语言大模型 / LLM

ProMAS: Proactive Error Forecasting for Multi-Agent Systems Using Markov Transition Dynamics

ProMAS：利用马尔可夫转移动态进行多智能体系统的前瞻性错误预测

Xinkui Zhao, Sai Liu, Yifan Zhang, Qingyu Ma, Guanjie Cheng, Naibo Wang, Chang Liu

机构 * Zhejiang University（浙江大学） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 ProMAS通过马尔可夫转移动态预测多智能体系统中的错误，采用因果delta特征捕捉语义位移，结合前瞻性预测头和跳跃检测，实现低延迟的错误定位，提升自主推理的实时性。

Auditing MCP Servers for Over-Privileged Tool Capabilities

对过度授权工具能力的MCP服务器审计

Charoes Huang, Xin Huang, Amin Milani Fard

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)

AI总结 本文提出mcp-sec-audit工具，通过静态匹配和动态沙箱模糊测试评估MCP服务器的安全性，检测危险能力并提供缓解建议。

GroundingME: Exposing the Visual Grounding Gap in MLLMs through Multi-Dimensional Evaluation

GroundingME：通过多维评估揭示MLLMs中的视觉 grounding 隙

Rang Li, Lei Li, Shuhuai Ren, Hao Tian, Shuhao Gu, Shicheng Li, Zihao Yue, Yudong Wang, Wenhan Ma, Zhe Yang, Jingyuan Ma, Zhifang Sui, Fuli Luo

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； LLM-Core Xiaomi（小米LLM-Core） ； The University of Hong Kong（香港大学） ； Renmin University of China（中国人民大学） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)

AI总结 本文提出GroundingME基准，通过四个维度评估MLLMs的视觉 grounding 能力，揭示其在区分相似物体、理解空间关系、处理遮挡和拒绝无解查询方面的不足，发现最佳模型仅达到45.1%的准确率。

GIDE: Unlocking Diffusion LLMs for Precise Training-Free Image Editing

GIDE: 解锁扩散大语言模型用于精确无训练图像编辑

Zifeng Zhu, Jiaming Han, Jiaxiang Zhao, Minnan Luo, Xiangyu Yue

机构 * Xi'an Jiaotong University MMLab, The Chinese University of Hong Kong（西安交通大学MMLab，香港中文大学） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)

AI总结 本文提出GIDE框架，通过离散噪声逆向机制实现无训练图像编辑，支持多种指令并保持背景不变，实验表明其在语义正确性和感知质量上显著优于现有方法。

Comments 25 pages, 7 figures

Why Agent Caching Fails and How to Fix It: Structured Intent Canonicalization with Few-Shot Learning

为何智能体缓存失效及如何修复：基于少样本学习的结构化意图规范化

Abhinaba Basu

专题命中 评测与基准 ：LLM(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出结构化意图分解框架W5H2，通过少样本学习显著提升缓存效率，实验显示在多个基准测试中性能优于现有方法，同时实现成本降低。

Comments Added github repo and Hugging Face dataset link

ClearAIR: A Human-Visual-Perception-Inspired All-in-One Image Restoration

ClearAIR: 一种受人类视觉感知启发的全能图像修复框架

Xu Zhang, Huan Zhang, Guoli Wang, Qian Zhang, Lefei Zhang

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)

AI总结 本文提出ClearAIR，受人类视觉感知启发，采用分层粗到细的修复策略，通过多模态大语言模型进行整体评估，并引入区域意识和任务识别流程，提升图像修复精度与细节恢复能力。

Comments Accepted to AAAI 2026. Project page: https://github.com/House-yuyu/ClearAIR

GIR-Bench: Versatile Benchmark for Generating Images with Reasoning

GIR-Bench：用于生成图像的多功能基准

Hongxiang Li, Yaowei Li, Bin Lin, Yuwei Niu, Yuhang Yang, Xiaoshuang Huang, Jiayin Cai, Xiaolong Jiang, Yao Hu, Long Chen

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Peking University（北京大学） ； University of Science and Technology of China（中国科学技术大学） ； Xiaohongshu Inc.（小红书公司） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)

AI总结 本文提出GIR-Bench，从理解-生成一致性、文本到图像生成和多步骤编辑三个角度评估统一模型，揭示其在复杂视觉任务中的表现与不足。

Comments ICLR2026

On the Failure of Topic-Matched Contrast Baselines in Multi-Directional Refusal Abliteration

多方向拒绝消除中主题匹配对比基线的失效

Valentin Petrov

机构 * INMECHA INC（INMECHA公司） 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.AI、cs.LG

AI总结 研究探讨了在多方向拒绝消除中，主题匹配对比基线是否能产生更有效的拒绝方向，通过实验发现主题匹配对比在所有测试层和权重级别均无法产生有效拒绝方向，而未匹配对比在相同模型和协议下实现了六层的完全拒绝消除。

BERnaT: Basque Encoders for Representing Natural Textual Diversity

BERnaT：巴斯克语的编码器用于表示自然文本多样性

Ekhi Azurmendi, Joseba Fernandez de Landa, Jaione Bengoetxea, Maite Heredia, Julen Etxaniz, Mikel Zubillaga, Ander Soraluze, Aitor Soroa

机构 * HiTZ Center - Ixa, University of the Basque Country UPV/EHU（希茨中心 - Ixa，巴斯克国家大学UPV/EHU） 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出BERnaT模型，通过结合标准、社交媒体和历史文本构建新语料库，训练三种配置的编码器模型，评估框架区分标准和多样任务，结果表明混合训练模型在各类任务中表现更优。

Comments Under review for the Journal Procesamiento de Lenguaje Natural 2026 // En revisión en la revista de Procesamiente de Lenguaje Natural 2026

Must Read: A Comprehensive Survey of Computational Persuasion

必须阅读：计算说服的全面综述

Nimet Beyza Bozdag, Shuhaib Mehri, Xiaocheng Yang, Hyeonjeong Ha, Zirui Cheng, Esin Durmus, Jiaxuan You, Heng Ji, Gokhan Tur, Dilek Hakkani-Tür

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文综述了计算说服的三个视角：AI作为说服者、被说服者和评判者，探讨了AI生成内容的有效性及伦理挑战。

Comments Accepted to ACM Computing Surveys

M4-RAG: A Massive-Scale Multilingual Multi-Cultural Multimodal RAG

M4-RAG：大规模多语言多文化多模态检索增强生成

David Anugraha, Patrick Amadeus Irawan, Anshul Singh, En-Shiun Annie Lee, Genta Indra Winata

机构 * Stanford University（斯坦福大学） ； MBZUAI ； Indian Institute of Science（印度科学研究院） ； Ontario Tech University（安大略技术大学） ； University of Toronto（多伦多大学） ； Capital One 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 M4-RAG提出一个覆盖42种语言、56种方言和189个国家的多模态大规模基准，通过构建8万多个文化多样化的图像-问题对，评估跨语言和模态的检索增强视觉问答性能，揭示模型大小与检索效果的不匹配问题。

Comments Accepted to CVPR 2026

Decoding the decoder: Contextual sequence-to-sequence modeling for intracortical speech decoding

解码解码器：用于皮层语音解码的上下文序列到序列建模

Michal Olak, Tommaso Boccato, Matteo Ferrante

专题命中 评测与基准 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出基于Transformer的多任务序列到序列模型，用于从皮层记录中解码语音，通过引入Neural Hammer Scalpel模块提升鲁棒性和可解释性，实验显示其在语音解码任务中表现出色。

RedacBench: Can AI Erase Your Secrets?

RedacBench：AI能否删除你的秘密？

Hyunjun Jeon, Kyuyoung Kim, Jinwoo Shin

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 RedacBench旨在评估多领域多策略的删除能力，通过514篇文本和187项安全政策，量化模型在安全与效用间的平衡，揭示先进模型在提升安全的同时保留效用的挑战。

Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting

噪声滴定：概率时间序列预测的精确分布性基准测试

Qilin Wang

机构 * Independent Researcher（独立研究者） 纠错

专题命中 评测与基准 ：foundation model(abstract)；分类 cs.LG

AI总结 本文提出通过系统滴定校准的高斯观测噪声，将时间序列预测转化为精确分布推断任务，揭示了现有模型在非平稳环境下的不足，以及Fern模型在保持动态不变量和几何结构方面的优势。

Multiperspectivity as a Resource for Narrative Similarity Prediction

多视角作为叙事相似性预测的资源

Max Upravitelev, Veronika Solopova, Jing Yang, Charlott Jakob, Premtim Sahitaj, Ariana Sahitaj, Vera Schmitt

机构 * Technische Universit‘̀at Berlin（柏林技术大学） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； BIFOLD – Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究院） ； Centre for European Research in Trusted AI (CERTAIN)（可信人工智能欧洲研究中心） 纠错

专题命中 评测与基准 ：LLM(abstract)；分类 cs.CL

AI总结 本文提出将叙事的多视角性纳入预测系统决策过程，通过31个LLM角色的集合，在SemEval-2026任务4数据集上实现70.5%的准确率，发现不同视角的误差相关性降低，从而提升整体性能。

SLURP-TN : Resource for Tunisian Dialect Spoken Language Understanding

SLURP-TN：突尼斯方言口语理解资源

Haroun Elleuch, Salima Mdhaffar, Yannick Estève, Fethi Bougares

机构 * ELYADATA ； Laboratoire Informatique d’Avignon（阿维尼翁信息实验室） 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.CL

AI总结 本文提出SLURP-TN数据集，包含55名本地说话者用突尼斯方言说出的4165个句子，用于改进口语理解任务，同时提供自动语音识别和SLU模型。

Comments Accepted at LREC 2026

SciLaD: A Large-Scale, Transparent, Reproducible Dataset for Natural Scientific Language Processing

SciLaD：一个大规模、透明、可重复的自然科学语言处理数据集

Luca Foppiano, Sotaro Takeshita, Pedro Ortiz Suarez, Ekaterina Borisova, Raia Abu Ahmad, Malte Ostendorff, Fabio Barth, Julian Moreno-Schneider, Georg Rehm

机构 * Deutsches Forschungszentrum für Künstliche Intelligen GmbH (DFKI), Germany（德国人工智能研究中心（DFKI）） ； Humboldt-Universität zu Berlin, Germany（柏林洪堡大学） ； ScienciaLAB, Portugal（ScienciaLAB） ； Common Crawl Foundation, USA（Common Crawl基金会） ； University of Mannheim, Germany（曼海姆大学） 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.CL

AI总结 本文提出SciLaD数据集，包含1000万篇科学文献和3.5亿篇多语言文献，通过开源工具构建并预训练RoBERTa模型，验证了数据集的质量和实用性。

Comments 13 pages, 3 figures, 3 tables

Behavioural feasible set: Value alignment constraints on AI decision support

行为可行集：人工智能决策支持中的价值对齐约束

Taejin Park

机构 * Bank for International Settlements（国际清算银行） 纠错

专题命中 评测与基准 ：prompting(abstract)；分类 cs.AI

AI总结 研究探讨了人工智能决策支持系统中价值对齐约束对行为可行集的影响，通过实验显示对齐显著压缩了推荐范围，并揭示了组织在选择供应商时面临的价值导向问题。

FinRL-X: An AI-Native Modular Infrastructure for Quantitative Trading

FinRL-X：一个面向量化交易的AI原生模块化基础设施

Hongyang Yang, Boyu Zhang, Yang She, Xinyu Liao, Xiaoli Zhang

机构 * AI4Finance Foundation（AI4Finance基金会） 纠错

专题命中 评测与基准 ：LLM(abstract)；分类 cs.LG

AI总结 FinRL-X 提供了一个统一的接口，整合数据处理、策略构建、回测和经纪执行，支持规则驱动和AI驱动的组件，为可重复的量化交易研究和部署提供可扩展的基础。

Comments Accepted at the DMO-FinTech Workshop (PAKDD 2026)

Entropy Alone is Insufficient for Safe Selective Prediction in LLMs

仅凭熵不足以在LLMs中实现安全的选择性预测

Edward Phillips, Fredrik K. Gustafsson, Sean Wu, Anshul Thakur, David A. Clifton

机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学苏州市先进研究中心） 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.CL

AI总结 本文探讨了熵基于不确定性方法在选择性预测中的不足，提出结合熵分数与正确性探测信号的方法，提升风险-覆盖权衡和校准性能。

Profit is the Red Team: Stress-Testing Agents in Strategic Economic Interactions

利润是红队：在战略经济互动中压力测试代理

Shouqiao Wang, Marcello Politi, Samuele Marro, Davide Crapis

机构 * Columbia University（哥伦比亚大学） ； dAI Team, Ethereum Foundation（dAI团队，以太坊基金会） ； University of Oxford（牛津大学） 纠错

专题命中 评测与基准 ：LLM(abstract)；分类 cs.AI

AI总结 本文提出基于利润的红队测试方法，通过学习对手最大化利润来压力测试代理，发现传统静态基线在利润优化压力下易受攻击，且学习对手能自主发现 probing、anchoring 和 deceptive commitments 策略。

Satellite-to-Street: Synthesizing Post-Disaster Views from Satellite Imagery via Generative Vision Models

卫星到街道：通过生成视觉模型从卫星图像合成灾害后视角

Yifan Yang, Lei Zou, Wendy Jepson

机构 * Department of Geography Texas A\&M University（地理系德克萨斯农工大学） 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.AI

AI总结 本文提出通过生成视觉模型从卫星图像合成灾害后街道视角的方法，对比了基于VLM和MoE的生成策略，揭示了高现实感生成与结构信息保留之间的平衡问题。

Comments Accepted for presentation at IGARSS 2026 (IEEE International Geoscience and Remote Sensing Symposium)

ACE-RTL: When Agentic Context Evolution Meets RTL-Specialized LLMs

ACE-RTL：当代理上下文进化与专为RTL设计的LLM相遇

Chenhui Deng, Zhongzhi Yu, Guan-Ting Liu, Nathaniel Pinckney, Brucek Khailany, Haoxing Ren

专题命中 评测与基准 ：LLM(abstract)；分类 cs.LG

AI总结 ACE-RTL结合代理上下文进化与专为RTL设计的LLM，通过生成器、反射器和协调器三部分提升RTL代码的正确性，实现41.02%的通过率提升。

PEARL: Personalized Streaming Video Understanding Model

PEARL：个性化流视频理解模型

Yuanhong Zheng, Ruichuan An, Xiaopeng Lin, Yuxing Liu, Sihan Yang, Huanyu Zhang, Haodong Li, Qintong Zhang, Renrui Zhang, Guopeng Li, Yifan Zhang, Yuheng Li, Wentao Zhang

机构 * Peking University（北京大学） ； Adobe ； CASIA ； Stepfun ； CUHK（香港中文大学） ； Zhongguancun Academy（中关村学院） 纠错

专题命中 评测与基准 ：language model(abstract)；分类 cs.AI

AI总结 本文提出个性化流视频理解任务PSVU，并引入PEARL-Bench基准测试，通过帧级和视频级两种模式评估模型对个性化概念的响应能力，提出无需训练的PEARL策略，实现先进性能。

Comments Arxiv Submission

InjectFlow: Weak Guides Strong via Orthogonal Injection for Flow Matching

InjectFlow: 通过正交注入实现弱引导强，用于流匹配

Dayu Wang, Jiaye Yang, Weikang Li, Jiahui Liang, Yang Li

机构 * Baidu Inc.（百度公司） ； Peking University（北京大学） 纠错

专题命中 评测与基准 ：foundation model(abstract)；分类 cs.AI

AI总结 本文提出InjectFlow，通过在初始速度场计算中注入正交语义，解决流匹配模型对数据集偏见敏感的问题，提升生成质量与公平性。

FinReflectKG -- HalluBench: GraphRAG Hallucination Benchmark for Financial Question Answering Systems

FinReflectKG -- HalluBench：图式RAG幻觉基准测试用于金融问答系统

Mahesh Kumar, Bhaskarjit Sarmah, Stefano Pasquali

机构 * Domyn Inc（Domyn公司） 纠错

专题命中 评测与基准 ：LLM(abstract)；分类 cs.CL

AI总结 本文提出FinBench-QA-Hallucination基准测试，用于评估知识图谱增强金融问答系统中的幻觉检测方法，通过755个标注示例验证了LLM和嵌入方法的有效性，并揭示了现有系统的脆弱性。

Surfacing and Applying Meaning: Supporting Hermeneutical Autonomy for LGBTQ+ People in Taiwan

显现与应用意义：支持台湾LGBTQ+群体的诠释自主性

Yi-Tong Chen, En-Kai Chang, Nanyi Bi, Nitesh Goyal

专题命中 评测与基准 ：LLM(abstract)

AI总结 研究探讨技术条件如何影响LGBTQ+群体的身份探索、叙事寻求及社区韧性，设计并评估了基于检索增强的LLM聊天机器人，通过反思、验证、讨论和同理心模式促进诠释自主性。

Comments 28 pages; accepted by CHI 2026

Are AI-assisted Development Tools Immune to Prompt Injection?

基于提示注入的AI辅助开发工具是否具有免疫力？

Charoes Huang, Xin Huang, Amin Milani Fard

专题命中 评测与基准 ：LLM(abstract)

AI总结 本文研究了基于MCP协议的AI辅助开发工具在提示注入攻击下的安全性，分析了七种常用工具的检测与缓解机制，揭示了其在安全特性上的显著差异。

Unleashing the Potential of All Test Samples: Mean-Shift Guided Test-Time Adaptation

释放所有测试样本的潜力：基于均值偏移的测试时适应

Jizhou Han, Chenhao Ding, SongLin Dong, Yuhang He, Xinyuan Gao, Yihong Gong

机构 * State Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（人机混合增强智能国家重点实验室，人工智能与机器人研究院，西安交通大学） ； Faculty of Computility Microelectronics, Shenzhen University of Advanced Technology and the Guangdong Provincial Key Laboratory of Computility Microelectronics（计算微电子学系，深圳先进技术大学及广东省计算微电子重点实验室） ； College of Software Engineering, Xi’an Jiaotong University（软件工程学院，西安交通大学） 纠错

专题命中 评测与基准 ：language model(abstract)

AI总结 本文提出MS-TTA方法，通过单步kNN均值偏移提升特征表示，增强特征紧凑性和类别分离性，实现更稳定的测试时适应，并在OOD和跨数据集基准上优于现有方法。

Comments Accepted by IEEE TCSVT. This is the author's version which has not been fully edited and content may change prior to final publication

Cerebra: Aligning Implicit Knowledge in Interactive SQL Authoring

Cerebra：在交互式SQL编写中对隐式知识的对齐

Yunfan Zhou, Qiming Shi, Zhongsu Luo, Xiwen Cai, Yanwei Huang, Dae Hyun Kim, Di Weng, Yingcai Wu

专题命中 评测与基准 ：LLM(abstract)

AI总结 Cerebra是一种交互式NL-to-SQL工具，通过在SQL编写过程中对齐用户与LLM之间的隐式知识，提高定制化SQL编写的支持能力。

Comments Accepted at CHI Conference on Human Factors in Computing Systems (CHI'26), April 13-17, 2026, Barcelona, Spain