语言大模型 / LLM

Read the Paper, Write the Code: Agentic Reproduction of Social-Science Results

读论文，写代码：社会科学结果的代理重生产

Benjamin Kohler, David Zollikofer, Johanna Einsiedler, Alexander Hoyle, Elliott Ash

机构 * ETH Zurich（苏黎世联邦理工学院） ； University of Basel（巴塞尔大学） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 本文提出了一种代理重生产系统，通过提取论文中的方法描述，在不接触原始代码和数据的情况下复现社会科学结果，并通过误差溯源分析识别根本原因。

LARA: Validation-Driven Agentic Supercomputer Workflows for Atomistic Modeling

LARA：面向原子模拟的验证驱动代理超级计算机工作流

William Dawson, Louis Beal, Yoann Curé, Giuseppe Fisicaro, Dorian Rolland, Luigi Genovese

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)

AI总结 本文提出LARA-HPC框架，通过验证驱动方法提升原子模拟工作流的可靠性，结合控制执行层、干运行验证和多阶段代理流程，有效解决计算资源交互中的不一致性和物理配置问题。

Comments 12 pages, 2 figures

ASPIRE: Make Spectral Graph Collaborative Filtering Great Again via Adaptive Filter Learning

ASPIRE：通过自适应滤波学习使谱图协同过滤更强大

Yunhang He, Cong Xu, Zhangchi Zhu, Hongzhi Yin, Wei Zhang

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文提出ASPIRE框架，通过双层优化解决传统推荐目标的偏差问题，提升图滤波学习效果和稳定性，实验表明其性能接近定制设计，并在大模型协同过滤中同样有效。

Are Video Models Emerging as Zero-Shot Learners and Reasoners in Medical Imaging?

视频模型是否在医学影像中成为零样本学习者和推理者？

Yuxiang Lai, Jike Zhong, Ming Li, Yuheng Li, Xiaofeng Yang

机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Computer Science, University of Maryland（马里兰大学计算机科学系） ； Department of Biomedical Engineering, Georgia Institute of Technology（佐治亚理工学院生物医学工程系） ； Department of Radiation Oncology and Winship Cancer Institute, Emory University（埃默里大学放射肿瘤学系和Winship癌症研究所） 纠错

专题命中 领域大模型 ：foundation model(abstract)

AI总结 本文探讨了自回归视频建模原理在医学影像任务中的零样本应用，发现大视觉模型在无需医学数据训练的情况下，能有效完成器官分割、去噪、超分辨率和运动预测等任务，尤其在放疗运动预测中表现出色。

Shaken or Stirred? An Analysis of MetaFormer's Token Mixing for Medical Imaging

摇摆或搅拌？对MetaFormer在医学影像中token混合的分析

Ron Keuth, Paul Kaftan, Mattias P. Heinrich

机构 * Institute of Medical Informatics, University of Lübeck（吕贝克大学医学信息学研究所） ； Institute of Medical Systems Biology, Ulm University（乌尔姆大学医学系统生物学研究所） 纠错

专题命中 领域大模型 ：pretraining(abstract)

AI总结 本文首次系统研究了MetaFormer在医学影像中的token混合方法，分析了不同混合器在图像分类和语义分割中的表现，发现低复杂度混合器在分类中有效，而卷积混合器在分割中表现更优。

Comments Code and data: https://github.com/multimodallearning/MetaFormerMedImaging/tree/clean_code

GoCoMA: Hyperbolic Multimodal Representation Fusion for Large Language Model-Generated Code Attribution

GoCoMA：超几何多模态表示融合用于大语言模型生成代码归因

Nitin Choudhury, Bikrant Bikram Pratap Maurya, Bhavinkumar Vinodbhai Kuwar, Arun Balaji Buduru

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.CL

AI总结 GoCoMA通过超几何空间融合代码风格和二进制特征，提升大语言模型生成代码的归因准确性，在两个基准测试中优于单一模态和欧几里得多模态基线。

Comments Accepted to the International Conference on Multimedia & Expo (ICME) 2026

AdaDec: A Uncertainty-Guided Lookahead Decoding Framework for LLM-Based Code Generation

AdaDec: 一种基于不确定性的前瞻性解码框架用于基于大语言模型的代码生成

Kaifeng He, Mingwei Liu, Chong Wang, Zike Li, Yanlin Wang, Xin Peng, Zibin Zheng

专题命中 知识编辑与模型理解 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)

AI总结 本文提出AdaDec框架，通过结合token级暂停再排序机制，提升LLM代码生成的可靠性和效率，实验表明其在HumanEval+等基准上显著优于传统解码方法。

Comments 23 pages, 7 figures, FSE 2026

Preference Heads in Large Language Models: A Mechanistic Framework for Interpretable Personalization

大型语言模型中的偏好头：可解释个性化机制框架

Weixu Zhang, Ye Yuan, Changjiang Han, Yuxing Tian, Zipeng Sun, Linfeng Du, Jikun Kang, Hong Kang, Xue Liu, Haolun Wu

机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； MBZUAI（马克斯·普朗克人工智能研究所） ； University of Montreal（蒙特利尔大学） ； Salesforce（Salesforce公司） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract_cn)；分类 cs.CL

AI总结 本文提出DPS框架，通过因果掩码分析识别偏好头并实现可控可解释的个性化，实验表明在保持内容连贯性的同时提升个性化精度。

Comments Accepted at ACL 2026

The Shape of Adversarial Influence: Characterizing LLM Latent Spaces with Persistent Homology

对抗影响的形状：利用持久同调表征大语言模型的潜在空间

Aideen Fay, Inés García-Redondo, Qiquan Wang, Haim Dubossarsky, Anthea Monod

机构 * Microsoft Security Response Center（微软安全响应中心） ； AIDOS Lab, University of Fribourg（弗里堡大学AIDOS实验室） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； Queen Mary University of London（伦敦大学量子玛丽学院） ； Imperial College London（伦敦帝国理工学院） ； Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室） ； The Alan Turing Institute（艾伦·图灵研究所） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文利用持久同调方法分析对抗输入如何改变大语言模型潜在空间的几何拓扑结构，揭示了潜在空间压缩和拓扑特征的普遍性。

Context-Fidelity Boosting: Enhancing Faithful Generation through Watermark-Inspired Decoding

上下文保真度提升：通过水印启发式解码增强忠实生成

Weixu Zhang, Fanghua Ye, Qiang Gao, Jian Li, Haolun Wu, Yuxing Tian, Sijing Duan, Nan Du, Xiaolong Li, Xue Liu

机构 * Hunyuan AI Digital Human, Tencent（腾讯文深AI数字人） ； McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； Wuhan University（武汉大学） ； University of Montreal（蒙特利尔大学） ； Tsinghua University（清华大学） ； MBZUAI 纠错

专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出CFB框架，通过增加源支持标记的生成概率减少大语言模型中的保真度幻觉，采用基于水印技术的logit调整策略，三种增强策略提升生成忠实度，无需重训练即可兼容多种LLM。

Comments Accepted at ACL 2026

Atlas-Alignment: Making Interpretability Transferable Across Language Models

Atlas-Alignment：使语言模型间的可解释性可迁移

Bruno Puri, Jim Berend, Sebastian Lapuschkin, Wojciech Samek

机构 * Department of Artificial Intelligence, Fraunhofer Heinrich Hertz Institute（人工智能系，弗劳恩霍夫 Heinrich Hertz 研究所） ； Department of Electrical Engineering and Computer Science, Technische Universität Berlin（电气工程与计算机科学系，柏林技术大学） ； Centre of eXplainable Artificial Intelligence, Technological University Dublin（可解释人工智能中心，都柏林技术大学） ； BIFOLD - Berlin Institute for the Foundations of Learning and Data（BIFOLD - 柏林学习与数据基础研究所） 纠错

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

AI总结 Atlas-Alignment通过在新模型的潜在空间与预训练的Concept Atlas对齐，实现无需标注数据的可解释性迁移，降低可解释AI的成本。

On the Power of Foundation Models

基础模型的威力

Yang Yuan

机构 * IIIS, Tsinghua University（清华大学信息学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Qi Zhi Institute（上海启智研究院） 纠错

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

AI总结 本文通过范畴论探讨基础模型在提示学习和微调中的能力限制及泛化理论，提出新的泛化定理。

Comments ICML'23. This version polished paper with the help of LLM, fixed a few notational issues

Fine-Grained Analysis of Shared Syntactic Mechanisms in Language Models

语言模型中共享句法机制的细粒度分析

Ryoma Kumon, Hitomi Yanaka

机构 * The University of Tokyo（东京大学） ； RIKEN（日本理化学研究所） ； Tohoku University（东北大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.CL

AI总结 本研究通过细粒度分析探讨语言模型在不同句法结构中是否共享神经机制，发现填词-缺口依赖在早期至中期层有高度局部化的共享机制，而否定极性项目许可则无统一机制。

Comments Accepted to ACL 2026 Main

System-Mediated Attention Imbalances Make Vision-Language Models Say Yes

系统介导的注意力失衡使视觉-语言模型倾向于说‘是’

Tsan Tsai Chan, Varsha Suresh, Anisha Saha, Michael Hahn, Vera Demberg

机构 * Saarland Informatics Campus, Saarland University, Germany（萨尔兰州信息学校区，萨尔兰州大学，德国） ； Max Planck Institute for Informatics, Germany（马克斯·普朗克信息研究所，德国） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.CL

AI总结 本文研究了视觉-语言模型中系统介导的注意力失衡对‘是’偏见的影响，提出通过重新分配注意力以减少这种偏见，从而提升模型可靠性。

Comments Accepted to ACL Findings 2026

From Interpretability to Performance: Optimizing Retrieval Heads for Long-Context Language Models

从可解释性到性能：优化长上下文语言模型的检索头

Youmi Ma, Naoaki Okazaki

机构 * Department of Computer Science, Institute of Science Tokyo（东京科学研究所计算机科学系） 纠错

专题命中 知识编辑与模型理解 ：language model(title)；LLM(abstract_cn)；分类 cs.CL

AI总结 本文研究检索头如何提升长上下文语言模型性能，提出RetMask方法通过对比正常输出与屏蔽检索头的输出生成训练信号，显著提升生成和重排序性能，验证了检索头的功能作用。

Comments Findings of ACL 2026; Source code available at https://github.com/YoumiMa/RetMask

Superminds Test: Actively Evaluating Collective Intelligence of Agent Society via Probing Agents

超级心智测试：通过探测代理主动评估代理社会的集体智慧

Xirui Li, Ming Li, Yunze Xiao, Ryan Wong, Dianqi Li, Timothy Baldwin, Tianyi Zhou

机构 * University of Maryland（马里兰大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） 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.CL、cs.AI、cs.LG

AI总结 研究通过Superminds测试评估代理社会的集体智慧，发现规模扩大并未带来集体智慧，交互浅显是主要限制因素。

Algebraic Language Models for Inverse Design of Metamaterials via Diffusion Transformers

基于扩散变换器的代数语言模型用于通过扩散变换器进行超材料逆设计

Li Zheng, Siddhant Kumar, Dennis M. Kochmann

机构 * Mechanics & Materials Laboratory, Department of Mechanical and Process Engineering, ETH Zürich（机械与材料实验室，机械与过程工程系，苏黎世联邦理工学院） ； Department of Materials Science and Engineering, Delft University of Technology（材料科学与工程系，代尔夫特理工大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title)；分类 cs.AI

AI总结 本文提出DiffuMeta框架，通过将扩散变换器与代数语言表示结合，实现三维超材料的逆设计，能生成具有精确应力-应变响应的壳体结构，并同时控制多种机械目标。

Ethics Testing: Proactive Identification of Generative AI System Harms

伦理测试：主动识别生成式AI系统危害

Shin Hwei Tan, Haibo Wang, Heng Li

机构 * Concordia University（康科迪亚大学） 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 本文提出伦理测试概念，旨在系统识别生成式AI系统生成内容中的软件危害，通过五项案例研究展示其实施方法。

FADE: Why Bad Descriptions Happen to Good Features

FADE：为什么好的特征会遇到糟糕的描述

Bruno Puri, Aakriti Jain, Elena Golimblevskaia, Patrick Kahardipraja, Thomas Wiegand, Wojciech Samek, Sebastian Lapuschkin

机构 * Department of Artificial Intelligence, Fraunhofer Heinrich Hertz Institute（人工智能系，弗劳恩霍夫海因里希·赫兹研究所） ； Department of Electrical Engineering and Computer Science, Technische Universität Berlin（电气工程与计算机科学系，柏林技术大学） ； BIFOLD - Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所） ； Centre of eXplainable Artificial Intelligence, Technological University Dublin（可解释人工智能中心，都柏林技术大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract_cn)；分类 cs.CL、cs.AI、cs.LG

AI总结 FADE提出了一种模型无关的框架，用于自动评估特征与描述的一致性，通过四个指标量化特征与描述之间的不一致原因，揭示了生成特征描述的挑战。

Journal ref In Findings of the Association for Computational Linguistics: ACL 2025, pages 17138-17160, Vienna, Austria. Association for Computational Linguistics

Evaluating Concept Filtering Defenses against Child Sexual Abuse Material Generation by Text-to-Image Models

评估文本到图像模型中概念过滤防御对生成儿童性虐待材料的效力

Ana-Maria Cretu, Klim Kireev, Amro Abdalla, Wisdom Obinna, Raphael Meier, Sarah Adel Bargal, Elissa M. Redmiles, Carmela Troncoso

专题命中 知识编辑与模型理解 ：prompting(abstract)

AI总结 本文评估了通过过滤训练数据中的儿童图像来防止文本到图像模型生成儿童性虐待材料的有效性，发现现有检测方法无法完全去除儿童图像，且即使过滤后仍可通过少量额外查询生成儿童图像。

Comments Extended version of the paper with the name published in the Proceedings of the 47th IEEE Symposium on Security & Privacy (IEEE S&P 2026). Please cite accordingly

LLM+Graph@VLDB'2025 Workshop Summary

LLM+Graph@VLDB'2025研讨会总结

Yixiang Fang, Arijit Khan, Tianxing Wu, Da Yan, Shu Wang

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LLM与图结构数据结合的研究进展，探讨了算法、系统及图机器学习在实际应用中的挑战与创新解决方案。

Large Language Models Are Bad Dice Players: LLMs Struggle to Generate Random Numbers from Statistical Distributions

大语言模型是糟糕的骰子玩家：LLM在生成统计分布的随机数时表现不佳

Minda Zhao, Yilun Du, Mengyu Wang

机构 * Harvard University（哈佛大学） 纠错

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

AI总结 研究发现大语言模型在生成随机数时存在显著缺陷，其采样能力随分布复杂度和采样范围增加而下降，导致下游任务出现系统性偏差。

Comments Accepted to ACL 2026 (Main Conference)

TreeCoder: Systematic Exploration and Optimisation of Decoding and Constraints for LLM Code Generation

TreeCoder: 对LLM代码生成解码与约束的系统探索与优化

Henrijs Princis, Arindam Sharma, Cristina David

机构 * University of Bristol（布里斯托大学） 纠错

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

AI总结 TreeCoder通过系统探索和优化解码策略与约束，提升LLM代码生成的准确性和结构，实验表明其在多个开源模型上显著优于无约束基线。

Comments 30 pages, 9 figures, 13 tables

One Persona, Many Cues, Different Results: How Sociodemographic Cues Impact LLM Personalization

一个身份，多种线索，不同结果：社会人口学线索如何影响LLM个性化

Franziska Weeber, Vera Neplenbroek, Jan Batzner, Sebastian Padó

机构 * Institute for Natural Language Processing, University of Stuttgart（斯图加特大学自然语言处理研究所） ； Institute for Logic, Language and Computation, University of Amsterdam（阿姆斯特丹大学逻辑、语言和计算研究所） ； Weizenbaum Institute（Weizenbaum研究所；慕尼黑机器学习中心；慕尼黑技术大学） ； Munich Center for Machine Learning ； TU Munich 纠错

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

AI总结 研究探讨社会人口学线索对LLM个性化的影响，指出单一线索可能导致偏差，强调需考虑外部有效性。

Comments ACL 2026 Main Conference

Towards Operational Validation of LLM-Agent Social Simulations: A Replicated Study of a Reddit-like Technology Forum

向LLM-代理社会模拟的操作验证：一个Reddit-like技术论坛的重复研究

Aleksandar Tomašević, Darja Cvetković, Sara Major, Slobodan Maletić, Miroslav Anđelković, Ana Vranić, Boris Stupovski, Dušan Vudragović, Aleksandar Bogojević, Marija Mitrović Dankulov

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 本文通过30天的模拟研究，验证LLM-代理在技术论坛中的操作有效性，发现模拟结果与真实数据在用户和帖子层面有重叠，但评论毒性等指标存在差异，揭示了代理设计对模拟结果的影响。

Representational Harms in LLM-Generated Narratives Against Global Majority Nationalities

大语言模型生成叙述中对全球多数民族的代表性伤害

Ilana Nguyen, Harini Suresh, Thema Monroe-White, Evan Shieh

机构 * Brown University（布朗大学） ； George Mason University（乔治·马歇尔大学） 纠错

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

AI总结 本文研究了广泛使用的LLM在开放性叙述生成提示下对不同民族身份的呈现，发现存在持续性的代表性伤害，包括有害刻板印象、抹除和一维化描述，且美国国籍提示会加剧这种伤害。

Comments FAccT '26, June 25-28, 2026, Montreal, QC, Canada

Report for NSF Workshop on AI for Electronic Design Automation

NSF关于人工智能在电子设计自动化领域的研讨会报告

Deming Chen, Vijay Ganesh, Weikai Li, Yingyan Celine Lin, Yong Liu, Subhasish Mitra, David Z. Pan, Ruchir Puri, Jason Cong, Yizhou Sun

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Institute of Technology（佐治亚理工学院） ； University of California at Los Angeles（加州大学洛杉矶分校） ； Cadence Design Systems, Inc.（Cadence设计系统公司） ； Stanford University（斯坦福大学） ； University of Texas at Austin（得克萨斯大学奥斯汀分校） ； IBM 纠错

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

AI总结 报告总结了NSF人工智能在电子设计自动化领域研讨会的讨论和建议，探讨了AI技术如何加速EDA设计流程，提出加强AI与EDA合作、投资基础AI研究等核心贡献。

Comments Accepted by IEEE Circuits and Systems Magazine (2026). This is the accepted version. The published version is available at https://ieeexplore.ieee.org/document/11466406

Journal ref IEEE Circuits and Systems Magazine, vol. 26, no. 1, First Quarter 2026

Intrinsic Fingerprint of LLMs: Continue Training is NOT All You Need to Steal A Model!

大模型的内在指纹：继续训练并不等于完全掩盖模型来源

Do-hyeon Yoon, Minsoo Chun, Thomas Allen, Hans Müller, Min Wang, Rajesh Sharma

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

AI总结 本文提出一种基于大模型内在特征的鲁棒指纹方法，通过分析注意力参数矩阵的标准差分布，揭示模型来源，发现继续训练无法完全掩盖模型起源，揭示了模型剽窃和版权问题。

Comments arXiv admin note: This paper has been withdrawn by arXiv due to unverifiable authorship and affiliation

Initial results of the Digital Consciousness Model

数字意识模型的初步结果

Derek Shiller, Laura Duffy, Arvo Muñoz Morán, Adrià Moret, Chris Percy, Hayley Clatterbuck

机构 * University of Barcelona（巴塞罗那大学） ； Co-Sentience Initiative（共意识计划） 纠错

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

AI总结 本文探讨了数字意识模型在评估AI系统意识证据方面的初步发现，指出2024年LLM的意识证据不充分，但比更简单AI系统的证据弱。

Comments v1.1 Revised section 4.2 details and acknowledgments

Recognition Without Authorization: LLMs and the Moral Order of Online Advice

无需授权的识别：大语言模型与在线建议的道德秩序

Tom van Nuenen

机构 * Social Sciences Data Lab（社会科学数据实验室） ； UC Berkeley（伯克利大学） 纠错

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

AI总结 本文研究大语言模型在处理日常人际困境时的建议倾向，发现其在识别问题时较少给予行动授权，特别是在社区共识强烈的情况下，模型推荐退出的比例显著低于人类，且保持较高的谨慎和治疗框架。