AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
对外评估大型语言模型中的文化素养
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 评测与基准 ：large language model(title)；language model(title)；分类 cs.CL
AI总结 本文通过两个文本生成任务评估模型在文化敏感性方面的表现，发现文化提示对输出有影响，但不同国家输出的相似性与文化价值观无显著关联。
Comments Accepted to EMNLP Findings 2024
认知：从评估到对抗多模态大语言模型CAPTCHA求解器
机构 * Missouri University of Science and Technology（密苏里科技大学） ； University of South Florida（佛罗里达州立大学） ； Visa Inc.（Visa公司） ； George Mason University（乔治·马歇尔大学）
专题命中 评测与基准 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文研究多模态大语言模型如何削弱视觉CAPTCHA的安全性，评估7种主流MLLM在18种CAPTCHA任务中的表现，揭示其解决能力及防御策略。
Comments Accepted by USENIX Sec'26
何时应条件化智能体信任？表征与攻击智能体群中的技能条件声誉
机构 * Shenzhen University（深圳大学）
专题命中 评测与基准 ：LLM(summary_cn,abstract)；分类 cs.AI、cs.LG
AI总结 研究异构LLM智能体群中技能条件信任的适用条件，通过相图分析揭示其在高异质性、稀疏证据和技能相关场景下有效，但存在跨技能证据被攻击者利用的风险，提出条件信息值测试（CIVT）量化攻击影响。
Comments 18 pages, 8 figures, 2 tables
MedLatentDx：用于跨医院罕见病诊断的潜在多智能体通信
机构 * Northwestern University（西北大学）
专题命中 评测与基准 ：LLM(summary_cn,abstract)；分类 cs.CL
AI总结 提出MedLatentDx框架，通过潜在多智能体通信实现跨医院罕见病诊断，利用潜在KV块传输保护隐私，支持同骨干和跨家族LLM部署，在CrossRare-Bench上提升诊断性能并减少可重建临床内容。
SpheriCity：为可持续发展决策支持设计可信赖的对话式AI
机构 * Department of Computer Science, Colby College（科里尔学院计算机科学系） ； Circularity Informatics Lab, University of Georgia（佐治亚大学循环信息实验室）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 提出SpheriCity，一种基于来源的对话式AI原型，通过结构化合成和交互支架，支持从城市循环性评估报告中可信地获取知识，解决大语言模型在可持续性高风险领域中的透明度与信任问题。
Comments Accepted to ACM SIGCAS/SIGCHI Conference on Computing and Sustainable Societies (COMPASS '26)
联邦基础模型个性化中的静默失败
机构 * Medical & Imaging Informatics (MII) Group, University of California, Los Angeles (UCLA)（医学与影像信息学（MII）组，加州大学洛杉矶分校（UCLA））
专题命中 评测与基准 ：foundation model(title,abstract)；分类 cs.AI、cs.LG
AI总结 本文提出联邦基础模型个性化中因隐私约束导致的一类信任失败——静默失败，包括偏差放大、公平性崩溃和对齐侵蚀，并引入六种静默失败模式的分类法，强调隐私保护训练不足以保障可信部署。
WikiKV: 面向层次知识导航的架构演化路径索引存储
专题命中 评测与基准 ：LLM(summary_cn,abstract)
AI总结 提出WikiKV，一种专为LLM策展层次知识库设计的路径索引键值存储模型，通过数据驱动架构、一致性协议和预算导航算子，实现低延迟查询和渐进式答案优化。
Comments 14 pages, 5 figures
评估LLMs在Android应用中的混淆检测与分类能力
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)
AI总结 本研究通过大规模实验评估大型语言模型（LLMs）在无需手工规则或训练的情况下，通过语义推理检测Android应用中的代码混淆，并与现有SAST方法对比。
DeepJEB++: 基于基础模型驱动的二维潜空间增强的大规模三维工程数据集
机构 * Cho Chun Shik Graduate School of Mobility, Korea Advanced Institute of Science and Technology（韩国科学技术院赵春植移动研究生院） ； Department of Mechanical Engineering, Hanyang University（汉阳大学机械工程系） ； Narnia Labs（纳尼亚实验室）
专题命中 评测与基准 ：foundation model(title,abstract)；分类 cs.LG
AI总结 提出DeepJEB++框架，通过二维潜空间增强和基础模型，将少量喷气发动机支架种子设计扩展为大规模带仿真标签的三维数据集，实现40倍扩展。
Comments 16 pages, 14 figures. Submitted to ASME Journal of Mechanical Design
Teach-and-Repeat: 从移动屏幕演示中准确提取操作知识以赋能GUI智能体
机构 * Honor Device Co., Ltd（荣耀终端有限公司） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 评测与基准 ：language model(title,abstract)；分类 cs.AI
AI总结 提出Teach VLM模型，通过从演示视频中提取关键帧生成操作知识，并构建数据飞轮解决训练数据稀缺问题；在基准测试中达到最优性能，并提升下游智能体的任务成功率。
Comments 20 pages, 9 figures. Yudong Zhang and Lei Hu contributed equally to this work. Zuojian Wang, and Zhilin Gao are corresponding authors
电子表格中下一步动作预测的基准测试与框架
机构 * University of Waterloo（多伦多大学）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；SLM(abstract_cn)；分类 cs.AI、cs.LG
AI总结 针对电子表格缺乏自动补全功能的问题，提出一个基准测试，通过人工整理动作序列和在线评估方法，比较多种预测模型，分析动作保存、误报、效率等特性。
Comments Accepted at ICML 2026. Code and benchmark: https://github.com/Tej-55/NAPE
QIAS 2026：伊斯兰继承推理共享任务综述
机构 * Hamad bin Khalifa University（哈马德·本·哈利法大学） ； Nazarbayev University（纳扎尔巴耶夫大学）
专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.CL
AI总结 本文介绍 QIAS 2026 共享任务，评估大语言模型在伊斯兰继承领域的复杂推理能力，基于 MAWARITH 数据集，使用 MIR-E 多步指标评估，16 支队伍参与，结果显示该任务对当前模型极具挑战性。
代码审查何去何从？探索代码审查的未来
专题命中 评测与基准 ：LLM(abstract)；large language model(abstract)；language model(abstract)
AI总结 研究探讨专业开发者对代码审查未来演变的预期，发现开发者认为代码审查仍至关重要，同时关注自动化带来的责任与信任挑战。
Comments Accepted at EASE 2026
规模化成功：面向多租户搜索的企业检索基准构建与索引保持查询适配
机构 * Prateek Jain ； Shabari S Nair ； Ritesh Goru ； Prakhar Agarwal ； Ajay Yadav ； Yoga Sri Varshan Varadharajan ； Constantine Caramanis
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.CL、cs.AI、cs.LG
AI总结 针对多租户检索系统中标注数据匮乏和模型更新成本高的问题，提出全自动构建基准DevRev-Search，并研究仅微调查询编码器而保持文档索引不变的索引保持查询适配策略，实现质量与效率的平衡。
Protean Compiler: 一种驱动细粒度阶段排序的敏捷框架
机构 * Huawei Technologies Canada（华为技术加拿大）
专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出Protean Compiler框架，在LLVM中内置细粒度阶段排序能力，通过140多种静态特征收集方法和机器学习优化，平均加速4.1%，最高15.7%。
Comments Version 3: Preprint version of the accepted work at ACM TACO 2026
ClinHallu: 用于诊断医学多模态大语言模型推理中阶段式幻觉的基准
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； Hupan Lab（湖畔实验室） ； Zhejiang University（浙江大学）
专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 提出ClinHallu基准，包含7031个实例，每个实例带有结构化推理轨迹（视觉识别、知识回忆、推理整合），通过阶段替换干预和轨迹监督微调，实现细粒度幻觉诊断与缓解。
Comments Code and datasets: https://github.com/alibaba-damo-academy/ClinHallu
假设冗余下的发现：发现瓶颈的几何理论
机构 * School of Economics and Management, Tsinghua University（清华大学经济管理学院） ； Platform & Content Group, Tencent（腾讯平台与内容事业群）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 提出搜索压缩假说，通过谱压缩、正交逃逸和残差信号对齐三个几何条件解释混合发现系统的优势，实验表明仅新颖性不足，需预测对齐。
Comments 23 pages, 1 figure, 27 tables
隐于无形：使用DECOMPBENCH基准测试代理安全对抗分解攻击
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Simons Institute, UC Berkeley（Simons研究所，伯克利大学）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 提出DeCompBench基准，通过分解攻击将有害任务拆分为良性子任务，揭示现有代理安全机制在对抗分解攻击时的脆弱性。
SANA：大规模数据湖上的问答代理关键因素是什么？
机构 * Columbia University（哥伦比亚大学）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.CL、cs.AI
AI总结 提出SANA诊断框架，通过消融实验分析数据湖探索式问答中搜索、规划、数据分析及行动策略的失败原因，揭示数据分析是主要瓶颈。
Comments 9 pages, 7 figures
CrossAlpha: 跨市场因子研究的年报基准
专题命中 评测与基准 ：LLM(title)
AI总结 提出CrossAlpha基准，通过披露蒸馏、残差模式图构建和时序对齐评估，解决跨市场因子研究中披露到收益评估的挑战。
SkillAudit: 通过配对轨迹审计实现无真实反馈的技能进化
机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, CAS（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出SkillAudit框架，通过配对轨迹审计和过程对齐对比评估，无需真实反馈即可进化智能体技能，在89个任务中平均奖励达73.9%。
Comments 20 pages, 5 figures
数值分析的形式化：超越内核接受的智能体流水线与质量审计
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.AI
AI总结 提出一种编码智能体流水线，将数值分析教材形式化为Lean 4代码，并引入三维质量评估框架（语义正确性、Mathlib复用、跨文件复用），发现编译通过掩盖了不忠实的形式化模式。
ADORE: 基于检索反馈的迭代查询扩展
机构 * University of Waterloo（滑铁卢大学） ； Mila – Quebec AI Institute（魁北克人工智能研究所） ； University of Toronto（多伦多大学） ； University of California, Berkeley（加州大学伯克利分校）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.CL
AI总结 提出ADORE框架，通过迭代生成伪段落、检索语料库并评估相关性，利用检索反馈指导查询扩展，显著提升检索性能。
一种面向自主上下文感知数据质量评估的智能体检索框架
机构 * University of Sciences and Arts in Lebanon（利比亚科学与艺术大学） ； Saint-Joseph University of Beirut（贝鲁特圣约瑟夫大学）
专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 提出一种智能体检索框架，通过多智能体工作流理解数据使用意图、推导上下文感知评估策略并生成可执行验证逻辑，引入可行性验证阶段确保可靠性，实验表明能自适应不同使用场景并减少不可执行规则。
Comments 26 pages, 18 figures, Submitted to the International Journal of Intelligent Information and Database Systems
超越评分标准：面向奖励建模的探索引导评估技能
机构 * Zhejiang University（浙江大学） ； Xiaohongshu Inc.（小红书公司）
专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.CL
AI总结 提出Eval-Skill方法，通过探索引导合成可复用的领域级评估技能，以替代每查询生成评分标准，在RewardBench 2上使Qwen3-8B和DeepSeek-V4-Flash分别提升13.44%和18.51%。
Comments 24 pages, 6 images
MineExplorer: 评估MLLM智能体在Minecraft中的开放世界探索能力
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Meituan（美团）
专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 提出MineExplorer基准，通过多智能体合成工作流构建隐式多跳任务，评估多模态大语言模型在Minecraft中的开放世界探索能力，发现长轨迹协调仍是挑战。
Comments Working in progress
FineDialFact：细粒度对话事实验证基准
专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 针对对话系统幻觉检测中事实标签粗粒度的问题，提出细粒度对话事实验证基准FineDialFact，基于公开数据集构建并评估多种基线方法，实验表明思维链推理可提升性能，但最佳F1仅0.74，任务仍具挑战性。
GitHub 模板仓库：服务领域、维护与从业者指南
专题命中 评测与基准 ：LLM(abstract,abstract_cn)
AI总结 通过对五种主流编程语言的 GitHub 模板仓库进行大规模实证研究，分析了模板的服务领域、维护特征及质量问题，并提出了设计和管理模板的实用指南。
Comments 12 pages, 3 figures
GarmentSketch：大规模草图到时尚基准
专题命中 评测与基准 ：large language model(abstract)；language model(abstract)
AI总结 为解决时尚草图到图像合成缺乏大规模配对数据的问题，构建了包含26249对草图-文本描述的GarmentSketch数据集，并基于多模态大模型与人工精炼生成描述，评估了现有生成模型的性能。
Comments ICCCI 2026. Project page: https://khangbdd.github.io/garmentsketch
EmoMind：从人类大脑fMRI信号解码情感描述
机构 * Department of Biomedical Engineering（生物医学工程系） ； Vanderbilt University（范德比大学） ； Research Institute of Electrical Communication（电气通信研究所） ； Tohoku University（东北大学） ； University of Florida（佛罗里达大学）
专题命中 评测与基准 ：language model(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文提出EmoMind，首个端到端解码fMRI信号生成情感描述的系统，通过结合语义基础的中性场景描述和连续情感向量，实现了在内容保留与情感表达间的平衡，并在多个验证框架下优于基于标签提示的GPT-4。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈