语言大模型 / LLM

Uncovering Symmetry Transfer in Large Language Models via Layer-Peeled Optimization

通过分层剥离优化揭示大语言模型中的对称性传递

Zhehang Du, Hangfeng He, Weijie Su

机构 * The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； University of Rochester（罗切斯特大学） 纠错

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

AI总结 本文研究了大语言模型通过分层剥离优化是否能诱导几何结构，证明了目标分布对称性在模型最优解中精确传递，并展示了开源LLM在无显式正则化下自然呈现理论预测的对称性。

LLM Flow Processes for Text-Conditioned Regression

用于文本条件回归的LLM流程

Felix Biggs, Samuel Willis

机构 * Secondmind ； Wayve 纠错

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

AI总结 本文提出结合轻量级神经过程与边际LLM预测，以解决文本条件回归中的误差累积问题，提升预测校准和局部一致性。

Beyond Individual Mimicry: Constructing Human-Like Social network with Graph-Augmented LLM Agents

超越个体模仿：构建具有图增强大语言模型代理的人类社交网络

Haoran Bu, Litian Zhang, Chuxuan Zhang, Zhanyuan Liu, Hui Pang, Xi Zhang

机构 * Cyberspace Security, Beijing University of Posts and Telecommunications（网络安全，北京邮电大学） ； Institute of Software, Chinese Academy of Sciences（软件研究所，中国科学院） 纠错

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

AI总结 本文提出GraphMind，通过让基于LLM的社交机器人学习人类社交网络结构，解决现有社交机器人在全局交互协调上的不足，并构建GraphMind-Botnet评估现有检测算法性能。

"Like Taking the Path of Least Resistance": Exploring the Impact of LLM Interaction on the Creative Process of Programming

像选择阻力最小的路径：探索LLM交互对编程创作过程的影响

Zeinabsadat Saghi, Run Huang, Souti Chattopadhyay

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 研究通过对比LLM辅助与无辅助条件，发现LLM能缩短编程创意生成时间，但生成的解决方案创意点数与用户自创相当，探讨了LLM在支持用户创造力方面的设计启示。

Do Skill Descriptions Tell the Truth? Detecting Undisclosed Security Behaviors in Code-Backed LLM Skills

技能描述是否真实？在代码支持的LLM技能中检测未披露的安全行为

Wenhui He, Yue Li, Bang Fu, Huan Xing, Xing Fan, ZeHua Zhang, Baoning Niu

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 本文研究LLM生态系统中程序性技能描述与实现之间的不一致，通过构建安全属性分类法和SKILLSCOPE工具，发现9.4%的技能存在安全风险，工具在识别不一致时达到84.8%的精度和96.5%的召回率。

Comments 11 pages, 3 figures, 9 tables

Learning to See What You Need: Gaze Attention for Multimodal Large Language Models

学习你需要看到的东西：多模态大语言模型的注视注意力

Junha Song, Byeongho Heo, Geonmo Gu, Jaegul Choo, Dongyoon Han, Sangdoo Yun

机构 * NAVER AI Lab（NAVER AI实验室） 纠错

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

AI总结 本文提出Gaze Attention机制，使多模态大语言模型在生成过程中选择性关注任务相关的视觉区域，减少冗余计算并提升聚焦效果，实验表明其在图像和视频理解任务中性能优于密集注意力基线。

SoK: Exposing the Generation and Detection Gaps in LLM-Generated Phishing

SoK：揭示大语言模型生成钓鱼攻击的生成与检测差距

Fengchao Chen, Tingmin Wu, Van Nguyen, Carsten Rudolph

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

AI总结 本文首次全面分析大语言模型生成的钓鱼内容，揭示其逃避检测、强调人类认知操控的特点，并指出防御策略与生成方法间的不对称性。

History Anchors: How Prior Behavior Steers LLM Decisions Toward Unsafe Actions

历史锚点：先前行为如何引导大语言模型走向不安全行为

Alberto G. Rodríguez Salgado

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 研究通过100个高风险领域场景，探讨先前有害行为对LLM决策的影响，发现添加特定指令可显著增加不安全选择比例，揭示了代理部署中轨迹可被篡改的风险。

Comments 12 pages, 3 figures

Is Video Anomaly Detection Misframed? Evidence from LLM-Based and Multi-Scene Models

视频异常检测是否被错误地框架化？来自基于大语言模型和多场景模型的证据

Furkan Mumcu, Michael J. Jones, Anoop Cherian, Yasin Yilmaz

机构 * University of South Florida（佛罗里达州立大学） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室） 纠错

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

AI总结 本文探讨视频异常检测是否应关注单场景、空间感知和可解释性，以捕捉环境中的正常结构，而非依赖多场景模型。

Differences in Text Generated by Diffusion and Autoregressive Language Models

扩散模型与自回归语言模型生成文本的差异

Zeyang Zhang, Chengwei Liang, Xingyan Chen, Meiqi Gu, Minrui Luo, Jingzhao Zhang, Tianxing He

机构 * Shanghai Qi Zhi Institute（上海启智研究院） ； Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） ； Xiongan AI Institute（雄安人工智能研究院） 纠错

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

AI总结 研究比较了扩散模型与自回归语言模型在生成文本中的差异，发现扩散模型在语义连贯性和多样性上表现更优，但熵较低，这主要归因于双向上下文和解码算法的影响。

Optimized but Unowned: How AI-Authored Goals Undermine the Motivation They Are Meant to Drive

优化但不归属：AI生成的目标如何削弱它们本应驱动的动力

Vivienne Bihe Chi, Roman Rietsche, Andreas Göldi, Lyle Ungar, Sharath Chandra Guntuku

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

AI总结 研究探讨了AI生成目标对动机的影响，发现尽管目标质量高，但心理归属感较低，且低自效性个体受影响更明显，揭示了AI辅助目标设定中的质量与动机脱节问题。

Sampling from Flow Language Models via Marginal-Conditioned Bridges

通过边缘-条件化桥梁采样流语言模型

Iskander Azangulov, Leo Zhang

机构 * Department of Statistics, University of Oxford（牛津大学统计系） 纠错

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

AI总结 本文提出通过边缘-条件化桥梁采样流语言模型，该方法在每一步从因子化后验中采样干净的一热序列，并利用奥本-乌伦贝克桥进行下一步状态采样，从而在不训练的情况下提升质量-多样性平衡。

Persona-Conditioned Adversarial Prompting (PCAP): Multi-Identity Red-Teaming for Enhanced Adversarial Prompt Discovery

基于身份的对抗提示生成（PCAP）：多身份红队测试以提升对抗提示发现

Cristian Morasso, Anisa Halimi, Muhammad Zaid Hameed, Douglas Leith

专题命中 其他LLM ：prompting(title,abstract)

AI总结 PCAP通过结合攻击者身份和策略卡进行对抗搜索，提高攻击成功率和提示多样性，增强对抗策略覆盖范围。

LLM-based Multimodal Feedback Produces Equivalent Learning and Better Student Perceptions than Educator Feedback

基于大语言模型的多模态反馈在学习效果和学生感知上与教师反馈相当且更优

Chloe Qianhui Zhao, Jie Cao, Jionghao Lin, Kenneth R. Koedinger

机构 * Carnegie Mellon University（卡内基梅隆大学） ； The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； The University of Hong Kong（香港大学） 纠错

专题命中 其他LLM ：LLM(title)；分类 cs.AI

AI总结 本文提出一种实时AI辅助的多模态反馈系统，通过整合结构化文本解释与动态多媒体资源，实现学习效果与学生感知的提升，证明AI反馈在清晰度、具体性等方面优于传统教师反馈。

Comments 11 pages, to be published at the 16th International Learning Analytics & Knowledge Conference (LAK '26)

Why is "Chicago" Predictive of Deceptive Reviews? Using LLMs to Discover Language Phenomena from Lexical Cues

为什么‘芝加哥’能预测欺骗性评论？利用LLMs发现语言现象的词汇线索

Jiaming Qu, Mengtian Guo, Yue Wang

机构 * Amazon（亚马逊） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） 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 本文研究LLMs能否将微妙的词汇线索转化为人类可理解的语言现象，提出猜想-验证框架，证明其在数据上具有实证基础，可跨领域推广且比传统方法更有效。

Revisit What You See: Revealing Visual Semantics in Vision Tokens to Guide LVLM Decoding

重新审视你所见：揭示视觉语义以引导LVLM解码

Beomsik Cho, Jaehyung Kim

机构 * Yonsei University（延世大学） 纠错

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

AI总结 本文通过分析发现视觉token在幻觉中仍提供有效信息，提出ReVisiT方法通过参考视觉token引导LVLM解码，减少计算成本并提升性能。

Comments ACL 2026 Main Conference (Oral). 30 pages, 10 figures. Code: https://github.com/bscho333/ReVisiT

Backbone is All You Need: Assessing Vulnerabilities of Frozen Foundation Models in Synthetic Image Forensics

骨干即一切：评估冻结基础模型在合成图像鉴伪中的脆弱性

Chiara Musso, Joy Battocchio, Andrea Montibeller, Giulia Boato

机构 * University of Trento（特伦托大学） 纠错

专题命中 其他LLM ：foundation model(title)

AI总结 本文提出SIAA攻击方法，通过仅利用检测器的ViT骨干知识，在目标检测器的特征空间内生成高效对抗样本，揭示了冻结基础模型在对抗多媒体鉴伪中的脆弱性。

No Attack Required: Semantic Fuzzing for Specification Violations in Agent Skills

无需攻击：用于代理技能规范违规的语义模糊测试

Ying Li, Hongbo Wen, Yanju Chen, Hanzhi Liu, Yuan Tian, Yu Feng

机构 * University of California, San Diego（加州大学圣迭戈分校） 纠错

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

AI总结 本文提出Sefz框架，通过语义模糊测试发现代理技能中的规范违规问题，揭示了安全规则漏洞对用户信任的影响。

Collaborative Parameter Learning: Mitigating Forgetting via Parameter-Level Gradient Analysis

协同参数学习：通过参数级梯度分析缓解遗忘

Mutian Yang, Zisen Zhan, Yutong Chen, Haolin Li, Kaiwen Wang, Kaili Zheng, Yuguang Wang, Qi Wang, Jiandong Gao, Ji Wu

机构 * Department of Electronic Engineering, Tsinghua University, Beijing, China（清华大学电子工程系，北京，中国） ； Institute of Medical Technology, Peking University Health Science Center, Peking University, Beijing, China（北京大学医学部医学技术研究所，北京大学，北京，中国） ； College of Information Science and Engineering, Northeastern University, Shenyang, China（东北大学信息科学与工程学院，沈阳，中国） ； College of AI, Tsinghua University, Beijing, China（清华大学人工智能学院，北京，中国） ； Beijing National Research Center for Information Science and Technology, Beijing, China（北京信息科学与技术国家研究中心，北京，中国） 纠错

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

AI总结 本文提出协同参数学习方法，通过分析参数级梯度相似性，识别冲突参数和协作参数，冻结冲突参数以减少遗忘，提升模型在多任务和多语言场景下的表现。

Negation Neglect: When models fail to learn negations in training

否定忽视：当模型在训练中无法学习否定时的失败

Harry Mayne, Lev McKinney, Jan Dubiński, Adam Karvonen, James Chua, Owain Evans

机构 * University of Oxford（牛津大学） ； University of Toronto（多伦多大学） ； Warsaw University of Technology（华沙技术大学） ； NASK National Research Institute（国家研究 institute NASK） ； Truthful AI ； Anthropic ； UC Berkeley（伯克利大学） 纠错

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

AI总结 研究发现，当模型在训练中接触到标记为假的声明时，会错误地认为这些声明为真，且这种现象不仅发生在否定语句中，还扩展到其他认知限定词，影响模型的行为和安全性。

Avoiding Cross-Datacenter Collective Congestion via Disaggregated Buffering

通过解耦缓冲避免跨数据中心集体拥堵

Mariano Scazzariello, Noga H. Rotman, Dima Gavrilenko, Sajy Khashab, Alexander Shpiner, Matty Kadosh, Marco Chiesa, Dejan Kostic, Mark Silberstein

专题命中 其他LLM ：LLM(abstract,abstract_cn)

AI总结 本文提出Spillway机制，通过在解耦缓冲器中暂存丢包并缓解拥堵，减少集体碰撞导致的性能下降，提升训练效率。

CoNewsReader: Supporting Comprehensive Understanding and Raising Critical Thoughts on Social Media News Through Comments

CoNewsReader：通过评论支持对社交媒体新闻的全面理解并提升批判性思维

Kangyu Yuan, Guanzheng Chen, Sizhe Liang, Hehai Lin, Qingyu Guo, Dingdong Liu, Xiaojuan Ma, Zhenhui Peng

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

AI总结 本文提出CoNewsReader工具，利用评论提供补充信息和批判性观点，帮助用户深入理解新闻并提升批判性思维，实验表明其优于传统阅读界面。

Comments (CSCW 26) THE 29TH ACM CONFERENCE ON COMPUTER-SUPPORTED COOPERATIVE WORK AND SOCIAL COMPUTING

"F*** You Biden": Cross-Partisan Electoral Toxicity on X

对拜登说“你去死吧”：推特上的跨党派选举毒性

Danishjeet Singh, Anindya Mondal, Filippo Menczer

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

AI总结 研究分析了2024年美国总统大选期间推特上跨党派言论毒性，发现共和党帖子毒性更高，但民主党帖子收到更多有毒回复，这可能源于共和党用户更频繁地回复民主党内容。

Comments 10 pages, 2 figures

Dynamical Predictive Modelling of Cardiovascular Disease Progression Post-Myocardial Infarction via ECG-Trained Artificial Intelligence Model

心肌梗死后心血管疾病进展的动态预测建模：基于ECG训练的人工智能模型

Riccardo Cavarra, Lupo Lovatelli, Shaheim Ogbomo-Harmitt, Shahid Aziz, Adelaide De Vecchi, Andrew King, Oleg Aslanidi

机构 * King’s College London（伦敦国王学院） ； St Thomas’ Hospital（圣 Thomas 医院） ； North Bristol NHS Trust（北布里斯托尔国家健康服务信托） 纠错

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

AI总结 本文提出结合对比学习与监督多任务头的预训练模型，用于预测心肌梗死后心血管疾病进展，证明在数据有限时，临床结构化ECG建模能提升分类性能。

Comments submitted to the 9th International Conference on Computational and Mathematical Biomedical Engineering, 4 pages, 1 figure, 1 table

Exploring how EFL students talk to and through AI to develop texts

探索EFL学生如何与AI交流以发展文本

David James Woo, Yangyang Yu, Yilin Huang, Deliang Wang, Kai Guo, Chi Ho Yeung

机构 * Everwrite Limited（Everwrite有限公司） ； Shanghai Jiao Tong University（上海交通大学） ； The Education University of Hong Kong（香港教育大学） ； The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 本文研究EFL学生通过提示工程和协商作者身份与AI互动，探讨其对写作表现的影响，发现不同的人机对话责任模式对写作表现无显著影响。

Comments 37 pages, 5 figures

Exploiting Pre-trained Encoder-Decoder Transformers for Sequence-to-Sequence Constituent Parsing

利用预训练的编码器-解码器变换器进行序列到序列的短语结构解析

Daniel Fernández-González, Cristina Outeiriño Cid

机构 * Universidade de Vigo, Departamento de Informática（维戈大学计算机系） 纠错

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

AI总结 本文提出利用预训练的编码器-解码器模型进行短语结构解析，通过微调生成线性解析树并在不同线性化策略下评估，优于传统序列到序列模型并能与任务专用解析器竞争。

Comments Preliminary version

Robotic Manipulation by Imitating Generated Videos Without Physical Demonstrations

通过模仿生成视频实现机器人操作

Shivansh Patel, Shraddhaa Mohan, Hanlin Mai, Unnat Jain, Svetlana Lazebnik, Yunzhu Li

机构 * UIUC（伊利诺伊大学香槟分校） ； UC Irvine（加州大学尔湾分校） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 本文提出RIGVid系统，通过模仿AI生成视频使机器人完成复杂操作任务，无需物理示范或特定机器人训练。系统利用视频扩散模型生成潜在示范视频，并通过视觉语言模型筛选符合指令的视频，再通过6D姿态跟踪器提取轨迹并映射到机器人。实验表明生成视频效果与真实示范相当，且性能随生成质量提升。

Comments In ICLR 2026. Website: https://rigvid-robot.github.io/

Unlocking Patch-Level Features for CLIP-Based Class-Incremental Learning

解锁基于CLIP的类增量学习中的补丁级特征

Hao Sun, Zi-Jun Ding, Da-Wei Zhou

机构 * School of Artificial Intelligence, Nanjing University（南京大学人工智能学院） ； State Key Laboratory for Novel Software Technology, Nanjing University（南京大学软件新技术国家重点实验室） 纠错

专题命中 其他LLM ：language model(abstract)

AI总结 本文提出SPA方法，通过利用CLIP的补丁级语义信息提升类增量学习性能，通过生成类级语义描述引导补丁特征选择，并利用最优传输对齐语义特征，有效缓解灾难性遗忘。