语言大模型 / LLM

Naamah: A Large Scale Synthetic Sanskrit NER Corpus via DBpedia Seeding and LLM Generation

Naamah：通过DBpedia seeding和LLM生成构建大规模合成梵语命名实体识别语料库

Akhil Rajeev P, Annarao Kulkarni

机构 * Centre for Development of Advanced Computing (C-DAC)（发展高级计算中心） 纠错

专题命中 预训练与数据 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出Naamah，一个包含102942个句子的高质量梵语NER数据集，结合DBpedia实体提取与混合推理模型生成，用于评估XLM RoBERTa和IndicBERTv2模型。

SLIM: Stealthy Low-Coverage Black-Box Watermarking via Latent-Space Confusion Zones

SLIM：通过潜在空间混淆区实现隐蔽的低覆盖率黑盒水印

Hengyu Wu, Yang Cao

专题命中 预训练与数据 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)

AI总结 SLIM通过利用LLM内在属性诱导潜在空间混淆区，实现低覆盖率黑盒数据溯源验证，兼具隐蔽性与模型实用性，提供现代LLM流水线中保护训练数据的稳健解决方案。

Comments Accept the findings of ACL 2026

TAP into the Patch Tokens: Leveraging Vision Foundation Model Features for AI-Generated Image Detection

通过补丁标记利用视觉基础模型特征进行AI生成图像检测

Ahmed Abdullah, Nikolas Ebert, Oliver Wasenmüller

机构 * Mannheim University of Applied Sciences（曼海姆应用科学大学） 纠错

专题命中 预训练与数据 ：foundation model(title,abstract)；pretraining(abstract)

AI总结 本文通过评估多种视觉基础模型家族，提出利用可调注意池化（TAP）改进分类器头，提升AI生成图像检测性能，发现最佳模型在准确率上超越CLIP超过12%。

Comments This paper has been accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2026

Contrastive Heliophysical Image Pretraining for Solar Dynamics Observatory Records

对比学习太阳物理图像预训练用于太阳动力学观测记录

Shiyu Shen, Zhe Gao, Taifeng Chai, Yang Huang, Bin Pan

专题命中 预训练与数据 ：pretraining(title,abstract)

AI总结 本文提出SolarCHIP，通过对比学习预训练视觉骨干网络，解决太阳成像中的多模态传感、弱类间分离性和强类内变化性问题，提升跨模态翻译和日冕闪分类性能。

Comments arXiv admin note: This submission has been withdrawn due to violation of arXiv policies for acceptable submissions

AnimateAnyMesh++: A Flexible 4D Foundation Model for High-Fidelity Text-Driven Mesh Animation

AnimateAnyMesh++: 一种灵活的4D基础模型用于高质量文本驱动的网格动画

Zijie Wu, Chaohui Yu, Fan Wang, Xiang Bai

机构 * School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院） ； DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； Hupan Lab, Hangzhou, China（湖畔实验室） ； School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） 纠错

专题命中 预训练与数据 ：foundation model(title)

AI总结 本文提出AnimateAnyMesh++，通过扩展数据集、改进架构和生成能力，实现高质量文本驱动的网格动画，提升了轨迹重建和几何保真度。

Comments 14 pages, TPAMI submission, code url: https://github.com/JarrentWu1031/AnimateAnyMesh-pp

Investigating the Segment Anything Foundation Model for Mapping Smallholder Agriculture Field Boundaries Without Training Labels

探究无需标注的Segment Anything基础模型用于映射小农户农业田块边界

Pratyush Tripathy, Kathy Baylis, Kyle Wu, Jyles Watson, Ruizhe Jiang

机构 * Department of Geography, University of California, Santa Barbara, CA, 93106 USA（地理系，加州大学圣巴巴拉分校，加州，圣巴巴拉，93106 USA） 纠错

专题命中 预训练与数据 ：foundation model(title)

AI总结 本文探讨了使用无需额外训练的Segment Anything模型（SAM）在印度比哈尔州利用SkySat影像映射小农户农业田块边界，评估了不同模型版本、输入尺寸和多日期影像对精度的影响，结果显示SAM在无标注数据下能准确识别约58%的田块边界。

Comments 11 pages, 6 main figures, 7 supplementary figures

Journal ref Science of Remote Sensing, Volume 13, 2026, 100425

Semantic Label Drift in Cross-Cultural Translation

跨文化翻译中的语义标签漂移

Mohsinul Kabir, Tasnim Ahmed, Md Mezbaur Rahman, Polydoros Giannouris, Sophia Ananiadou

机构 * Department of Computer Science, National Center for Text Mining, The University of Manchester（计算机科学系，文本挖掘国家中心，曼彻斯特大学） ； School of Computing, Queen’s University, Ontario, Canada（计算学院，加拿大皇后大学） ； Computer Science, University of Illinois Chicago（计算机科学，伊利诺伊大学芝加哥分校） 纠错

专题命中 预训练与数据 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文研究了跨文化翻译中因文化差异导致的语义标签漂移问题，发现现代大语言模型在文化敏感领域易引发标签漂移，并揭示文化相似性对标签保真度的关键影响。

Journal ref LREC 2026

Action Hints: Semantic Typicality and Context Uniqueness for Generalizable Skeleton-based Video Anomaly Detection

动作提示：语义典型性和上下文唯一性用于可泛化的基于骨架的视频异常检测

Canhui Tang, Sanping Zhou, Haoyue Shi, Le Wang

机构 * National Key Laboratory of Human-Machine Hybrid Augmented Intelligence（人机混合增强智能国家重点实验室） ； National Engineering Research Center for Visual Information（视觉信息工程国家级工程研究中心） ； Institute of Artificial Intelligence and Robotics（人工智能与机器人研究所） ； Robotics, Xi'an Jiaotong University（机器人学，西安交通大学） ； School of Electronics and Control Engineering（电子控制工程学院） 纠错

专题命中 预训练与数据 ：LLM(abstract,abstract_cn)

AI总结 本文提出基于骨架的零样本视频异常检测框架，通过动作典型性和唯一性学习提升模型泛化能力，在四个大规模数据集上取得最佳性能。

Comments The paper has been accepted by Pattern Recognition (PR)

Lyapunov-Guided Self-Alignment: Test-Time Adaptation for Offline Safe Reinforcement Learning

Lyapunov引导的自对齐：用于离线安全强化学习的测试时适应

Seungyub Han, Hyungjin Kim, Jungwoo Lee

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

专题命中 预训练与数据 ：prompting(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出SAS框架，通过自对齐机制在不重新训练的情况下实现离线安全强化学习的测试时适应，利用Lyapunov条件筛选可行轨迹并生成上下文提示，提升安全性与性能。

Comments Accepted at AISTATS 2026. First two authors contributed equally. Project page: https://seungyubhan.github.io/sas/. Code: https://github.com/seungyubhan/sas

FILTR: Extracting Topological Features from Pretrained 3D Models

FILTR: 从预训练3D模型中提取拓扑特征

Louis Martinez, Maks Ovsjanikov

机构 * LIX, École Polytechnique, IP Paris（巴黎高等师范学院LIX研究所、IP巴黎） 纠错

专题命中 预训练与数据 ：pretraining(abstract)

AI总结 本文提出FILTR框架，通过预训练3D编码器提取点云的拓扑特征，利用transformer解码器生成持续图，首次实现高效的数据驱动持续图提取。

Comments Project page: https://filtr-topology.github.io/