语言大模型 / LLM

The Impact of Large Language Models on Open-source Innovation: Evidence from GitHub Copilot

大型语言模型对开源创新的影响：来自GitHub Copilot的证据

Doron Yeverechyahu, Raveesh Mayya, Gal Oestreicher-Singer

机构 * Coller School of Management, Tel Aviv University（特拉维夫大学科尔学院） ； Stern School of Business, New York University（纽约大学斯特恩商学院） 纠错

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

AI总结 利用GitHub Copilot推出的自然实验，通过三种识别策略和两种分类方法，发现LLM使开源贡献增加28%-40%，且增量贡献增长显著大于实质性贡献，表明LLM偏向于利用现有代码库而非探索新功能。

Comments JEL Classification: O31, C88, J24, O35, L86

Can Large Language Models Resolve Semantic Discrepancy in Self-Destructive Subcultures? Evidence from Jirai Kei

大语言模型能否解决自我毁灭亚文化中的语义差异？来自Jirai Kei的证据

Peng Wang, Xilin Tao, Siyi Yao, Jiageng Wu, Yuntao Zou, Zhuotao Tian, Libo Qin, Dagang Li

机构 * School of Computer Science and Engineering, Macau University of Science and Technology（澳门科技大学计算机科学与工程学院） ； SKLPlanets, Macau University of Science and Technology（澳门科技大学SKLPlanets） ； College of Software, Northeastern University（东北大学软件学院） ； School of Energy and Power Engineering, Huazhong University of Science and Technology（华中科技大学能源与动力工程学院） ； School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术学院） 纠错

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

AI总结 针对亚文化中自我毁灭行为检测面临的知识滞后和语义错位问题，提出多智能体框架SAS，通过自动检索和亚文化对齐显著提升LLM检测性能，并优于现有先进方法。

Comments Preprint

Poisoning the Watchtower: Prompt Injection Attacks Against LLM-Augmented Security Operations Through Adversarial Log Content

毒害瞭望塔：通过对抗性日志内容对LLM增强的安全运营进行提示注入攻击

Rohan Pandey, Archit Bhujang

机构 * DigitalOcean ； Arizona State University（亚利桑那州立大学） 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 研究攻击者控制的日志字段如何向LLM注入指令（日志基底提示注入），提出四类攻击分类，并评估不同防御下的攻击成功率。

Comments 10 pages

Improving the Completeness and Comparability of Segment Disclosures: A Large Language Model Approach

提高分部披露的完整性和可比性：一种大语言模型方法

Yue Liu, Zhiyuan Cheng, Longying Lai

机构 * Rutgers Business School（罗格斯商学院） ； Rutgers University - Newark（罗格斯大学-新布朗斯维尔回声分校） ； School of Engineering（工程学院） ； Stanford University（斯坦福大学） ； Simon Business School（西蒙商学院） ； 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(abstract,abstract_cn)；分类 cs.CL

AI总结 本研究开发了一种基于大语言模型的框架，直接从10-K文件中提取分部披露信息，保留可报告和嵌套分部信息，并设计检索增强系统以支持跨公司和跨时间的可比性，从而解决结构化数据库中分部数据的完整性和可比性问题。

Comments 39 pages, 4 figures, submitted to Accounting Horizons

LLM-SAA: LLM-persona Generated Distributions for Decision-making

LLM-SAA：基于LLM人格生成分布的决策方法

Jackie Baek, Yunhan Chen, Ziyu Chi, Will Ma

机构 * Stern School of Business, New York University（纽约大学 Stern 商学院） ； Department of Computer Science, Columbia University（哥伦比亚大学 计算机科学系） ； Graduate School of Business and Data Science Institute, Columbia University（哥伦比亚大学 商学院和数据科学研究院） 纠错

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

AI总结 研究利用LLM生成分布（如模拟消费者支付意愿）支持下游决策，通过三个经典问题（分类优化、定价、报童模型）评估其实际效用，发现低数据场景下有效，且决策无关指标（如Wasserstein距离）可能误导。

SafeGPT: Preventing Data Leakage and Unethical Outputs in Enterprise LLM Use

SafeGPT：防止企业LLM使用中的数据泄露和不道德输出

Pratyush Desai, Luoxi Tang, Yuqiao Meng, Zhaohan Xi

机构 * Binghamton University（宾夕法尼亚州立大学） 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 提出SafeGPT双护栏系统，通过输入侧检测/编辑、输出侧审核/重构及人工反馈，有效降低数据泄露风险和偏见输出。

Confidence Calibration in Large Language Models

大型语言模型中的置信度校准

Noam Michael, Daniel BenShushan, Jacob Bien, Don A. Moore

机构 * U.C. Berkeley（伯克利大学） ； University of Southern California（南加州大学） 纠错

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

AI总结 通过预注册研究，发现大型语言模型（LLMs）的置信度普遍高于准确率，且存在显著的难易效应：困难测试中过度自信，简单测试中信心不足，并提出了LifeEval测试用于评估不同难度下的模型校准。

Market Regime Council for Dynamic Credit Assignment in Multi-Agent LLM Decision Systems

市场制度委员会：多智能体LLM决策系统中的动态信用分配

Yunhua Pei, Zerui Ge, Jin Zheng, John Cartlidge

机构 * University of Bristol, UK（布里斯托大学） 纠错

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

AI总结 提出市场制度委员会（MRC），一种基于Shapley值进行在线智能体加权、贝叶斯自适应混合和制度依赖乘数的多智能体决策系统，在加密货币投资中实现高夏普比率和累计收益。

Comments 35 pages, 13 figures, preprint

Mixture of Complementary Agents for Robust LLM Ensemble

互补代理混合：鲁棒的大语言模型集成

Yichi Zhang, Kevin Lu, Yuang Zhang, Jie Gao, Lirong Xia, Fang-Yi Yu

机构 * DIMACS, Rutgers University（罗格斯大学DIMACS研究中心） ； Department of Mathematics, Rutgers University（罗格斯大学数学系） ； Department of Computer Science, George Mason University（乔治·梅森大学计算机科学系） ； Department of Computer Science, Rutgers University（罗格斯大学计算机科学系） 纠错

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

AI总结 将大语言模型选择视为组合选择问题，提出基于互补性的贪心选择算法，在性能与成本间取得最佳平衡。

Closed-Loop Bidirectional Prompting for Adversarial Robustness of Vision Language Models

闭环双向提示用于视觉语言模型的对抗鲁棒性

Xiao Liu, Jiaxiang Liu, Boci Peng, Boren Hu, Yusong Wang, Xiwen Chen, Prayag Tiwari, Liming Zhang, Mingkun Xu

机构 * University of Macau（澳门大学） ； Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院） ； Peking University（北京大学） ； Independent Researcher（独立研究员） ； Institute of Science Tokyo（东京科学研究院） ； Morgan Stanley（摩根大通） ； Halmstad University（哈马碧大学） 纠错

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

AI总结 针对视觉语言模型在对抗扰动下跨模态语义对齐脆弱的问题，提出闭环双向提示方法，通过动态反馈循环恢复跨模态一致性，并引入语义锚点约束循环更新，实现实例自适应保护，在11个数据集上达到最先进的鲁棒性和泛化性能。

Comments 24 pages, 8 figures

The meaning of prompts and the prompts of meaning: Semiotic reflections and modelling

提示的意义与意义的提示：符号学反思与建模

Martin Thellefsen, Amalia Nurma Dewi, Bent Sorensen

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

AI总结 本文基于皮尔士符号学三元模型和Dynacom传播模型，将大型语言模型中的提示重新概念化为动态符号现象，强调其作为沟通和认知行为的迭代符号形成与解释过程。

Comments 18 pages, 2 figures

Artificial Effort

人工努力

Federico Belotti, Stefano Coniglio, Antonio Cosma, Francesco Fallucchi

机构 * University of Bergamo（贝加莫大学） 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 研究在AI和LLM时代，真实努力任务是否仍能反映人类努力，发现大多数任务可被低成本高精度自动化，仅少数抵抗自动化，且口头金钱激励对LLM无影响。

AI Content Moderation in Therapy Conversations

AI在治疗对话中的内容审核

Jiwon Kim, Claire Wang, Taeung Yoon, Sabelle Huang, Koustuv Saha

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

AI总结 研究审计三种主流内容审核系统（OpenAI、Meta、Google）在真实治疗对话中的标记行为，揭示其限制LLM作为治疗师的潜力。

AnyMo: Geometry-Aware Setup-Agnostic Modeling of Human Motion in the Wild

AnyMo：野外人体运动的几何感知与设置无关建模

Baiyu Chen, Zechen Li, Wilson Wongso, Lihuan Li, Xiachong Lin, Hao Xue, Benjamin Tag, Flora Salim

机构 * The University of New South Wales（新南威尔士大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

AI总结 提出AnyMo框架，通过物理模拟生成多样化IMU信号、图编码器预训练和LLM对齐，实现跨设备/数据集的零样本活动识别、跨模态检索和运动描述，性能显著提升。

Sparse Tokens Suffice: Jailbreaking Audio Language Models via Token-Aware Gradient Optimization

稀疏令牌足矣：通过令牌感知梯度优化越狱音频语言模型

Zheng Fang, Xiaosen Wang, Shenyi Zhang, Shaokang Wang, Zhijin Ge

机构 * Wuhan University ； Institute for Math \& AI, Wuhan University ； Huazhong University of Science ； Shanghai Jiao Tong University ； Xidian University 纠错

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

AI总结 本文提出令牌感知梯度优化（TAGO）方法，通过仅保留高梯度能量的音频令牌对应的波形梯度，实现稀疏越狱攻击，在保持高成功率的同时大幅减少优化量。

Comments To appear in the 43rd International Conference on Machine Learning (ICML 2026)

L2IR: Revealing Latent Intent in Graph Fraud Detection

L2IR: 揭示图欺诈检测中的潜在意图

Jinsheng Guo, Zhenhao Weng, Yibo Liu, Yan Qiao, Meng Li

机构 * Hefei University of Technology（合肥工业大学） 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 提出L2IR框架，利用大语言模型从用户行为和可疑连接中提取潜在意图，通过自适应自训练增强鲁棒性，在广泛伪装的数据集上提升图神经网络检测器的AUPRC最高达8.27%。

Comments 12 pages, 6 figures

MCPXKIT: The Unified Toolkit for Analyzing Model Context Protocol Security

MCPXKIT：分析模型上下文协议安全性的统一工具包

Yongjian Guo, Puzhuo Liu, Wanlun Ma, Zehang Deng, Xiaogang Zhu, Peng Di, Xi Xiao, Sheng Wen

机构 * Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（深圳国际研究生院，清华大学，深圳，中国） ； Ant Group, Hangzhou, China（蚂蚁集团，杭州，中国） ； Swinburne University of Technology, Melbourne, Australia（斯威本科技大学，墨尔本，澳大利亚） ； The University of Adelaide, Adelaide, Australia（阿德莱德大学，阿德莱德，澳大利亚） ； UNSW Sydney, Australia（悉尼大学，澳大利亚） 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 本文提出MCPXKIT工具包，分类实现了31种攻击方法，通过定量实验揭示了MCP在工具描述依赖、文件攻击、链攻击及数据命令区分等方面的漏洞，并提供了安全增强建议。

Comments Accepted by IEEE Transactions on Dependable and Secure Computing (TDSC). $\href{https://ieeexplore.ieee.org/abstract/document/11531012}{Official \ version}$

SEAL: Synergistic Co-Evolution of Agents and Learning Environments

SEAL: 智能体与学习环境的协同共演化

Yihao Hu, Zhihao Wen, Xiujin Liu, Pan Wang, Xin Zhang, Wei Wu

机构 * Ant Group（蚂蚁集团） ； Westlake University（西湖大学） ； University of Michigan--Ann Arbor（密歇根大学安娜堡分校） ； University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 提出SEAL框架，通过协同演化智能体策略与训练环境，解决智能体与环境错配问题，在低资源多轮工具使用任务中提升性能并实现正向分布外迁移。

Adversarial Network Imagination: Causal LLMs and Digital Twins for Proactive Telecom Mitigation

对抗性网络想象：因果大语言模型与数字孪生用于主动电信缓解

Vignesh Sriram, Yuqiao Meng, Luoxi Tang, Zhaohan Xi

机构 * Binghamton University（宾夕法尼亚州立大学） 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 提出对抗性网络想象框架，结合因果大语言模型、知识图谱和数字孪生，主动生成、模拟和评估对抗性网络故障，实现从被动故障排查向预期韧性分析的转变。

Forgetting in Language Models: Capacity, Optimization, and Self-Generated Replay

语言模型中的遗忘：容量、优化与自生成回放

Martin Marek, Dongkyu Cho, Shikai Qiu, Rumi Chunara, Pavel Izmailov, Andrew Gordon Wilson

机构 * New York University（纽约大学） 纠错

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

AI总结 本文研究了语言模型中的遗忘问题，发现自生成样本可作为有效的回放数据几乎消除遗忘，并揭示了容量限制和低学习率对遗忘的影响。

Language-Switching Triggers Take a Latent Detour Through Language Models

语言切换触发器通过语言模型的潜在迂回路径

Francis Kulumba, Wissam Antoun, Théo Lasnier, Benoît Sagot, Djamé Seddah

机构 * Inria Paris（巴黎研究所） ； Sorbonne Université（索邦大学） 纠错

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

AI总结 本文通过电路分析揭示了一个8B参数自回归语言模型中语言切换后门攻击的内部机制，该攻击由三个拉丁词触发，将英语输出重定向为法语，并发现触发信号通过正交于语言身份方向的潜在空间传播，最终由最后一层MLP转换为法语logits。

Comments 15 pages, 16 figures. Under review

The Devil is in the Condition Numbers: Why is GLU Better than non-GLU Structure?

魔鬼在于条件数：为什么GLU优于非GLU结构？

Xingyu Lyu, Qianqian Xu, Zhiyong Yang, Peisong Wen, Qingming Huang

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190, China（人工智能安全国家重点实验室，计算技术研究所，中国科学院，北京100190，中国） ； School of Computer Science and Technology, University of Chinese Academy of Sciences, Beijing 101408, China（中国科学院大学计算机科学与技术学院，北京101408，中国） ； Beijing Academy of Artificial Intelligence (BAAI), Beijing, China（北京人工智能研究院（BAAI），北京，中国） 纠错

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

AI总结 通过神经正切核分析，发现门控线性单元（GLU）通过重塑核谱、减小条件数来加速优化收敛，而非主要降低泛化差距。

Comments Accepted by ICML 2026

Optimizing Token Choice for Code Watermarking: An RL Approach

优化代码水印的令牌选择：一种强化学习方法

Zhimeng Guo, Huaisheng Zhu, Siyuan Xu, Hangfan Zhang, Teng Xiao, Minhao Cheng

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 提出CodeTracer框架，通过强化学习训练策略模型智能选择令牌嵌入水印，在保持代码功能的同时提高水印可检测性。

Comments ICML 2026, 18 pages, 3 figures

From Prompting to Verification: How Experience Shapes Vibe Coding Practices

从提示到验证：经验如何塑造Vibe编码实践

Ahmed Fawzy, Amjed Tahir, Kelly Blincoe

专题命中 其他LLM ：prompting(title)

AI总结 通过调查162名不同经验水平的Vibe编码者，发现经验选择性影响编码动机、交互方式和质量保证实践，存在感知-行动差距：对AI生成代码风险的认识普遍，但评估、调试和验证能力依赖于经验。

A Deep Dive into Axiomatic Design -- Part I: Problem Formulation

公理化设计的深度剖析——第一部分：问题表述

Aydin Homay

机构 * Technische Universität Dresden（德累斯顿理工大学） 纠错

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

AI总结 本文聚焦公理化设计中的问题表述步骤，澄清一级功能需求的定义与特性，分析常见误区与困难，并提供实用指导，最后探讨大语言模型在该步骤中的作用。

Comments The paper is accepted at the ICAD 2026 - MIT and the final camera ready will be available once it got published by the Springer

Generative AI impacts on intra-urban inequality and skill premium in Beijing

生成式人工智能对北京城市内部不平等和技能溢价的影响

Xiliu He, Haoxiang Zhao, Mingyi Ma, Edward Wen Chuan Lai, Koei Enomoto, Anni Hu, Jiatong Li, Lingyun Chu, Yuan Lai

机构 * School of Architecture, Tsinghua University（清华大学建筑学院） ； ZODA LAB（ZODA实验室） ； Technology Innovation Center for Smart Human Settlements and Spatial Planning & Governance, Ministry of Natural Resources, Tsinghua University（智能人居环境与空间规划及治理技术创新中心，自然资源部，清华大学） 纠错

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

AI总结 利用北京2018-2024年500万条招聘数据，通过五个大语言模型评估任务级暴露度，构建社区级生成式人工智能暴露指数，发现生成式人工智能暴露集中在核心区，导致高暴露社区工资停滞和“高技能陷阱”，挑战了技能偏向技术变革理论。

Comments 21 pages, 8 figures

Learning to Route Languages for Multilingual Policy Optimization

学习路由语言以实现多语言策略优化

Geyang Guo, Hiromi Wakaki, Yuki Mitsufuji, Alan Ritter, Wei Xu

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Sony Group Corporation（索尼集团） 纠错

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

AI总结 提出语言路由策略优化（LRPO）框架，将语言作为可选变量，通过在线策略优化和可训练的语言路由器（多臂老虎机）自适应地选择语言，在固定预算下提升多语言训练信号的多样性和信息量，从而显著提高多语言性能。

Comments Accepted at ICML 2026

CUNY at CLPsych 2026: A Pipeline Approach to Classification and Summarization of Mental Health Changes

CUNY at CLPsych 2026: 一种用于心理健康变化分类和总结的流水线方法

Amirmohammad Ziaei Bideh, Shameed Charlomar Job, Ava Yahyapour, Alla Rozovskaya

机构 * Computer Science Department, CUNY Graduate Center（哥伦比亚大学研究生院计算机科学系） ； Linguistics Department, CUNY Graduate Center（哥伦比亚大学研究生院语言学系） 纠错

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

AI总结 提出一种流水线方法，通过集成三个开源大语言模型的上下文学习和监督分类，对社交媒体时间线中的心理健康状态进行推断、变化点预测和模式总结，在CLPsych 2026共享任务中取得领先排名。

Blink: Dynamic Visual Token Resolution for Enhanced Multimodal Understanding

Blink: 动态视觉令牌分辨率增强多模态理解

Yuchen Feng, Zhenyu Zhang, Naibin Gu, Yilong Chen, Peng Fu, Zheng Lin, Shuohuan Wang, Yu Sun, Hua Wu, Weiping Wang, Haifeng Wang

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Baidu Inc（百度公司） 纠错

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

AI总结 提出Blink框架，通过注意力引导的令牌超分辨率和动态丢弃机制，在单次前向传播中模拟人类眨眼式扫描，提升多模态大语言模型的视觉感知能力。

Comments CVPR 2026

Unlocking the Potential of Continual Model Merging: An ODE Perspective

解锁持续模型合并的潜力：ODE视角

Lihong Lin, Haidong Kang

机构 * Northeastern University, Shenyang, China（东北大学，沈阳，中国） 纠错

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

AI总结 提出ODE-M框架，将持续模型合并建模为参数空间中的轨迹，通过整流时变速度场和效用感知时间调度平衡历史知识与新任务，提升长任务流性能。

Comments 21 pages, 8 figures