语言大模型 / LLM

TimeMark: A Trustworthy Time Watermarking Framework for Exact Generation-Time Recovery from AIGC

TimeMark: 一种用于从AIGC中精确生成时间恢复的可信时间水印框架

Shangkun Che, Silin Du, Ge Gao

机构 * Economics and Management School, Wuhan University（武汉大学经济管理学院） ； School of Economics and Management, Tsinghua University（清华大学经济管理学院） ； School of Business Administration, Southwestern University of Finance and Economics（西南财经大学商学院） 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.CL

AI总结 本文提出TimeMark框架，通过加密技术和监管监督下的时间依赖秘密密钥，实现100%准确的生成时间恢复，防止任意时间戳伪造，解决现有水印技术的可靠性问题。

AGSC: Adaptive Granularity and Semantic Clustering for Uncertainty Quantification in Long-text Generation

AGSC：适应粒度和语义聚类用于长文本生成中的不确定性量化

Guanran Luo, Wentao Qiu, Wanru Zhao, Wenhan Lv, Zhongquan Jian, Meihong Wang, Qingqiang Wu

机构 * School of Informatics, Xiamen University（厦门大学信息学院） 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.CL

AI总结 AGSC通过适应粒度和基于GMM的语义聚类方法，解决长文本生成中不确定性量化的问题，提升事实性并减少计算成本。

Comments Accepted to the Main Conference of ACL 2026

Enhancing Text-to-Image Diffusion Transformer via Split-Text Conditioning

通过分段文本条件化增强文本到图像扩散变换器

Yu Zhang, Jialei Zhou, Xinchen Li, Qi Zhang, Zhongwei Wan, Tianyu Wang, Duoqian Miao, Changwei Wang, Longbing Cao

机构 * Tongji University（同济大学） ； The Ohio State University（俄亥俄州立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Shandong Academy of Sciences（山东省科学院） ； Macquarie University（麦考瑞大学） 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DiT-ST框架，通过分段文本条件化提升扩散变换器对完整文本描述的理解能力，通过分层递进的方式注入不同语义基本类型，增强特定语义基本类型的表示学习。

Comments NeurIPS 2025

FaCT: Faithful Concept Traces for Explaining Neural Network Decisions

FaCT：用于解释神经网络决策的忠实概念追踪

Amin Parchami-Araghi, Sukrut Rao, Jonas Fischer, Bernt Schiele

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出FaCT模型，通过共享类间概念实现忠实解释，引入C²-Score评估概念一致性，提升可解释性同时保持ImageNet性能。

Comments 35 pages, 23 figures, 2 tables, Neural Information Processing Systems (NeurIPS) 2025; Code is available at https://github.com/m-parchami/FaCT

Uncertainty Quantification on Graph Learning: A Survey

图学习中的不确定性量化：综述

Chao Chen, Chenghua Guo, Rui Xu, Jiujiu Chen, Xiangwen Liao, Xi Zhang, Sihong Xie, Hui Xiong, Philip Yu

专题命中 知识编辑与模型理解 ：foundation model(abstract)；分类 cs.LG

AI总结 本文综述了图学习中不确定性量化技术，重点分析了图神经网络和图基础模型的不确定性表示与处理方法，旨在填补对图学习中不确定性量化关键挑战和机遇的理解空白。

Mining Large Language Models for Low-Resource Language Data: Comparing Elicitation Strategies for Hausa and Fongbe

从大型语言模型中挖掘低资源语言数据：比较Hausa和Fongbe的引导策略

Mahounan Pericles Adjovi, Roald Eiselen, Prasenjit Mitra

机构 * Carnegie Mellon University Africa（卡内基梅隆大学非洲分校） ； Centre for Text Technology（文本技术中心） ； North-West University（北开普大学） ； South Africa（南非） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(summary_cn,abstract_cn)；prompting(abstract)

AI总结 本文研究通过策略性提示从LLM中提取可用于Hausa和Fongbe两种西非语言的文本数据，发现Hausa需功能性文本和对话，而Fongbe需受限生成提示，GPT-4o Mini在提取目标语言词汇上表现更优。

Comments 11 pages, 5 figures, 6 tables; to appear in LREC-COLING 2026

Can we Watermark Low-Entropy LLM Outputs?

我们能否对低熵LLM输出进行水印？

Noam Mazor, Andrew Morgan, Rafael Pass

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

AI总结 本文探讨在LLM输出熵较低的情况下，如何构建抗随机替换和删除的水印方案，不依赖于字母表大小或安全参数。

Comments 27 pages. To be published in FORC 2026

IDEA: An Interpretable and Editable Decision-Making Framework for LLMs via Verbal-to-Numeric Calibration

IDEA: 一种通过语音到数值校准实现LLM可解释和可编辑决策框架

Yanji He, Yuxin Jiang, Yiwen Wu, Bo Huang, Jiaheng Wei, Wei Wang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Huawei Technologies Co.,Ltd（华为技术有限公司） 纠错

专题命中 其他LLM ：LLM(title_cn,summary_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 IDEA通过EM联合学习、相关采样和数学保证的参数编辑，实现LLM决策的校准概率与量化人机协作，实验显示其在五个数据集上优于其他模型。

Comments Accepted to ACL 2026

DeepTest Tool Competition 2026: Benchmarking an LLM-Based Automotive Assistant

2026年深度测试工具竞赛：评估基于LLM的汽车助理

Lev Sorokin, Ivan Vasilev, Samuele Pasini

机构 * BMW Group（宝马集团） ； Technical University of Munich（慕尼黑技术大学） 纠错

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

AI总结 本文总结了2026年首次大型语言模型测试竞赛的结果，评估了四个工具在识别汽车手册中警告信息失败输入方面的有效性。

Comments Published in the proceedings of the DeepTest workshop at the 48th International Conference on Software Engineering (ICSE) 2026

LLM-Guided Prompt Evolution for Password Guessing

基于LLM的提示进化用于密码猜测

Vladimir A. Mazin, Mikhail A. Zorin, Dmitrii S. Korzh, Elvir Z. Karimov, Dmitrii A. Bolokhov, Oleg Y. Rogov

机构 * Applied AI Center（应用人工智能中心） ； MTUCI（莫斯科国立大学） 纠错

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

AI总结 本文利用LLM驱动的进化计算优化密码猜测框架的提示，通过OpenEvolve系统提升破解率，验证了自动提示进化在增强LLM密码审计中的有效性。

Comments 11 pages, 5 figures

To trust or not to trust: Attention-based Trust Management for LLM Multi-Agent Systems

信任还是不信任：基于注意力的信任管理用于大语言模型多智能体系统

Pengfei He, Zhenwei Dai, Xianfeng Tang, Yue Xing, Hui Liu, Jingying Zeng, Qiankun Peng, Shrivats Agrawal, Samarth Varshney, Suhang Wang, Jiliang Tang, Qi He

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

AI总结 本文提出基于注意力的信任评分方法，通过六个信任维度提升LLM多智能体系统对恶意输入的鲁棒性。

Comments Accepted to ACL 2026 main

"Should I Give Up Now?" Investigating LLM Pitfalls in Software Engineering

现在就放弃吗？调查LLM在软件工程中的缺陷

Jiessie Tie, Bingsheng Yao, Tianshi Li, Hongbo Fang, Syed Ishtiaque Ahmed, Dakuo Wang, Shurui Zhou

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

AI总结 研究LLM在软件工程中的缺陷，通过分析26名参与者的复杂网页开发任务数据，发现九种失败类型，包括不准确或不完整响应、认知过载和上下文丢失，发现不帮助的响应增加了放弃的可能性，而更多提示减少了放弃概率。

Personalizing LLM-Based Conversational Programming Assistants

个性化基于大语言模型的对话编程助手

Jonan Richards

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

AI总结 本文探讨了认知多样性与组织背景如何影响开发者需求，并探索个性化方法以提升基于大语言模型的对话编程助手的包容性。

Comments Accepted to the Doctoral and Early Career Symposium of the 19th International Conference on Cooperative and Human Aspects of Software Engineering (CHASE DECS 2026)

Exploring Individual Factors in the Adoption of LLMs for Specific Software Engineering Purposes

探索在特定软件工程目的中采用LLMs的个体因素

Stefano Lambiase, Gemma Catolino, Fabio Palomba, Filomena Ferrucci, Daniel Russo

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

AI总结 本文研究个体因素如何影响软件工程师在特定软件工程任务中采用LLMs，通过结构方程模型分析五个关键目的中的相关属性，揭示不同因素对LLM采用的影响。

One Model for All: Unified Try-On and Try-Off in Any Pose via LLM-Inspired Bidirectional Tweedie Diffusion

一个模型解决所有问题：通过LLM启发的双向 Tweedie 扩散实现任意姿态的统一试穿与试脱

Jinxi Liu, Zijian He, Guangrun Wang, Guanbin Li, Liang Lin

机构 * Sun Yat-sen University（中山大学） ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东大数据分析与处理重点实验室） ； X-Era AI Lab（X-Era人工智能实验室） 纠错

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

AI总结 本文提出OMFA模型，通过双向Tweedie扩散实现无需展示服装的试穿试脱，支持任意姿态，提升实际应用中的灵活性和实用性。

The Stackelberg Speaker: Optimizing Persuasive Communication in Social Deduction Games

Stackelberg发言者：优化社会推断游戏中的说服性沟通

Zhang Zheng, Deheng Ye, Peilin Zhao, Hao Wang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Tencent（腾讯） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出基于Stackelberg竞争的强化学习框架，用于优化社会推断游戏中说服性沟通，通过实验展示其在三种不同游戏中的优越性。

Comments Accepted by ACL 2026

Point Prompting: Counterfactual Tracking with Video Diffusion Models

点提示：基于视频扩散模型的反事实跟踪

Ayush Shrivastava, Sanyam Mehta, Daniel Geng, Andrew Owens

机构 * University of Michigan（密歇根大学） ； Cornell University（康奈尔大学） 纠错

专题命中 其他LLM ：prompting(title,abstract)

AI总结 本文提出利用视频扩散模型进行零样本点跟踪，通过提示模型在视频中标记移动点，实现反事实生成，实验表明其跟踪效果优于传统方法且能克服遮挡。

Comments ICLR 2026. Project link: https://point-prompting.github.io

ContextualSHAP : Enhancing SHAP Explanations Through Contextual Language Generation

ContextualSHAP：通过上下文语言生成增强SHAP解释

Latifa Dwiyanti, Sergio Ryan Wibisono, Hidetaka Nambo

机构 * Kanazawa University（金泽大学） 纠错

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

AI总结 本文提出结合大语言模型生成上下文解释的ContextualSHAP，提升SHAP解释的可理解性与实用性，通过医疗案例验证其有效性。

Comments This paper was accepted and presented at the 7th World Symposium on Software Engineering (WSSE) 2025 on 25 October 2025 in Okayama, Japan, and is currently awaiting publication

Journal ref WSSE '25: Proceedings of the 2025 7th World Symposium on Software Engineering

LLMs Struggle with Abstract Meaning Comprehension More Than Expected

大语言模型在抽象意义理解上的表现比预期更差

Hamoud Alhazmi, Jiachen Jiang

机构 * Department of Computer Science and Engineering, The Ohio State University（俄亥俄州立大学计算机科学与工程系） 纠错

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

AI总结 研究发现大语言模型在零样本、一样本和少样本设置下难以理解抽象意义，而微调模型如BERT和RoBERTa表现更好，提出的双向注意力分类器通过动态关注段落和选项提升模型性能。

Human-Centric Topic Modeling with Goal-Prompted Contrastive Learning and Optimal Transport

以人为中心的主题建模：基于目标提示对比学习与最优传输

Rui Wang, Yi Zheng, Dongxin Wang, Haiping Huang, Yuanzhi Yao, Yuxiang Zhou, Jialin Yu, Philip Torr

机构 * School of Computer Science, Nanjing University of Posts and Telecommunications（南京邮电大学计算机科学学院） ； School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机科学与信息工程学院） ； School of Electronic Engineering and Computer Science, Queen Mary University of London（伦敦玛丽女王大学电子工程与计算机科学学院） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） 纠错

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

AI总结 本文提出Human-TM任务框架，结合人类提供的目标进行主题建模，通过GCTM-OT方法提升主题的可解释性、多样性和目标导向性，实验表明其在主题连贯性和多样性上优于现有方法。

Comments 11 Pages, 6 Figures

GeoPl@ntNet: A Platform for Exploring Essential Biodiversity Variables

GeoPl@ntNet：一个探索关键生物多样性变量的平台

Lukas Picek, César Leblanc, Alexis Joly, Pierre Bonnet, Rémi Palard, Maximilien Servajean

机构 * INRIA（法国国家信息与自动化技术研究院） ； CIRAD（国际热带农业研究中心） ； LIRMM（里姆米实验室） 纠错

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

AI总结 本文介绍GeoPl@ntNet平台，通过动态地图和事实清单使关键生物多样性变量对所有人可访问。该平台利用卷积神经网络和大语言模型生成高分辨率物种分布图，提供50x50米精度的直观界面，支持区域探索和生成综合报告。

Comments 4 pages, 5 figures, and 2 tables

PR-MaGIC: Prompt Refinement Via Mask Decoder Gradient Flow For In-Context Segmentation

PR-MaGIC：通过掩码解码器梯度流进行上下文分割的提示精炼

Minjae Lee, Sungwoo Hur, Soojin Hwang, Won Hwa Kim

机构 * Pohang University of Science and Technology（浦项科学技术大学） 纠错

专题命中 其他LLM ：foundation model(abstract)；prompting(abstract)；分类 cs.AI

AI总结 PR-MaGIC通过掩码解码器梯度流精炼提示，提升上下文分割性能，无需额外训练，有效缓解提示不足问题。

Does My Chatbot Have an Agenda? Understanding Human and AI Agency in Human-Human-like Chatbot Interaction

我的聊天机器人有议程吗？理解人类和AI在人类-人类-like聊天机器人交互中的代理

Bhada Yun, Evgenia Taranova, April Yi Wang

机构 * University of Bergen（卑尔根大学） 纠错

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

AI总结 研究探讨了人类与AI在持续对话中的代理感知，通过纵向研究和访谈揭示代理的共构过程，并提出3x4框架和透明设计理念。

Comments To appear in CHI '26

Journal ref Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26), April 13--17, 2026, Barcelona, Spain

From Attenuation to Attention: Variational Information Flow Manipulation for Fine-Grained Visual Perception

从衰减到注意：用于细粒度视觉感知的变分信息流操控

Jilong Zhu, Yang Feng

机构 * Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences (ICT/CAS)（智能信息处理重点实验室，计算技术研究所，中国科学院（ICT/CAS）） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences (ICT/CAS)（人工智能安全国家重点实验室，计算技术研究所，中国科学院（ICT/CAS）） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） 纠错

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

AI总结 本文提出变分信息流框架，通过建模问题-答案对相关的视觉显著性作为潜在分布，解决多模态大语言模型在细粒度感知任务中的信息衰减问题，提升模型表现。

Misspecified Model Estimation and Its Impact on Predictions

模型误设估计及其对预测的影响

Junnan He, Lin Hu, Matthew Kovach, Anqi Li

专题命中 其他LLM ：LLM(abstract,abstract_cn)

AI总结 研究线性统计模型中，因变量依赖于具有固定总体系数和观察特定潜系数的自变量及测量误差。决策者估计总体系数并用于预测给定观察的潜系数。分析模型误设如何扭曲预测，探讨残差信息与误设向量与潜变量到系数映射的对齐性影响。

A document is worth a structured record: Principled inductive bias design for document recognition

文档即结构化的记录：为文档识别设计原理性的归纳偏差

Benjamin Meyer, Lukas Tuggener, Sascha Hänzi, Daniel Schmid, Erdal Ayfer, Benjamin F. Grewe, Ahmed Abdulkadir, Thilo Stadelmann

机构 * Centre for AI（人工智能中心） ； Zurich University of Applied Sciences（应用科学大学 Zurich） ； Institute of Product Development and Production Technologies（产品开发与生产技术研究所） ； Institute of Neuroinformatics（神经信息研究所） ； University of Zurich and ETH Zurich（苏黎世大学和苏黎世联邦理工学院） ； European Centre for Living Technology（欧洲生活科技中心） ； RWAI Schweiz AG（RWAI瑞士有限公司） 纠错

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

AI总结 本文提出将文档识别视为文档到记录的转录任务，设计结构特定的归纳偏差，通过实验展示了在复杂记录结构上的有效性，为设计更通用的文档识别系统提供指导。

Technical Report -- A Context-Sensitive Multi-Level Similarity Framework for First-Order Logic Arguments: An Axiomatic Study

技术报告--一种上下文敏感的多级相似性框架用于一阶逻辑论证：一个公理研究

Victor David, Jérôme Delobelle, Jean-Guy Mailly

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

AI总结 本文提出一种针对一阶逻辑论证的多级相似性框架，结合扩展公理基础、四层参数模型及上下文加权机制，以提升论证相似性分析的准确性与可解释性。

Comments 19 pages, 6 figures

Safety Training Modulates Harmful Misalignment Under On-Policy RL, But Direction Depends on Environment Design

安全训练调节策略下在策略强化学习中的有害对齐问题，但方向取决于环境设计

Leon Eshuijs, Shihan Wang, Antske Fokkens

机构 * Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Utrecht University（埃因霍温大学） 纠错

专题命中 其他LLM ：LLM(abstract_cn)；分类 cs.LG

AI总结 研究探讨了在策略强化学习中安全训练如何调节有害对齐问题，发现模型大小在不同环境中起到安全缓冲作用，且环境设计特征影响方向。