语言大模型 / LLM

To Words and Beyond: Probing Large Language Models for Sentence-Level Psycholinguistic Norms of Memorability and Reading Times

词与超越：探究大语言模型以获取句子层面的心理语言学规范的可记忆性和阅读时间

Thomas Hikaru Clark, Carlos Arriaga, Javier Conde, Gonzalo Martínez, Pedro Reviriego

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Universidad Politécnica de Madrid（马德里理工大学） 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)；prompting(abstract)

AI总结 本文研究了大语言模型在句子层面可记忆性和阅读时间的预测能力，通过微调提升预测效果，发现其在不同任务上的表现存在显著差异，提示在使用LLM提示替代人类认知测量时需谨慎。

Mechanistic Indicators of Steering Effectiveness in Large Language Models

大语言模型中转向效果的机制指标

Mehdi Jafari, Hao Xue, Flora Salim

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.CL

AI总结 本研究通过分析大语言模型中转向效果的机制指标，探讨如何利用内部模型信号诊断转向可靠性，并提出新的评估基线以提升转向方法的性能。

LaMoGen: Language to Motion Generation Through LLM-Guided Symbolic Inference

LaMoGen：通过LLM引导的符号推理实现语言到动作生成

Junkun Jiang, Ho Yin Au, Jingyu Xiang, Jie Chen

机构 * Department of Computer Science, Hong Kong Baptist University, HKSAR（香港 Baptist 大学计算机科学系） 纠错

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

AI总结 LaMoGen通过LLM引导的符号推理实现语言到动作的生成，利用LabanLite动作表示提升动作的可解释性和可控性。

Comments Accepted by CVPR 2026. Supplementary material included. Project page: https://jjkislele.github.io/LaMoGen/

Security-by-Design for LLM-Based Code Generation: Leveraging Internal Representations for Concept-Driven Steering Mechanisms

面向基于大语言模型的代码生成的Security-by-Design：利用内部表示进行概念驱动的引导机制

Maximilian Wendlinger, Daniel Kowatsch, Konstantin Böttinger, Philip Sperl

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

AI总结 本文提出SCS-Code，通过引导大语言模型的内部表示生成安全且功能性的代码，解决现有方法在安全性和功能正确性上的不足。

Comments to be published in the IEEE European Symposium on Security and Privacy (EuroS&P)'26

Exhaustive Circuit Mapping of a Single-Cell Foundation Model Reveals Massive Redundancy, Heavy-Tailed Hub Architecture, and Layer-Dependent Differentiation Control

对单细胞基础模型的全面电路映射揭示了大量冗余、重尾枢纽架构以及层依赖的分化控制

Ihor Kendiukhov

机构 * Department of Computer Science, University of Tübingen（图宾根大学计算机科学系） 纠错

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

AI总结 通过全面电路追踪等方法揭示单细胞基础模型中大量冗余、重尾枢纽结构及层依赖的分化控制，证实模型架构的亚加性特性并建立层位置与分化方向性的因果联系。

Learning Through Dialogue: Engagement and Efficacy Matter More Than Explanations

通过对话学习：参与度和效果比解释更重要

Shaz Furniturewala, Gerard Christopher Yeo, Kokil Jaidka

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.CL

AI总结 研究发现，LLM学习效果取决于用户参与状态和认知投入，而非单纯依赖解释质量。

Decoupling Perception from Reasoning for Hallucination-Resistant Video Understanding

解耦感知与推理以实现抗幻觉的视频理解

Bowei Pu, Chuanbin Liu, Yifan Ge, Peicheng Zhou, Yiwei Sun, Zhiying Lu, Zhangchi Hu, Hongtao Xie

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 ：large language model(abstract)；language model(abstract)；post-training(abstract)

AI总结 本文提出DPL模型，通过解耦感知与推理以提升视频理解的抗幻觉能力，引入感知奖励和FAE评估器，有效提高训练后性能和数据效率。

Comments 17 pages, 8 figures

Statistical and structural identifiability in representation learning

表示学习中的统计和结构可识别性

Walter Nelson, Marco Fumero, Theofanis Karaletsos, Francesco Locatello

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

AI总结 本文提出统计和结构近可识别性概念，通过ICA后处理实现表示学习中的去纠缠，验证了在合成数据和细胞显微镜中的有效性。

Comments International Conference on Learning Representations (ICLR) 2026

Locating Demographic Bias at the Attention-Head Level in CLIP's Vision Encoder

在CLIP视觉编码器的注意力头级别定位人口偏见

Alaa Yasser, Kittipat Phunjanna, Marcos Escudero Viñolo, Catarina Barata, Jenny Benois-Pineau

机构 * University of Bordeaux（波尔多大学） ； Universidad Autónoma de Madrid（马德里自治大学） ； Instituto Superior Técnico, Universidade de Lisboa（里斯本大学技术学院） 纠错

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

AI总结 本文提出一种机制性公平性审计方法，通过分析CLIP视觉编码器的注意力头定位人口偏见，发现性别偏见集中在特定头部，而年龄偏见更分散。

Comments 14 pages, 6 tables, 2 figures. Work conducted during IPCV-AI Erasmus Mundus Master

UniFField: A Generalizable Unified Neural Feature Field for Visual, Semantic, and Spatial Uncertainties in Any Scene

UniFField: 一种通用的统一神经特征场，用于任何场景中的视觉、语义和空间不确定性

Christian Maurer, Snehal Jauhri, Sophie Lueth, Georgia Chalvatzaki

机构 * TU Darmstadt（图宾根大学） ； Robotics Institute（机器人研究所） 纠错

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

AI总结 UniFField是一种通用的统一神经特征场，能够整合视觉、语义和几何特征，预测不确定性，适用于任何场景中的鲁棒决策。

Comments ICRA 2026 Project website: https://sites.google.com/view/uniffield

GTM: A General Time-series Model for Enhanced Representation Learning of Time-Series Data

GTM：一种通用时间序列模型，用于增强时间序列数据的表示学习

Cheng He, Xu Huang, Gangwei Jiang, Zhaoyi Li, Defu Lian, Hong Xie, Enhong Chen, Xijie Liang, Zengrong Zheng, Patrick P. C. Lee

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

AI总结 GTM通过频域注意力机制和混合遮蔽策略提升时间序列表示学习，实现跨生成任务的泛化能力。

Comments 10 pages main text, 20 pages appendix. Accepted at ICLR 2026

OmniStream: Mastering Perception, Reconstruction and Action in Continuous Streams

OmniStream：在连续流中掌握感知、重建与行动

Yibin Yan, Jilan Xu, Shangzhe Di, Haoning Wu, Weidi Xie

机构 * School of Artificial Intelligence, SJTU（上海交通大学人工智能学院） ； Shanghai Innovation Institute（上海创新研究院） ； VGG, Oxford（牛津大学视觉几何组） 纠错

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

AI总结 OmniStream通过统一的流视觉骨干网络，实现对视频流中感知、重建和行动的高效处理，展示了在多种任务上的通用性与竞争力。

Comments Technical Report. Project Page: https://go2heart.github.io/omnistream/