语言大模型 / LLM

From Symbol to Meaning: Ontological and Philosophical Reflections on Large Language Models in Information Systems Engineering

从符号到意义：关于大语言模型在信息系统工程中的本体论与哲学反思

José Palazzo Moreira de Oliveira

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 大语言模型标志着信息系统工程理论基础的转折点，本文探讨其如何重构语言、意义与系统设计的关系，强调需建立透明且伦理一致的框架以尊重人类中心的知识过程。

Comments This paper constitutes a substantially extended version of a conference article to be published in the proceedings of the International Conference on Enterprise Information Systems ICEIS 2026

Comparing Uncertainty Measurement and Mitigation Methods for Large Language Models: A Systematic Review

比较大型语言模型的不确定性测量与缓解方法：系统综述

Toghrul Abbasli, Kentaroh Toyoda, Yuan Wang, Leon Witt, Muhammad Asif Ali, Yukai Miao, Dan Li, Qingsong Wei

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

AI总结 本文系统回顾了大型语言模型中不确定性测量与缓解方法的有效性，提出严谨的基准测试，并通过实验证明了现有方法的显著发现，为未来研究方向和开放挑战提供了展望。

Probing Association Biases in LLM Moderation Over-Sensitivity

探测LLM内容审查中的关联偏差过灵敏问题

Yuxin Wang, Botao Yu, Ivory Yang, Saeed Hassanpour, Soroush Vosoughi

机构 * Department of Computer Science, Dartmouth College（达特茅斯大学计算机科学系） ； Department of Computer Science and Engineering, The Ohio State University（俄亥俄州立大学计算机科学与工程系） 纠错

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.CL、cs.AI

AI总结 本文研究LLM在内容审查中因主题关联偏差导致的过灵敏问题，提出Topic Association Analysis方法，发现高级模型在误报中存在更强的主题关联偏移，表明需结合关键词过滤与学习主题关联来缓解。

Comments Preprint

FoMo X: Modular Explainability Signals for Outlier Detection Foundation Models

FoMo X：用于异常检测基础模型的模块化可解释性信号

Simon Klüttermann, Tim Katzke, Phuong Huong Nguyen, Emmanuel Müller

机构 * TU Dortmund University, Dortmund, Germany（图卢兹大学（德累斯顿）） ； Research Center Trustworthy Data Science and Security, University Alliance Ruhr, Dortmund, Germany（可信数据科学与安全研究中心，鲁尔大学联盟，德累斯顿，德国） 纠错

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

AI总结 FoMo-X通过模块化框架为异常检测基础模型提供内在轻量级诊断能力，利用预训练PFN背骨的冻结嵌入编码丰富关系信息，通过附加诊断头实现高效可解释性，实验证明其在合成和真实世界基准上具有高保真度和低推理开销。

Comments 24 pages, 9 figures

From Drop-off to Recovery: A Mechanistic Analysis of Segmentation in MLLMs

从丢弃到恢复：对MLLMs分割能力的机理分析

Boyong Wu, Sanghwan Kim, Zeynep Akata

机构 * Technical University of Munich（慕尼黑技术大学） ； Helmholtz Munich（亥姆霍兹慕尼黑） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） 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 本文通过逐层线性探测评估MLLMs整个流程，揭示适配器导致的分割表示下降及LLM层通过注意力机制逐步恢复的机制，为未来分割模型设计提供依据。

Beyond Static Pattern Matching? Rethinking Automatic Cryptographic API Misuse Detection in the Era of LLMs

超越静态模式匹配？在大语言模型时代重新思考自动密码API误用检测

Yifan Xia, Zichen Xie, Peiyu Liu, Kangjie Lu, Yan Liu, Wenhai Wang, Shouling Ji

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

AI总结 本文探讨了在大语言模型时代利用LLM进行密码API误用检测的新方法，通过改进检测策略和验证技术，显著提升了检测准确率，并发现新的漏洞。

Comments ISSTA 2025

Eye image segmentation using visual and concept prompts with Segment Anything Model 3 (SAM3)

使用视觉和概念提示进行眼图像分割的Segment Anything Model 3（SAM3）

Diederick C. Niehorster, Marcus Nyström

机构 * Lund University Humanities Lab \& Dept. of Psychology, Lund University Lund Sweden ； Lund University Humanities Lab Lund Sweden ； Lund University Humanities Lab \& Dept. of Psychology, Lund University ； Lund University Humanities Lab 纠错

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

AI总结 本文比较了SAM3与SAM2在眼图像分割中的性能，发现SAM3在大多数情况下表现不优于SAM2，因此推荐使用SAM2。

Self-Conditioned Denoising for Atomistic Representation Learning

原子表示学习中的自条件去噪

Tynan Perez, Rafael Gomez-Bombarelli

机构 * Department of Chemistry, Massachusetts Institute of Technology, 77 Massachusetts Avenue, Cambridge, 02139, MA, USA（麻省理工学院化学系） ； Department of Materials Science and Engineering, Massachusetts Institute of Technology, 77 Massachusetts Avenue, Cambridge, 02139, MA, USA（麻省理工学院材料科学与工程系） 纠错

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

AI总结 本文提出自条件去噪方法，用于改进原子数据的预训练模型，通过自嵌入实现跨领域去噪，提升下游任务性能，优于传统自监督学习方法。

Towards Unsupervised Adversarial Document Detection in Retrieval Augmented Generation Systems

面向检索增强生成系统中无监督对抗文档检测

Patrick Levi

机构 * Department of Electrical Engineering, Media, and Computer Science（电气工程、媒体与计算机科学系） 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.AI

AI总结 本文提出无监督方法检测检索增强生成系统中的对抗性上下文文档，通过生成器激活、输出嵌入和熵基不确定性度量等指标，展示零日攻击检测能力，并证明目标提示非必需。

Where MLLMs Attend and What They Rely On: Explaining Autoregressive Token Generation

MLLMs关注什么以及依赖什么：解释自回归标记生成

Ruoyu Chen, Xiaoqing Guo, Kangwei Liu, Siyuan Liang, Shiming Liu, Qunli Zhang, Laiyuan Wang, Hua Zhang, Xiaochun Cao

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Department of Computer Science, Hong Kong Baptist University（香港 Baptist 大学计算机科学系） ； College of Computing and Data Science, NTU（NTU 计算与数据科学学院） ； Huawei（华为） ； School of Flexible Electronics, SYSU（SYSU 灵活电子学院） ； School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（Sun Yat-sen 大学深圳校区计算机科学与技术学院） 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 本文提出EAGLE框架，通过轻量级黑盒方法解释MLLMs的自回归标记生成，量化语言先验和感知证据的影响，提升模型可解释性。

Comments Accepted to CVPR 2026

What on Earth is AlphaEarth? Hierarchical structure and functional interpretability for global land cover

什么是AlphaEarth？全球土地覆盖的分层结构和功能可解释性

Ivan Felipe Benavides-Martinez, Justin Guthrie, Jhon Edwin Arias, Yeison Alberto Garces-Gomez, Angela Ines Guzman-Alvis, Cristiam Victoriano Portilla-Cabrera, Somnath Mondal, Andrew J. Allyn, Auroop R. Ganguly

机构 * The Institute for Experiential Artificial Intelligence（体验式人工智能研究所） ； Northeastern University（东北大学） ； Gulf of Maine Research Institute（缅因湾研究机构） ； School of Engineering and Architecture（工程与建筑学院） ； Universidad Católica de Manizales（曼地拉天主教大学） ； Grupo de Investigación en Recursos Hidrobiológicos（水资源生物学研究组） ； Departamento de Ingeniería（工程系） ； Universidad Nacional de Colombia（哥伦比亚国家大学） 纠错

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

AI总结 本文提出功能可解释性框架，通过分析嵌入维度对土地覆盖结构的贡献，揭示AlphaEarth嵌入空间的分层功能组织，展示通过少量维度即可实现高精度土地覆盖分类。

Evaluating Feature Dependent Noise in Preference-based Reinforcement Learning

评估基于特征的噪声在基于偏好的强化学习中的影响

Yuxuan Li, Harshith Reddy Kethireddy, Srijita Das

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

AI总结 本文研究了基于偏好的强化学习中特征依赖噪声的影响，提出多种噪声变体，并发现最先进的噪声鲁棒方法在某些设置下表现下降，而无显式去噪方法在多数情况下表现更优。

Understanding and Defending VLM Jailbreaks via Jailbreak-Related Representation Shift

通过与劫持相关的表示转移理解并防御VLM劫持

Zhihua Wei, Qiang Li, Jian Ruan, Zhenxin Qin, Leilei Wen, Dongrui Liu, Wen Shen

机构 * School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

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

AI总结 本文研究VLM在视觉模态整合后安全对齐减弱的问题，发现劫持样本在表示空间中形成独特状态，提出通过移除劫持相关转移提升安全性。

Coherent Human-Scene Reconstruction from Multi-Person Multi-View Video in a Single Pass

从多视角多人物视频中单次通过进行一致的人-场景重建

Sangmin Kim, Minhyuk Hwang, Geonho Cha, Dongyoon Wee, Jaesik Park

机构 * Seoul National University（首尔国立大学） ； NAVER Cloud（NAVER云） 纠错

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

AI总结 本文提出CHROMM框架，通过单次处理联合估计相机、场景点云和人体网格，无需额外模块或预处理，提升多视角人体姿态估计性能。

Comments Project page: https://nstar1125.github.io/chromm