AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
ThinknCheck：基于紧凑、推理驱动和可解释模型的 grounded claim 验证
机构 * University of Pennsylvania（宾夕法尼亚大学）
专题命中 推理与问题求解 ：preference optimization(abstract)；分类 cs.CL、cs.AI
AI总结 ThinknCheck 通过生成结构化推理和二元判断实现 grounded claim 验证，其在 LLMAggreFact 上达到 78.1% 的平衡准确率，优于 MiniCheck-7B，且在 SciFact 上提升 14.7 个百分点。
Comments 15 pages
CRIT: 基于图的自动数据合成以增强跨模态多跳推理
机构 * Dept. of CSE, Korea University（高丽大学计算机科学与工程系） ； Google DeepMind（谷歌DeepMind）
专题命中 推理与问题求解 ：language model(abstract)；分类 cs.CL、cs.LG
AI总结 CRIT通过图基自动管道生成复杂跨模态推理任务，提升多跳推理能力，实验表明先进模型在该任务上表现欠佳，训练于CRIT的模型在SPIQA等基准上显著提升。
Comments Accepted to CVPR 2026
自我改进系统安全验证的信息论极限
专题命中 推理与问题求解 ：LLM(abstract)；分类 cs.AI、cs.LG
AI总结 研究安全验证在允许无界有益自修改的同时维持有限累积风险的理论极限，提出双条件并建立其兼容性理论。
Comments 27 pages, 6 figures. Companion empirical paper: doi:10.5281/zenodo.19237566
VOID：视频对象和交互删除
机构 * Netflix
专题命中 推理与问题求解 ：language model(abstract)；分类 cs.AI
AI总结 VOID通过物理合理填充解决复杂场景下的视频对象删除问题，结合视觉语言模型和视频扩散模型，提升场景动态一致性。
通过测试时间计算提升潜在泛化能力
机构 * Google DeepMind（谷歌DeepMind）
专题命中 推理与问题求解 ：language model(abstract)；分类 cs.LG
AI总结 本文研究如何通过测试时间计算（'思考'）提升语言模型的潜在泛化能力，利用强化学习训练模型生成长链思考以改进泛化，实验显示该方法在分布内知识和分布外知识上均有效，但对纯反转任务仍逊于上下文学习。
OmniWeaving：迈向统一视频生成的自由组合与推理
机构 * Zhejiang University（浙江大学） ； Tencent Hunyuan（腾讯混元） ； Nanyang Technological University（南洋理工大学）
专题命中 推理与问题求解 ：pretraining(abstract)
AI总结 本文提出OmniWeaving模型，通过大规模预训练数据学习多模态组合与推理能力，引入IntelligentVBench基准测试，展示其在开放源码统一视频生成中的领先性能。
Comments 32 pages, 22 figures. Project Page: https://omniweaving.github.io. Github: https://github.com/Tencent-Hunyuan/OmniWeaving. Model: https://huggingface.co/tencent/HY-OmniWeaving
显而易见的隐含意义：RebusBench用于评估认知视觉推理
专题命中 推理与问题求解 ：language model(abstract)
AI总结 本文提出RebusBench基准，用于评估模型在需要多步推理的隐含意义理解能力，发现现有模型在认知连接方面存在缺陷。
Comments Accepted at ICLR 2026 Workshop: From Human Cognition to AI Reasoning (HCAIR)
EpiDroid：基于依赖的深度状态发现移动GUI测试中的重组
专题命中 推理与问题求解 ：LLM(abstract)
AI总结 EpiDroid通过语义状态依赖意识增强现有探索器，利用重组-回放范式和LLM进行影响推理，提升深度应用状态探索效率，实验证明其在代码覆盖率提升方面优于传统方法。
Comments 12 pages, 8 figures
多目标代理重写用于无结构数据处理
专题命中 推理与问题求解 ：LLM(abstract)
AI总结 MOAR通过引入新的指令类别和全局搜索算法，提升DocETL在准确性和成本上的优化能力，实现更高的准确性并匹配最佳成本。
Comments 24 pages, 8 figures, 12 tables
CogBias: 测量和缓解大型语言模型中的认知偏差
机构 * Indiana University Bloomington（印第安纳大学伯明顿分校） ； Singapore Management University（新加坡管理大学）
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.AI
AI总结 本文研究大型语言模型中的认知偏差，通过定义四种偏差类型，评估三种模型并发现偏差在不同家族中表现不同，通过激活引导技术减少偏差并保持模型能力。
为大语言模型动态安全设计的自改进架构
机构 * Georgia Institute of Technology（佐治亚理工学院）
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.AI
AI总结 本文提出自改进安全框架SISF，通过反馈循环实现LLM系统在运行时自动检测安全故障并生成防御策略，实验显示其能有效降低攻击成功率，提升系统鲁棒性。
Comments Under review at the journal Information and Software Technology (Special Issue on Software Architecture for AI-Driven Systems)
支持-矛盾不对称性在大语言模型解释中的体现
机构 * Hewlett Packard Enterprise（慧与科技公司）
专题命中 评测与基准 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 研究探讨了大语言模型生成的解释与外部模型提取的预测词汇证据之间的关系，发现正确预测的解释更倾向于引用支持性词汇，而错误预测的解释则更多引用矛盾性词汇，揭示了解释与证据之间的不对称性。
Comments 17 Pages, 12 Figures, 4 tables
GaelEval: 用于苏格兰盖尔语的大型语言模型性能评估
专题命中 评测与基准 ：LLM(title)；large language model(abstract)；language model(abstract)；prompting(abstract)
AI总结 本文提出GaelEval，首个针对盖尔语的多维评估基准，包含语法任务、翻译基准和文化知识问答，评估19个LLM发现专有模型表现优于开源模型，盖尔语提示法有小幅优势。
Comments 13 pages, to be published in Proceedings of LLMs4SSH (workshop co-located with LREC 2026; Mallorca, Spain; May 2026)
硅镜：用于LLM代理反趋炎附势的动态行为门控
机构 * Independent Researcher（独立研究者）
专题命中 评测与基准 ：LLM(title)；large language model(abstract)；language model(abstract)；RLHF(abstract)
AI总结 本文提出硅镜框架，通过动态检测用户说服策略并调整AI行为以维持事实准确性，实验显示其显著降低LLM的趋炎附势倾向。
Comments 7 pages, 8 figures, 5 tables. Code and evaluation data available at https://github.com/Helephants/langgraph-layered-context
对AWS Bedrock上LLM性能的分析：收据项目分类案例研究
机构 * RMIT University（皇家墨尔本理工大学）
专题命中 评测与基准 ：LLM(title)；large language model(abstract)；language model(abstract)；prompting(abstract)
AI总结 本文系统评估了AWS Bedrock上四种指令调优模型在收据项目分类中的性能，分析了准确率、响应稳定性及成本效率，并探讨了不同提示方法对准确性和成本的影响。
Comments Preprint. Accepted to the 19th International Conference on Evaluation of Novel Approaches to Software Engineering (ENASE 2026). Final version to be published by SCITEPRESS, http://www.scitepress.org
大语言模型代理中工具使用的演变：从单工具调用到多工具编排
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Harvard University（哈佛大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司）
专题命中 评测与基准 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 本文探讨了大语言模型代理中工具使用从单次调用到长期编排的演变，分析了多工具代理的最新进展，涵盖任务规划、安全控制、效率优化及实际应用等领域。
De Jure：基于迭代LLM自优化的结构化监管规则提取
机构 * The Vanguard Group, Inc.（先锋集团）
专题命中 评测与基准 ：LLM(title,abstract)；prompting(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 De Jure通过四个阶段自动提取结构化监管规则，无需人工标注或领域知识，提升监管文本处理的效率和可追溯性。
双最优：使你的大语言模型具有尊严的同行
机构 * University of Notre Dame（圣母大学）
专题命中 评测与基准 ：LLM(title,abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出Dignified Peer框架，通过反阿谀和可信性对抗逃避服务模式，利用PersonaKnob数据集和容忍约束Lagrangian DPO算法，构建具有尊严和同行能力的语言模型代理。
Curia-2：用于放射学基础模型的自监督学习扩展
机构 * Raidium ； Department of Vascular and Oncological Interventional Radiology, Hôpital Européen Georges Pompidou, AP-HP, Paris, France（巴黎欧洲乔治·蓬皮杜医院血管与肿瘤介入放射科，AP-HP） ； Faculté de Santé, Université Paris-Cité, Paris, France（巴黎西岱大学健康学院）
专题命中 评测与基准 ：foundation model(title,abstract)；language model(abstract)；分类 cs.LG
AI总结 Curia-2通过改进预训练策略和表征质量，提升了放射学数据的捕捉能力，首次实现了多模态CT和MRI基础模型的亿参数视觉变换器架构，并在两个新评估轨道中验证了其性能。
NED-Tree: 通过非线性元素分解树弥合语义鸿沟以实现LLM非线性优化建模
机构 * College of System Engineering, National University of Defense Technology（国防科技大学系统工程学院） ； University of Science and Technology of China（中国科学技术大学）
专题命中 评测与基准 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文提出NED-Tree框架，通过句级提取策略和递归树结构解决LLM在非线性优化建模中的语义鸿沟问题，实验显示其在10个基准测试中达到72.51%的平均准确率。
Comments 17 pages, 7 figures, conference
盲评放射科医生和基于LLM的评估：LLM生成的日语胸CT报告翻译的比较研究
机构 * Division of Radiology and Biomedical Engineering, Graduate School of Medicine, The University of Tokyo（东京大学医学研究生院放射学与生物医学工程系） ； Department of Radiology, The University of Tokyo Hospital（东京大学医院放射科） ； Department of Radiology, Kanazawa University Graduate School of Medical Sciences（金泽大学医学研究生院放射科） ； Department of Computational Diagnostic Radiology and Preventive Medicine, The University of Tokyo Hospital（东京大学医院计算诊断放射学与预防医学系） ； Department of Radiology, School of Medicine, Jichi Medical University（自治医科大学医学院放射科）
专题命中 评测与基准 ：LLM(title,abstract)；分类 cs.CL、cs.AI
AI总结 研究比较了放射科医生和LLM评估对LLM生成的日语胸CT报告翻译的教育适用性，发现LLM生成的翻译在自然流畅性上被普遍认可，但放射科医生之间存在显著差异，LLM评估偏好LLM输出，与放射科医生无显著一致。
Comments 25 pages, 4 figures
RuleForge: 用于大规模Web漏洞检测的自动化生成与验证
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Amazon Web Services（亚马逊云服务）
专题命中 评测与基准 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 RuleForge通过自动化生成基于JSON的检测规则，结合LLM作为判断系统和反馈机制，提升漏洞检测的准确性和效率，减少误报。
Comments 11 pages, 10 figures. To be submitted to CAMLIS 2026
LEXam：基于340法律考试的法律推理基准测试
机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Zurich（苏黎世大学） ； University of Lausanne（洛桑大学） ； Max Planck Institute for Research on Collective Goods（马克斯·普朗克集体物品研究所） ； Omnilex ； University of St. Gallen（圣加仑大学） ； Swiss Federal Supreme Court（瑞士联邦最高法院）
专题命中 评测与基准 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 LEXam基准测试通过340法律考试数据，包含7537道英语和德语法律考试题目，涵盖多种法律课程和学位级别，旨在评估大语言模型在长文本法律推理中的挑战与性能。
Comments Accepted to ICLR 2026
SecLens：针对安全漏洞检测LLM的角色特定评估
机构 * Mattersec Labs（Mattersec实验室） ； Kalmantic Labs（Kalmantic实验室）
专题命中 评测与基准 ：LLM(title,abstract)；分类 cs.AI
AI总结 SecLens引入多利益相关者评估框架，通过角色特定加权配置评估LLM在安全漏洞检测中的性能差异，揭示多目标问题的本质。
思考、行动、构建：一种基于视觉语言模型的代理框架用于零样本3D视觉定位
机构 * University of California, Davis（加州大学戴维斯分校） ； Virginia Tech（弗吉尼亚理工大学）
专题命中 评测与基准 ：language model(title,abstract)；分类 cs.AI
AI总结 本文提出TAB框架，通过2D到3D重建范式直接处理原始RGB-D流，利用2D VLMs解析复杂空间语义并结合多视图几何构建3D结构，克服传统方法依赖预处理点云的局限，实验证明其在ScanRefer和Nr3D上优于零样本方法和全监督基线。
M3-BENCH：混合动机游戏中LLM代理社会行为过程感知评估
机构 * Peking University（北京大学） ； National Key Laboratory of Data Space Technology and System（数据空间技术与系统全国重点实验室）
专题命中 评测与基准 ：LLM(title,abstract)；分类 cs.AI
AI总结 M3-BENCH通过24个混合动机游戏，从行为轨迹、推理过程和沟通内容三个视角评估LLM代理的社会能力，揭示了仅关注结果的评估方法无法捕捉到的社交能力差异，尤其是推理模型在内部 deliberation 与有效沟通之间的矛盾。
HAFixAgent：基于历史的程序修复代理
机构 * Queen's University（女王大学）
专题命中 评测与基准 ：LLM(abstract,comments)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文提出HAFixAgent，通过注入历史衍生的仓库启发式方法，提升大规模多补丁bug修复的效率与鲁棒性，实验证明其在Defects4J和BugsInPy上均优于现有方法。
Comments support both Defects4J and BugsInPy; use the same LLM for all baseline comparisons; add sensitivity analysis for imperfect fault localization
Bench2Drive-VL: 用于基于视觉语言模型的闭环自动驾驶的基准测试
机构 * Shanghai Key Laboratory of Multimodal Embodied AI（上海市多模态具身智能重点实验室）
专题命中 评测与基准 ：language model(title,abstract)
AI总结 本文提出Bench2Drive-VL，通过闭环评估方法提升视觉语言模型在自动驾驶中的性能，包含DriveCommenter生成多样化问题对、统一协议接口、灵活推理框架及完整开发生态，开源代码和标注数据。
Comments All codes and annotated datasets are available at \url{https://github.com/Thinklab-SJTU/Bench2Drive-VL} and \url{https://huggingface.co/datasets/Telkwevr/Bench2Drive-VL-base}
ELT-Bench-Verified: 评估质量问题低估了AI代理的能力
机构 * IBM Research（IBM研究院） ； ETH Zurich（苏黎世联邦理工学院） ； University of Illinois (UIUC)（伊利诺伊大学厄巴纳-香槟分校）
专题命中 评测与基准 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文通过重新评估ELT-Bench发现代理能力被低估，提出Auditor-Corrector方法修正评估质量，构建ELT-Bench-Verified提升评估准确性。
AutoPK：利用大语言模型和混合相似性度量进行药代动力学数据的高级检索
机构 * Kansas State University（堪萨斯州立大学） ； University of California-Davis（加利福尼亚大学戴维斯分校）
专题命中 评测与基准 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 AutoPK通过大语言模型和混合相似性度量，实现了从复杂表格和文档中高效提取药代动力学数据，显著提升了精度和召回率，适用于兽医药理学和公共卫生决策。
Comments Published in IEEE ICTAI 2025
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈