语言大模型 / LLM

Algorithmic Prompt Generation for Diverse Human-like Teaming and Communication with Large Language Models

面向多样化类人团队协作与通信的算法化提示生成与大型语言模型

Siddharth Srikanth, Varun Bhatt, Boshen Zhang, Werner Hager, Charles Michael Lewis, Katia P. Sycara, Aaquib Tabrez, Stefanos Nikolaidis

机构 * Thomas Lord Department of Computer Science, University of Southern California（美国南加州大学汤姆·劳德计算机科学系） ； School of Computing and Information, University of Pittsburgh（美国匹兹堡大学计算与信息学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学西伯利机械与航空航天工程学院） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 结合质量多样性优化与LLM代理，自动搜索生成多样化团队行为的提示，捕获人类协作与通信策略，并通过用户研究验证其类人性。

Like a Hammer, It Can Build, It Can Break: Large Language Model Uses, Perceptions, and Adoption in Cybersecurity Operations on Reddit

像锤子一样，它能建造，也能破坏：Reddit上网络安全运营中大语言模型的使用、认知与采纳

Souradip Nath, Chih-Yi Huang, Aditi Ganapathi, Kashyap Thimmaraju, Jaron Mink, Gail-Joon Ahn

机构 * Arizona State University（亚利桑那州立大学） ； Technische Universität Berlin（柏林技术大学） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.AI

AI总结 通过对Reddit网络安全论坛892篇帖子进行混合方法分析，研究安全从业者使用LLM工具的模式、认知和采纳情况，发现LLM主要用于低风险、生产力导向任务，企业级安全平台受关注，但可靠性、验证开销和安全问题限制了其自主性。

Comments This paper appears in the Proceedings of the Twenty-Second Symposium on Usable Privacy and Security (SOUPS) 2026

Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems

在位优势：LLM推荐系统中的品牌偏见与认知操纵动态

Xi Chu, Yupeng Hou

机构 * Trine University（特莱恩大学） ； Texas A&M University（德克萨斯农工大学） 纠错

专题命中 领域大模型 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 研究LLM推荐中的品牌动态，发现知名品牌在同等规格下获100%推荐（IAI=10.0），但微弱评分优势可打破垄断；权威营销语言（如虚假临床证据）以+0.17评分点的偏差剩余价值打破垄断；多品牌GEO竞争存在社会困境，集体优化降低个体收益。

Comments 16 pages, 4 figures, 11 tables

Fairness in LLM-Generated Surveys

LLM生成调查中的公平性

Andrés Abeliuk, Vanessa Gaete, Naim Bro

机构 * Department of Computer Science, University of Chile（智利大学计算机科学系） ； National Center for Artificial Intelligence (CENIA)（国家人工智能中心） ； School of Government, Adolfo Ibáñez University（阿道弗·伊巴涅斯大学政府学院） ； Millennium Institute for Foundational Research on Data (IMFD)（数据基础研究千年研究所） 纠错

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

AI总结 研究分析了LLM在不同人口中的表现，发现其在美国数据集上表现更优，但存在因训练数据偏见导致的公平性问题，提出新的测量框架以提升模型公平性。

Journal ref EPJ Data Science (2026)

AUTOGATE: Automated Clock Gating via Toggling-Aware LLM-based RTL Rewriting

AUTOGATE：基于翻转感知的LLM驱动RTL重写的自动时钟门控

Yiting Wang, Chenhui Deng, Chia-Tung Ho, Yanqing Zhang, Zhuo Feng, Cunxi Yu, Ang Li, Gang Qu, Brucek Khailany

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； NVIDIA（英伟达） 纠错

专题命中 领域大模型 ：LLM(title,title_cn)；分类 cs.AI、cs.LG

AI总结 提出AUTOGATE框架，通过ML-LLM协同设计将波形翻转迹线转化为紧凑表示，指导LLM进行RTL重写，实现层次化代码库中的时钟门控优化，平均降低动态功耗49.31%。

Comments 9 pages, 6 figures, 7 tables

Using Cognitive Models to Improve Language Model Simulation of Human Persuasion Games

使用认知模型改进语言模型对人类说服博弈的模拟

Zirui Cheng, Zeyu Shen, Thomas L. Griffiths, Peter Henderson

机构 * Princeton University（普林斯顿大学） 纠错

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

AI总结 提出方程到行为提示和强化学习方法，使语言模型匹配认知模型（如贝叶斯更新、动机推理），在说服博弈中提升模拟人类决策多样性的能力。

The Slop Paradox: How Synthetic Standardization Erodes Clinical Uncertainty and Cross-Modal Alignment in AI-Rewritten Radiology Reports

Slop悖论：合成标准化如何侵蚀AI重写放射学报告中的临床不确定性和跨模态对齐

Samar Ansari

机构 * School of Computing and Engineering Sciences, University of Chester（切斯特大学计算与工程科学学院） 纠错

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

AI总结 本研究通过控制实验测量AI重写放射学报告导致的信息退化，发现电子健康记录摘要虽破坏内容但保留图像-文本对齐，而标准化重写和教学病例准备则相反，造成更大对齐损失，称为slop悖论。

When Rules Learn: A Self-Evolving Agent for Legal Case Retrieval

当规则学习时：一种用于法律案例检索的自演化智能体

Mingxu Tao, Jiawei Hu, Xian Zhou, Wenpeng Hu, Jiajun Cheng, Yunbo Cao, Zhunchen Luo, Guotong Geng

机构 * Center of Information Research, AMS（AMS信息研究中心） ； Discipline and Technology Research Center for Large Model Intelligence Applications（大模型智能应用学科与技术研究中心） ； Hebei University of Engineering（河北工程大学） 纠错

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

AI总结 提出一种自演化框架，通过LLM智能体自动生成并优化查询重写规则，无需参数训练即可增强BM25在法律案例检索中的性能。

Comments To appear in ACL 2026

RooseBERT: A New Deal For Political Language Modelling

RooseBERT: 政治语言建模的新协议

Deborah Dore, Elena Cabrio, Serena Villata

机构 * Université Côte d’Azur CNRS, INRIA, I3S Sophia Antipolis, France（法国尼斯大学 CNRS INRIA I3S 索菲亚Antipolis 分校） 纠错

专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 针对政治语言特殊性，提出领域预训练模型RooseBERT，在大型政治辩论语料上训练，在多项政治分析任务中优于通用模型。

ZeroSyl: Simple Zero-Resource Syllable Tokenization for Spoken Language Modeling

ZeroSyl: 用于口语语言建模的简单零资源音节分词

Nicol Visser, Simon Malan, Danel Slabbert, Herman Kamper

机构 * Electrical and Electronic Engineering, Stellenbosch University, South Africa（斯瓦兹堡大学电子与电气工程系，南非） 纠错

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

AI总结 提出ZeroSyl，一种无需训练的方法，直接从冻结的WavLM模型中提取音节边界和嵌入，实现竞争性的音节分割性能，并在词汇、句法和叙事基准上优于先前方法。

Comments Accepted to Interspeech 2026

MedicalAgentsBench for Complex Medical Reasoning: Comparing Internalized Reasoning Models versus Externalized Agent-based Frameworks

MedicalAgentsBench：复杂医学推理基准——比较内化推理模型与外化智能体框架

Yanjun Shao, Xiangru Tang, Jiwoong Sohn, Jiapeng Chen, Yuxuan Liao, Jiayi Zhang, Jinyu Xiang, Fang Wu, Yilun Zhao, Chenglin Wu, Wenqi Shi, Arman Cohan, Mark Gerstein

机构 * Program in Computational Biology & Biomedical Informatics, Yale University（计算生物学与生物医学信息学项目，耶鲁大学） ； Department of Biomedical Informatics & Data Science, Yale University（生物医学信息学与数据科学系，耶鲁大学） ； Department of Computer Science, Yale University（计算机科学系，耶鲁大学） ； Department of Biosystems Science and Engineering, ETH Zurich（生物系统科学与工程系，苏黎世联邦理工学院） ； Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； Department of Bioinformatics, UT Southwestern Medical Center（生物信息学系，德克萨斯西南医学中心） 纠错

专题命中 领域大模型 ：LLM(abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 提出MedicalAgentsBench基准（862个复杂临床问题），比较内化推理模型与外化智能体框架在医学推理中的表现，发现两者效果可叠加，最优组合为o3-mini+MDAgents（准确率35.1%）。

Comments https://github.com/gersteinlab/MedicalAgentsBench

Million-scale multimodal pollen microscopy with expert-guided foundation models

百万级多模态花粉显微镜图像与专家引导的基础模型

András Biricz, Björn Gedda, Donát Magyar, Antonio Spanu, János Fillinger, Péter Pollner, István Csabai

机构 * Department of Physics of Complex Systems, ELTE Eötvös Loránd University（ELTE罗兰大学复杂物理系） ； The Palynological Laboratory at the Swedish Museum of Natural History（瑞典自然历史博物馆孢粉学实验室） ； National Centre for Public Health and Pharmacy（国家公共卫生与药品中心） ； INRAE, UR 546 BioSP, Site Agroparc（法国国家农业、食品与环境研究院，UR 546 BioSP，阿格罗帕克园区） ； National Korányi Institute for Pulmonology（国家科拉尼肺病研究所） ； Health Data Science and AI Knowledge Centre, Health Services Management Training Centre, Faculty of Health and Public Administration, Semmelweis University（塞梅维什大学健康与公共管理学院卫生服务管理培训中心健康数据科学与人工智能知识中心） ； Department of Biological Physics, ELTE Eötvös Loránd University（ELTE罗兰大学生物物理系） 纠错

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

AI总结 提出百万级多模态花粉显微镜数据集Pollen AI Atlas，结合专家引导的视觉-语言模型生成形态描述，实现跨区域、跨设置的高精度花粉识别与检索。

Comments 31 pages, 5 main figures, supplementary information included. Submitted to Scientific Reports

UoU: A Universal Fingerprint Foundation Model Based on Large-Scale Unsupervised Learning

UoU：基于大规模无监督学习的通用指纹基础模型

Xiongjun Guan, Jianjiang Feng, Jie Zhou

机构 * Department of Automation, Tsinghua University（清华大学自动化系） 纠错

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

AI总结 提出UoU指纹基础模型，通过多级表示层次和结合监督、弱监督与无监督的训练策略，实现跨传感器、质量和应用的通用特征提取。

The Measurement Gap in the Automation of EU Law: Benchmarking Doctrinal Legal Reasoning under the EU AI Act

欧盟法律自动化中的测量差距：欧盟AI法案下教义性法律推理的基准测试

Michèle Finck

机构 * Chair of Law and Artificial Intelligence and Director, CZS Institute for Artificial Intelligence and Law, University of Tübingen（法律与人工智能教授、人工智能与法律研究所主任，图宾根大学） 纠错

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

AI总结 针对当前缺乏评估大型语言模型进行教义性法律推理的基准，提出该能力对满足欧盟AI法案中“适当准确性”要求至关重要。

PseudoBench: Measuring How Agentic Auto-Research Fuels Pseudoscience

PseudoBench: 衡量自主研究如何助长伪科学

Xinyang Liao, Lingyu Li, Huacan Liu, Tianle Gu, Yang Yao, Tong Zhu, Yan Teng, Yingchun Wang

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Xi’an Jiao Tong University（西安交通大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 提出PseudoBench基准，通过200个伪科学声明-证据对评估AI代理识别和抵制伪科学的能力，发现当前系统极易生成有说服力的伪科学报告，拒绝率接近零。

Comments 26 pages, 21 figures

CyberEvolver: Structured Self-Evolution for Cybersecurity Agents On the Fly

CyberEvolver：面向网络安全代理的即时结构化自我进化

Yihe Fan, Changyi Li, Lichen Xu, Xudong Pan, Jiarun Dai, Hong Geng, Min Yang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Pudong Research Institute of Cryptology（上海浦东密码研究院） 纠错

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

AI总结 提出CyberEvolver框架，通过四层可进化架构、痕迹诊断机制和种群波束搜索，实现网络安全代理基于失败经验的支架自我进化，平均成功率提升13.6%。

IndustryBench-MIPU: Benchmarking Multi-Image Attribute Value Extraction for Industrial Products

IndustryBench-MIPU：面向工业产品的多图像属性值提取基准

Haonan Qi, Jin Cao, Yongqi Zhang, Xintong Wang, Weidong Tang, Bin Chen, Chengfu Huo, Haojun Pan, Hengyu You, Jing Li, Yingde Wang, Liang Ding

机构 * Multimodal and Industrial AI Team（多模态与工业AI团队） ； Taobao&Tmall, Alibaba Group（淘宝&天猫，阿里巴巴集团） 纠错

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

AI总结 提出首个多图像工业产品理解基准IndustryBench-MIPU，通过结构化属性提取任务评估多模态大模型在规格表、铭牌、技术图纸上的文本识别、视觉推理、领域知识和跨图像证据整合能力，发现多图像完整性是核心瓶颈。

Informative Missingness to Generate Irregular Clinical Time Series

信息性缺失生成不规则临床时间序列

Hadi Mehdizavareh, Gabriele Santangelo, Giovanna Nicora, Simon Lebech Cichosz, Arianna Dagliati, Arijit Khan, Riccardo Bellazzi

机构 * Aalborg University（奥尔堡大学） ； University of Pavia（帕维亚大学） ； Bowling Green State University（博林格林州立大学） 纠错

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

AI总结 提出基于扩散的临床时间序列生成方法，联合建模实验室值和观察模式，在DACMI基准上验证，能捕获生理与检测行为间的临床依赖。

Under What Conditions Can a Machine Be Called Genuinely Creative?

机器在何种条件下能够真正具有创造力？

Yong Zeng

机构 * Concordia University（康考迪亚大学） 纠错

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

AI总结 本文基于Designics理论，提出机器真正创造力需满足十个要求，并通过实例论证其计算可行性，同时指出当前生成式AI系统尚不具备真正创造力。