语言大模型 / LLM

Quality-constrained Entropy Maximization Policy Optimization for LLM Diversity

质量约束的熵最大化策略优化用于LLM多样性

Haihui Pan, Yuzhong Hong, Kaichen Zhang, Shaoke Lv, Junwei Bao, Hongfei Jiang, Yang Song

机构 * Zuoyebang Education Technology（左叶bang教育科技） 纠错

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

AI总结 提出QEMPO框架，通过理论推导的闭式解在保证输出质量的同时最大化熵以提升LLM多样性，实验证明其在不牺牲质量的情况下提升多样性。

Blind PRNG Hijacking: An Undetectable Integrity-Preserving Attack Against LLM Watermarking

盲PRNG劫持：一种针对LLM水印的不可检测的完整性保持攻击

Ziyang You, Huilong He, Xiaoke Yang, Xuxing Lu

机构 * Fujian Provincial Key Laboratory of Automotive Electronics and Electric Drive（福建省汽车电子与电力驱动重点实验室） ； School of Electronic, Electrical and Physics（电子、电气与物理学院） ； Fujian University of Technology（福建理工大学） ； School of Humanities（人文学院） ； Institute of Applied Physics and Materials Engineering（应用物理与材料工程学院） ； University of Macau（澳门大学） 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SeedHijack攻击，通过替换伪随机数生成器（PRNG）在供应链层面对LLM水印进行盲攻击，同时保持完整性并规避检测。

Comments Preprint prepared for submission to IEEE TIFS. 12 pages, 8 figures

Where LLM Annotators Fail: Label-Free Learning on Graphs with LLMs

LLM标注者失败之处：基于LLM的图上无标签学习

Safal Thapaliya, Jiatan Huang, Chuxu Zhang

机构 * University of Connecticut（康涅狄格大学） 纠错

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

AI总结 针对图节点分类中LLM标注噪声不仅依赖于类别还依赖于区域的问题，提出聚类感知噪声估计（CANE）框架，通过估计聚类条件可靠性来筛选和校正伪标签，在多个图基准上超越现有无标签方法。

OptiLoop: Coordination-in-the-Loop Verification and Repair for LLM-Generated Optimization Agents

OptiLoop：面向LLM生成的优化代理的协同验证与修复

Yujia Xu, Zhiheng Wang, Thi Dinh

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

AI总结 针对LLM生成的优化代理在协同决策中可能出现语义错误的问题，提出了一种基于交替方向乘子法（ADMM）共识协议的协同验证与修复方法OptiLoop，通过短时协同运行检测行为异常并驱动修复，显著提升了目标匹配和社会匹配率。

Investor risk profiles of large language models

大型语言模型的投资者风险画像

Hanyong Cho, Geumil Bae, Jang Ho Kim

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

AI总结 本研究通过标准化风险问卷评估GPT、Gemini和Llama三种大型语言模型的风险偏好，发现它们普遍为长期投资者但风险容忍度不同，且赋予特定人物角色后各模型会调整其风险画像。

Comments Poster presented at the AI for Finance Symposium '25, The 6th ACM International Conference on AI in Finance (ICAIF '25)

Multi-Agent LLM-based Metamorphic Testing for REST APIs

基于多智能体LLM的REST API蜕变测试

Shehroz Khan, Abdullah Mughees, Gaadha Sudheerbabu, Tanwir Ahmad, Dragos Truscan

机构 * Åbo Akademi University（阿博阿卡迪米大学） 纠错

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

AI总结 提出ARMeta方法，利用基于LLM的多智能体工作流自动识别蜕变测试场景并生成可执行测试，以解决REST API测试中的预言问题。

Comments Author submitted version accepted for publication the IEEE Conference on Computers, Software, and Applications (COMPSAC2026), July 7-11, 2026, Madrid Spain

Voluntary Collusion with Secret Tools in Competing LLM Agents

竞争性LLM代理中使用秘密工具的合谋行为

Xijie Zeng, Frank Rudzicz

机构 * Dalhousie University（达尔豪斯大学） ； Vector Institute for Artificial Intelligence（人工智能向量研究所） 纠错

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

AI总结 本研究通过两个多智能体环境（Liar's Bar和Cleanup）发现，即使工具被明确标注为不公平且有害，大多数LLM代理仍会自愿采用秘密合谋工具以获取战略优势，且仅靠对齐或公平标签无法有效阻止，需明确防护措施。

AgentGuard: An Attribute-Based Access Control Framework for Tool-Use LLM-Based Agent

AgentGuard：面向工具使用型LLM智能体的基于属性的访问控制框架

Jiaqi Luo, Songyang Peng, Jiarun Dai, Zhile Chen, Zhuoxiang Shen, Geng Hong, Xudong Pan, Yuan Zhang, Min Yang

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 提出AgentGuard框架，通过客户端-服务器架构和三种互补检查机制，为工具使用型LLM智能体提供轻量级集成与跨工具安全风险防护。

LLM Based Web Accessibility Repair: An Empirical Study of Detection, Remediation, and Cost

基于LLM的网页可访问性修复：检测、修复与成本的实证研究

Oluwatoyosi Oyelayo, Ghada Abushaqra, Parham Asadi, Durjoy Dey, Diego Elias Costa

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

AI总结 本文通过实证研究评估基于大语言模型的智能体（Kimi K2.5）在网页可访问性自动检测与修复中的性能，发现其检测能力与规则工具相当但可靠性不足，修复在语法有效性上表现优异但完全修复率低，且迭代优化增加成本而无益，提出混合方法的需求。

Comments 12 pages, 6 figures, preprint

Beyond External Monitors: Enhancing Transparency of Large Language Models for Easier Monitoring

超越外部监控：增强大型语言模型的透明度以便于监控

Guanxu Chen, Jing Shao, Tao Luo, Lijie Hu, Qihao Lin, Dongrui Liu

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； ICISEE, Shanghai Jiao Tong University（上海交通大学ICISEE） ； School of Mathematical Sciences, Institute of Natural Sciences, MOE-LSC, CMA-Shanghai, Shanghai Jiao Tong University（上海交通大学数学科学学院） ； King Abdullah University of Science and Technology（卡塔尔国王 Abdullah 科学与技术大学） 纠错

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

AI总结 提出TELLME方法，通过改进大型语言模型的内部表征透明度，帮助监控者识别不当和敏感行为，并在去毒化任务中验证其有效性。

Comments 28 pages,8 figures,15 tables

Tell Me a Story! Narrative-Driven XAI with Large Language Models

给我讲个故事！基于大语言模型的叙事驱动可解释人工智能

David Martens, James Hinns, Camille Dams, Mark Vergouwen, Theodoros Evgeniou

机构 * University of Antwerp, Department of Engineering Management（安特卫普大学工程管理系） 纠错

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

AI总结 提出XAIstories方法，利用大语言模型将SHAP或反事实解释转化为叙事，提升用户对AI决策的理解和体验，实验表明超90%普通用户认为叙事可信，数据科学家83%愿意使用。

Journal ref 10.1016/j.dss.2025.114402

Defending LLM-based Multi-Agent Systems Against Cooperative Attacks with Sentence-Level Rectification

防御基于LLM的多智能体系统免受合作攻击：句子级纠正方法

Yaoyang Luo, Zhi Zheng, Ziwei Zhao, Tong Xu, Zhao Jielun, Wenjun Xue, Yong Chen, Enhong Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； North Automatic Control Technology Institute（北自动控制技术研究所） ； Shenzhen Institute for Advanced Study, UESTC（深圳先进研究 institute, 中国科学技术大学） 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 提出一种自适应合作攻击框架，并引入句子级可信度分析与纠正（STAR）防御框架，以识别和纠正多智能体通信中的误导信息，显著提升任务成功率。

LLM Watermark Evasion via Bias Inversion

通过偏差反转实现LLM水印规避

Jeongyeon Hwang, Sangdon Park, Jungseul Ok

机构 * Pohang University of Science and Technology (POSTECH)（浦项科学技术大学） 纠错

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

AI总结 提出偏差反转重写攻击（BIRA），通过理论分析证明降低绿色令牌平均条件概率可指数级衰减检测概率，实现黑盒下高规避率（>99%）且保持语义保真度。

DIG to Heal: Scaling General-purpose Agent Collaboration via Explainable Dynamic Decision Paths

DIG to Heal: 通过可解释的动态决策路径扩展通用智能体协作

Hanqing Yang, Hyungwoo Lee, Yuhang Yao, Zhiwei Liu, Kay Liu, Jingdi Chen, Carlee Joe-Wong

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Arizona（亚利桑那大学） ； Zoom ； Salesforce ； Amazon（亚马逊） 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 提出动态交互图（DIG）框架，将通用LLM智能体的涌现协作建模为时变因果网络，首次实现协作过程的可观察、可解释与实时纠错。

One LR Doesn't Fit All: Heavy-Tail Guided Layerwise Learning Rates for LLMs

一个学习率不适用于所有层：基于重尾引导的LLM逐层学习率

Di He, Songjun Tu, Keyu Wang, Lu Yin, Shiwei Liu

机构 * SIAT（深圳先进技术研究院） ； PCL（鹏城实验室） ； UCAS（中国科学院大学） ； UOT（图宾根大学） ； LIU1（智能系统马克斯·普朗克研究所） ； LIU2（图宾根ELLIS研究所） ； LIU3（图宾根人工智能中心） 纠错

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

AI总结 本文提出基于重尾自正则化理论的逐层学习率（LLR）方法，通过为Transformer各层分配不同学习率，加速训练并提升泛化能力，在多种模型和优化器上验证了有效性。

Measuring Form and Function in Language Models

语言模型中的形式与功能测量

Héctor Javier Vázquez Martínez, Charles Yang

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Department of Linguistics and Computer and Information Science（语言学与计算机与信息科学系） 纠错

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

AI总结 通过引入儿童语言习得的定量指标，提出上下文替代选择（CAC）提示方法，评估语言模型在英语限定词的形式句法和功能话语知识方面的表现，发现仅大型模型能同时满足形式和功能基准。

Comments Under review at ACL Rolling Review May 2026 cycle

Colosseum: Auditing Collusion in Cooperative Multi-Agent Systems

Colosseum: 审计合作多智能体系统中的合谋行为

Mason Nakamura, Abhinav Kumar, Saswat Das, Sahar Abdelnabi, Saaduddin Mahmud, Ferdinando Fioretto, Shlomo Zilberstein, Eugene Bagdasarian

机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） ； University of Virginia（弗吉尼亚大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； MPI for Intelligent Systems, Tübingen（图宾根智能系统研究所） ； AI Center（人工智能中心） 纠错

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

AI总结 提出Colosseum框架，通过形式化决策框架和基于遗憾的度量审计LLM智能体在合作多智能体系统中的合谋行为，发现大多数模型存在新兴合谋倾向，并观察到“纸上合谋”现象。

When prompt perturbations break your A/B test: A valid statistical test for generative surveying

当提示扰动破坏你的A/B测试：一种用于生成式调查的有效统计检验

Hayden Helm, Carey Priebe

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 针对生成式调查中LLM对提示设计敏感的问题，提出一种置换检验方法，在包含扰动结构的统计模型下保持有效性，并给出预算分配建议。

Will AI be overconfident about academic research findings when reliant on abstracts? (v1)

AI 在仅依赖摘要时会对学术研究发现过度自信吗？(v1)

Mike Thelwall

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

AI总结 本研究通过向GPT-OSS 120B提交全文文章，评估摘要、讨论和结论中主要结果的声明强度，发现摘要和结论中的声明通常比讨论更强，表明仅依赖摘要可能导致AI对研究结果过度自信。

PrivacyMotiv: Vulnerability-Centered Persona Journeys for Empathic Privacy Reviews in UX Design

PrivacyMotiv：以脆弱性为中心的角色旅程用于UX设计中的共情隐私审查

Zeya Chen, Jianing Wen, Yaxing Yao, Toby Jia-Jun Li, Tianshi Li

专题命中 其他LLM ：LLM(summary_cn,abstract)

AI总结 提出PrivacyMotiv系统，通过LLM生成以脆弱性为中心的角色和旅程故事，结合低保真用户流提供可追溯的设计诊断，显著提升UX从业者的共情、内在动机和隐私问题识别能力。

Comments 33 pages, 17 figures

Journal ref Proceedings of the 2026 ACM Designing Interactive Systems Conference (DIS 2026)

Speaking of Language: Reflections on Metalanguage Research in NLP

论语言：NLP中元语言研究的思考

Nathan Schneider, Antonios Anastasopoulos

机构 * Georgetown University（乔治城大学） ； George Mason University（弗吉尼亚理工大学） 纠错

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

AI总结 本文定义元语言概念，将其与NLP和LLM关联，介绍两个实验室以元语言为中心的研究，并讨论元语言的四个维度及元语言任务，提出未来研究方向。

Comments To appear at the Big Picture Workshop at ACL 2026. Camera-ready version

Self-Prompting Diffusion Transformer for Open-Vocabulary Scene Text Editing via In-Context Learning

自提示扩散变压器用于开放词汇场景文本编辑的上下文学习

Hongxi Li, Tong Wang, Chengjing Wu, Tianbao Liu, Jiangtao Yao, Xiaochao Qu, Xinxiao Wu, Luoqi Liu, Ting Liu

机构 * MT Lab, Meitu Inc., Beijing, China ； School of Computer Science \& Technology, Beijing Institute of Technology, Beijing, China 纠错

专题命中 其他LLM ：prompting(title,abstract)

AI总结 提出一种自提示场景文本编辑方法，通过构建风格和字形提示，利用多模态扩散变压器的上下文学习能力，实现开放词汇和风格一致的文本编辑。

Comments ICML 2026

Agentic Language-to-Objective Synthesis for Optofluidic Assembly

面向光流组件的智能语言到目标合成

Ivan Saraev, Elena Erben, Weida Liao, Fan Nan, Gerhard Neumann, Eric Lauga, Moritz Kreysing

机构 * Institute of Biological and Chemical Systems, Karlsruhe Institute of Technology, Germany（马克斯·普朗克研究所生物和化学系统研究所，卡尔斯鲁厄技术大学，德国） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge, UK（应用数学和理论物理系，剑桥大学，英国） ； Department of Mathematics, Imperial College London, UK（数学系，伦敦帝国理工学院，英国） ； Institute of Anthropomatics and Robotics (IAR), Karlsruhe Institute of Technology, Germany（人机学与机器人研究所（IAR），卡尔斯鲁厄技术大学，德国） 纠错

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

AI总结 提出Speak-to-Objective模块化智能流水线，利用条件大语言模型将口语或书面指令转换为可微目标函数，实现光流控微粒子组装，并支持用户反馈学习。

Comments 21 pages, 5 figures

Compositional Generalization in Autoregressive Models via Logit Composition

自回归模型中通过Logit组合实现组合泛化

Aakash Kumar, Maria Sofia Bucarelli, Emanuele Natale

机构 * COATI, CNRS, Inria, I3S, Université Coté d’Azur, France（COATI研究所、国家科学研究中心、Inria、I3S、法国埃克塞特大学） 纠错

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

AI总结 本文受扩散模型组合方法的启发，提出一种新的自回归系统组合策略，在因子化条件假设下实现投影组合，并证明该组合在输出空间平滑重参数化下保持长度泛化行为。

Beyond Chunk-Local Extraction: Cross-Chunk Graph Augmentation for GraphRAG

超越块级抽取：面向GraphRAG的跨块图增强

Jiaming Zhang, Yibo Zhao, Jing Yu, Jianxiang Yu, Xiang Li

机构 * School of Data Science and Engineering, East China Normal University（数据科学与工程学院，东华大学） 纠错

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

AI总结 提出CrossAug方法，利用GNN引导的跨块图增强，在查询前离线补充GraphRAG索引中缺失的跨块关系，提升多跳和长文档问答性能。

Comments 15 pages, 5 figures, 8 tables

Checking Fact with Better Retrieval: Dynamic Contrastive Learning for Evidence Retrieval

用更好的检索核查事实：用于证据检索的动态对比学习

Zhongtian Hua, Yi Luo, Meijia Yu, Yingjie Han

机构 * Zhengzhou University（郑州大学） ； Henan University of Science and Technology（河南科技大学） 纠错

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

AI总结 提出动态自适应对比学习方法DACLR，通过事件级特征提取、两阶段检索和动态对比损失优化，提升多模态证据检索的准确性。

From Pixels to Words -- Towards Native One-Vision Models at Scale

从像素到文字——迈向原生单视觉大规模模型

Haiwen Diao, Jiahao Wang, Penghao Wu, Yuhao Dong, Yuwei Niu, Yue Zhu, Zhongang Cai, Weichen Fan, Linjun Dai, Silei Wu, Xuanyu Zheng, Mingxuan Li, Yuanhan Zhang, Bo Li, Hanming Deng, Huchuan Lu, Quan Wang, Lei Yang, Lewei Lu, Dahua Lin, Ziwei Liu

机构 * S-Lab, NTU（S实验室，国立科技大学） ； SenseTime Research（商汤科技研究院） ； DLUT（大连理工大学） 纠错

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

AI总结 本文提出NEO-ov原生基础模型，通过端到端学习跨帧和像素-文字对应，无需外部编码器或适配器，在细粒度视觉感知上缩小了与模块化模型的差距，验证了原生单视觉架构的可行性和竞争力。

Comments 13 pages, 6 figures

Learning to Label: A Reinforced Self-Evolving Framework for Semi-supervised Referring Expression Segmentation

学习标注：一种用于半监督指代表达分割的强化自进化框架

Runlong Cao, Ying Zang, Chuanwei Zhou, Tianrun Chen, Tong Zhang, Zhen Cui, Chunyan Xu

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Information Engineering, Huzhou Normal University（湖州师范学院信息工程学院） ； School of Artificial Intelligence, Nanjing University of Posts and Telecommunications（南京邮电大学人工智能学院） ； National Key Laboratory of Tibetan Language Intelligence（藏语智能国家重点实验室） ； Zhejiang University（浙江大学） ； Beijing Normal University（北京师范大学） 纠错

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

AI总结 提出L2L框架，通过强化学习将伪标签构建转化为可学习的决策过程，结合多模态大模型提取先验，实现半监督指代表达分割的联合优化。

Comments 24 pages, 13 figures

Structuring Human-AI Productive Interdependence by Strategic Level of Automation Selection for Qualitative Inquiry

通过定性研究中的自动化水平战略选择构建人机生产性相互依赖

Feng Zhou, Jacqueline Meijer-Irons, Ambar Murillo

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

AI总结 本文基于相互依赖理论，提出一个形式化框架，通过评估任务风险和验证成本来选择适当的自动化水平，以构建人机生产性相互依赖，从而解决定性分析中大规模语言模型自动化与解释性本质之间的冲突。

GraphSteal: Structural Knowledge Stealing from Graph RAG via Traversal Reconstruction

GraphSteal：通过遍历重建从图RAG中窃取结构知识

Jinze Gu, Qinghua Mao, Xi Lin, Jun Wu

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） 纠错

专题命中 其他LLM ：LLM(abstract_cn)；分类 cs.CL

AI总结 提出一种结构导向的重建框架，通过深度优先启发式搜索和广度优先扩散搜索，从黑盒图RAG系统中高保真恢复隐藏知识图，揭示敏感实体、关系和结构依赖。