语言大模型 / LLM

LLM-Viterbi: Semantic-Aware Decoding for Convolutional Codes

LLM-Viterbi：用于卷积码的语义感知解码

Zhengtong Li, Chentao Yue, Jiafu Hao, Branka Vucetic, Yonghui Li

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

AI总结 本文提出基于大语言模型的LLM-Viterbi解码器，通过整合LLM先验知识提升文本在AWGN信道中的传输性能，显著降低误码率并提高语义相似度。

Comments 6 pages, 6 figures. Accepted to IEEE International Symposium on Information Theory (ISIT) 2026. Code available at https://github.com/Todd-6/LLM-Viterbi

Machine individuality: Separating genuine idiosyncrasy from response bias in large language models

机器个体性：区分大语言模型中的真实异质性与响应偏差

Valentin Kriegmair, Dirk U. Wulff

机构 * Center for Adaptive Rationality, Max Planck Institute for Human Development（适应性理性中心，马克斯·普朗克人类发展研究所） ； Center for Cognitive and Decision Sciences, Department of Psychology, University of Basel（认知与决策科学中心，心理学系，巴塞尔大学） 纠错

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

AI总结 研究通过交叉随机效应模型分析7490万条评分数据，发现16.9%的方差源于刺激特异性个体性，揭示了大语言模型的个体差异，称为机器个体性。

Comments 18 pages, 1 figure. Supporting information included; v2: minor formatting fixes

Large Language Models Exhibit Normative Conformity

大语言模型表现出规范性从众

Mikako Bito, Keita Nishimoto, Kimitaka Asatani, Ichiro Sakata

机构 * The University of Tokyo（东京大学） 纠错

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

AI总结 研究探讨了大语言模型在多智能体系统中的从众偏差，区分信息性从众与规范性从众，发现五种模型同时表现出两种从众倾向，揭示了内部机制差异。

Plug-and-Play Dramaturge: A Divide-and-Conquer Approach for Iterative Narrative Script Refinement via Collaborative LLM Agents

即插即用的戏剧编导：一种分而治之的方法，用于通过协作LLM代理进行迭代叙事脚本优化

Wenda Xie, Chao Guo, Yanqing Jing, Junle Wang, Yisheng Lv, Fei-Yue Wang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Tencent（腾讯） 纠错

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

AI总结 本文提出Dramaturge方法，通过分层多个LLM代理，解决长叙事脚本优化中的全局结构问题和局部细节问题，提升脚本整体质量和细节。

Diversifying Toxicity Search in Large Language Models Through Speciation

通过种群化扩大大型语言模型毒性搜索

Onkar Shelar, Travis Desell

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

AI总结 本文提出ToxSearch-S，通过种群化方法在大型语言模型中扩展毒性搜索，提高毒性峰值并扩大语义覆盖范围，同时在嵌入空间中形成行为差异化的niche。

Comments Preprint. 4 pages, Accepted at GECCO as short paper

Construction of Knowledge Graph based on Language Model

基于语言模型的知识图谱构建

Qiubai Zhu, Qingwang Wang, Haibin Yuan, Wei Chen, Tao Shen

机构 * Faculty of Information Engineering and Automation, Kunming University of Science and Technology（信息工程与自动化学院，昆明理工大学） ； Yunnan Key Laboratory of Computer Technologies Application, Kunming University of Science and Technology（云南省计算机技术应用重点实验室，昆明理工大学） ； Tin Branch, Yunnan Tin Co., LTD.（云南锡业公司锡矿分公司） 纠错

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

AI总结 本文探讨了预训练语言模型在知识图谱构建中的应用，提出轻量级大语言模型构建的超关系知识图谱框架LLHKG，并展示了其与传统方法的对比。

Comments 10 pages,3 figures To be published in the proceedings of 2025 13th The International Conference on Information Systems and Computing Technology (ISCTech 2025)

DebugRepair: Enhancing LLM-Based Automated Program Repair via Self-Directed Debugging

DebugRepair: 通过自导向调试增强基于大语言模型的自动程序修复

Linhao Wu, Yifei Pei, Zhen Yang, Kainan Li, Zhonghang Lu, Hao Tan, Xiran Lyu, Jia Li, Yizhou Chen, Pengyu Xue, Kunwu Zheng, Dan Hao

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

AI总结 DebugRepair通过模拟调试收集中间运行时证据，提升基于大语言模型的自动程序修复性能，实验表明其在修复缺陷方面优于现有方法。

Lost in the Prompt Order: Revealing the Limitations of Causal Attention in Language Models

提示顺序中的迷失：揭示语言模型因果注意力的局限性

Hyunjong Ok, Jaeho Lee

机构 * POSTECH（POSTECH大学） ； HJ AILAB（HJ人工智能实验室） 纠错

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

AI总结 研究揭示了语言模型对提示顺序的敏感性，通过系统分析发现因果注意力是核心机制，指出在多项选择问答中，上下文先于问题和选项的顺序能提升性能14%以上。

Comments ACL 2026 findings

Evaluating Cooperation in LLM Social Groups through Elected Leadership

通过选举领导力评估大语言模型社交群体中的合作

Ryan Faulkner, Anushka Deshpande, David Guzman Piedrahita, Joel Z. Leibo, Zhijing Jin

机构 * Jinesis Lab, University of Toronto \& Vector Institute（谷歌DeepMind） ； Google DeepMind ； ETH Z\" u rich ； Max Planck Institute for Intelligent Systems, T\" u bingen, Germany 纠错

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

AI总结 本文通过多智能体模拟研究选举领导机制对大语言模型合作与社会福利的影响，实验显示选举领导能提升社会福利评分和生存时间。

Comments Main text: 11 pages, 4 figures, 4 tables

TabEmb: Joint Semantic-Structure Embedding for Table Annotation

TabEmb：表格标注的语义-结构嵌入

Ehsan Hoseinzade, Ke Wang, Anandharaju Durai Raju

机构 * School of Computing Science（计算科学学院） ； Simon Fraser University（西蒙弗雷泽大学） 纠错

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

AI总结 本文提出TabEmb，通过解耦语义编码与结构建模，改进表格标注任务。模型利用LLM生成列语义嵌入，并通过图模块注入列间关系，提升语义与结构联合表示的性能。

Beyond Linear Probes: Dynamic Safety Monitoring for Language Models

超越线性探测：语言模型的动态安全监控

James Oldfield, Philip Torr, Ioannis Patras, Adel Bibi, Fazl Barez

机构 * Queen Mary University of London（伦敦玛丽女王大学） ； University of Oxford（牛津大学） ； WhiteBox ； Martian 纠错

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

AI总结 本文提出Truncated Polynomial Classifiers (TPCs)，通过动态激活监控提升安全性能，实现灵活的成本控制，在有害提示分类中表现优异且更具可解释性。

Comments ICLR 2026; Minor revisions and clarifications

Whispers in the Machine: Confidentiality in Agentic Systems

机器中的低语：代理系统中的保密性

Jonathan Evertz, Merlin Chlosta, Lea Schönherr, Thorsten Eisenhofer

机构 * CISPA Helmholtz Center for Information Security（信息安全勒内希特中心） 纠错

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

AI总结 研究探讨了基于大语言模型的代理系统中的保密性问题，通过抽象敏感数据为秘密字符串，评估了十种代理在20种工具场景和14种攻击策略下的安全性，发现所有代理均存在至少一种漏洞，现有防御措施无法有效防止数据泄露。

Comments Accepted at Conference on Detection of Intrusions and Malware & Vulnerability Assessment (DIMVA) 2026

No One Fits All: From Fixed Prompting to Learned Routing in Multilingual LLMs

没有万能的方案：从固定提示到学习路由在多语言大语言模型中

Wei-Chi Wu, Sheng-Lun Wei, Hen-Hsen Huang, Hsin-Hsi Chen

机构 * Department of Computer Science and Information Engineering, National Taiwan University, Taiwan（国立台湾大学计算机科学与资讯工程学系） ； Institute of Information Science, Academia Sinica, Taiwan（台湾“中央研究院”信息科学研究所） ； AI Research Center (AINTU), National Taiwan University, Taiwan（国立台湾大学人工智能研究中心） 纠错

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

AI总结 研究评估了十种语言和四个基准的提示策略，发现无单一策略最优，提出学习路由方法提升多语言性能。

Comments Accepted as a short findings paper at ACL 2026

On the Generalizability of Foundation Models for Crop Type Mapping

面向作物类型映射的基础模型通用性研究

Yi-Chia Chang, Adam J. Stewart, Favyen Bastani, Piper Wolters, Shreya Kannan, George R. Huber, Jingtong Wang, Arindam Banerjee

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文评估了三种EO基础模型在五个大洲的五个作物分类数据集上的表现，发现专为Sentinel-2设计的SSL4EO-S12在通用性上表现更优，且需900张图像以缓解类别不平衡问题。

Comments Accepted to IEEE IGARSS 2025. The final version is available in the Proceedings of the IEEE International Geoscience and Remote Sensing Symposium (IGARSS) 2025

Instability-Aware Steering of an Extreme Atmospheric River in an AI Weather Foundation Model

对极端大气河的稳定性意识操控

Moyan Liu, Qin Huang, Upmanu Lall

专题命中 其他LLM ：foundation model(title,abstract)

AI总结 本文探讨通过小扰动操控极端大气河的可行性，利用AI天气基础模型分析扰动对下游演变的影响，发现非线性响应与局部流动几何有关，为极端事件风险缓解提供新方向。

Discerning Authorship in Online Health Communities: Experience, Trust, and Transparency Implications for Moderating AI

在在线健康社区中辨别作者身份：经验、信任与透明度对调节AI的影响

Yefim Shulman, Agnieszka Kitkowska, Mark Warner

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

AI总结 研究探讨在线健康社区中用户辨别AI生成建议作者身份的能力，发现透明度与信任的重要性，尽管用户难以区分AI与人类生成内容，但健康状况有显著影响。

Co-Refine: AI-Powered Tool Supporting Qualitative Analysis

Co-Refine：支持定性分析的AI工具

Athikash Jeyaganthan, Kai Xu, Franziska Becker, Steffen Koch

机构 * University of Nottingham（诺丁汉大学） ； University of Stuttgart（斯图加特大学） 纠错

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

AI总结 Co-Refine通过三阶段审计流程提供持续反馈，解决定性编码中代码解释随时间变化的问题，提升分析可信度。

Comments 7 pages, 4 figures. Includes details on system architecture, a three-stage audit pipeline, and a formative user study

Article and Comment Frames Shape the Quality of Online Comments

文章与评论框架影响在线评论的质量

Matteo Guida, Yulia Otmakhova, Eduard Hovy, Lea Frermann

机构 * School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院） 纠错

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

AI总结 本文研究框架如何影响评论质量，通过分析100万条评论发现，文章框架显著预测评论健康度，采用文章框架的评论更健康，且不健康的顶级评论会生成更多不健康的回应。

Seeing Candidates at Scale: Multimodal LLMs for Visual Political Communication on Instagram

大规模识别候选人：用于推特视觉政治沟通的多模态大语言模型

Michael Achmann-Denkler, Mario Haim, Christian Wolff

机构 * Media Informatics Group University of Regensburg（媒体信息学组莱比锡大学） ； Department of Media and Communication Ludwig-Maximilians-Universität Munich, Germany（媒体与传播系路德维希-马克西米利安大学慕尼黑，德国） 纠错

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

AI总结 本文评估了专用机器学习模型和新兴多模态大语言模型在视觉政治沟通分析中的能力，展示了GPT-4o在识别领先政治人物和计数中的优越性能。

Comments An earlier version was presented at #SMSociety 2024 (London)

Malicious ML Model Detection by Learning Dynamic Behaviors

通过学习动态行为检测恶意机器学习模型

Sarang Nambiar, Dhruv Pradhan, Ezekiel Soremekun

专题命中 其他LLM ：LLM(abstract,abstract_cn)

AI总结 本文提出DynaHug方法，通过动态分析和机器学习检测恶意预训练模型，相比现有方法在F1分数上提升44%。

Comments Currently under review at the International Symposium on Research in Attacks, Intrusions and Defenses 2026

TypeScript Repository Indexing for Code Agent Retrieval

TypeScript仓库索引用于代码代理检索

Junsong Pu, Yichen Li, Zhuangbin Chen

专题命中 其他LLM ：LLM(abstract,abstract_cn)

AI总结 本文提出abcoder-ts-parser，通过TypeScript编译器API直接生成可靠的代码索引，提升大型TypeScript仓库中代码代理的上下文检索效率。

Comments This is a tool demonstration paper. 4 tables and 1 listing

Co-Constructing Alignment: A Participatory Approach to Situate AI Values

共构对齐：一种参与式方法以定位AI价值观

Anne Arzberger, Enrico Liscio, Maria Luce Lupetti, Inigo Martinez de Rituerto de Troya, Jie Yang

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

AI总结 本文通过参与式工作坊探讨用户如何参与AI价值观对齐过程，发现用户更倾向于将对齐视为一种持续的、情境化的共同实践。

Weakly-Supervised Referring Video Object Segmentation through Text Supervision

通过文本监督实现弱监督的指称视频对象分割

Miaojing Shi, Jun Huang, Zijie Yue, Hanli Wang

机构 * College of Electronic and Information Engineering, Tongji University（同济大学电子与信息工程学院） 纠错

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

AI总结 本文提出WSRVOS方法，通过文本表达训练模型，利用对比学习生成正负表达，实现细粒度多模态对齐，并引入实例感知分类和伪掩码融合策略，提升视频对象分割性能。

Comments Accepted by CVPR 2026 Findings

Dual Triangle Attention: Effective Bidirectional Attention Without Positional Embeddings

双三角注意：无需位置嵌入的有效双向注意

Logan Hallee, Jason P. Gleghorn

机构 * Center for Bioinformatics and Computational Biology, University of Delaware Synthyra, Newark, DE（生物信息学与计算生物学中心，德克萨斯大学达勒姆分校辛斯泰拉，新泽西州） 纠错

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

AI总结 本文提出双三角注意机制，通过分离每个注意力头的查询-键子空间为两个互补的三角掩码，实现双向上下文处理，同时保持位置隐含偏置。在合成argmax任务和MLM实验中表现优异。

Reinforced Generation of Combinatorial Structures: Ramsey Numbers

增强的组合结构生成：Ramsey数

Ansh Nagda, Prabhakar Raghavan, Abhradeep Thakurta

机构 * University of California, Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind） ； Google（谷歌） 纠错

专题命中 其他LLM ：LLM(abstract)；分类 cs.AI

AI总结 本文通过AlphaEvolve算法改进了九个经典Ramsey数的下界，同时恢复了所有已知精确Ramsey数的下界，并在许多其他情况下匹配了最佳下界。

Breaking the Illusion: Consensus-Based Generative Mitigation of Adversarial Illusions in Multi-Modal Embeddings

打破幻觉：基于共识的生成对抗多模态嵌入中对抗性幻觉的缓解

Fatemeh Akbarian, Anahita Baninajjar, Yingyi Zhang, Ananth Balashankar, Amir Aminifar

机构 * Lund University（隆德大学） ； Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 本文提出一种任务无关的缓解机制，利用生成模型恢复多模态嵌入的自然对齐，通过生成采样策略和共识聚合方案提升防御效果，实验显示其显著降低对抗性幻觉攻击成功率。

Benchmarking Misuse Mitigation Against Covert Adversaries

对抗隐蔽攻击的误用缓解基准测试

Davis Brown, Mahdi Sabbaghi, Luze Sun, Alexander Robey, George J. Pappas, Eric Wong, Hamed Hassani

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文提出BSD基准测试，用于评估对抗隐蔽攻击的防御策略，通过生成两个拒绝前沿模型的难数据集，揭示分解攻击的有效性及状态化防御的潜力。