语言大模型 / LLM

LoReC: Rethinking Large Language Models for Graph Data Analysis

LoReC：重新思考用于图数据分析的大型语言模型

Hongyu Zhan, Qixin Wang, Yusen Tan, Haitao Yu, Jingbo Zhou, Shuai Chen, Jia Li, Xiao Tan, Jun Xia

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tongji University（同济大学） ； Westlake University（西湖大学） ； Ant Group（蚂蚁集团） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 LoReC提出了一种新的GraphLLM方法，通过三个阶段提升LLM对图数据的理解，实验表明其在图数据任务中优于现有方法和传统GNN。

Comparing Human and Large Language Model Interpretation of Implicit Information

比较人类与大语言模型对隐含信息的解释

Antonio De Santis, Tommaso Bonetti, Andrea Tocchetti, Marco Brambilla

机构 * Politecnico di Milano（米兰理工大学） 纠错

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

AI总结 研究比较人类与大语言模型对隐含信息的解释方法，通过隐含信息提取任务发现，人类在多数情况下与模型一致，但常提出额外信息，表明当前基于LLM的隐含信息提取覆盖有限。

Comments ACL 2026 Findings

When Choices Become Risks: Safety Failures of Large Language Models under Multiple-Choice Constraints

当选择成为风险：在多选约束下大型语言模型的安全失败

Yuheng Chen, Zhiyu Wu, Bowen Cheng, Tetsuro Takahashi

机构 * Kagoshima University（鹿儿岛大学） ； Fudan University（复旦大学） ； China University of Petroleum-Beijing（中国石油大学（北京）） 纠错

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

AI总结 研究发现，在多选约束下，LLM可能绕过拒绝行为，导致安全风险增加，揭示当前安全评估在结构化任务中的不足。

Uncovering Logit Suppression Vulnerabilities in LLM Safety Alignment

揭示LLM安全对齐中的logit抑制漏洞

Yuxi Li, Yi Liu, Yuekang Li, Ling Shi, Gelei Deng, Shengquan Chen, Kailong Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； Nanyang Technological University（南洋理工大学） ； University of New South Wales（新南威尔士大学） ； Nankai University（南开大学） 纠错

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

AI总结 本文提出SSAG方法，通过系统操控输出层logit揭示LLM安全对齐的漏洞，实验显示其在五种主流模型上以95%成功率暴露有害响应，同时减少86%的响应时间。

Concurrent Criterion Validation of a Validity Screen for LLM Confidence Signals via Selective Prediction

通过选择性预测验证LLM置信信号有效性的同时标准验证

Jon-Paul Cacioli

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文通过评估20个前沿LLM在六个认知领域的524项任务表现，验证了LLM置信信号分类对选择性预测性能的预测能力，发现有效模型在AUROC上显著优于无效模型。

Comments 11 pages, 4 figures, 2 tables. Companion to arXiv:2604.15702

GraSP: Graph-Structured Skill Compositions for LLM Agents

GraSP：用于LLM代理的图结构技能组合

Tianle Xia, Lingxiang Hu, Yiding Sun, Ming Xu, Lan Xu, Siying Wang, Wei Xu, Jie Jiang

机构 * Tencent（腾讯） 纠错

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

AI总结 本文提出GraSP，一种可执行技能图架构，通过引入编译层提升LLM代理技能编排效率，通过五种类型操作符将扁平技能集转化为带前提-效应边的有向无环图，提升任务完成效率和奖励。

Inertia in Moral and Value Judgments of Large Language Models

大语言模型中的道德与价值观判断中的惯性

Bruce W. Lee, Yeongheon Lee, Hyunsoo Cho

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Ewha Womans University（成均馆大学） 纠错

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

AI总结 研究发现大语言模型在不同角色设定下仍保持一致的价值取向，存在道德和价值观维度的惯性倾向，揭示了模型内部的偏见和价值偏好。

Comments ACL 2026

Towards an Agentic LLM-based Approach to Requirement Formalization from Unstructured Specifications

迈向基于代理的LLM方法：从非结构化规范中提取需求形式化

Alberto Tagliaferro, Bruno Guindani, Livia Lestingi, Matteo Rossi

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

AI总结 本文提出基于代理的方法，从非结构化规范中自动生成符合验证要求的形式化属性，通过提取、过滤和翻译三个模块，实现语义对齐，实验表明其在三个场景中准确率达77.8%。

Comments Accepted at the AIPV 2026 workshop (non-archival)

Clustering Discourses: Racial Biases in Short Stories about Women Generated by Large Language Models

聚类论述：大型语言模型生成的关于女性的短篇故事中的种族偏见

Gustavo Bonil, João Gondim, Marina dos Santos, Simone Hashiguti, Helena Maia, Nadia Silva, Helio Pedrini, Sandra Avila

机构 * Instituto de Estudos da Linguagem（语言研究学院） ； Universidade Estadual de Campinas（坎皮纳斯州立大学） 纠错

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

AI总结 研究探讨了大型语言模型，特别是LLaMA 3.2-3B，在生成葡萄牙语短篇故事中对黑人和白人女性的叙述构建方式，通过聚类分析揭示了三种主要的论述表现形式，并提出结合机器学习与定性分析的方法。

Comments 12 pages, 3 figures. Accepted at STIL @ BRACIS 2025

Prompt Optimization Enables Stable Algorithmic Collusion in LLM Agents

提示优化使LLM代理实现稳定的算法共谋

Yingtao Tian

机构 * Sakana AI Tokyo, Japan（日本东京Sakana AI） 纠错

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

AI总结 研究探讨提示优化是否会导致市场模拟中出现共谋行为，提出元学习循环方法，发现优化后代理能发现更稳定的共谋策略，且在测试市场中表现良好，揭示了通用协调原理。

LLM-Enhanced Multi-Agent Reinforcement Learning with Expert Workflow for Real-Time P2P Energy Trading

增强型多智能体强化学习与专家工作流的大型语言模型用于实时点对点能源交易

Chengwei Lou, Zekai Jin, Wei Tang, Guangfei Geng, Jin Yang, Lu Zhang

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

AI总结 本文提出基于大型语言模型-多智能体强化学习的框架，解决实时点对点能源交易中用户技术能力有限、缺乏专家经验及电网安全问题，通过模仿学习生成个性化策略，降低经济成本和电压违规率。

Journal ref IEEE Transactions on Smart Grid (Early Access), 2026

All Public Voices Are Equal, But Are Some More Equal Than Others to LLMs?

所有公共声音都平等，但有些比其他声音更平等吗？

Sola Kim, Marco A. Janssen, Jieshu Wang, Ame Min-Venditti, Neha Karanjia, John M. Anderies

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

AI总结 研究通过对比不同身份属性对LLM处理公共评论的影响，发现职业身份对摘要质量有显著影响，而种族和性别影响不一致，提示需在政府信息系统中关注社会经济信号。

Comments Preprint

Dual Alignment Between Language Model Layers and Human Sentence Processing

语言模型层与人类句子加工的双重对齐

Tatsuki Kuribayashi, Alex Warstadt, Yohei Oseki, Ethan Gotlieb Wilcox

机构 * MBZUAI ； Tohoku University（东北大学） ； UC San Diego（南加州大学） ； The University of Tokyo（东京大学） ； Georgetown University（乔治城大学） 纠错

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

AI总结 研究探讨了语言模型内部层在处理语法歧义时对人类认知努力的估计能力，发现后期层更准确但仍低估人类数据，揭示了人类与语言模型在句子加工中的不同模式。

Comments ACL 2026 main

Style over Story: Measuring LLM Narrative Preferences via Structured Selection

风格胜过故事：通过结构化选择测量大语言模型的叙事偏好

Donghoon Jung, Jiwoo Choi, Songeun Chae, Seohyon Jung

机构 * School of Digital Humanities and Computational Social Sciences, KAIST（数字人文与计算社会科学学院，韩国科学技术院） 纠错

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

AI总结 通过结构化选择实验测量大语言模型的叙事偏好，发现模型在风格优先于叙事内容方面表现一致，且风格偏好稳定，而内容元素则存在模型间差异和指令敏感性。

Comments Accepted to ACL 2026 (Findings), camera-ready version

Improving LLM Unlearning Robustness via Random Perturbations

通过随机扰动提升大语言模型去学习鲁棒性

Dang Huu-Tien, Hoang Thanh-Tung, Anh Bui, Minh-Phuong Nguyen, Le-Minh Nguyen, Naoya Inoue

机构 * Japan Advanced Institute of Science and Technology（日本科学技术先进研究院） ； VNU University of Engineering and Technology（越南工程与技术大学） ； Monash University（莫纳什大学） ； RIKEN（日本研究机构） 纠错

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

AI总结 本文提出将去学习过程视为后门攻击与防御问题，通过随机噪声增强方法提升去学习模型的鲁棒性，实验表明该方法有效保持去学习性能。

Comments Accepted by Transactions on Machine Learning Research

Conjunctive Prompt Attacks in Multi-Agent LLM Systems

多智能体大语言模型中的联合提示攻击

Nokimul Hasan Arif, Qian Lou, Mengxin Zheng

机构 * University of Central Florida（中央佛罗里达大学） 纠错

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

AI总结 研究多智能体系统中联合提示攻击的机制与防御，通过路由优化提升攻击成功率并降低误触发率，揭示了智能体流水线的结构性漏洞。

Comments ACL 2026 Main Conference

SOCIA-EVO: Automated Simulator Construction via Dual-Anchored Bi-Level Optimization

SOCIA-EVO: 通过双锚点双层优化实现自动模拟器构建

Yuncheng Hua, Sion Weatherhead, Mehdi Jafari, Hao Xue, Flora D. Salim

机构 * School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院） 纠错

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

AI总结 本文提出SOCIA-EVO框架，通过双锚点双层优化解决长周期LLM代理中的上下文漂移和优化不稳定问题，生成统计上与观测数据一致的模拟器。

Comments This paper has been accepted to the ACL 2026 Main Conference

RLM-on-KG: Heuristics First, LLMs When Needed: Adaptive Retrieval Control over Mention Graphs for Scattered Evidence

RLM-on-KG：先用启发式方法，必要时再用大语言模型：针对散落证据的提及图自适应检索控制

Andrea Volpini, Elie Raad

机构 * WordLift 纠错

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

AI总结 本文研究LLM在知识图谱探索中的优势，提出RLM-on-KG系统，通过实体优先多跳探索提升检索效果，发现LLM控制在证据分散时表现更优，且通过探索轨迹验证了结构化数据质量。

Comments Preprint. 32 pages, 9 figures. Code and data available at the project repository

Skilldex: A Package Manager and Registry for Agent Skill Packages with Hierarchical Scope-Based Distribution

Skilldex：一种基于层级作用域的代理技能包包管理器和注册表

Sampriti Saha, Pranav Hemanth

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 Skilldex通过编译器式格式一致性评分和技能集抽象解决代理技能包的格式验证与上下文一致性问题，提供三级作用域系统和开源实现。

Comments 8 pages, 1 figure, 5 tables. IEEE conference format

Personalizing Student-Agent Interactions Using Log-Contextualized Retrieval-Augmented Generation (RAG)

基于日志上下文的检索增强生成在个性化学生代理互动中的应用

Clayton Cohn, Surya Rayala, Caitlin Snyder, Joyce Fonteles, Shruti Jain, Naveeduddin Mohammed, Umesh Timalsina, Sarah K. Burriss, Ashwin T S, Namrata Srivastava, Menton Deweese, Angela Eeds, Gautam Biswas

机构 * 1Department of Computer Science, Vanderbilt University, Nashville, USA 2College of Engineering \& Science, University of Detroit Mercy, Detroit, USA 3The School for Science ； Math, Vanderbilt University, Nashville, USA 纠错

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

AI总结 本文提出日志上下文化检索增强生成（LC-RAG）方法，通过环境日志增强协作对话的检索能力，使协作同伴代理Copa能提供个性化指导，支持学生在C2STEM环境中的批判性思维和知识决策。

Comments Peer reviewed; appeared in the International Conference on Artificial Intelligence in Education (AIED25) Workshop on Epistemics and Decision-Making in AI-Supported Education

Journal ref https://sites.google.com/view/edm-aied-2025/home

Rethinking Post-Unlearning Behavior of Large Vision-Language Models

重新思考大型视觉-语言模型的后反遗忘行为

Minsung Kim, Nakyeong Yang, Kyomin Jung

机构 * Seoul National University（首尔国立大学） 纠错

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

AI总结 本文提出新的反遗忘任务和PUBG方法，旨在生成隐私保护且信息丰富的后反遗忘响应，解决现有方法导致的退化、幻觉或过度拒绝问题。

Comments 11 pages

From Heads to Neurons: Causal Attribution and Steering in Multi-Task Vision-Language Models

从头到神经元：多任务视觉-语言模型中的因果归因与操控

Qidong Wang, Junjie Hu, Ming Jiang

机构 * Tongji University（同济大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

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

AI总结 本文提出HONES框架，通过任务相关的注意力头来评估神经元的因果贡献，改进多任务视觉-语言模型中神经元的归因与操控，提升模型性能。

Comments ACL 2026 Findings

When Numbers Start Talking: Implicit Numerical Coordination Among LLM-Based Agents

当数字开始说话：基于大语言模型的智能体间的隐性数字协调

Alessio Buscemi, Daniele Proverbio, Alessandro Di Stefano, The-Anh Han, German Castignani, Pietro Liò

机构 * Luxembourg Institute of Science and Technology（卢森堡科学与技术研究所） ； University of Trento（特伦托大学） ； Teesside University（泰赛大学） ； University of Cambridge（剑桥大学） 纠错

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

AI总结 本文研究了基于大语言模型的多智能体系统中隐性沟通的博弈理论，分析了不同沟通模式下协调与战略结果的变化。

Creating ConLangs to Probe the Metalinguistic Grammatical Knowledge of LLMs

创建ConLangs以探测LLMs的元语言语法知识

Chihiro Taguchi, Richard Sproat

机构 * University of Notre Dame（诺特达美大学） ； Sakana AI（萨卡纳人工智能） ； Notre Dame, IN, USA（印第安纳州诺特达美） ； Tokyo, Japan（日本东京） 纠错

专题命中 其他LLM ：LLM(summary_cn,abstract_cn)；分类 cs.CL

AI总结 本文提出IASC系统，通过LLMs生成构造语言，探讨LLMs对语言和语言学概念的理解能力，实验显示不同LLM和语言规范在形态语法能力上有显著差异。

Comments 53 pages, 18 tables, 3 figures. Accepted at ACL 2026

The Collaboration Gap in Human-AI Work

人机协作中的鸿沟

Varad Vishwarupe, Marina Jirotka, Nigel Shadbolt, Ivan Flechais

机构 * University of Oxford（牛津大学） 纠错

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

AI总结 本文探讨了人机协作中稳定性不足的问题，提出三种工作结构并强调 grounding 条件的重要性。

Comments Accepted as a conference paper at ECSCW 2026, Germany

PRL: Prompts from Reinforcement Learning

基于强化学习的提示生成

Paweł Batorski, Adrian Kosmala, Paul Swoboda

机构 * Heinrich Heine Universität Düsseldorf（杜伊斯堡-艾森大学） 纠错

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

AI总结 本文提出PRL方法，通过强化学习自动生成提示，提升文本分类、简化和总结等任务性能，优于现有方法。

ArbGraph: Conflict-Aware Evidence Arbitration for Reliable Long-Form Retrieval-Augmented Generation

ArbGraph：面向可靠长形式检索增强生成的冲突感知证据仲裁

Qingying Niu, Yuhao Wang, Ruiyang Ren, Bohui Fang, Wayne Xin Zhao

机构 * Gaoling School of Artificial Intelligence（高岭人工智能学院） ； Renmin University of China（中国人民大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 ArbGraph通过预生成阶段的证据仲裁解决长形式RAG中的事实冲突，提升事实一致性与信息密度，减少幻觉和检索噪声影响。

Comments 23 pages, 4 figures

EVE: Verifiable Self-Evolution of MLLMs via Executable Visual Transformations

EVE: 通过可执行视觉变换实现多模态大语言模型的可验证自进化

Yongrui Heng, Chaoya Jiang, Han Yang, Shikun Zhang, Wei Ye

机构 * National Engineering Research Center for Software Engineering, Peking University（软件工程国家级工程研究中心，北京大学） ； School of Control Science and Engineering, Shandong University（控制科学与工程学院，山东大学） 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EVE框架，通过可执行视觉变换实现多模态大语言模型的可验证自进化，解决伪标签方法和模板方法的不足，通过双策略架构和多维奖励系统提升模型自进化能力。

Universal Adversarial Attacks against Closed-Source MLLMs via Target-View Routed Meta Optimization

针对闭源多模态大语言模型的通用对抗攻击：通过目标视角路由元优化

Hui Lu, Yi Yu, Yiming Yang, Chenyu Yi, Xueyi Ke, Qixing Zhang, Bingquan Shen, Alex Kot, Xudong Jiang

机构 * Rapid-Rich Object Search Lab, Interdisciplinary Graduate Programme, Nanyang Technological University, Singapore（快速丰富目标搜索实验室，跨学科研究生项目，南洋理工大学，新加坡） ； School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（电气与电子工程学院，南洋理工大学，新加坡） ； College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学，新加坡） ； DSO National Laboratories, Singapore（新加坡国防科学实验室） 纠错

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

AI总结 本文提出MCRMO-Attack，通过多作物聚合与注意力引导裁剪稳定监督，通过对齐性门控令牌路由提升token级可靠性，并元学习跨目标扰动先验，从而在商业MLLM上提升未见图像攻击成功率。

Comments This work has been submitted to the IEEE for possible publication

Stable Language Guidance for Vision-Language-Action Models

用于视觉-语言-动作模型的稳定语言引导

Zhihao Zhan, Yuhao Chen, Jiaying Zhou, Qinhan Lyu, Hao Liu, Keze Wang, Liang Lin, Guangrun Wang

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

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

AI总结 本文提出RSS框架，通过解耦物理 affordance 与语义执行，提升视觉-语言-动作模型在语言扰动下的鲁棒性，实验表明其在多种操作基准测试中达到最优性能。

Comments Accepted to ACL2026 main conference