语言大模型 / LLM

Does Structured Intent Representation Generalize? A Cross-Language, Cross-Model Empirical Study of 5W3H Prompting

结构化意图表示是否具有泛化性？一项跨语言、跨模型的5W3H提示经验研究

Peng Gang

机构 * Huizhou Lateni AI Technology Co., Ltd.（惠州拉特尼人工智能科技有限公司） ； Huizhou University（惠州大学） 纠错

专题命中 知识编辑与模型理解 ：prompting(title,comments)；分类 cs.AI

AI总结 本文通过跨语言和跨模型的实验，探讨结构化意图表示的泛化能力，发现AI辅助写作工具生成的5W3H提示在目标对齐上与手动创建的提示无显著差异，且能减少跨模型输出方差。

Comments 28 pages, figures, tables, and appendix. Follow-up empirical study extending prior work on PPS and 5W3H structured prompting to cross-language, cross-model, and AI-assisted authoring settings

Interpretable Zero-shot Referring Expression Comprehension with Query-driven Scene Graphs

可解释的零样本指代表达理解与查询驱动的场景图

Yike Wu, Necva Bolucu, Stephen Wan, Dadong Wang, Jiahao Xia, Jian Zhang

机构 * Faculty of Engineering and IT, University of Technology Sydney（悉尼科技大学工程与信息技术学院） ； Data61, Commonwealth Scientific and Industrial Research Organisation（澳大利亚联邦科学与工业研究组织 Data61） 纠错

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 本文提出SGREC方法，通过查询驱动的场景图作为结构化中介，结合视觉语言模型和大语言模型，实现可解释的零样本指代表达理解，在多个基准测试中取得优异成绩。

Comments Accepted by T-MM

A Mentalistic Interface for Probing Folk-Psychological Attribution to Non-Humanoid Robots

一种用于探测非人类机器人folk-psychological归因的界面

Giulio Pisaneschi, Pierpaolo Serio, Estelle Gerbier, Andrea Dan Ryals, Lorenzo Pollini, Mario G. C. A. Cimino

机构 * Delft University of Technology（代尔夫特理工大学） 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 本文提出一个实验平台，研究人类对非人类机器人意图状态的归因。通过模拟机器人、真实任务环境和基于大语言模型的解释层，探讨语言和框架如何影响机器人中的意图立场。

Comments Preprint submitted to IEEE. 8 pages, 21 figures

Seeing to Ground: Visual Attention for Hallucination-Resilient MDLLMs

视觉注意：用于抗幻觉的MDLLMs

Vishal Narnaware, Animesh Gupta, Kevin Zhai, Zhenyi Wang, Mubarak Shah

机构 * Institute of Artificial Intelligence, University of Central Florida（中佛罗里达大学人工智能研究所） 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VISAGE框架，通过校准解码器目标来减少多模态幻觉，通过空间熵分析提升视觉基础性。

Cleaning the Pool: Progressive Filtering of Unlabeled Pools in Deep Active Learning

清池：深度主动学习中未标记池的渐进过滤

Denis Huseljic, Marek Herde, Lukas Rauch, Paul Hahn, Bernhard Sick

机构 * University of Kassel（卡塞尔大学） 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 本文提出REFINE方法，通过结合多种主动学习策略，提升模型在不同数据集和任务中的性能，实验表明其优于单一策略和现有集成方法。

Comments Accepted at CVPR 2026

From Weights to Concepts: Data-Free Interpretability of CLIP via Singular Vector Decomposition

从权重到概念：通过奇异向量分解实现CLIP的数据无关可解释性

Francesco Gentile, Nicola Dall'Asen, Francesco Tonini, Massimiliano Mancini, Lorenzo Vaquero, Elisa Ricci

机构 * University of Trento（特伦托大学） ； University of Pisa（比萨大学） ； Fondazione Bruno Kessler（布鲁诺·凯撒基金会） 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SITH框架，通过奇异向量分解分析CLIP视觉Transformer的权重空间，利用COMP算法实现细粒度概念解释，提升模型可解释性和下游性能。

Comments Accepted @ CVPR 2026. Project page: https://frangente.github.io/SITH/

Hallucination to Consensus: Multi-Agent LLMs for End-to-End JUnit Test Generation

幻觉到共识：多智能体LLM用于端到端JUnit测试生成

Qinghua Xu, Guancheng Wang, Lionel Briand, Kui Liu

专题命中 知识编辑与模型理解 ：LLM(abstract)

AI总结 本文提出CANDOR框架，通过多智能体协作生成Java单元测试，利用共识策略减少幻觉并提升Oracle准确性，实验表明其在代码覆盖率和突变得分上优于现有方法。

A Method to Simultaneously Facilitate All Jet Physics Tasks

一种同时促进所有喷流物理任务的方法

Vinicius Mikuni, Benjamin Nachman

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

AI总结 本文提出OmniLearn方法，通过训练特定喷流分类任务的机器学习模型，提升其他喷流物理任务的精度、速度和准确性，适用于多种数据集和碰撞系统。

Comments 12 pages, 7 figures

Journal ref Phys.Rev.D 111 (2025) 5, 054015

The LLM Bottleneck: Why Open-Source Vision LLMs Struggle with Hierarchical Visual Recognition

大语言模型的瓶颈：为何开源视觉大语言模型在层级视觉识别上遇到困难

Yuwen Tan, Yuan Qing, Boqing Gong

机构 * Boston University（波士顿大学） 纠错

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

AI总结 本文指出开源大语言模型缺乏对视觉世界的层级知识，导致视觉大语言模型在识别如水母鱼但无法识别脊椎动物时存在瓶颈，通过构建六种分类学和四个图像数据集的百万级多项选择视觉问答任务验证了这一问题。

Comments Accepted to CVPR 2026. Project page and code: https://yuanqing-ai.github.io/llm-hierarchy/

Teaching large language models to see in radar: aspect-distributed prototypes for few-shot HRRP ATR

教大语言模型‘看’雷达：面向少样本HRRP ATR的视角分布原型

De Bi, Chengbai Xu, Lingfeng Chen, Panhe Hu

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

AI总结 本文提出视角分布原型策略，提升少样本条件下雷达HRRP目标识别的视角鲁棒性，实验表明优于现有基准。

Comments This paper is a preprint of a paper submitted to the IET International Radar Conference (IRC 2025) and is subject to Institution of Engineering and Technology Copyright. If accepted, the copy of recordwill be available at IET Digital Library

Predicting Human Mobility during Extreme Events via LLM-Enhanced Cross-City Learning

通过LLM增强的跨城市学习预测极端事件中的人类移动

Yinzhou Tang, Huandong Wang, Xiaochen Fan, Yong Li

机构 * Department of Electronic Engineering, Beijing National Research Center for Information Science and Technology (BNRist), Tsinghua University（清华大学电子工程系、北京信息科学与技术国家研究中心） 纠错

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

AI总结 本文提出X-MLM框架，利用LLM建模移动意图，跨城市转移极端事件对移动意图的影响知识，提升极端事件中的人类移动预测性能。

Malicious LLM-Based Conversational AI Makes Users Reveal Personal Information

恶意的基于大语言模型的对话式AI使用户泄露个人信息

Xiao Zhan, Juan Carlos Carrillo, William Seymour, Jose Such

机构 * VRAIN, Universitat Politècnica de València（瓦伦西亚理工大学VRAIN研究所） 纠错

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

AI总结 研究探讨了基于大语言模型的恶意对话式AI如何通过不同策略提取用户个人信息，发现恶意AI比良性AI更有效，且基于隐私的社会属性策略效果最佳，揭示了新型恶意AI带来的隐私威胁。

Comments This paper has been accepted at USENIX Security '25

Journal ref USENIX Security 2025

Neural Operator Quantum State: A Foundation Model for Quantum Dynamics

神经算子量子态：量子动力学的基础模型

Zihao Qi, Christopher Earls, Yang Peng

专题命中 其他LLM ：foundation model(title,abstract)

AI总结 本文提出神经算子量子态（NOQS）作为量子动力学的基础模型，通过学习解算子实现对时间依赖驱动协议的量子态预测，无需重新训练即可处理未见过的协议。

Comments 14 pages, 6 figures

FluxEDA: A Unified Execution Infrastructure for Stateful Agentic EDA

FluxEDA: 一种用于状态性代理EDA的统一执行基础设施

Zhengrui Chen, Zixuan Song, Yu Li, Qi Sun, Cheng Zhuo

机构 * Zhejiang University（浙江大学） 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FluxEDA，一种统一的状态性代理EDA基础设施，通过结构化请求响应和持久后端实例支持工具状态保留，实现异构EDA工具的多步分析与优化。

Comments qisunchn@zju.edu.cn, czhuo@zju.edu.cn

See the Text: From Tokenization to Visual Reading

查看文本：从分词到视觉阅读

Ling Xing, Rui Yan, Alex Jinpeng Wang, Zechao Li, Jinhui Tang

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Computer Science and Engineering, Central South University（中南大学计算机科学与工程学院） ； College of Information Science and Technology and Artificial Intelligence, Nanjing Forestry University（南京林业大学信息科学技术与人工智能学院） 纠错

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

AI总结 本文提出SeeTok方法，通过将文本渲染为图像并利用预训练多模态大模型实现视觉阅读，相比传统子词分词在资源消耗和跨语言泛化方面表现更优。

Rethinking Health Agents: From Siloed AI to Collaborative Decision Mediators

重新思考健康代理：从孤立AI到协作决策调解者

Ray-Yuan Chung, Xuhai Xu, Ari Pollack

机构 * University of Washington（华盛顿大学） ； Columbia University（哥伦比亚大学） ； Seattle Children’s Hospital（西雅图儿童医院） 纠错

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

AI总结 本文提出一种新的健康代理框架，通过临床验证的病例研究，展示孤立AI在协作医疗中的不足，并提出设计能整合上下文信息、协调认知模型的AI协作方案。

Comments Accepted in CHI '26 Workshop on Human-Agent Collaboration

Exons-Detect: Identifying and Amplifying Exonic Tokens via Hidden-State Discrepancy for Robust AI-Generated Text Detection

外显子检测：通过隐藏状态差异识别和放大外显子标记以实现稳健的AI生成文本检测

Xiaowei Zhu, Yubing Ren, Fang Fang, Shi Wang, Yanan Cao, Li Guo

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； Institute of Computing Science, Chinese Academy of Sciences（中国科学院计算科学研究所） 纠错

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

AI总结 本文提出Exons-Detect方法，通过双模型设置测量隐藏状态差异，识别并放大信息丰富的外显子标记，提升AI生成文本检测的鲁棒性和性能。

Self-Corrected Image Generation with Explainable Latent Rewards

可解释性潜在奖励的自校正图像生成

Yinyi Luo, Hrishikesh Gokhale, Marios Savvides, Jindong Wang, Shengfeng He

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Singapore Management University（新加坡管理大学） ； William & Mary（威廉与玛丽学院） 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xLARD框架，利用多模态大语言模型通过可解释性潜在奖励指导生成，改进语义对齐和视觉保真度，同时保持生成先验。

Comments CVPR 2026

The Kitchen Loop: User-Spec-Driven Development for a Self-Evolving Codebase

厨房循环：用户驱动的自演化代码库开发

Yannick Roy

专题命中 其他LLM ：LLM(abstract)；分类 cs.AI

AI总结 本文提出厨房循环框架，通过统一信任模型实现自主演化软件，包含规范表面、用户模拟、不可战胜测试和漂移控制，验证两个生产系统285+次迭代，产生1,094+合并请求且无回归。

Shopping with a Platform AI Assistant: Who Adopts, When in the Journey, and What For

通过平台AI助手购物：谁采用、何时在旅程中、为何采用

Se Yan, Han Zhong, Zemin, Zhong, Wenyu Zhou

机构 * Guanghua School of Management, Peking University（北京大学光华管理学院） ； Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院） ； International Business School, Zhejiang University（浙江大学国际联合商学院） 纠错

专题命中 其他LLM ：LLM(abstract)；分类 cs.AI

AI总结 本文研究消费者在电子商务中采用平台嵌入式购物AI的行为特征，发现AI助手在探索性产品发现中起补充作用，而非替代传统搜索。

From Untestable to Testable: Metamorphic Testing in the Age of LLMs

从不可测试到可测试：在大语言模型时代中的元测试

Valerio Terragni

机构 * University of Auckland（奥克兰大学） 纠错

专题命中 其他LLM ：LLM(abstract)；分类 cs.AI

AI总结 本文探讨了在日益集成AI和大语言模型功能的软件系统测试中的挑战。通过将多个测试执行之间的关系转化为可执行测试或acles，元测试解决了标签地面真实数据难以扩展的问题。

Comments Accepted for publication at IEEE Computer Magazine. This is the authors' accepted manuscript. Version of record available via DOI: 10.1109/MC.2026.3671990

Journal ref IEEE Computer Magazine, Software Engineering Column, September 2026

SHAPR: Operationalising Human-AI Collaborative Research Through Structured Knowledge Generation

SHAPR：通过结构化知识生成实现人机协作研究

Ka Ching Chan

专题命中 其他LLM ：LLM(abstract)

AI总结 SHAPR框架通过迭代循环和结构化知识单元，实现人机协作研究的透明、可重复和系统性改进，推动可扩展的知识导向研究实践。

Comments 32 pages, 6 figures

VideoWeaver: Multimodal Multi-View Video-to-Video Transfer for Embodied Agents

VideoWeaver：多模态多视角视频到视频转换用于具身智能体

George Eskandar, Fengyi Shen, Mohammad Altillawi, Dong Chen, Yang Bai, Liudi Yang, Ziyuan Liu

机构 * Huawei Heisenberg Research Center（华为海森堡研究中心） ； Ludwig Maximilian University of Munich（慕尼黑大学） ； University of Freiburg（弗莱堡大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

专题命中 其他LLM ：foundation model(abstract)

AI总结 VideoWeaver是首个多视角视频到视频转换框架，通过共享4D潜在空间实现多视角一致性，支持动态相机运动和不同视角的自回归合成，提升具身智能体在真实环境中的迁移能力。

Self-Calibrated CLIP for Training-Free Open-Vocabulary Segmentation

自校准CLIP用于无训练开放词汇分割

Sule Bai, Yong Liu, Yifei Han, Haoji Zhang, Yansong Tang, Jie Zhou, Jiwen Lu

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Department of Automation, Tsinghua University（清华大学自动化系） 纠错

专题命中 其他LLM ：language model(abstract)

AI总结 本文提出自校准CLIP，通过消除异常token影响，提升CLIP在开放词汇分割中的表现，实现更精细的特征表示和语义一致性。

Comments Accepted by IEEE TIP