语言大模型 / LLM

Debating Truth: Debate-driven Claim Verification with Multiple Large Language Model Agents

辩论真相：基于多个大语言模型代理的辩论驱动声明验证

Haorui He, Yupeng Li, Dacheng Wen, Yang Chen, Reynold Cheng, Donglong Chen, Francis C. M. Lau

机构 * Department of Interactive Media, Hong Kong Baptist University（香港浸会大学互动媒体系） ； School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港浸会大学联合国际学院） ； Shenzhen Institute of Advanced Technology（深圳先进技术研究院） 纠错

专题命中 预训练与数据 ：large language model(title)；language model(title)；LLM(abstract)；post-training(abstract)

AI总结 本文提出DebateCV框架，通过多代理辩论和调解提升复杂声明验证的准确性与说服力。

Comments Accepted by the ACM Web Conference 2026 (WWW 2026)

Generative Event Pretraining with Foundation Model Alignment

基于基础模型对齐的生成事件预训练

Jianwen Cao, Jiaxu Xing, Nico Messikommer, Davide Scaramuzza

机构 * Robotics and Perception Group, University of Zurich（苏黎世大学机器人感知组） 纠错

专题命中 预训练与数据 ：foundation model(title,abstract)；pretraining(title,abstract)

AI总结 本文提出GEP框架，通过将互联网级图像数据集中的语义知识迁移到事件数据，并学习事件特有的时间动态，提升事件视觉基础模型在跨任务迁移学习中的性能。

Journal ref CVPR 2026 Findings

Language-Pretraining-Induced Bias: A Strong Foundation for General Vision Tasks

语言预训练引入的偏差：一种强大的基础视觉任务通用性基础

Yaxin Luo, Zhiqiang Shen

机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） 纠错

专题命中 预训练与数据 ：pretraining(title)；LLM(abstract)；large language model(abstract)；language model(abstract)

AI总结 本文提出随机标签桥梁训练方法，通过模态适应学习有效对齐大语言模型参数与视觉任务，揭示部分桥梁训练在视觉任务中的优势。

Comments Main manuscript: 13 pages, 9 figures. Appendix: 8 pages, 5 figures. Accepted in Transactions on Machine Learning Research (TMLR) 2026

What Is The Political Content in LLMs' Pre- and Post-Training Data?

大语言模型预训练和后训练数据中的政治内容是什么？

Tanise Ceron, Dmitry Nikolaev, Dominik Stammbach, Debora Nozza

机构 * Bocconi University（博科尼大学） ； University of Manchester（曼彻斯特大学） ； Princeton University（普林斯顿大学） 纠错

专题命中 预训练与数据 ：post-training(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训练数据中的政治倾向，发现预训练数据偏向左翼内容，且政治立场与模型行为相关，强调数据组成对模型行为的关键作用。

Comments 10 pages, under review

MOMO: Mars Orbital Model Foundation Model for Mars Orbital Applications

MOMO：用于火星轨道应用的火星轨道基础模型

Mirali Purohit, Bimal Gajera, Irish Mehta, Bhanu Tokas, Jacob Adler, Steven Lu, Scott Dickenshied, Serina Diniega, Brian Bue, Umaa Rebbapragada, Hannah Kerner

机构 * Arizona State University（亚利桑那州立大学） ； Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室） 纠错

专题命中 预训练与数据 ：foundation model(title,abstract)；pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 MOMO是首个多传感器基础模型，通过模型融合整合来自HiRISE、CTX和THEMIS三种关键火星传感器的数据，提升多分辨率数据的稳定性和泛化能力。

Comments Accepted at CVPR 2026 (Main Track)

PRISM: LLM-Guided Semantic Clustering for High-Precision Topics

PRISM：基于LLM的语义聚类用于高精度主题

Connor Douglas, Utkucan Balci, Joseph Aylett-Bullock

机构 * New York University（纽约大学） ； Binghamton University（宾汉姆顿大学） 纠错

专题命中 预训练与数据 ：LLM(title,abstract)；分类 cs.CL、cs.LG

AI总结 PRISM结合LLM的丰富表示与低成本可解释的潜在语义聚类方法，通过稀疏LLM标签微调句子编码模型，提升主题分离度，适用于多语料库的高精度主题发现。

Comments To appear in Proceedings of the ACM Web Conference 2026 (WWW 26)

CoME-VL: Scaling Complementary Multi-Encoder Vision-Language Learning

CoME-VL：扩展互补多编码视觉语言学习

Ankan Deria, Komal Kumar, Xilin He, Imran Razzak, Hisham Cholakkal, Fahad Shahbaz Khan, Salman Khan

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

专题命中 预训练与数据 ：LLM(abstract)；language model(abstract)；pretraining(abstract)

AI总结 本文提出CoME-VL框架，通过融合对比学习和自监督编码器提升视觉语言模型性能，实验显示在多个基准上优于单编码基线。

Comments 16 pages, 10 figures, 5 tables

One Model to Translate Them All? A Journey to Mount Doom for Multilingual Model Merging

一个模型来翻译它们全部？多语言模型融合的探索之旅

Baban Gain, Asif Ekbal, Trilok Nath Singh

机构 * Indian Institute of Technology Patna（印度理工学院巴特那分校） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文研究了多语言机器翻译中权重空间模型融合的行为，发现融合会降低性能，尤其在目标语言差异时。通过分析内部表示发现语言特定神经元集中在嵌入层和上层Transformer块，而中间层在多语言间共享。细调使语言选择性重新分布，影响生成层的表示差异。

f-INE: A Hypothesis Testing Framework for Estimating Influence under Training Randomness

f-INE：一种用于在训练随机性下估计影响的假设检验框架

Subhodip Panda, Dhruv Tarsadiya, Shashwat Sourav, Prathosh A. P, Sai Praneeth Karimireddy

机构 * Indian Institute of Science（印度科学研究所） ； University of Southern California（南加州大学） ； Washington University（华盛顿大学） 纠错

专题命中 预训练与数据 ：instruction tuning(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出f-influence框架，通过假设检验解决训练随机性导致的影响估计不稳定问题，并设计高效算法f-INE实现单次训练运行内的影响估计，用于数据清理和模型行为归因。

Journal ref The Fourteenth International Conference on Learning Representations (ICLR), 2026

A Multi-head-based architecture for effective morphological tagging in Russian with open dictionary

一种基于多头的架构，用于俄语中有效的形态标注

K. Skibin, M. Pozhidaev, S. Suschenko

机构 * National Research Tomsk State University（国立研究型托木斯克国立大学） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.CL

AI总结 本文提出基于多头注意力的新型架构，用于俄语形态标注，通过子词分割和向量聚合支持开放式词典，实验显示在SinTagRus和Taiga数据集上达到98%-99%的准确率，且模型训练效率高。

Comments 8 pages, 1 figure, submitted to AINL-2026

gen2seg: Generative Models Enable Generalizable Instance Segmentation

gen2seg：生成模型实现可推广的实例分割

Om Khangaonkar, Hamed Pirsiavash

机构 * University of California, Davis（加州大学戴维斯分校） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.LG

AI总结 本文通过生成模型预训练合成图像，实现对实例分割的可推广方法，使用实例着色损失在特定物体类型上微调，展现零样本泛化能力，优于现有方法。

Comments ICLR 2026 camera ready. Website: https://reachomk.github.io/gen2seg/