu, Wei Zhang

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Northeastern University（东北大学） 纠错

AI总结 本文针对视觉-语言模型推理效率问题，提出无需训练的渐进式视觉标记剪枝框架ProViP，利用关键注意力头提升剪枝效果，在LLaVA-1.5-7B上实现高剪枝率下的性能保留与推理加速。

Groundhog Bit-Flip Attack: Seeding Infinite Generation Loops in Mixture-of-Experts LLMs through Bit Flips

土拨比特翻转攻击：通过比特翻转在混合专家大语言模型中植入无限生成循环

Huakang Lin, Tiancheng Zheng, Mingxuan Sun, Tianhong Xu, Fan Zhang, Yunsi Fei, Ruyi Ding

机构 * Louisiana State University（路易斯安那州立大学） ； Northeastern University（东北大学） ； Zhejiang University（浙江大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Southeast University（东南大学） 纠错

AI总结 本研究提出首个针对混合专家大语言模型的土拨比特翻转攻击，通过翻转路由层相关比特，可使平均输出膨胀率达5912%，揭示了MoE架构的鲁棒性漏洞。

Comments 9 pages, 3 figures; Accepted at EMNLP 2026

Learning Mixtures of Plackett-Luce Models for Multi-Objective Alignment

学习用于多目标对齐的Plackett-Luce模型混合

Dongyue Li, Ziniu Zhang, Lu Wang, Hongyang R. Zhang

机构 * Northeastern University（东北大学） ； University of Michigan（密歇根大学） 纠错

AI总结 该研究针对异质偏好下多向排序的模型混合问题，提出MoPLEx算法，通过扩充排序并结合梯度估计与期望最大化，在偏好优化任务上显著优于基线方法。

Comments 19 pages; To appear in EMNLP 2026

Reconstruction of Personally Identifiable Information from Proprietary Data in Supervised Fine-Tuned Models

从监督微调模型中重建个人身份信息

Sae Furukawa, Alina Oprea

机构 * Northeastern University（东北大学） 纠错

AI总结 本文研究了从监督微调模型中重建个人身份信息的问题，提出COVA算法在前缀攻击下优于现有提取方法，揭示了不同PII类型泄露程度差异。