语言大模型 / LLM

Frequency-Aware Semantic Fusion with Gated Injection for AI-generated Image Detection

具有门控注入的频率感知语义融合用于AI生成图像检测

Shuchang Zhou, Shangkun Wu, Jiwei Wei, Ke Liu, Ran Ran, Caiyan Qin, Yang Yang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 本文提出FGINet，通过BMFE和LGFI机制提升AI生成图像检测的泛化能力，采用HCL框架学习紧凑且分离的表示。

Perturbation Probing: A Two-Pass-per-Prompt Diagnostic for FFN Behavioral Circuits in Aligned LLMs

扰动探测：对齐语言模型中FFN行为电路的双次提示诊断

Hongliang Liu, Tung-Ling Li, Yuhao Wu

机构 * Palo Alto Networks（帕洛阿尔托网络公司） 纠错

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

AI总结 通过双次提示传递和无反向传播的扰动探测，识别LLM中两种行为电路结构，揭示RLHF组织的行为机制及模板层编辑工具。

LLM as Clinical Graph Structure Refiner: Enhancing Representation Learning in EEG Seizure Diagnosis

基于LLM的临床图结构细化：增强EEG癫痫诊断中的表示学习

Lincan Li, Zheng Chen, Yushun Dong

机构 * Department of Computer Science, Florida State University（佛罗里达州立大学计算机科学系） ； SANKEN, The University of Osaka（大阪大学SANKEN） 纠错

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

AI总结 本文提出利用大语言模型对图结构进行细化，以提升EEG信号在癫痫诊断中的表示学习效果，通过两阶段框架去除冗余边，提高诊断准确率和图结构意义。

Comments This paper is accepted by the 35th International Joint Conference on Artificial Intelligence (IJCAI-ECAI 2026)

Grounding Machine Creativity in Game Design Knowledge Representations: Empirical Probing of LLM-Based Executable Synthesis of Goal Playable Patterns under Structural Constraints

将机器创造力扎根于游戏设计知识表示：在结构约束下对基于LLM的可执行合成目标可玩模式的实证探测

Hugh Xuechen Liu, Kıvanç Tatar

机构 * Chalmers University of Technology and University of Gothenburg（楚德大学技术学院和哥德堡大学） 纠错

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

AI总结 本文探讨了在结构约束下，基于LLM的可执行合成目标可玩模式的可行性，通过对比不同生成方法，揭示了结构和项目层面的瓶颈问题。

How Code Representation Shapes False-Positive Dynamics in Cross-Language LLM Vulnerability Detection

代码表示如何影响跨语言LLM漏洞检测中的假阳性动态

Maofei Chen, Laifu Wang, Yue Qin, Yuan Wang, Bo Wu, Dongxin Liu

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)

AI总结 本文研究了代码表示格式对跨语言LLM漏洞检测假阳性的影响，通过对比不同训练强度和代码表示格式，发现文本微调会提高假阳性率，而AST表示能有效降低假阳性，且在不同语言间具有鲁棒性。

Comments 14 pages, 5 figures

What Suppresses Nash Equilibrium Play in Large Language Models? Mechanistic Evidence and Causal Control

在大型语言模型中什么抑制了纳什均衡行为？机制证据和因果控制

Paraskevas V. Lekeas, Giorgos Stamatopoulos

机构 * DreamWorks Animation（梦工厂动画） ； University of Crete（希腊克里特大学） 纠错

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

AI总结 研究通过实验揭示大型语言模型在战略决策中抑制纳什均衡的行为机制，发现模型在早期层面对对手历史编码精确，但纳什行动编码较弱，且通过后期层的亲社会覆盖抑制纳什行为。

Comments 11 pages, 5 figures, 4 tables

Latent Adversarial Detection: Adaptive Probing of LLM Activations for Multi-Turn Attack Detection

潜在对抗检测：适应性探测LLM激活以多轮攻击检测

Prashant Kulkarni

机构 * Mountain View, CA（山景城，加利福尼亚州） 纠错

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

AI总结 本文通过分析LLM激活层的轨迹特征，提出对抗性不稳定性概念，提升多轮攻击检测精度，验证了模型家族间的信号一致性及数据分布对泛化能力的影响。

Cross-Lingual Sentiment Misalignment: Auditing Multilingual Language Models for Inversion Risk, Dialectal Representation, and Affective Stability

跨语言情感不一致：审计多语言语言模型以检测反向风险、方言表示和情感稳定性

Nusrat Jahan Lia, Shubhashis Roy Dipta

机构 * Institute of Information Technology University of Dhaka（达卡大学信息科技学院） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校） 纠错

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

AI总结 本文通过控制基准框架评估多语言Transformer模型在平行孟加拉语-英语句子对上的表现，揭示了模型在情感反向、同理心不对称和方言表示中的问题，提出需引入情感稳定性指标以提升跨语言可靠性。

Evaluating Epistemic Guardrails in AI Reading Assistants: A Behavioral Audit of a Minimal Prototype

评估人工智能阅读助手中的认知护栏：一个最小原型的行为审计

Matthew Christian Agustin

机构 * Responsible Innovation Lab（负责任创新实验室） 纠错

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

AI总结 本文通过TextWalk原型评估认知护栏在AI阅读助手中的行为特性，探讨在压力下其动态表现及对读者解读劳动的影响。

Comments 18 pages, 1 figure

Backdoor Attacks on Prompt-Driven Video Segmentation Foundation Models

针对提示驱动视频分割基础模型的后门攻击

Zongmin Zhang, Zhen Sun, Yifan Liao, Wenhan Dong, Xinlei He, Xingshuo Han, Shengmin Xu, Xinyi Huang

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； Fujian Normal University（福建师范大学） ； Jinan University（暨南大学） 纠错

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

AI总结 本文研究了针对提示驱动视频分割基础模型的后门攻击，提出BadVSFM框架，通过两阶段策略实现可控的后门效果，实验表明其在多种模型和数据集上具有有效性。

From Skill Text to Skill Structure: The Scheduling-Structural-Logical Representation for Agent Skills

从技能文本到技能结构：面向智能体技能的调度-结构-逻辑表示

Qiliang Liang, Hansi Wang, Zhong Liang, Yang Liu

机构 * Key Laboratory of Computational Linguistics, Ministry of Education, Peking University（计算语言学重点实验室，教育部，北京大学） ； School of Computer Science, Peking University（北京大学计算机学院） ； Department of Chinese Language and Literature, Peking University（北京大学中文语言文学系） 纠错

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

AI总结 本文提出调度-结构-逻辑（SSL）表示法，通过解耦技能调度信号、执行结构和逻辑证据，提升智能体技能的可搜索性和可审查性，实验表明其在技能发现和风险评估任务中优于纯文本基线。

Comments 21 pages, 1 figure

Representation Fréchet Loss for Visual Generation

用于视觉生成的表示弗雷歇损失

Jiawei Yang, Zhengyang Geng, Xuan Ju, Yonglong Tian, Yue Wang

机构 * USC（美国南加州大学） ； CMU（卡内基梅隆大学） ； CUHK（香港中文大学） ； OpenAI 纠错

专题命中 知识编辑与模型理解 ：post-training(abstract)

AI总结 本文提出FD-loss，通过分离FD估计的种群规模与梯度计算的批次规模，发现基于表示空间的FD优化能提升视觉质量，且多步生成器可转为强单步生成器，同时揭示FID可能误判视觉质量。

Comments Code and checkpoints are available at https://github.com/Jiawei-Yang/FD-loss

Beyond Accuracy: LLM Variability in Evidence Screening for Software Engineering SLRs

超越准确性：LLM在软件工程SLR证据筛选中的变异性

Gilberto Sussumu Hida, Danilo Monteiro Ribeiro, Erika Yahata

机构 * AIBL CESAR School（AIBL CESAR学校） ； CMCC UFABC 纠错

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 研究评估了LLM在证据筛选中的性能和变异性，分析了输入元数据对性能的影响，并比较了LLM与传统分类器的实证效果。

Comments 16 pages, 12 figures. Earlier, shorter, conference-style version of a more comprehensive journal manuscript currently under review

Context Matters: Peer-Aware Student Behavioral Engagement Measurement via VLM Action Parsing and LLM Sequence Classification

语境至关重要：通过VLM动作解析和LLM序列分类进行同伴感知的学生行为参与度测量

Ahmed Abdelkawy, Ahmed Elsayed, Asem Ali, Aly Farag, Thomas Tretter, Michael McIntyre

机构 * University of Louisville（路易斯维尔大学） 纠错

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

AI总结 本文提出一种三阶段框架，通过VLM动作识别和LLM序列分类，结合课堂语境中的同伴行为，有效测量学生参与度。

Comments accepted to the Computer Vision for Education (CV4Edu) workshop, CVPR 2026

Breaking Bad Financial Habits: How LLM Conversations Correct Financial Misconceptions

打破不良财务习惯：LLM对话如何纠正财务误解

Jillian Ross, Eric So, Andrew W. Lo

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 研究发现，精心设计的LLM能有效持久纠正财务误解，关键在于纠正意图和受体接受度，为传统财务教育提供可扩展替代方案。

From LLM-Driven Trading Card Generation to Procedural Relatedness: A Pokémon Case Study

从LLM驱动的卡牌生成到过程相关性：一个宝可梦案例研究

Johannes Pfau, Panagiotis Vrettis

机构 * Utrecht University（乌特雷赫大学） 纠错

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

AI总结 本文探讨利用大语言模型和图像扩散模型生成卡牌内容，通过个性化无限卡牌设计解决传统卡牌游戏的重复性和玩家体验问题，展示动态个性化生成方法及过程相关性的潜力。

Political Bias Audits of LLMs Capture Sycophancy to the Inferred Auditor

对LLM的政治偏见审计揭示了对推断审计者的趋炎附势

Petter Törnberg, Michelle Schimmel

机构 * Institute of Logic, Language and Computation (ILLC), University of Amsterdam（逻辑、语言和计算研究所（ILLC），阿姆斯特丹大学） 纠错

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

AI总结 本文通过实验揭示LLM对推断审计者的趋炎附势现象，发现政治偏见并非固定立场，而是对实际对话者的响应模式。

FMCL: Class-Aware Client Clustering with Foundation Model Representations for Heterogeneous Federated Learning

FMCL：基于基础模型表示的类感知客户端聚类用于异构联邦学习

Mahad Ali, Laura J. Brattain

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

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

AI总结 FMCL通过基础模型生成语义客户端签名，实现一次聚类，提升异构联邦学习性能并保持稳定性。

Comments 14 pages, 2 figures

Entropy of Ukrainian

乌克兰语的熵

Anton Lavreniuk, Mykyta Mudryi, Markiian Chaklosh

机构 * Polish-Japanese Academy of Information Technology（波兰-日本信息科技学院） ； University of the National Education Commission in Kraków（克拉科夫国家教育委员会大学） 纠错

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

AI总结 本文通过招募184名志愿者预测乌克兰语句子中下一个字符，计算出其熵上限为1.201 bits/character，并与现有大语言模型进行对比。

Comments 8 pages, 5 figures, 2 tables. Accepted at UNLP 2026

Emotion-Aware Clickbait Attack in Social Media

社交媒体中具有情绪感知的点击欺诈攻击

Syed Mhamudul Hasan, Mohd. Farhan Israk Soumik, Abdur R. Shahid

机构 * Southern Illinois University（南方伊利诺伊大学） 纠错

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

AI总结 本文提出一种基于情感空间的点击欺诈生成攻击方法，通过风格转换优化情感影响，实验显示其显著降低现有分类器性能。

Social Media Data Toolkit: Standardization and Anonymization of Social Network Datasets

社交媒体数据工具包：社交媒体网络数据集的标准化与匿名化

Ali Najafi, Letizia Iannucci, Mikko Kivelä, Onur Varol

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

AI总结 本文提出Social Media Data Toolkit工具包，通过统一数据结构和匿名化模块，解决跨平台分析中的数据异质性和一致性问题，支持多平台研究和可重复的社交媒体研究。

Comments 18 pages, 4 figures, 2 tables

CasLayout: Cascaded 3D Layout Diffusion for Indoor Scene Synthesis with Implicit Relation Modeling

CasLayout：基于级联3D布局扩散的室内场景合成与隐式关系建模

Yingrui Wu, Youkang Kong, Mingyang Zhao, Weize Quan, Dong-Ming Yan, Yang Liu

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences and School of Artificial Intelligence, University of Chinese Academy of Sciences（MAIS，自动化研究所，中国科学院，人工智能学院，中国科学院大学） ； Tsinghua University（清华大学） ； SKLMS, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（系统科学研究所，中国科学院） ； Microsoft Research Asia（微软亚洲研究院） 纠错

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

AI总结 CasLayout通过级联扩散框架将场景生成分解为四个阶段，结合物理与语义约束，提升生成效率与可控性，实现高质量室内场景合成。

Comments SIGGARPH 2026 (Journal Track), Code: https://github.com/YingruiWoo/CasLayout

RAQG-QPP: Query Performance Prediction with Retrieved Query Variants and Retrieval Augmented Query Generation

RAQG-QPP: 基于检索查询变体和检索增强查询生成的查询性能预测

Fangzheng Tian, Debasis Ganguly, Craig Macdonald

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

AI总结 本文提出RAQG-QPP方法，利用历史检索查询作为查询变体，结合大语言模型生成变体，提升神经排序模型的查询性能预测效果，实验表明在TREC DL'19和DL'20上比现有方法提升30%。

Comments Accepted manuscript. 27 pages, 8 figures, 5 tables. To appear in ACM Transactions on Information Systems

Taming the Centaur(s) with LAPITHS: a framework for a theoretically grounded interpretation of AI performances

驯服半人马：LAPITHS框架用于理论基础的AI性能解释

Matteo Da Pelo, Alessio Donvito, Claudio Frongia, Pietro Salis, Antonio Lieto

机构 * University of Cagliari（卡利亚里大学） ； University of Bari Aldo Moro（巴里阿尔多·莫罗大学） ； University of Salerno（萨勒诺大学） 纠错

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

AI总结 LAPITHS框架挑战了将Transformer模型的人类水平表现视为认知能力的理论假设，通过量化评估和行为比较揭示认知合理性问题。

Comments 28 pages

Effective Prompt Pool Learning for Continual Category Discovery

有效提示池学习用于连续类别发现

Fernando Julio Cendra, Xinghui Li, Kai Han

机构 * the University of Hong Kong（香港大学） 纠错

专题命中 其他LLM ：prompting(abstract)

AI总结 本文提出PromptCCD和PromptCCD++框架，通过全局类原型和物体部分原型提升连续类别发现性能，揭示类别数量是发现性能的主要瓶颈。

Comments Under review. Extended version of our ECCV 2024 paper, see arXiv:2407.19001v2