AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
为什么LLMs在战略博弈中表现不佳？观察、信念和行动之间的断裂链接
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； EPFL（苏黎世联邦理工学院）
专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 本文探讨了LLMs在不完全信息博弈中决策失败的原因，揭示了观察-信念和信念-行动之间的两大内在缺陷，通过实验验证了LLMs在多步推理中的信念不稳定性及行动转换的不足。
AgentReputation: 一种去中心化的代理AI声誉框架
机构 * Department of Computer Science（计算机科学系）
专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文提出AgentReputation框架，旨在解决去中心化代理AI市场中声誉机制失效的问题，通过分层架构和上下文感知声誉卡片实现声誉管理，同时提供风险驱动的决策引擎。
Comments 5 pages, 1 figure, accepted to FSE 2026, Ideas, Visions and Reflections track
检索推理综述：进展与挑战
机构 * Zhejiang University（浙江大学） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学） ； Yale University（耶鲁大学）
专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文综述了推理密集型检索领域，系统分析了现有基准，提出了结构化分类体系，并总结了挑战与未来方向。
Comments Accepted to the ACL 2026 Main Conference; camera-ready version
将拼图碎片放在关键位置：一种用于强化学习的问题增强框架
机构 * Tsinghua University（清华大学） ； Fudan University（复旦大学） ； Peking University（北京大学）
专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.LG
AI总结 本文提出PieceHint框架，通过战略性提供关键推理步骤，解决强化学习中训练易问题过拟合和训练难问题奖励稀疏的问题，实验表明其在数学推理基准上性能优异且保持pass@k多样性。
超越精英人类：通过自我对战与强化学习掌握骗子扑克
机构 * Allometry Labs（Allometry实验室） ； Graduate School of Business, Columbia University（哥伦比亚大学商学院） ； Sauder School of Business, University of British Columbia（不列颠哥伦比亚大学萨德尔商学院）
专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文提出Solly，首个在简化版骗子扑克中达到精英人类水平的AI，通过自我对战与深度强化学习实现超越人类和大语言模型的策略与表现。
高速视觉提升人类动作的零样本语义理解
机构 * Institute of Industrial Science, The University of Tokyo（东京大学工业科学研究所） ； Interfaculty Initiative in Information Studies, Graduate School of Interdisciplinary Information Studies, The University of Tokyo（东京大学跨学科信息研究 graduate school）
专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)
AI总结 本文研究高速视觉对人类动作零样本语义理解的影响，提出无需训练的管道结合预训练视频-语言模型与大语言模型进行动作比较，实验显示高帧率提升语义分离度，验证了高速感知对语义理解的重要性。
通过紧凑潜在多智能体协作实现视频理解的扩展
机构 * Microsoft Research Asia（微软亚洲研究院） ； Zhejiang University（浙江大学） ； Guanming Lab（冠明实验室）
专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)
AI总结 本文提出MACF框架，通过解耦智能体感知预算与全局视频复杂度，实现可扩展的视频理解，保持视觉保真度，并在多种视频理解基准上优于现有方法。
Comments 12 pages
你真的是混蛋吗？一种公平、多视角的伦理推理框架
专题命中 推理与问题求解 ：language model(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出一种结合神经语义提取与形式求解器的多视角伦理推理框架，通过MaxSAT解决高冲突领域中的逻辑一致性问题，实验显示其在Reddit论坛中生成的裁决在62%的情况下偏离流行标签，且与人类评估者一致率高达86%。
突破边界模型仍保留其能力
机构 * Anthropic
专题命中 推理与问题求解 ：language model(abstract)；分类 cs.AI、cs.LG
AI总结 研究发现，模型能力越强，越能抵御 jailbreak，且推理任务比知识回忆任务更易受攻击，边界点 jailbreaking 几乎无损安全模型。
通过间接奖励解锁零样本地理推理
机构 * University at Buffalo（布法罗大学） ； Microsoft（微软）
专题命中 推理与问题求解 ：language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出Geo-R1方法，利用间接可验证奖励提升地理推理能力，在多个下游任务中实现卓越的零样本迁移性能。
Comments ICML 2026
InterChart：跨分解与分布式图表信息的基准测试
机构 * Arizona State University（亚利桑那州立大学） ； IIIT, Hyderabad（海得拉巴印度理工学院） ； Mercer Mettl University（梅森-梅特尔大学） ； University of Pennsylvania（宾夕法尼亚大学）
专题命中 推理与问题求解 ：language model(abstract)；分类 cs.CL、cs.AI
AI总结 InterChart通过评估视觉语言模型在多图表间推理的能力，揭示了模型在复杂图表集成中的局限性，推动多模态推理的发展。
Comments 22 pages, 8 figures, 14 tables. Accepted at IJCNLP-AACL 2025
Journal ref Proceedings of the 14th International Joint Conference on Natural Language Processing and the 4th Conference of the Asia-Pacific Chapter of the Association for Computational Linguistics 2025, 2046-2067
文本与图像思考：用于长周期机器人操作的交错视觉-语言推理轨迹
机构 * Tsinghua University（清华大学） ； Beijing Institute of Technology（北京理工大学） ； Xiaomi Group（小米集团）
专题命中 推理与问题求解 ：language model(abstract)；分类 cs.AI
AI总结 本文提出IVLR框架，通过显式轨迹表示交替文本子目标与视觉关键帧，提升长周期机器人操作的逻辑与几何一致性，实验显示在LIBERO和SimplerEnv-WidowX上取得高成功率。
寻找、修复、推理：视频推理中的上下文修复
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
专题命中 推理与问题求解 ：pretraining(abstract)
AI总结 本文提出了一种上下文修复方法，通过冻结的教师模型提供最小证据补丁，帮助学生模型在保持问题不变的情况下快速定位目标区域，提升视频推理的准确性和泛化能力。
Comments 22 pages, 7 figures, 17 tables. Accepted by ICML 2026
用于胸部X光报告生成的测试时扩展Thought图遍历
机构 * Shandong University（山东大学） ； Australian National University（澳大利亚国立大学） ； Curtin University（科廷大学）
专题命中 推理与问题求解 ：prompting(abstract)
AI总结 本文提出一种轻量级Thought图遍历框架，通过引导模型以医学合理顺序分析器官特定发现，提升胸部X光报告生成的准确性和一致性。
Journal ref Pattern Recognition 179 (2026) 113639
模型记住它们违反的内容：多轮LLM构思中的约束遵守
机构 * Technical University of Munich（慕尼黑技术大学）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 研究探讨多轮LLM构思中约束遵守问题，通过DriftBench基准发现迭代压力增加结构复杂性但降低约束遵守，模型在记忆与行为上存在脱节，约束违反率高达99%。
FinSafetyBench：评估LLM在现实金融场景中的安全性
机构 * Shanghai University of Finance and Economics（上海财经大学） ； Beihang University（北航） ； Southern University of Science and Technology（南方科技大学） ； MoE Key Laboratory of Interdisciplinary Research of Computation and Economics（计算与经济学交叉学科研究重点实验室）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 本文提出FinSafetyBench，一个双语红队基准，用于测试LLM对违反金融合规请求的拒绝能力，揭示了对抗性提示绕过合规保障的关键漏洞及中文环境下更严重的易受攻击性。
Comments Accepted by Findings of ACL2026
ReLay：为更好的理解而定制的LLM生成的通俗摘要，但代价是什么？
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Virginia（弗吉尼亚大学） ； University of Colorado Anschutz（科罗拉多大学安舒茨分校） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Chicago Pritzker School of Medicine（芝加哥大学普ritzker法学院） ； National Library of Medicine, National Institutes of Health（国家医学图书馆，国家卫生研究院） ； University of Washington（华盛顿大学）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 ReLay研究通过评估五种LLM在两种个性化方法中的表现，探讨了个性化通俗摘要对理解提升与安全性的平衡问题。
LLM生成代码中的社会偏见：基准测试与缓解
机构 * Concordia University（康科德大学） ； Lassonde School of Engineering, York University（York大学工程学院）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文研究LLM生成代码中的社会偏见问题，通过SocialBias-Bench基准测试发现四种主流模型存在严重偏见，提出Fairness Monitor Agent (FMA)有效降低偏见并提升代码正确性。
ARMOR 2025：一种评估大语言模型安全性的军事对齐基准，超越民用情境
机构 * Virginia Polytechnic Institute and State University（弗吉尼亚理工大学）
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；LLM(summary_cn,abstract_cn)；分类 cs.AI
AI总结 本文提出ARMOR 2025基准，基于军事 doctrine 提出安全评估方法，通过12类分类和519个军事相关提示，评估21种商业LLM在军事应用中的安全对齐问题。
探索迁移态大型语言模型的应用：认知画像与苏格拉底式AI辅导
机构 * Hitachi High-Tech Corporation（日立高新技术公司）
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；LLM(summary_cn,abstract_cn)；分类 cs.CL
AI总结 本文探讨迁移态LLM在认知画像和苏格拉底式AI辅导中的应用，通过初步调查和实验发现迁移态在辅导表现指标上显著优于非迁移态，提出迁移态作为操作性状态的实用价值。
Comments 29 pages, 5 figures, 7 tables, including appendices
ExCyTIn-Bench：评估LLM代理在网络安全调查中的表现
机构 * Pennsylvania State University（宾夕法尼亚州立大学） ； Microsoft Security AI Research（微软安全AI研究） ； Tsinghua University（清华大学）
专题命中 评测与基准 ：LLM(title,title_cn)；分类 cs.CL、cs.AI
AI总结 ExCyTIn-Bench是首个评估LLM代理在网络安全调查任务中的基准，通过从调查图中生成的安全问题进行测试。该基准利用Azure租户中的SQL环境和Microsoft Sentinel日志构建威胁调查图，并生成问题以评估LLM代理的能力。
Comments Accepted By ICML 2026
通过验证驱动的LLM工作流生成统计图表
机构 * University of Ljubljana Faculty of Computer and Information Science（卢布尔雅那大学计算机与信息科学系）
专题命中 评测与基准 ：LLM(title,title_cn)；分类 cs.LG
AI总结 本文提出一种结构化的LLM工作流，通过验证输出来生成多样且易读的统计图表，解决可视化特有的失败模式，如可读性和语义不匹配。
Sentra-Guard：一种实时多语言对抗对抗性LLM提示的防御系统
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 Sentra-Guard通过混合架构和分类器-检索器融合模块，实时检测并缓解针对大语言模型的劫持和提示注入攻击，实现多语言鲁棒性与高检测率。
Comments 11 pages, 5 figures. Preprint version under review in the area of Artificial Intelligence (cs.AI)
TADI：通过异构钻井现场数据的代理LLM编排实现工具增强的钻井智能
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 TADI通过代理LLM编排整合钻井数据，实现证据驱动的分析智能，展示了领域专用工具设计对分析质量的关键作用。
CUJBench：跨模态故障诊断的LLM-代理基准测试
专题命中 评测与基准 ：LLM(title,title_cn)
AI总结 CUJBench是首个结合浏览器可见故障证据与后端可观测性的跨模态故障诊断基准测试，通过LLM辅助生成管道降低标注成本，评估六种前沿模型发现跨模态综合是主要瓶颈。
Comments 10 pages, 1 figure; updated source code url
理解人与大语言模型的动态：关于大语言模型在编程任务中应用的文献综述
专题命中 评测与基准 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)
AI总结 本文综述了大语言模型在编程任务中的应用，分析了用户与LLM的交互行为、LLM的优缺点以及影响人类和任务表现的因素，揭示了人与LLM交互的非确定性特性。
Comments Revised version: Corrected citation errors in the Learning Check subsection (Section RQ2), updated the RQ2 summary to more accurately reflect the mixed results in the data, and added clarifying notes on implementation structure as a moderating variable for learning outcomes. 16 pages, 8 tables, 2 figures
大型语言模型中的偏差：起源、评估与缓解
机构 * Department of Statistics, George Washington University（乔治华盛顿大学统计学系） ； University of Connecticut（康奈尔大学） ； Saint Elizabeth University（圣艾利泽大学） ； The Pennsylvania State University（宾夕法尼亚州立大学）
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.LG
AI总结 本文探讨了大型语言模型中偏差的起源、评估方法及缓解策略，分析了内在与外在偏差在NLP任务中的表现，并讨论了伦理和法律影响，旨在推动公平和负责任的AI发展。
ML-Bench&Guard: 政策导向的多语言安全基准与大型语言模型的防护机制
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Fudan University（复旦大学） ； University of Chicago（芝加哥大学）
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL
AI总结 本文提出ML-Bench和ML-Guard，通过区域法规构建多语言安全基准，并开发基于扩散模型的防护系统，实现文化与法律一致的多语言安全评估。
SC-Taxo：基于语义一致性约束的层次化分类生成方法
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Science and Technology Beijing（北京科技大学） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL
AI总结 本文提出SC-Taxo框架，利用大语言模型和层次化优化机制，解决现有分类生成方法在结构一致性和语义对齐上的不足，提升分类体系的层次性和准确性。
Comments 12 pages, 5 figures, 2 tables
超越后缀：在大语言模型对抗攻击中的标记位置
机构 * University of Cagliari（卡利里大学） ； Sapienza University of Rome（罗马大学） ； Huawei Technologies Finland Research Center（芬兰华为技术研究中心）
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.LG
AI总结 研究探讨了在大语言模型对抗攻击中，标记位置对攻击成功率的影响，指出在Greedy Coordinate Gradient攻击中，优化攻击生成前缀而非后缀以及调整对抗标记位置对攻击效果有显著影响。
Comments 12 pages, 10 figures, presented at the "I Can't Believe It's Not Better" workshop at ICLR 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈