语言大模型 / LLM

Complementary Text-Guided Attention for Zero-Shot Adversarial Robustness

互补文本引导注意力用于零样本对抗鲁棒性

Lu Yu, Haiyang Zhang, Changsheng Xu

机构 * School of Computer Science and Engineering, Tianjin University of Technology（天津理工大学计算机科学与工程学院） ； State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统国家重点实验室） ； School of Artificial Intelligence, University of the Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

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

AI总结 本文提出TGA-ZSR和Comp-TGA方法，通过局部注意力细化模块和全局注意力约束模块提升CLIP模型的零样本对抗鲁棒性，实验显示在16个数据集上分别提升9.58%和11.95%。

Comments Accepted to TPAMI 2026. arXiv admin note: substantial text overlap with arXiv:2410.21802

Object-Centric Representation Learning for Enhanced 3D Semantic Scene Graph Prediction

面向增强三维语义场景图预测的对象感知表示学习

KunHo Heo, GiHyun Kim, SuYeon Kim, MyeongAh Cho

机构 * Kyung Hee University（庆熙大学） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 本文提出一种高判别性的对象特征编码器和对比预训练策略，提升三维语义场景图预测的准确性和关系预测能力，实验表明在3DSSG数据集上优于现有方法。

Comments Accepted by NeurIPS 2025. Code: https://github.com/VisualScienceLab-KHU/OCRL-3DSSG-Codes

The Siren Song of LLMs: How Users Perceive and Respond to Dark Patterns in Large Language Models

大语言模型的 sirensong：用户如何感知和回应大语言模型中的黑暗模式

Yike Shi, Qing Xiao, Qing Hu, Hong Shen, Hua Shen

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,comments)

AI总结 研究探讨用户如何感知和回应大语言模型中的黑暗模式，通过场景研究发现对话中的操控性行为影响用户响应，并提出设计、倡导和治理的建议以保护用户自主权。

Comments 23 pages, 7 figures. Accepted at CHI 2026 (ACM Conference on Human Factors in Computing Systems), Barcelona, Spain. Project website: https://llm-dark-pattern.com

Journal ref In Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26), April 13-17, 2026, Barcelona, Spain. ACM, New York, NY, USA, 23 pages

LLMs Aren't Human: A Critical Perspective on LLM Personality

大语言模型并非人类：对大语言模型个性的批判性视角

Kim Zierahn, Cristina Cachero, Anna Korhonen, Nuria Oliver

专题命中 其他LLM ：LLM(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 本文批判性地评估了大语言模型在人格测试中的表现，指出其未满足人格特质的六大定义特征，提出转向功能评估的研究方向，以明确人格测试在大语言模型中的实际捕捉内容。

Comments 4 pages

StoryBox: Collaborative Multi-Agent Simulation for Hybrid Bottom-Up Long-Form Story Generation Using Large Language Models

StoryBox：基于大型语言模型的混合自底向上长篇故事生成的协作多智能体模拟

Zehao Chen, Rong Pan, Haoran Li

专题命中 其他LLM ：large language model(title)；language model(title)；分类 cs.CL

AI总结 本文提出混合自底向上长篇故事生成方法，利用多智能体模拟生成超过10000字的连贯故事，通过智能体交互产生有机情节发展，优于传统自顶向下的结构化方法。

Comments Accepted by AAAI 2026. Project: https://storyboxproject.github.io

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 2026, 40(36), 30359-30367

Language Model Maps for Prompt-Response Distributions via Log-Likelihood Vectors

通过对数似然向量构建语言模型提示-响应分布的语言模型映射

Yusuke Takase, Momose Oyama, Hidetoshi Shimodaira

机构 * Kyoto University（京都大学） ； RIKEN（日本研究机构） 纠错

专题命中 其他LLM ：language model(title,abstract)；分类 cs.CL

AI总结 本文提出利用对数似然向量表示语言模型，构建模型映射以比较其条件分布，实验显示映射能捕捉全球结构及模型属性关系，且能分析提示修改的系统性变化。

The Provenance Paradox in Multi-Agent LLM Routing: Delegation Contracts and Attested Identity in LDP

多智能体大语言模型路由中的溯源悖论：委托合同与认证身份在LDP中的应用

Sunil Prakash

机构 * Indian School of Business（印度管理学院） 纠错

专题命中 其他LLM ：LLM(title,abstract)；分类 cs.AI

AI总结 本文研究多智能体大语言模型在跨信任边界任务委托中的溯源悖论，提出委托合同和认证身份模型以解决不可验证质量声明的问题，通过实验验证认证路由的高效性。

Comments 9 pages, 6 figures. Open-source: https://github.com/sunilp/ldp-protocol

Rethinking MLLM Itself as a Segmenter with a Single Segmentation Token

重新思考MLLM本身作为分割器：仅用一个分割标记

Anqi Zhang, Xiaokang Ji, Guangyu Gao, Jianbo Jiao, Chi Harold Liu, Yunchao Wei

机构 * Beijing Institute of Technology（北京理工大学） ； University of Birmingham（伯明翰大学） ； Beijing Jiaotong University（北京交通大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

专题命中 其他LLM ：LLM(abstract)；large language model(abstract)；language model(abstract)

AI总结 本文提出SELF1E方法，通过保留原始图像分辨率并利用残差特征提升分割精度，无需外部解码器即可实现与专业解码器相当的分割性能。

Comments Paper is accepted by CVPR 2026

From Binary to Bilingual: How the National Weather Service is Using Artificial Intelligence to Develop a Comprehensive Translation Program

从二元到双语：国家气象局如何利用人工智能开发综合翻译计划

Joseph E. Trujillo-Falcon, Monica L. Bozeman, Liam E. Llewellyn, Samuel T. Halvorson, Meryl Mizell, Stuti Deshpande, Bob Manning, Chris Rohrbach, Ian Blaylock, Angel Montanez, Todd Fagin

机构 * Department of Climate, Meteorology & Atmospheric Sciences, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校气候、气象与大气科学系） ； Department of Communication, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校通信系） ； NOAA/National Weather Service Office of Central Processing（国家海洋和大气管理局/国家气象服务中央处理办公室） ； Department of Geography & Geographic Information Science, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校地理与地理信息科学系） ； Department of Atmospheric Sciences, University of North Dakota（北达科塔大学大气科学系） ； Pace University（帕克大学） ； NOAA/National Weather Service Office of Observations（国家海洋和大气管理局/国家气象服务观测办公室） ； LILT, Emeryville, CA（LILT，埃默里维尔，CA） ； NOAA/National Weather Service（国家海洋和大气管理局/国家气象服务） ； NOAA/NWS Southeast River Forecast Center（国家海洋和大气管理局/国家气象服务东南河预报中心） ； Cooperative Institute for Research in the Atmosphere, Colorado State University（大气研究合作研究所，科罗拉多州立大学） ； Center for Spatial Analysis, University of Oklahoma（空间分析中心，俄克拉荷马大学） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 国家气象局通过人工智能开发综合翻译计划，以服务于无法流利使用英语的6880万美国民众，利用AI技术实现多语言自动翻译，提升预警信息的准确性和文化相关性。

Do VLMs Need Vision Transformers? Evaluating State Space Models as Vision Encoders

视觉语言模型需要视觉变换器吗？评估状态空间模型作为视觉编码器

Shang-Jui Ray Kuo, Paola Cascante-Bonilla

机构 * Stony Brook University（石英 Brook 大学） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 本文评估了状态空间模型作为视觉编码器在视觉语言模型中的有效性，发现其在VQA和定位任务中表现优异，并提出稳定策略提升鲁棒性。

Comments Project page: https://lab-spell.github.io/vlm-ssm-vision-encoders/ ; Code: https://github.com/raykuo18/vlm-ssm-vision-encoders

Book your room in the Turing Hotel! A symmetric and distributed Turing Test with multiple AIs and humans

在图灵酒店预订房间！一个对称且分布式的图灵测试，包含多个AI和人类

Christian Di Maio, Tommaso Guidi, Luigi Quarantiello, Jack Bell, Marco Gori, Stefano Melacci, Vincenzo Lomonaco

机构 * DIISM, University of Siena, Italy（锡耶纳大学DIISM分校，意大利） ； Department of Computer Science, University of Pisa, Italy（比萨大学计算机科学系，意大利） ； LUISS University, Rome, Italy（罗马LUISS大学，意大利） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 本文介绍了图灵酒店，一种基于大语言模型和人类参与者混合社区的图灵测试扩展。该测试通过群体互动重新定义了传统一对一交互，人类和AI均参与限时讨论并担任评判者和回应者。实验表明当前模型仍可能被误认为人类，且人类特征仍可识别但不完全明确。

MRD: Multi-resolution Retrieval-Detection Fusion for High-Resolution Image Understanding

MRD：多分辨率检索-检测融合用于高分辨率图像理解

Fan Yang, Xingping Dong, Xin Yu, Wenhan Luo, Wei Liu, Kaihao Zhang

机构 * HITSZ（哈尔滨工业大学） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出MRD框架，通过多分辨率语义融合和开放词汇检测提升高分辨率图像理解，实现局部和全局视角的增强，取得单目标和多目标理解任务的最先进性能。

Comments Accepted to CVPR 2026

V-Dreamer: Automating Robotic Simulation and Trajectory Synthesis via Video Generation Priors

V-Dreamer：通过视频生成先验自动机器人仿真与轨迹合成

Songjia He, Zixuan Chen, Hongyu Ding, Dian Shao, Jieqi Shi, Chenxu Li, Jing Huo, Yang Gao

机构 * Nanjing University（南京大学） ； Northwestern Polytechnical University（西北工业大学） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)

AI总结 V-Dreamer通过视频生成先验自动构建仿真环境和可执行轨迹，利用大语言模型和3D生成模型生成物理合理的3D场景，并通过Sim-to-Gen模块实现高效轨迹合成。

Comments 8 pages, 6 figures

Network and Device Level Cyber Deception for Contested Environments Using RL and LLMs

网络与设备层面的网络空间欺骗用于对抗环境中的RL和LLMs

Abhijeet Sahu, Shuva Paul, Richard Macwan

专题命中 其他LLM ：large language model(abstract)；language model(abstract)

AI总结 本文探讨利用RL和LLMs构建网络与设备层面的网络欺骗方法，以提高对抗环境中的欺骗策略准确性和成本效益。

Comments 10 pages, 5 figures

Frayed RoPE and Long Inputs: A Geometric Perspective

断裂的RoPE与长输入：一种几何视角

Davis Wertheimer, Aozhong Zhang, Derrick Liu, Penghang Yin, Naigang Wang

机构 * IBM Research（IBM研究院） ； University at Albany, SUNY（纽约州立大学阿尔巴尼分校） 纠错

专题命中 其他LLM ：language model(abstract)；分类 cs.CL、cs.LG

AI总结 本文从几何角度分析RoPE在长输入下的问题，发现注意力机制导致键和查询向量紧密聚类，而RoPE在长输入时破坏这种聚类，产生病态行为。提出RoPE-ID方法通过高频率应用部分通道解决此问题。

Comments Accepted by ICLR 2026

PromptHub: Enhancing Multi-Prompt Visual In-Context Learning with Locality-Aware Fusion, Concentration and Alignment

PromptHub: 通过局部感知融合、集中和对齐增强多提示视觉上下文学习

Tianci Luo, Jinpeng Wang, Shiyu Qin, Niu Lian, Yan Feng, Bin Chen, Chun Yuan, Shu-Tao Xia

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳分校） ； Meituan, Beijing（美团，北京） 纠错

专题命中 其他LLM ：prompting(abstract)；分类 cs.LG

AI总结 PromptHub通过局部感知融合、集中和对齐方法提升多提示视觉上下文学习性能，验证了其在多种视觉任务中的优越性及泛化能力。

Comments Accepted to ICLR 2026. 17 pages, 11 figures, and 9 tables

Geography According to ChatGPT -- How Generative AI Represents and Reasons about Geography

根据ChatGPT的地理学——生成式AI如何代表和推理地理

Krzysztof Janowicz, Gengchen Mai, Rui Zhu, Song Gao, Zhangyu Wang, Yingjie Hu, Lauren Bennett

机构 * University of Vienna（维也纳大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Bristol（布里斯托大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； University of Maine（缅因大学） ； University at Buffalo（布法罗大学） 纠错

专题命中 其他LLM ：foundation model(abstract)；分类 cs.AI

AI总结 研究探讨生成式AI在地理表示和推理中的表现，通过三个案例揭示其默认假设、分布偏移及事实记忆的局限性。

Comments Accepted book chapter (introduction to valume)

Social Simulacra in the Wild: AI Agent Communities on Moltbook

野生社会镜像：Moltbook上的AI代理社区

Agam Goyal, Olivia Pal, Hari Sundaram, Eshwar Chandrasekharan, Koustuv Saha

机构 * Siebel School of Computing and Data Science（计算机科学与数据科学系） 纠错

专题命中 其他LLM ：LLM(abstract)；分类 cs.CL

AI总结 研究比较了Moltbook和Reddit上的AI代理与人类社区，发现AI代理在参与不均和语言特征上存在显著差异，揭示了多代理交互导致的集体沟通动态。

Comments Preprint: 13 pages, 4 figures, 5 tables

Nonparametric Variational Differential Privacy via Embedding Parameter Clipping

非参数变分差分隐私 via 嵌入参数裁剪

Dina El Zein, Shashi Kumar, James Henderson

机构 * Idiap Research Institute（日内瓦研究所） ； EPFL（瑞士联邦理工学院） 纠错

专题命中 其他LLM ：language model(abstract)；分类 cs.LG

AI总结 本文提出通过嵌入参数裁剪解决非参数变分差分隐私中潜在表示漂移问题，理论推导出后验均值、方差和混合权重约束，提升隐私-效用平衡。

Comments 8 pages, 1 figure

MCP-38: A Comprehensive Threat Taxonomy for Model Context Protocol Systems (v1.0)

MCP-38：一种针对模型上下文协议系统的全面威胁分类

Yi Ting Shen, Kentaroh Toyoda, Alex Leung

机构 * Vulcan Research（Vulcan研究院） ； AIFT 纠错

专题命中 其他LLM ：LLM(abstract)；分类 cs.AI

AI总结 本文提出MCP-38，一种针对模型上下文协议系统的威胁分类体系，包含38个威胁类别，通过系统化方法覆盖MCP特有的语义攻击面。

Comments v1.0

Follow the Rules (or Not): Community Norms and AI-Generated Support in Online Health Communities

遵守规则（或不遵守）：社区规范与在线健康社区中的AI生成支持

Shravika Mittal, Erin Kasson, Layna Paraboschi, Eleanor Laufenberg, Jiawei Zhou, Patricia A. Cavazos-Rehg, Tanushree Mitra, Munmun De Choudhury

专题命中 其他LLM ：LLM(abstract)

AI总结 研究探讨AI生成支持在在线健康社区中是否遵守社区规范，通过分析opioid使用康复子版块，发现AI生成的支持可能不当或不足，甚至违反规范，为社区规范设计提供新见解。

Deconstructing Open-World Game Mission Design Formula: A Thematic Analysis Using an Action-Block Framework

解构开放世界游戏任务设计公式：一种使用动作块框架的主题分析

Kaijie Xu, Yiwei Zhang, Brian Yang, Clark Verbrugge

专题命中 其他LLM ：LLM(abstract)

AI总结 本文提出MAQV框架，通过分析2200个任务数据，揭示任务设计中的平衡与变化规律，提供可复现的分析流程和可视化工具。

Pushan: Trace-Free Deobfuscation of Virtualization-Obfuscated Binaries

Pushan：无跟踪的虚拟化混淆二进制脱壳

Ashwin Sudhir, Zion Leonahenahe Basque, Wil Gibbs, Ati Priya Bajaj, Pulkit Singh Singaria, Mitchell Zakocs, Jie Hu, Moritz Schloegel, Tiffany Bao, Adam Doupe, Yan Shoshitaishvili, Ruoyu Wang

专题命中 其他LLM ：LLM(abstract)

AI总结 Pushan通过无跟踪的符号模拟技术，有效脱壳虚拟化混淆二进制，生成高质量C伪代码，克服现有方法的局限性。