语言大模型 / LLM

Probing RLVR training instability through the lens of objective-level hacking

通过目标层面黑客的视角探查RLVR训练不稳定性

Yiming Dong, Kun Fu, Haoyu Li, Xinyuan Zhu, Yurou Liu, Lijing Shao, Jieping Ye, Zheng Wang

机构 * School of Physics, Peking University（北京大学物理学院） ； Tongyi Lab（通义实验室） ； Alibaba Group（阿里巴巴集团） ； Kavli Institute for Astronomy and Astrophysics, Peking University（北京大学天文与天体物理研究院） ； National Astronomical Observatories, Chinese Academy of Sciences（中国科学院国家天文台） 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 本文通过目标层面黑客视角揭示RLVR训练不稳定性的根源，分析MoE模型中训练-推理差异异常增长的机制，为设计稳定的RLVR算法提供指导。

Comments Accepted by ICML 2026

SCOPE: Siamese Contrastive Operon Pair Embeddings for Functional Sequence Representation and Classification

SCOPE：基于功能序列表示和分类的Siamese对比运算子嵌入

Akarsh Gupta, Kenneth Rodrigues, Sagnik Chatterjee

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

AI总结 本文提出SCOPE方法，利用Siamese MLP在融合嵌入空间中学习分类器，通过蛋白质语言模型嵌入实现运算子对的分类，取得0.71的ROC-AUC成绩，表明该方法在微生物基因组中的应用潜力。

Persistent and Conversational Multi-Method Explainability for Trustworthy Financial AI

持久且可对话的多方法可解释性用于可信金融AI

Georgios Makridis, Georgios Fatouros, John Soldatos, George Katsis, Dimosthenis Kyriazis

机构 * University of Piraeus, Greece（希腊比雷埃克斯大学） ； ExpertAI-Lux S.à r.l（ExpertAI-Lux公司） 纠错

专题命中 知识编辑与模型理解 ：prompting(abstract)；分类 cs.AI

AI总结 本文提出一种用于金融情感分析的以人为中心的可解释AI架构，结合持久化存储、多方法解释三角验证和自动化评估，提升金融AI的可信度和可解释性。

Comments 5 pages

Don't Look at the Numbers: Visual Anchoring Bias and Layer-wise Representation in VLMs

不要看数字：视觉锚定偏差与视觉语言模型中的分层表示

M. Shalankin

机构 * M. Shalankin 纠错

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

AI总结 研究揭示视觉锚定对VLM性能评估的系统性偏差，通过分层分析发现不同层的表示差异及架构依赖的融合机制。

Towards Uncertainty-Aware Federated Granger Causal Learning

面向不确定性感知的联邦格兰杰因果学习

Ayush Mohanty, Nazal Mohamed, Nagi Gebraeel

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 知识编辑与模型理解 ：post-training(abstract)；分类 cs.LG

AI总结 本文提出一种面向不确定性的联邦格兰杰因果学习方法，通过分析不确定性在框架中的传播，建立闭式协方差递推公式，并在稳态条件下证明不确定性仅依赖客户端数据统计，从而构建后训练假设检验流程，提升跨客户端交互识别的可靠性。

Comments Manuscript under review

Action Hallucination in Generative Vision-Language-Action Models

生成视觉-语言-动作模型中的动作幻觉

Harold Soh, Eugene Lim

机构 * Department of Computer Science, School of Computing（计算机科学系，计算系） ； Smart Systems Institute（智能系统研究所） 纠错

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

AI总结 研究分析生成视觉-语言-动作模型中动作幻觉的根源，揭示拓扑、精度和地平线三类障碍对动作生成的影响，提出改进模型可靠性和可信度的方法。

Comments 24 pages; updated setup with minor changes to proofs. changed template

From Trajectories to Phenotypes: Disease Progression as Structural Priors for Multi-organ Imaging Representation Learning

从轨迹到表型：疾病进展作为多器官成像表示学习的结构先验

Zian Wang, Lizhen Lan, Guangming Wang, Haosen Zhang, Minxuan Xu, Qing Li, Tianxing He, Mo Yang, Wenyue Mao, Yajing Zhang, Yan Li, Chengyan Wang

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 本文提出一种基于疾病轨迹的蒸馏框架，利用生成疾病轨迹Transformer的结构知识提升多器官成像表示学习的性能，通过几何保持对齐提升疾病鉴别和发病时间预测。

Benchmarking LLM-Based Static Analysis for Secure Smart Contract Development: Reliability, Limitations, and Potential Hybrid Solutions

基于LLM的静态分析在安全智能合约开发中的基准测试：可靠性、限制与潜在混合解决方案

Stefan-Claudiu Susan, Andrei Arusoaie, Dorel Lucanu

机构 * Department of Computer Science Alexandru Ioan Cuza University of Iași（计算机科学系阿莱克桑德鲁·伊奥安·库扎大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本文评估LLM在智能合约安全分析中的可靠性与局限性，指出其依赖非语义启发式方法导致高误报率，并提出混合解决方案的潜力。

Comments Accepted to IEEE COMPSAC 2026. Extended version with supplemental materials

A CAP-like Trilemma for Large Language Models: Correctness, Non-bias, and Utility under Semantic Underdetermination

大语言模型的CAP类三难困境：在语义不充分性下正确性、非偏见与效用

Vinu Ellampallil Venugopal

机构 * International Institute of Information Technology（国际信息研究所） 纠错

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

AI总结 本文提出大语言模型在语义不充分性下正确性、非偏见与效用三难困境，探讨模型在无法确定唯一答案时的响应策略及影响

To Err Is Human; To Annotate, SILICON? Toward Robust Reproducibility in LLM Annotation

犯错是人之常情；标注，硅？迈向LLM标注中的稳健可重复性

Xiang Cheng, Raveesh Mayya, João Sedoc

机构 * Robert H. Smith School of Business, University of Maryland（马里兰大学罗伯特·H·史密斯商学院） ； Leonard N. Stern School of Business, New York University（纽约大学伦纳德·N·斯坦商学院） 纠错

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

AI总结 本文提出SILICON框架，通过分解标注误差来源，减少测量误差，提升LLM标注的稳健可重复性，同时建立备份模型并量化标注质量上限。

Mechanism Design for Quality-Preserving LLM Advertising

面向质量保持的LLM广告机制设计

Jiale Han, Xiaowu Dai

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

AI总结 本文提出一种质量保持拍卖框架，通过检索增强生成技术，结合KL正则化和筛选VCG机制，在保证内容忠实性的同时提升广告收益。

Sequential Behavioral Watermarking for LLM Agents

序列行为水印用于LLM代理

Hyeseon An, Shinwoo Park, Dongsu Kim, Yo-Sub Han

机构 * Department of Computer Science（计算机科学系） 纠错

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

AI总结 本文提出SeqWM，通过在历史条件下的转移模式中嵌入信号，实现对代理轨迹的无位置验证，提升水印鲁棒性与检测可靠性。

Comments 17 pages, 3 figures, preprint

Correcting Selection Bias in Sparse User Feedback for Large Language Model Quality Estimation: A Multi-Agent Hierarchical Bayesian Approach

修正大规模语言模型质量评估中稀疏用户反馈的选择偏差：一种多智能体分层贝叶斯方法

Andrea Morandi, Mahesh Viswanathan

机构 * Cisco（思科） 纠错

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

AI总结 本文提出一种多智能体分层贝叶斯方法，用于修正大规模语言模型质量评估中稀疏用户反馈的选择偏差，通过主题聚类、偏差建模和合成智能体，改进质量评估的准确性。

Natural Language based Specification and Verification

基于自然语言的规范与验证

Zhaorui Li, Chengyu Song

机构 * University of California Riverside（加州大学河滨分校） 纠错

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

AI总结 本文探讨利用LLM生成自然语言规范并进行组合验证，以防止生成安全漏洞代码。

Express Your Doubts -- Probabilistic World Modeling Should not be Based on Token logprobs

表达怀疑——概率世界建模不应基于token logprobs

Eitan Wagner, Omri Abend

机构 * Eitan Wagner ； Omri Abend 纠错

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

AI总结 本文探讨了大型语言模型作为概率估计器在世界概率估计中的应用问题，指出基于token logprobs的局限性，并提倡第二阶预测方法以提高概率合理性。

Comments Accepted to ICML 2026 (position track)

Steering Without Breaking: Mechanistically Informed Interventions for Discrete Diffusion Language Models

在不破裂的情况下转向：为离散扩散语言模型提供机制指导的干预方法

Hanhan Zhou, Shamik Roy, Rashmi Gangadharaiah

机构 * AWS AI Labs（AWS人工智能实验室） 纠错

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

AI总结 本文提出一种自适应调度器，通过集中干预属性形成阶段以提升离散扩散语言模型的控制精度，避免均匀干预导致的性能下降。

Comments preprint, 47 pages

BadSKP: Backdoor Attacks on Knowledge Graph-Enhanced LLMs with Soft Prompts

BadSKP: 针对增强知识图谱的大型语言模型的后门攻击

Xiaoting Lyu, Yufei Han, Hangwei Qian, Haoyuan Yu, Xiang Ao, Bin Wang, Chenxu Wang, Xiaobo Ma, Wei Wang

机构 * Ministry of Education Key Lab for Intelligent Networks and Network Security（教育部长智能网络与网络安全重点实验室） ； Xi’an Jiaotong University（西安交通大学） ； INRIA（法国国家信息与自动化技术研究院） ； CFAR, A*STAR（新加坡A*STAR机构） ； Beijing Key Laboratory of Security and Privacy in Intelligent Transportation（北京智能交通安全与隐私重点实验室） ； Beijing Jiaotong University（北京交通大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； School of Cyber Engineering, Xi’an University of Electronic Science and Technology（西安电子科技大学网络安全工程学院） ； Ministry of Education Key Lab for Intelligent Networks and Network Security at Xi’an Jiaotong University（西安交通大学教育部长智能网络与网络安全重点实验室） 纠错

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

AI总结 本文研究了增强知识图谱的大型语言模型中软提示通道的后门攻击问题，提出BadSKP攻击方法，通过多阶段优化策略有效攻击图到提示接口，实验表明其在冻结和毒化设置下具有高成功率。

PiCA: Pivot-Based Credit Assignment for Search Agentic Reinforcement Learning

PiCA：基于枢纽的搜索代理强化学习中的信用分配

Dongyi Liu, Yifan Niu, Qinwen Wang, Han Xiao, Jia Li

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

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

AI总结 PiCA通过重新定义搜索轨迹为累积搜索进度的序列过程，解决长周期信用分配中的稀疏奖励、孤立信用和分布偏移问题，提升知识密集型问答任务性能。

Comments 21 pages, 7 figures

Probabilistic Modeling of Latent Agentic Substructures in Deep Neural Networks

深度神经网络中潜在代理子结构的概率建模

Su Hyeong Lee, Risi Kondor, Richard Ngo

机构 * Department of Statistics, University of Chicago（芝加哥大学统计学系） ； Department of Computer Science, University of Chicago（芝加哥大学计算机科学系） 纠错

专题命中 其他LLM ：LLM(summary_cn,abstract_cn)；分类 cs.AI、cs.LG

AI总结 本文提出基于概率建模的智能代理理论，探讨了代理通过加权对数池化实现递归结构，并揭示了在LLM中代理对齐现象的数学框架。

Comments Accepted by ICML 2026

Options, Not Clicks: Lattice Refinement for Consent-Driven MCP Authorization

选项，而非点击：基于同意的MCP授权的晶格细化

Ying Li, Yanju Chen, Peiran Wang, Issac Khabra, Faysal Hossain Shezan, Yu Feng, Yuan Tian

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） 纠错

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

AI总结 本文提出Conleash，一种客户端中间件，通过风险晶格自动允许安全调用，提升MCP授权的安全性与用户信任。

Three Regimes of Context-Parametric Conflict: A Predictive Framework and Empirical Validation

冲突情境下的三种参数化冲突模式：预测框架与实证验证

Pruthvinath Jeripity Venkata

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出三种冲突处理模式框架，通过实验证明参数强度和唯一性对模型决策的影响，验证了不同模型在不同任务中的表现差异。

Comments 10 pages, 13 tables, no figures. 9,970 API calls across five frontier models

Differentially Private Synthetic Text Generation for Retrieval-Augmented Generation (RAG)

差分隐私合成文本生成用于检索增强生成（RAG）

Junki Mori, Kazuya Kakizaki, Taiki Miyagawa, Jun Sakuma

机构 * NEC Corporation（日本电报电话公司） ； Institute of Science Tokyo（东京科学研究院） ； RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心） 纠错

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

AI总结 本文提出DP-SynRAG框架，通过生成差分隐私合成RAG数据库提升隐私保护下的RAG性能，避免重复噪声注入并保持固定隐私预算。

Comments Accepted to ACL 2026 Findings

Stopping Computation for Converged Tokens in Masked Diffusion-LM Decoding

在掩码扩散语言模型解码中停止收敛令牌的计算

Daisuke Oba, Danushka Bollegala, Masahiro Kaneko, Naoaki Okazaki

机构 * Institute of Science Tokyo（东京科学研究所） ； University of Liverpool（利物浦大学） ； Amazon（亚马逊） ； MBZUAI 纠错

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

AI总结 本文提出SureLock方法，通过锁定稳定位置以减少计算开销，提升解码效率，实验证明在LLaDA-8B上节省30-50%的FLOPs同时保持生成质量。

Comments Accepted to ICLR 2026

Impact of AI Search Summaries on Website Traffic: Evidence from Google AI Overviews and Wikipedia

AI搜索摘要对网站流量的影响：来自谷歌AI概览和维基百科的证据

Mehrzad Khosravi, Hema Yoganarasimhan

机构 * University of Washington（华盛顿大学） 纠错

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

AI总结 研究通过对比谷歌AI概览与维基百科多语言版本流量变化，发现AI摘要导致英文维基百科文章日均流量下降15%，且对文化类内容影响更大，揭示搜索引擎生成答案对信息类出版物注意力的再分配。

Social Theory Should Be a Structural Prior for Agentic AI: A Formal Framework for Multi-Agent Social Systems

社会理论应为代理AI的结构先验：多代理社会系统的正式框架

Lynnette Hui Xian Ng, Iain J. Cruickshank, Adrian Xuan Wei Lim, Kathleen M. Carley

专题命中 其他LLM ：LLM(abstract,abstract_cn)

AI总结 本文提出多代理社会系统框架，主张将社会理论作为结构先验，以指导代理AI的行为建模与系统治理。

Routers Learn the Geometry of Their Experts: Geometric Coupling in Sparse Mixture-of-Experts

路由学习其专家的几何：稀疏混合专家中的几何耦合

Sagi Ahrac, Noya Hochwald, Mor Geva

机构 * Blavatnik School of Computer Science and AI, Tel Aviv University（塔夫茨大学比拉维克计算机科学与人工智能学院） 纠错

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

AI总结 本文研究了稀疏混合专家模型中路由决策的形成机制，揭示了路由器与专家之间的几何耦合关系，并展示了几何耦合对有效路由的重要性。

Localization Boosting for Growth Markets: Mitigating Cross-Locale Behavioral Bias in Learning-to-Rank

增长市场中的定位增强：减轻跨本地化行为偏差在学习到排序中的影响

Suryaa Veerabathiran Seran, Ashwin Naresh Kumar, Tracy Holloway King, Jing Zheng

机构 * Adobe 纠错

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

AI总结 本文提出一种多目标框架，结合行为监督、VLM相关性信号和本地化增强，以改善学习到排序中的本地内容可见性。

A Theoretical Analysis of Why Masked Diffusion Models Mitigate the Reversal Curse

一种 masked 扩散模型缓解反转诅咒的理论分析

Moongyu Jeon, Sangwoo Shin, BumJun Kim, Kyelim Lee, Albert No

机构 * Department of Artificial Intelligence, Yonsei University（燕山大学人工智能学院） 纠错

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

AI总结 本文探讨了 masked 扩散模型如何通过参数级耦合缓解反转诅咒，证明了其在反向查询中的有效性。

MoLF: Mixture-of-Latent-Flow for Pan-Cancer Spatial Gene Expression Prediction from Histology

MoLF：基于组织学的跨癌症空间基因表达预测的潜在流混合

Susu Hu, Stefanie Speidel

机构 * Translational Surgical Oncology, National Center for Tumor Diseases (NCT/UCC) Dresden, Germany ； Faculty of Medicine ； University Hospital Carl Gustav Carus, Dresden University of Technology ； German Cancer Research Center (DKFZ), Heidelberg, Germany 纠错

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

AI总结 MoLF通过条件流匹配目标，利用混合专家架构实现跨癌症组织基因表达预测，优于现有方法并在跨物种数据中表现出零样本泛化能力。

Comments Accepted at Proceedings 43rd International Conference on Machine Learning, Seoul, South Korea

Journal ref Proceedings 43rd International Conference on Machine Learning 2026

TreeRanker: Fast and Model-agnostic Ranking System for Code Suggestions in IDEs

TreeRanker: 代码建议中集成开发环境的快速且模型无关的排名系统

Daniele Cipollone, Egor Bogomolov, Arie van Deursen, Maliheh Izadi

机构 * JetBrains ； Delft University of Technology（代尔夫特理工大学） 纠错

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

AI总结 本文提出一种基于语言模型的快速、模型无关的代码建议排名方法，通过构建前缀树并进行贪心解码，实现精确的token级排序，无需束搜索、提示工程或模型调整。