语言大模型 / LLM

Tailored Behavior-Change Messaging for Physical Activity: Integrating Contextual Bandits and Large Language Models

针对体力活动的定制行为改变信息：整合上下文老虎机和大型语言模型

Haochen Song, Dominik Hofer, Rania Islambouli, Laura Hawkins, Ananya Bhattacharjee, Zahra Hassanzadeh, Jan Smeddinck, Meredith Franklin, Joseph Jay Williams

机构 * University of Toronto（多伦多大学） ； Ludwig Boltzmann Institute for Digital Health（卢德维希·玻尔兹曼数字健康与预防研究所） ； Stanford University（斯坦福大学） 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)；分类 cs.LG

AI总结 本文提出了一种结合上下文老虎机和大型语言模型的混合方法，用于个性化体力活动干预，通过动态上下文因素优化信息内容，提升干预效果和可解释性。

Enhancing the Interpretability of SHAP Values Using Large Language Models

利用大语言模型增强SHAP值的可解释性

Xianlong Zeng, Kewen Zhu

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

AI总结 本文利用大语言模型提升SHAP值的可解释性，使非技术用户更易理解模型预测。

Comments 8 pages

SGPA: Spectrogram-Guided Phonetic Alignment for Feasible Shapley Value Explanations in Multimodal Large Language Models

SGPA: 基于频谱的语音对齐用于多模态大语言模型中可行的谢普利值解释

Paweł Pozorski, Jakub Muszyński, Maria Ganzha

机构 * Warsaw University of Technology（华沙技术大学） 纠错

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

AI总结 SGPA通过结合连接主义时间分类和频谱边界细化，实现了多模态大语言模型中可行的音频解释，显著减少了模型评估次数并保持了全局轮廓。

Comments Submitted for admission in Interspeech 2026 conference

Nodes Are Early, Edges Are Late: Probing Diagram Representations in Large Vision-Language Models

节点早于边，边晚于节点：在大规模视觉-语言模型中探测图表示

Haruto Yoshida, Keito Kudo, Yoichi Aoki, Ryota Tanaka, Itsumi Saito, Keisuke Sakaguchi, Kentaro Inui

机构 * Tohoku University（东大大学） ； Human Informatics Labs.（人文学信息实验室） ； NTT, Inc.（NTT公司） 纠错

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

AI总结 研究发现大规模视觉-语言模型在处理图结构时，节点信息早于边信息被线性编码，导致模型在理解边关系时存在困难。

ALARM: Automated MLLM-Based Anomaly Detection in Complex-EnviRonment Monitoring with Uncertainty Quantification

ALARM: 基于多模态大语言模型的复杂环境监控异常检测与不确定性量化

Congjing Zhang, Feng Lin, Xinyi Zhao, Pei Guo, Wei Li, Lin Chen, Chaoyue Zhao, Shuai Huang

机构 * Department of Industrial and Systems Engineering, University of Washington（华盛顿大学工业与系统工程系） ； Wyze Labs, Inc.（Wyze实验室） 纠错

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

AI总结 ALARM通过结合不确定性量化与多模态大语言模型，实现了复杂环境中的异常检测，展现出在不同领域中的高准确性和可靠性。

Hallucination, Monofacts, and Miscalibration: An Empirical Investigation

幻觉、单事实与校准偏差：一项实证研究

Miranda Muqing Miao, Michael Kearns

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Department of Computer and Information Science（计算机与信息科学系） 纠错

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

AI总结 本文通过实验证明，选择性加权可有效降低大型语言模型的幻觉，同时保持准确性，揭示了优化目标间的内在矛盾。

Comments Code available at https://github.com/mmiao2/Hallucination.git

Using AI for User Representation: An Analysis of 83 Persona Prompts

利用AI进行用户表示：对83个角色提示的分析

Joni Salminen, Danial Amin, Bernard Jansen

机构 * University of Vaasa（瓦萨大学） ； Qatar Computing Research Institute（卡塔尔计算研究所） ； Hamad Bin Khalifa University（哈马德·本·哈利法大学） 纠错

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

AI总结 本文分析了83个角色提示，发现生成的角色多为单一且简短，主要使用文本和数字格式，且多数要求结构化输出。

Comments Accepted at AICCSA-2025

Journal ref AICCSA-2025

Map the Flow: Revealing Hidden Pathways of Information in VideoLLMs

映射流：揭示视频大语言模型中的隐藏信息路径

Minji Kim, Taekyung Kim, Bohyung Han

机构 * NAVER AI Lab（NAVER人工智能实验室） 纠错

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

AI总结 本研究通过机理可解释性技术揭示视频大语言模型中信息流的隐藏路径，展示了时间推理机制及提升模型可解释性和泛化能力的贡献。

Comments ICLR 2026, 32 pages, 39 figures, 8 tables

Constructing Reliable Social Networks from Conversational Data: An Ensemble Prompt Engineering Approach with Uncertainty Quantification

从对话数据构建可靠的社交网络：一种带有不确定性量化的集成提示工程方法

Gwanghee Kim, Ick Hoon Jin, Minjeong Jeon

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

AI总结 本文提出了一种基于集成提示工程和不确定性量化的框架，用于从对话数据中构建可靠的社交网络，通过多数投票和熵分析提升分类可靠性，并应用于课堂互动数据的网络分析。

Q-BERT4Rec: Quantized Semantic-ID Representation Learning for Multimodal Recommendation

Q-BERT4Rec: 量化语义-ID表示学习用于多模态推荐

Haofeng Huang, Ling Gai

机构 * University of Shanghai for Science and Technology（上海科学技术大学） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)；分类 cs.AI

AI总结 Q-BERT4Rec通过统一语义表示与量化建模，提升多模态推荐的性能和可解释性。

Comments Submitted to KDD2026