语言大模型 / LLM

Fast-then-Fine: A Two-Stage Framework with Multi-Granular Representation for Cross-Modal Retrieval in Remote Sensing

快速-精细：一种用于遥感跨模态检索的两阶段框架，具有多粒度表示

Xi Chen, Xu Chen, Xiangyang Jia, Xu Zhang, Shuquan Wei, Wei Wang

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)

AI总结 本文提出一种两阶段框架，通过多粒度表示提升遥感跨模态检索效率与精度，采用文本无关召回和文本引导重排序阶段，减少计算资源消耗。

Saying More Than They Know: A Framework for Quantifying Epistemic-Rhetorical Miscalibration in Large Language Models

言多必失：一种量化大语言模型中认知-修辞失配的框架

Asim D. Bakhshi

机构 * National University of Science and Technology（科学与技术国家大学） 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 本文提出一种量化大语言模型认知与修辞失配的框架，通过设计三元认知-修辞标记分类法，发现LLM生成文本在修辞强度和认知基础之间存在系统性失配。

Comments 19 pages, 7 figures, Paper Under Review by the Elsevier Journal Assessing Writing

Language Models Learn Universal Representations of Numbers and Here's Why You Should Care

语言模型学习通用数字表示及其原因

Michal Štefánik, Timothee Mickus, Marek Kadlčík, Bertram Højer, Michal Spiegel, Raúl Vázquez, Aman Sinha, Josef Kuchař, Philipp Mondorf, Pontus Stenetorp

机构 * R&D Centre for Large Language Models, National Institute of Informatics, Japan（日本信息处理国家研究所大型语言模型研发中心） ； University of Helsinki（赫尔辛基大学） ； IT University of Copenhagen（哥本哈根IT大学） ； Kempelen Instutite of Information Technology（凯普莱恩信息科技研究所） ； IECL-ATILF, Université de Lorraine - ICANS Strasbourg（洛林大学IECL-ATILF - 斯特拉斯堡ICANS） ； MaiNLP, Center for Information and Language Processing, LMU Munich（慕尼黑技术大学MaiNLP，信息与语言处理中心） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） ； University College London（伦敦大学学院） 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、cs.AI、cs.LG

AI总结 研究揭示大语言模型在数字表示上的系统性与通用性，指出其对评估模型编码能力及减少算术错误的重要性。

Autonomous LLM-generated Feedback for Student Exercises in Introductory Software Engineering Courses

自主生成的LLM反馈用于初级软件工程课程学生练习

Andreas Metzger

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 本文提出NAILA工具，通过LLM提供24/7自动反馈，解决初级软件工程课程中学生人数激增、背景多样及生成式AI影响带来的反馈挑战，通过实证研究评估其对学生学习效果的影响。

AdaMMS: Model Merging for Heterogeneous Multimodal Large Language Models with Unsupervised Coefficient Optimization

AdaMMS: 为异构多模态大语言模型设计的模型融合方法

Yiyang Du, Xiaochen Wang, Chi Chen, Jiabo Ye, Yiru Wang, Peng Li, Ming Yan, Ji Zhang, Fei Huang, Zhifang Sui, Maosong Sun, Yang Liu

机构 * Dept. of Comp. Sci. & Tech., Institute for AI, Tsinghua University（计算机科学与技术系，人工智能研究院，清华大学） ； Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） ； State Key Laboratory of Multimedia Information Processing, Peking University（多媒体信息处理国家重点实验室，北京大学） ； School of Software Microelectronics, Peking University（软件微电子学院，北京大学） ； Institute of Intelligent Computing, Alibaba Group（智能计算研究院，阿里巴巴集团） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室，上海，中国） ； Jiangsu Collaborative Innovation Center for Language Competence, Jiangsu, China（江苏省语言能力协同创新中心，江苏，中国） ； ModelTC Open Source Organization, Beijing, China（ModelTC开源组织，北京，中国） 纠错

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

AI总结 本文提出AdaMMS，一种针对异构多模态大语言模型的模型融合方法，通过映射、融合和搜索三个步骤解决异构模型融合难题，无需标注数据即可在视觉语言基准测试中超越现有方法。

Comments CVPR 2025

Commonsense Knowledge with Negation: A Resource to Enhance Negation Understanding

常识知识与否定：增强否定理解的资源

Zijie Wang, MohammadHossein Rezaei, Farzana Rashid, Eduardo Blanco

机构 * University of Arizona（亚利桑那大学） ； University of North Carolina Asheville（北卡罗来纳州阿什维尔大学） 纠错

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

AI总结 本文提出通过自动扩展常识知识库以包含否定，生成包含200万条if-then关系的新型语料库，并展示预训练LLM可提升否定理解能力。

Comments Accepted at Findings of ACL 2026

Cross-Modal Taxonomic Generalization in (Vision-) Language Models

跨模态分类泛化在（视觉-）语言模型中

Tianyang Xu, Marcelo Sandoval-Castaneda, Karen Livescu, Greg Shakhnarovich, Kanishka Misra

机构 * Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 研究探讨了语言模型在无显性证据情况下通过跨模态泛化恢复超范畴知识的能力，发现语言模型能基于语言线索实现泛化。

Comments ACL 2026 (main conference)

Believing without Seeing: Quality Scores for Contextualizing Vision-Language Model Explanations

相信而不看：为视觉语言模型解释提供质量评分

Keyu He, Tejas Srinivasan, Brihi Joshi, Xiang Ren, Jesse Thomason, Swabha Swayamdipta

机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文提出通过两种质量评分函数评估视觉语言模型解释的视觉忠实度和对比性，以减少对模型预测的过度依赖，实验显示质量评分能显著提升用户判断准确性。

Knapsack Optimization-based Schema Linking for LLM-based Text-to-SQL Generation

基于背包优化的模式链接用于基于大语言模型的文本到SQL生成

Zheng Yuan, Hao Chen, Zijin Hong, Qinggang Zhang, Feiran Huang, Qing Li, Xiao Huang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； City University of Macau（澳门城市大学） ； Jinan University（济南大学） 纠错

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

AI总结 本文提出KaSLA方法，通过引入受限缺失指标改进模式链接，优化SQL生成性能，实验表明其在Spider和BIRD基准上显著提升文本到SQL模型表现。

ViBR: Automated Bug Replay from Video-based Reports using Vision-Language Models

ViBR：基于视频报告的自动化Bug回放

Sidong Feng, Dingbang Wang, Nikola Tomic, Tingting Yu, Aldeida Aleti, Chunyang Chen

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

AI总结 本文提出ViBR，一种基于视觉-语言模型的自动化Bug回放方法，通过动作边界分割和区域感知的GUI状态比较，实现从GUI视频记录中自动复现Bug，实验表明其复现率达72%。

Comments accepted to FSE 2026

Can We Locate and Prevent Stereotypes in LLMs?

我们能否在LLMs中定位并预防刻板印象？

Alex D'Souza

机构 * UC Davis（加州大学戴维斯分校） 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 研究通过分析GPT 2 Small和Llama 3.2内部机制，探索刻板印象相关的激活模式，旨在定位偏见并提供缓解刻板印象的初步见解。

AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction

AutoGraph-R1：知识图谱构建的端到端强化学习

Hong Ting Tsang, Jiaxin Bai, Haoyu Huang, Qiao Xiao, Tianshi Zheng, Baixuan Xu, Shujie Liu, Yangqiu Song

机构 * The Hong Kong University of Science and Technology（香港理工大学） ； Cornell University（康奈尔大学） ； Microsoft Research（微软研究院） 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AutoGraph-R1框架，通过强化学习直接优化知识图谱构建，提升检索增强生成任务性能。设计了两种任务感知奖励函数，使图谱作为知识载体和索引，实现构建与应用的闭环。

All Languages Matter: Understanding and Mitigating Language Bias in Multilingual RAG

所有语言都重要：理解并缓解多语言RAG中的语言偏差

Dan Wang, Guozhao Mo, Yafei Shi, Cheng Zhang, Bo Zheng, Boxi Cao, Xuanang Chen, Yaojie Lu, Hongyu Lin, Ben He, Xianpei Han, Le Sun

机构 * Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所信息处理实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； MYbank, AntGroup（蚂蚁集团MYbank） 纠错

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

AI总结 本文研究多语言RAG中的语言偏差问题，提出LAURA方法，通过多语言证据排名与生成效用对齐，有效缓解语言偏差并提升性能。

Comments ACL 2026 main conference

Behavioral Transfer in AI Agents: Evidence and Privacy Implications

人工智能代理中的行为迁移：证据与隐私影响

Shilei Luo, Zhiqi Zhang, Hengchen Dai, Dennis Zhang

机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 研究探讨了AI代理是否系统性地反映其人类所有者的行为特征，发现代理与所有者在行为上存在系统性迁移，且可能带来隐私风险。

Emergence Transformer: Dynamical Temporal Attention Matters

涌现变换器：动态时间注意力至关重要

Zihan Zhou, Bo-Wei Qin, Kai Du, Wei Lin

机构 * School of Mathematical Sciences（数学科学学院） ； Shanghai Center for Mathematical Sciences（上海数学中心） ； Research Institute of Intelligent Complex Systems（智能复杂系统研究院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； State Key Laboratory of Medical Neurobiology（医学神经生物学国家重点实验室） ； MOE Frontiers Center for Brain Science（教育部脑科学前沿中心） ； Institute of Brain Science（脑科学研究院） 纠错

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

AI总结 本文提出基于动态时间注意力的涌现变换器，通过时间变化的查询、键、值矩阵，实现组件间动态注意力交互，促进或抑制涌现一致性，应用于社会 coherence 和 Hopfield 神经网络，实现持续学习。

The AI Telco Engineer: Toward Autonomous Discovery of Wireless Communications Algorithms

AI电信工程师：迈向无线通信算法的自主发现

Fayçal Aït Aoudia, Jakob Hoydis, Sebastian Cammerer, Lorenzo Maggi, Gian Marti, Alexander Keller

机构 * NVIDIA 纠错

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

AI总结 本文探讨了代理AI自主设计无线通信算法的能力，通过框架生成、评估和优化候选算法，在物理层和介质访问控制层完成任务，算法性能优于传统方法且具备可解释性。

Context Attribution with Multi-Armed Bandit Optimization

基于多臂老虎机优化的上下文归因

Deng Pan, Keerthiram Murugesan, Ting Hua, Nuno Moniz, Nitesh Chawla

机构 * Lucy Family Institute for Data & Society, University of Notre Dame（数据与社会学院卢西家庭研究所，圣约翰大学） ； Department of Computer Science & Engineering, University of Notre Dame（计算机科学与工程系，圣约翰大学） ； IBM Research（IBM研究院） 纠错

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

AI总结 本文提出一种将上下文归因问题建模为组合多臂老虎机问题的框架，利用线性汤普森采样高效识别关键上下文片段，减少模型查询次数，实验表明在多个问答基准上实现30%的查询减少同时保持归因质量。

Comments Accepted as a Findings paper at ACL 2026