语言大模型 / LLM

Fine-Tuning A Large Language Model for Systematic Review Screening

为系统综述筛查微调大型语言模型

Kweku Yamoah, Noah Schroeder, Emmanuel Dorley, Neha Rani, Caleb Schutz

机构 * University of Florida（佛罗里达大学） 纠错

专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；prompting(abstract)

AI总结 本文通过微调大型语言模型提升系统综述中文献筛选效率，实验显示微调模型在F1分数和与人类评分者的一致性上显著优于基础模型。

Instruction Following by Principled Boosting Attention of Large Language Models

通过原理性提升大语言模型的注意力来实现指令遵循

Vitoria Guardieiro, Avishree Khare, Adam Stein, Eric Wong

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；prompting(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出InstABoost方法，通过提升指令相关注意力来增强指令遵循，避免了其他方法的缺陷，提升了指令引导与任务相关上下文的平衡。

Large Language Models Can Achieve Explainable and Training-Free One-shot HRRP ATR

大语言模型可实现可解释且无需训练的一次性高分辨率距离谱自动目标识别

Lingfeng Chen, Panhe Hu, Zhiliang Pan, Qi Liu, Zhen Liu

专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)

AI总结 本文提出一种无需训练且可解释的框架，利用大语言模型将一维HRRP信号转换为文本散射中心表示，通过少样本上下文学习对齐语义空间，实现无需参数更新的ATR。

Comments Submitted to IEEE SPL 2025

Towards Simulating Social Media Users with LLMs: Evaluating the Operational Validity of Conditioned Comment Prediction

向LLMs模拟社交媒体用户迈进：评估条件评论预测的运作有效性

Nils Schwager, Simon Münker, Alistair Plum, Achim Rettinger

机构 * Trier University（特里尔大学） ； University of Luxembourg（卢森堡大学） 纠错

专题命中 指令微调 ：LLM(abstract)；large language model(abstract)；language model(abstract)；SFT(abstract)

AI总结 本文通过条件评论预测任务评估LLMs在模拟社交媒体用户行为方面的运作有效性，发现监督微调在低资源环境下会导致表层结构与语义脱节，强调真实行为轨迹优于描述性人设。

Comments 14 pages, 1 figure, 7 tables. Accepted to the 15th Workshop on Computational Approaches to Subjectivity, Sentiment & Social Media Analysis (WASSA) at EACL 2026, Rabat, Morocco

Journal ref Proceedings of the 15th Workshop on Computational Approaches to Subjectivity, Sentiment & Social Media Analysis (WASSA), 2026

Mapping the Course for Prompt-based Structured Prediction

基于提示的结构预测路径映射

Matt Pauk, Maria Leonor Pacheco

机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出结合大语言模型与组合推理，提升结构预测的准确性和一致性，并通过实验验证符号推理在下游任务中的有效性。

HiSpatial: Taming Hierarchical 3D Spatial Understanding in Vision-Language Models

HiSpatial：在视觉-语言模型中驯服层次化3D空间理解

Huizhi Liang, Yichao Shen, Yu Deng, Sicheng Xu, Zhiyuan Feng, Tong Zhang, Yaobo Liang, Jiaolong Yang

机构 * Tsinghua University（清华大学） ； Microsoft Research Asia（微软亚洲研究院） ； Xi’an Jiaotong University（西安交通大学） ； University of the Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 指令微调 ：language model(title,abstract)

AI总结 本文提出一种层次化框架，通过分解VLM中3D空间理解的学习过程，从几何感知到抽象空间推理，生成多样化任务和场景的3D空间VQA对，提升视觉-语言模型的空间理解能力。

Comments Accepted by CVPR 2026. Project page: https://microsoft.github.io/HiSpatial

Optimizing Multilingual LLMs via Federated Learning: A Study of Client Language Composition

通过联邦学习优化多语言大语言模型：对客户端语言构成的研究

Aleix Sant, Jordi Luque, Carlos Escolano

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

AI总结 研究探讨了客户端语言构成对多语言联邦学习性能、公平性和成本的影响，提出本地动态早停机制提升效率，发现多语言客户端能提升全局模型质量与公平性，但需更多优化步骤。

Comments 12 pages, 4 figures, 5 tables

Transformers in the Dark: Navigating Unknown Search Spaces via Bandit Feedback

在黑暗中导航：通过多臂反馈探索未知搜索空间

Jungtaek Kim, Thomas Zeng, Ziqian Lin, Minjae Lee, Chungpa Lee, Jy-yong Sohn, Hyung Il Koo, Kangwook Lee

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； FuriosaAI ； Yonsei University（延世大学） ； KRAFTON AI ； Ludo Robotics 纠错

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

AI总结 本文探讨LLM能否通过Transformer架构近似搜索算法，提出未知树搜索与多臂反馈框架，证明Transformer可实现不同搜索策略并具备泛化能力。

Comments Accepted for publication in Transactions on Machine Learning Research (TMLR)

AnyDoc: Enhancing Document Generation via Large-Scale HTML/CSS Data Synthesis and Height-Aware Reinforcement Optimization

AnyDoc：通过大规模HTML/CSS数据合成和高度感知强化优化提升文档生成

Jiawei Lin, Wanrong Zhu, Vlad I Morariu, Christopher Tensmeyer

机构 * Xi’an Jiaotong University（西安交通大学） ； Adobe Research（Adobe研究院） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；post-training(abstract)

AI总结 AnyDoc通过大规模HTML/CSS数据合成和高度感知强化优化，实现多文档生成任务，包含265206个样本，覆盖111类和32种风格，提升文档生成性能。

Comments CVPR 2026 Main Conference

NeuroStrike: Neuron-Level Attacks on Aligned LLMs

NeuroStrike：对对齐大语言模型的神经层面攻击

Lichao Wu, Sasha Behrouzi, Mohamadreza Rostami, Maximilian Thang, Stjepan Picek, Ahmad-Reza Sadeghi

专题命中 指令微调 ：LLM(abstract)；large language model(abstract)；language model(abstract)

AI总结 NeuroStrike通过利用对齐技术引入的稀疏安全神经元漏洞，提出了一种通用攻击框架，实现了对多种大语言模型的高效攻击。

LLMs know their vulnerabilities: Uncover Safety Gaps through Natural Distribution Shifts

大语言模型知其弱点：通过自然分布偏移揭示安全漏洞

Qibing Ren, Hao Li, Dongrui Liu, Zhanxu Xie, Xiaoya Lu, Yu Qiao, Lei Sha, Junchi Yan, Lizhuang Ma, Jing Shao

机构 * MoE Key Lab of Artificial Intelligence, Shanghai Jiao Tong University（人工智能大模型关键实验室，上海交通大学） ； Beihang University（北京航空航天大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文研究大语言模型对自然分布偏移的脆弱性，提出ActorBreaker攻击方法，通过识别有毒提示相关角色构建多轮提示，揭示模型安全漏洞，并构建安全数据集提升鲁棒性。

Comments ACL 2025 main conference. Code is available at https://github.com/AI45Lab/ActorAttack

Learning to Staff: Offline Reinforcement Learning and Fine-Tuned LLMs for Warehouse Staffing Optimization

学习人员配置：用于仓库人员配置优化的离线强化学习与微调大语言模型

Kalle Kujanpää, Yuying Zhu, Kristina Klinkner, Shervin Malmasi

机构 * Amazon, Fulfillment Technologies & Robotics（亚马逊，物流技术与机器人） 纠错

专题命中 指令微调 ：preference optimization(abstract)；prompting(abstract)；分类 cs.LG

AI总结 本文研究了优化半自动化仓库分拣系统实时人员配置的机器学习方法，通过离线强化学习和微调大语言模型，提升了仓库运营效率。

Comments ICLR 2026 Workshop on AI for Mechanism Design and Strategic Decision Making

Planned Diffusion

计划扩散

Daniel Israel, Tian Jin, Ellie Cheng, Guy Van den Broeck, Aditya Grover, Suvinay Subramanian, Michael Carbin

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Google（谷歌） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 计划扩散通过训练模型自主决定去噪顺序，实现并行生成，提升效率并保持质量，建立新的帕累托前沿。

Comments 10 pages, 7 figures

QLIP: A Dynamic Quadtree Vision Prior Enhances MLLM Performance Without Retraining

QLIP：一种动态四叉树视觉先验增强MLLM性能无需重新训练

Kyle R. Chickering, Bangzheng Li, Muhao Chen

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 QLIP通过动态四叉树视觉先验提升MLLM的粗粒度和细粒度视觉理解能力，无需重新训练，实验显示在LLaVA v1.5系列模型上提升视觉问答准确率，且在V-star基准测试中提升细节理解性能达13.6%。

Comments Accepted as ICLR 2026 poster. 22 pages, 19 figures

SlotVTG: Object-Centric Adapter for Generalizable Video Temporal Grounding

SlotVTG: 用于通用视频时间定位的对象中心适配器

Jiwook Han, Geo Ahn, Youngrae Kim, Jinwoo Choi

机构 * Kyung Hee University（庆熙大学） ； University of Southern California（南加州大学） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)

AI总结 SlotVTG通过引入轻量级槽适配器，使MLLMs在最小成本下实现对象中心的输入关联视觉推理，提升跨域鲁棒性的同时保持领域内性能。

Comments Accepted to GRAIL-V workshop at CVPR 2026

Family Matters: Language Transfer and Merging for Adapting Small LLMs to Faroese

家庭 Matters：语言迁移与合并用于将小型语言模型适应到法罗语

Jenny Kunz, Iben Nyholm Debess, Annika Simonsen

机构 * Linköping University（林雪平大学） ； University of the Faroe Islands（法罗群岛大学） ； University of Iceland（冰岛大学） 纠错

专题命中 指令微调 ：language model(abstract)；分类 cs.CL

AI总结 本文研究如何通过语言迁移和合并将小型高效语言模型适应到资源稀缺的法罗语，比较了全微调与LoRA参数高效适应方法在语言建模、语言准确性和文本理解上的效果。

Learning From Developers: Towards Reliable Patch Validation at Scale for Linux

从开发者学习：为Linux大规模可靠补丁验证而努力

Chih-En Lin, Attreyee Mukherjee, Ajay Rawat, Ruqi Zhang, Pedro Fonseca

机构 * Purdue University（普渡大学） 纠错

专题命中 指令微调 ：LLM(abstract)；分类 cs.AI

AI总结 本文研究Linux内存管理子系统的补丁审查挑战，提出FLINT框架结合规则分析和LLM，提升补丁验证效率与准确性，发现其在并发问题检测上表现优于基线方法。

Comments Submitted to OSDI'26