语言大模型 / LLM

Leveraging LLMs for Unstructured Claims Data Analysis

利用大语言模型进行非结构化索赔数据分析

Robert D. Lieberthal, Richard Tran, Vietbao Phan, Jawand Singh, Elizabeth Sottung

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)

AI总结 提出一个两阶段处理框架，利用大语言模型从非结构化索赔数据中提取结构化精算变量，并通过链梯法准备金验证其实际价值。

Comments 41 pages, 6 figures, 3 tables. Code available at https://github.com/mdsight/llm-claims-analysis . Technical Specification Requirement included as Appendix D. Funded by the Casualty Actuarial Society Artificial Intelligence Working Group

OmniEgo-R$^2$: A Routed Reasoning Framework for the 1st Cross-Domain EgoCross Challenge at CVPR 2026

OmniEgo-R$^2$：面向CVPR 2026首届跨领域EgoCross挑战赛的路由推理框架

Zixu Li, Zhiwei Chen, Zhiheng Fu, Wenbo Wang, Yupeng Hu, Weili Guan, Liqiang Nie

机构 * Shandong University（山东大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） 纠错

专题命中 领域大模型 ：SFT(abstract,abstract_cn)；large language model(abstract)；language model(abstract)

AI总结 针对跨领域自我中心视频推理中的时间边界模糊、语义粒度不匹配和决策不稳定问题，提出OmniEgo-R$^2$路由推理框架，在Source-Limited和Open-Source赛道均获第二名。

Comments Technical Report for the 1st Cross-Domain EgoCross Challenge at CVPR 2026

PathWISE: Multi-Agent Cancer Pathway Triaging Ontology Learning from Clinical Flowcharts

PathWISE: 基于临床流程图的多智能体癌症路径分诊本体学习

Sofiat Abioye, Ufaq Khan, Shazad Ashraf, Mohammed Adil Butt, Andrew D. Beggs, Adam Byfield, Anusha Jose, Junaid Qadir, Muhammad Bilal

机构 * Birmingham City University（伯明翰城市大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University Hospitals Birmingham NHS Foundation Trust（伯明翰大学医院国家健康服务信托基金） ； NHS England (National Health Service)（英格兰国家健康服务局） ； Qatar University（卡塔尔大学） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)

AI总结 提出PathWISE五阶段流水线，结合四个基于LLM的智能体、确定性深度优先搜索审计器和Java编译器批评者，将临床流程图转化为可执行的HL7 CQL库，覆盖100%患者路径，并在五种NHS癌症路径上验证。

Comments 13 pages, 4 figures

HEIST: A Graph Foundation Model for Spatial Transcriptomics and Proteomics Data

HEIST：一种用于空间转录组学和蛋白质组学数据的图基础模型

Hiren Madhu, João Felipe Rocha, Tinglin Huang, Siddharth Viswanath, Smita Krishnaswamy, Rex Ying

机构 * Yale University, USA（耶鲁大学） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.LG

AI总结 本文提出HEIST模型，通过图结构建模空间转录组学和蛋白质组学数据，利用层次化图Transformer实现对细胞空间位置和基因表达的联合建模，从而提升对细胞异质性和微环境响应的理解。

Towards World Models in Biomedical Research

迈向生物医学研究的世界模型

Guangyu Wang, Jingkun Yue, Siqi Zhang, Yu Liu, Xiaoyu Wang, Mingyuan Meng, Changwei Ji, Zongbo Han, Yulin Wang, Yang Yue, Frank Fu, Ting Chen, Song Wu, Ziwei Liu, Jiangning Song, Ming Li, Gao Huang, Xiaohong Liu, Athanasios Vasilakos, Xingcai Zhang, Ping Zhang, Yong Li

机构 * State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing, China（网络与交换技术国家重点实验室，北京邮电大学，北京，中国） ； Department of Engineering Science, University of Oxford, Oxford, United Kingdom（英国牛津大学工程科学系，牛津，英国） ； Institute of Medical Artificial Intelligence, South China Hospital, Medical School, Shenzhen University, Shenzhen, Guangdong, China（医学人工智能研究所，南方医院，医学学院，深圳大学，深圳，广东，中国） ； Zhongguancun Academy & Zhongguancun Institute of Artificial Intelligence, Beijing, China（中关村学院及中关村人工智能研究院，北京，中国） ； Beijing National Research Center for Information Science and Technology (BNRist), Tsinghua University, 100084, Beijing, China（北京信息科学与技术国家研究中心（BNRist），清华大学，100084，北京，中国） ； Department of Chemical and Nano Engineering, University of California, San Diego, La Jolla, CA, USA（美国加州大学圣地亚哥分校化学与纳米工程系，La Jolla，CA，美国） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； Monash Biomedicine Discovery Institute and Department of Biochemistry and Molecular Biology, Monash University, Melbourne, Victoria, Australia（莫纳什大学生物医学发现研究所和生物化学与分子生物学系，墨尔本，维多利亚，澳大利亚） ； David R. Cheriton School of Computer Science, University of Waterloo, Waterloo, Ontario, Canada（加拿大滑铁卢大学戴维·R·切里顿计算机科学学校，滑铁卢，安大略，加拿大） ； Department of ICT and Center for AI Research, University of Agder (UiA), Jon Lilletuns vei 9, Grimstad, Norway（挪威阿格德大学（UiA）信息与通信技术系及人工智能研究中心，Jon Lilletuns vei 9，Grimstad，挪威） ； Department of Electronic Engineering, Tsinghua University, Beijing, China（清华大学电子工程系，北京，中国） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；foundation model(abstract)；分类 cs.AI

AI总结 提出生物医学世界模型作为AI驱动发现的新范式，通过学习分子、细胞、组织和临床状态的潜在表征及干预条件动态，实现未来轨迹模拟，并探讨其在虚拟细胞、类器官、虚拟患者和手术模拟等应用中的潜力。

A Generative Approach for Semantic Auditing of Electronic Health Records

电子健康记录语义审计的生成式方法

Irena Girshovitz, Atai Ambus, Moni Shahar, Ran Gilad-Bachrach

机构 * School of Biomedical Engineering, Faculty of Engineering, Tel Aviv University（特拉维夫大学生物医学工程学院，工程学院） ； AI and Data Science Center of Tel Aviv University (TAD)（特拉维夫大学人工智能与数据科学中心（TAD）） ； Safra Center for Bioinformatics, Tel Aviv University（特拉维夫大学萨弗拉生物信息学中心） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 提出一种基于大语言模型的生成式方法，通过语义数据覆盖和检索增强生成架构自动检测电子健康记录与流行病学证据之间的不一致性，实现可扩展的语义审计。

Comments 23 pages, 5 figures (+ appendix)

Beyond WER: A Paired Acoustic Stress Test for Ambient Clinical Scribes

超越WER：面向环境临床记录员的配对声学压力测试

Xiao-Hang Jiang, Han-Jie Guo, Ying-Si Liang, Yang Ai, Zhen-Hua Ling, Lei Jiang, Zhi-Yang He

机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Co., Ltd.（iFLYTEK公司） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)

AI总结 提出配对声学压力测试方法，通过注入噪声并冻结下游模型，揭示噪声对临床推理的安全影响，发现轻微声学扰动可逆转临床意义而不显著增加词错误率，并展示轻量级缓解策略。

Comments Accepted to INTERSPEECH 2026

RAPTOR+: A Visually Grounded Vision-Language Framework to Improve Clinical Trust and Auditability in Automated Cancer Referral Processing

RAPTOR+: 一种基于视觉的视觉-语言框架，用于提高自动化癌症转诊处理中的临床信任度和可审计性

Sofiat Abioye, Ufaq Khan, Shazad Ashraf, Anusha Jose, Adam Byfield, Lukman Akanbi, Muhammad Bilal

机构 * Birmingham City University（伯明翰城市大学） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） ； University Hospitals Birmingham NHS Foundation Trust（伯明翰大学医院 NHS 基础信托） ； NHS England（英格兰国家卫生服务体系） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)

AI总结 提出RAPTOR+多模态框架，通过微调视觉-语言模型实现端到端转诊理解，在结直肠癌转诊表单上显著提升提取准确性和证据定位能力。

Comments 12 pages 4 figures

RoCA: Robust Cross-Domain End-to-End Autonomous Driving

RoCA: 面向鲁棒跨域端到端自动驾驶的框架

Rajeev Yasarla, Shizhong Han, Hsin-Pai Cheng, Apratim Bhattacharyya, Shweta Mahajan, Litian Liu, Yunxiao Shi, Risheek Garrepalli, Hong Cai, Fatih Porikli

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, San Diego（加州大学圣地亚哥分校） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, Davis（加州大学戴维斯分校） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)

AI总结 本文提出RoCA框架，通过联合概率分布建模端到端自动驾驶管道中的 ego 和周围车辆信息，提升跨域自动驾驶的泛化能力和鲁棒性，无需额外推理计算。

Comments accepted for ICML 2026

Bridging Domain Expertise and Generalization for Performance Estimation

弥合领域专业知识与泛化能力以实现性能估计

Shuxuan Li, Zhilin Zhao, Quyu Kong, Wei-Shi Zheng

机构 * School of Computer Science and Engineering, Sun Yat-sen University, China（中山大学计算机科学与工程学院） ； Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education, China（教育部人工智能与先进计算重点实验室） ； Shenzhen Loop Area Institute, China（深圳环湖院） ； Alibaba Cloud（阿里云） 纠错

专题命中 领域大模型 ：foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 提出FRAP方法，利用外部基础模型和基础模型的互补优势，通过温度缩放校准和对齐预测分布，构建更可靠的伪标签参考分布，从而在分布偏移下准确估计模型性能。

The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering Education

教学指导在生成式AI辅助学习中的作用：来自建筑工程教育的实证证据

Xiaoyu Hou, Bo Xiao, Hexu Liu, Shane Mueller

机构 * Dept. of Civil, Environmental, and Geospatial Engineering, Michigan Technological Univ.（土木、环境与地理空间工程系，密歇根技术大学） ； Dept. of Civil and Construction Engineering, Western Michigan Univ.（土木与建设工程系，西部密歇根大学） ； Dept. of Psychology and Human Factors, Michigan Technological Univ.（心理学与人因工程系，密歇根技术大学） 纠错

专题命中 领域大模型 ：prompting(abstract)；分类 cs.AI

AI总结 本研究通过引入基于生成学习理论的五步提示框架，在建筑工程教育中对比无提示AI辅助、有提示AI辅助和幻灯片学习三种条件，发现提示框架显著提升了需要解释和推理的任务表现（开放式评分提高约2-3分，p<0.01），表明AI辅助学习的有效性取决于交互结构。

Toward decision-aware AI for LSST-scale time-domain astronomy

面向LSST规模时域天文学的决策感知AI

C. R. Bom, A. Mahabal, F. Bianco, P. Darc, B. Fraga, R. Bonito, S. Chaini, M. W. Coughlin, S. Dillmann, F. Fontinele Nunes, A. Gomboc, N. Hernitschek, X. Li, F. Z. Majidi, A. I. Malz, A. Melandri, V. Petrecca, S. Piranomonte, M. Rabus, F. Ragosta, O. Razim, M. C. Romão, N. Sarin, A. Sasli, V. A. Srećković, A. Tramuto, V. Vujčić, M. J. Vyas, Rubin LSST Transients, Variable Stars Science Collaboration

专题命中 领域大模型 ：foundation model(abstract)

AI总结 本文提出将LSST视为部分观测的动态环境，通过基础模型学习源状态表示并采用决策理论策略优化后续观测资源分配，以最大化长期科学价值。

Comments 12 pages, 2 figures, submitted as a Perspective article

LLM Self-Recognition: Steering and Retrieving Activation Signatures

LLM 自我识别：引导与检索激活签名

Thibaud Ardoin, Jonas Schäfer, Gerhard Wunder

机构 * University of California, Berkeley（加州大学伯克利分校） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 通过随机稀疏向量引导内部残差流，在LLM生成文本中嵌入可检测指纹，实现高精度归属，同时保持文本质量。

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

LLM Explainability with Counterfactual Chains and Causal Graphs

基于反事实链和因果图的LLM可解释性

Nirit Nussbaum-Hoffer, Nitay Calderon, Liat Ein-Dor, Roi Reichart

机构 * Faculty of Data and Decision Sciences, Technion I IBM Research（数据与决策科学学院，技术离子IBM研究所） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 提出一种四阶段方法，利用因果图建模LLM推理过程，通过MCMC启发的反事实增强发现类判别性概念并生成可解释图，用于疾病诊断、情感分析等任务。

Auditing LLM Editorial Bias in News Media Exposure

审查新闻媒体曝光中的LLM编辑偏见

Marco Minici, Cristian Consonni, Federico Cinus, Giuseppe Manco

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)

AI总结 本文研究了LLM在新闻聚合中的编辑偏见问题，通过比较三种领先的LLM与Google News，发现LLM在媒体多样性、意识形态和可靠性方面存在显著差异。

Comments Under Peer Review

Generative Criticality in Large Language Model Temperature Scaling

大型语言模型温度缩放中的生成临界性

Huajian Ruan, Jinyang Li, Xingyu Guo, Lingxiao Wang

机构 * State Key Laboratory of Nuclear Physics and Technology, Institute of Quantum Matter, South China Normal University（核物理与技术国家重点实验室，量子物质研究院，华南师范大学） ； Key Laboratory of Atomic and Subatomic Structure and Quantum Control (MOE), Guangdong-Hong Kong Joint Laboratory of Quantum Matter（原子与亚原子结构及量子控制重点实验室（MOE），量子物质广深联合实验室） ； Guangdong Basic Research Center of Excellence for Structure and Fundamental Interactions of Matter, Guangdong Provincial Key Laboratory of Nuclear Science（物质结构与基本相互作用卓越基础研究中心，广东省核科学重点实验室） ； KEK Theory Center, Institute of Particle and Nuclear Studies（KEK理论中心，粒子与核物理研究所） ； RIKEN Center for Interdisciplinary Theoretical and Mathematical Sciences (iTHEMS), Wako（RIKEN交叉学科理论与数学科学中心（iTHEMS），Wako） ； Graduate University for Advanced Studies (SOKENDAI), Oho 1-1, Tsukuba, Ibaraki（高等研究大学（SOKENDAI），Oho 1-1，筑波，Ibaraki） ； Institute for Physics of Intelligence, The University of Tokyo（智能物理研究院，东京大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.LG

AI总结 通过统计场框架研究大型语言模型文本生成中的温度缩放，发现接近特征温度时出现类似连续相变的临界现象，为理解解码策略与临界现象的联系提供定量工具。

Comments 9 pages, 7 figures, contributed to PAI 2026 Conference

Explainability of Large Language Models: Opportunities and Challenges toward Generating Trustworthy Explanations

大型语言模型的可解释性：朝着生成可信解释的方向机遇与挑战

Shahin Atakishiyev, Housam K. B. Babiker, Jiayi Dai, Nawshad Farruque, Teruaki Hayashi, Nafisa Sadaf Hriti, Md Abed Rahman, Iain Smith, Mi-Young Kim, Osmar R. Zaïane, Randy Goebel

机构 * University of Alberta（阿尔伯塔大学） ； University of Tokyo（东京大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.CL

AI总结 本文探讨了大型语言模型的可解释性问题，分析了局部可解释性和机械可解释性方法，并在医疗和自动驾驶两个关键领域进行了实验研究，总结了当前可解释性领域存在的问题和未来发展方向。

Staying with the Uncertainty: Uncertainty-Scaffolding Strategies for Artificial Moral Advisors in LLM-to-LLM Simulated Conversations

与不确定性共处：LLM对LLM模拟对话中人工道德顾问的不确定性支撑策略

Salvatore Greco, Hainiu Xu, Jacopo Domenicucci, Yulan He, Sylvie Delacroix

机构 * Centre for Data Futures, The Dickson Poon School of Law, King’s College London（数据未来中心、迪克森·普恩法学院、伦敦国王学院） ； Department of Informatics, King’s College London（信息学院、伦敦国王学院） ； LangAI, Center for Language AI Research, Tohoku University（LangAI、语言人工智能研究中心、东北大学） ； Neukom Institute for Computational Science, Dartmouth College（计算科学尼科姆研究所、达特茅斯学院） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；分类 cs.CL、cs.AI

AI总结 研究LLM作为人工道德顾问时，通过三种不确定性策略（视角倍增、张力保持、过程反思）与三种控制条件对比，在模拟对话中探讨如何帮助对话者“与不确定性共处”，发现不同策略在立场改变量上无差异但影响参与质量。

Multimodal Sexism Identification and Characterization using Large Language Models and Gradient Boosting

使用大语言模型和梯度提升的多模态性别歧视识别与表征

Kyriakos Chaviaras, Maria Lymperaiou, Athanasios Voulodimos

机构 * Artificial Intelligence and Learning Systems Laboratory（人工智能与学习系统实验室） ； School of Electrical and Computer Engineering（电气与计算机工程学院） ； National Technical University of Athens（雅典国家技术大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract)；large language model(title)；language model(title)

AI总结 提出基于特征工程和梯度提升回归模型的后融合管道，结合视觉、文本、人口统计、生物特征及LLM语义指标，用于识别和表征模因和短视频中的多模态性别歧视。

ReverseEOL: Improving Training-free Text Embeddings via Text Reversal in Decoder-only LLMs

ReverseEOL: 通过解码器仅LLM中的文本反转改进无训练文本嵌入

Ailiang Lin, Zhuoyun Li, Yusong Wang, Keyu Mao, Kotaro Funakoshi, Manabu Okumura

机构 * Institute of Science Tokyo（东京科学研究所） ； Tencent（腾讯） 纠错

专题命中 知识编辑与模型理解 ：LLM(title_cn,summary_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 提出ReverseEOL方法，通过反转输入文本生成互补嵌入，结合前向嵌入提升冻结解码器仅LLM的文本表示能力，在STS和MTEB基准上显著提升无训练基线性能。

Towards the Readability of LLM-Generated Codes through Multitask Representation Engineering

面向大语言模型生成代码可读性的多任务表示工程

Huifan Gao, Liuhua He, Yinghui Pan, Shenbao Yu, Yifeng Zeng, Shengchao Qin, Weidi Sun

机构 * School of Aerospace Engineering, Xiamen University（厦门大学航空航天工程学院） ； School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； College of Computer and Cyber Security, Fujian Normal University（福建师范大学计算机与网络安全部分） ； Department of Computer & Information Sciences, Northumbria University（北爱尔兰北安普顿大学计算机与信息科学系） ； School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院） ； Peking University（北京大学） 纠错

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

AI总结 提出多任务表示工程框架，通过低数据依赖和低计算成本的表示工程方法提升LLM生成代码的可读性，并理论分析其对可读性与正确性权衡的影响。

On the Persistent Effects of Lexicality in Large Language Models

论词汇性在大语言模型中的持久影响

Hammad Rizwan, Muhammad Umair Haider, Nishant Subramani, Mona T. Diab, A. B. Siddique, Hassan Sajjad

机构 * Dalhousie University（达尔豪斯大学） ； University of Kentucky（肯塔基大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文通过对抗性语义压力测试和信息论视角，量化了大语言模型中词汇重叠相对于语义内容的影响，发现词汇影响贯穿模型深度，并在中间层出现词汇和语义信号同时衰减的过渡区域，进而以摘要和模型编辑为例展示了词汇影响对下游任务的作用。

Hallucination Detection in LLMs with Topological Divergence on Attention Graphs

基于注意力图拓扑分歧的LLM幻觉检测

Alexandra Bazarova, Andrei Volodichev, Aleksandr Yugay, Andrey Shulga, Alina Ermilova, Konstantin Polev, Julia Belikova, Rauf Parchiev, Dmitry Simakov, Maxim Savchenko, Andrey Savchenko, Serguei Barannikov, Alexey Zaytsev

机构 * Applied AI Institute（应用人工智能研究所） ； SB AI Lab（SB人工智能实验室） ； HSE University（俄罗斯高等经济学院） ； CNRS, Universite Paris Cite（法国国家科学研究中心，巴黎Cité大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title_cn,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出TOHA方法，通过分析注意力矩阵的拓扑结构来检测LLM中的幻觉现象，实验表明该方法在多个基准测试中表现优异，且对标注数据和计算资源需求较低。

Comments Accepted to the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)

Ask or Assume? Uncertainty-Aware Clarification-Seeking in Coding Agents

提问还是假设？编码代理中的不确定性意识澄清寻求

Nicholas Edwards, Sebastian Schuster

机构 * Faculty of Computer Science, University of Vienna（维也纳大学计算机科学系） ； UniVie Doctoral School Computer Science, University of Vienna（维也纳大学计算机科学博士学院） 纠错

专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本研究评估了LLM代理在未指定任务中的澄清能力，提出了一种不确定性意识的多代理框架，提高了任务解决率，并展示了多代理系统在复杂任务中主动寻求信息的行为。

Comments 18 pages, 7 figures; added experiments evaluating open-weight models (Kimi K2.6), expanded related work, and included dataset validation details

AURA: Intent-Directed Probing for Implicit-Need Surfacing in Situated LLM Agents

AURA: 面向情境化LLM代理中隐式需求挖掘的意图导向探测

Yang Li, Jiaxiang Liu, Jiang Cai, Mingkun Xu

机构 * Guangdong Institute of Intelligence Science and Technology（广东省智能科学与技术研究院） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；分类 cs.CL

AI总结 提出AURA方法，通过在场景感知和工具使用之间插入意图推理步骤生成IntentFrame，以结构化估计隐式需求并控制探测预算，在隐式意图基准上提升覆盖率达+0.07，同时减少82%的探测次数并避免隐私违规。

Comments Submitted to EMNLP 2026. Code, simulator, and benchmark: https://github.com/innovation64/AURA

The Cylindrical Representation Hypothesis for Language Model Steering

语言模型引导的圆柱表示假说

Lang Gao, Jinghui Zhang, Wei Liu, Fengxian Ji, Chenxi Wang, Zirui Song, Akash Ghosh, Youssef Mohamed, Preslav Nakov, Xiuying Chen

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 提出圆柱表示假说（CRH），通过放宽线性表示假说（LRH）的正交性假设，解释语言模型引导中的不稳定性和不确定性。

Comments ICML 2026 camera ready

Subspace-Aware Sparse Autoencoders for Effective Mechanistic Interpretability

子空间感知稀疏自编码器用于有效的机制可解释性

Seyed Arshan Dalili, Mehrdad Mahdavi

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

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

AI总结 针对稀疏自编码器将特征假设为一维导致特征分裂的问题，提出子空间感知稀疏自编码器（SASA），通过学习解码器子空间、块稀疏门控和核范数正则化，在GPT-2和Mistral-7B上减少特征分裂和吸收，提高单义性和可解释性。

Pattern Selectivity is Not Task-Causal Structure: A Cross-Architecture Mechanistic Study of Composed-Task Circuits in 1B-Class Language Models

模式选择性并非任务因果结构：1B类语言模型中组合任务电路的跨架构机制研究

Yongzhong Xu

机构 * B-Class Language Models（1B类语言模型） ； Cross-Architecture Mechanistic Study（跨架构机理研究） 纠错

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

AI总结 通过统一协议测试三个1B类语言模型在四个组合任务上的注意力头电路，发现不同模型对同一任务使用不同的注意力模式，并引入五类筛选结果分类法，提出MoE模型基于前一个token位置基板构建组合任务电路的可证伪假设。

Comments 27 pages, 3 figures

Adapting Diffusion Language Models for Lossless Pixel-Level Image Transmission

适应扩散语言模型用于无损像素级图像传输

Tianqi Ren, Rongpeng Li, Xianfu Chen, Yingyu Li, Zhifeng Zhao

机构 * College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院） ； Shenzhen CyberAray Network Technology Co., Ltd（深圳CyberAray网络技术有限公司） ； School of Mechanical Engineering and Electronic Information, China University of Geosciences（中国地质大学（武汉）机械与电子信息学院） ； Zhejiang Lab（浙江实验室） 纠错

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

AI总结 提出基于离散扩散模型的分离源信道编码框架DDM-SSCC，通过双向注意力下的同步逆向算术编码实现无损像素级图像传输，并引入Halton引导去噪顺序、掩码率感知余弦调度和轻量温度校准模块提升性能。

When New Generators Arrive: Lifelong Machine-Generated Text Attribution via Ridge Feature Transfer

当新生成器到来：基于岭特征迁移的终身机器生成文本归因

Zhen Sun, Yifan Liao, Zhicong Huang, Jiaheng Wei, Cheng Hong, Yutao Yue, Xinlei He

机构 * Wuhan University（武汉大学） ； Ant Group（蚂蚁集团） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Institute of Deep Perception Technology, JITRI（感知技术研究院，JITRI） 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.CL、cs.AI、cs.LG

AI总结 针对终身机器生成文本归因中持续适应新生成器与保留旧知识难以平衡的问题，提出轻量级分析更新框架RidgeFT，通过协方差校准和固定随机特征实现无需示例回放的闭式更新。

Comments 12 pages