语言大模型 / LLM

TokenMinds: Pretrained User Tokens and Embeddings for User Understanding in Large Recommender Systems

TokenMinds: 用于大型推荐系统中用户理解的预训练用户令牌和嵌入

Qingyun Liu, Bo Yan, Yang Liu, Yuji Roh, Ekansh Sharma, Likang Yin, Emma Olowo, Min-hsuan Tsai, Yuxuan Li, Diego Uribe, Saksham Aggarwal, Siqi Wu, Yuan Hao, Vikas Kedigehalli, Lukasz Heldt, Lichan Hong, Li Wei, Xinyang Yi

机构 * Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 提出TokenMinds系统，通过编码器-解码器架构生成基于语义ID的离散用户令牌和稠密嵌入，实现互补优势，并在YouTube全流量部署验证其工业可行性。

The Epi-LLM Framework: probing LLM behavioral priors through epidemiological agent-based models

Epi-LLM框架：通过流行病学基于智能体的模型探究LLM行为先验

Petra Ferencz, Ava Keeling, Tobias O'Keefe, Lorenzo Stigliano, Francesco Di Lauro, Andres Colubri, Jasmina Panovska-Griffiths

机构 * Big Data Institute, Li Ka Shing Center for Health Information and Discovery, University of Oxford, Oxford, United Kingdom（大数据研究所、李嘉诚健康信息与发现中心、牛津大学、牛津、英国） ； Leverhulme Centre for Demographic Science, Nuffield Department of Population Health, University of Oxford, Oxford, United Kingdom（勒弗赫姆人口科学中心、努尔菲尔德人口健康系、牛津大学、牛津、英国） ； Pandemic Sciences Institute, Nuffield Department of Medicine, University of Oxford, Oxford, United Kingdom（流行病学科学研究所、努尔菲尔德医学系、牛津大学、牛津、英国） ； Department of Genomics and Computational Biology, UMass Chan Medical School, United States（基因组与计算生物学系、UMass Chan医学学校、美国） ； Broad Institute of Harvard and MIT, United States（哈佛大学和麻省理工学院Broad研究所、美国） ； The Queen’s College, University of Oxford, Oxford, United Kingdom（女王学院、牛津大学、牛津、英国） 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 提出Epi-LLM框架，整合基于智能体的建模、真实流行病游戏和大语言模型，模拟疫情中智能体行为，发现LLM智能体减少峰值感染，感知健康严重性是隔离行为最强预测因子，且LLM架构影响疫情动态。

Comments Submitted to American Journal of Epidemiology

What Intermediate Layers Know: Detecting Jailbreaks from Entropy Dynamics

中间层知道什么：从熵动力学检测越狱

Sofiia Nikolenko, Michele Papucci, Mina Rezaei, Shireen Kudukkil Manchingal

机构 * LMU Munich（慕尼黑大学） ； relAI – Konrad Zuse School of Excellence in Reliable AI（relAI – 康拉德·楚泽可靠人工智能卓越学校） ； University of Pisa（比萨大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； School of Engineering, Computing and Mathematics, Oxford Brookes University（牛津布鲁克斯大学工程、计算与数学学院） 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、cs.AI、cs.LG

AI总结 通过分析冻结LLM各层的token级预测熵轨迹，发现中间层的熵动力学特征（如基于排名的单调趋势分数）能有效检测越狱攻击，且无需额外训练。

Comments Accepted at the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD) 2026. A short version accepted at EIML@ICML 2026

Rethinking Technology Stack Selection with AI Coding Proficiency

重新思考基于AI编程能力的技术栈选择

Xiaoyu Zhang, Weipeng Jiang, Shiqing Ma, Qingshuang Bao, Chenhao Lin, Chao Shen, Tianlin Li, Juan Zhai

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

AI总结 提出AI编程能力概念，通过170个第三方库和6个LLM的实证研究发现，相似功能的库在LLM生成代码质量上差异高达84%，呼吁将AI编程能力纳入技术选择框架。

Comments 13 pages

Perfect Detection, Failed Control: The Geometry of Knowing vs. Steering in Language Models

完美检测，控制失败：语言模型中知道与引导的几何学

Cosimo Galeone, Anna Ettorre, Minsu Park, Giuseppe Ettorre, Daniele Ligorio

机构 * Alomana 纠错

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

AI总结 通过几何角度测量发现，语言模型中检测行为的表示方向与控制行为的方向存在显著偏差（余弦值约0.12），表明检测不等于可控性，且该偏差源于预训练。

Uncertainty-aware reinforcement learning for chemical language models

面向化学语言模型的不确定性感知强化学习

Borja Medina, Jon Paul Janet

机构 * Molecular AI, Discovery Sciences, BioPharmaceuticals R&D（分子人工智能、发现科学、生物制药研发） 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 提出两种将预测不确定性融入强化学习的方法，使化学语言模型更稳健地探索化学空间，在保持分子得分的同时将真实命中率从0.5提升至0.75。

Exposing the Illusion of Erasure in Knowledge Editing for LLMs

揭露大语言模型知识编辑中的擦除幻象

Advik Raj Basani, Anshuman Chhabra

机构 * Birla Institute of Technology and Science, Goa（比拉理工学院与科学学院，果阿校区） ； University of South Florida（南佛罗里达大学） 纠错

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

AI总结 本文从对抗性诱发角度揭示知识编辑并未真正擦除旧知识，而是将其重新分布并抑制表达，且易受间接提示和对抗攻击，证明知识编辑算法本质上可被绕过。

Comments Preprint, 26 pages + 22 figures

LibEvoBench: Probing Temporal Knowledge Stratification in Code Generation Models

LibEvoBench：探测代码生成模型中的时间知识分层

Daniele Cipollone, Sergey Titov, Maliheh Izadi, Egor Bogomolov, Arie van Deursen

机构 * Faculty of EEMCS, Delft University of Technology, Delft, Netherlands（代尔夫特理工大学电子工程与信息科学学院） ； JetBrains Research, Amsterdam, Netherlands（JetBrains研究） 纠错

专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract_cn)；分类 cs.AI

AI总结 针对LLM在代码生成中因训练数据时间混合导致API版本混淆的问题，提出多版本基准LibEvoBench和新指标SEUS，揭示模型对版本不敏感且仅靠文档可提升准确性。

Comments Accepted at the DL4Code workshop at ICML 2026

Speech Codec Probing from Semantic and Phonetic Perspectives

从语义和语音角度探测语音编解码器

Xuan Shi, Chang Zeng, Tiantian Feng, Shih-Heng Wang, Jianbo Ma, Shrikanth Narayanan

机构 * University of Southern California（南加州大学） ； Dolby Laboratories（杜比实验室） 纠错

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

AI总结 本文通过三项任务系统分析多种语音分词器编码的信息，发现当前分词器主要捕获语音结构而非词汇语义，为下一代语音分词方法设计提供指导。

Comments Accepted by Interspeech 2026

Evidence for feature-specific error correction in LLMs

LLMs中特征特定误差校正的证据

Francisco Ferreira da Silva, Stefan Heimersheim

机构 * Pivotal Research（Pivotal研究院） 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.LG

AI总结 通过激活扰动实验，发现LLMs的残差流激活对沿特征方向（对比对构造的“纯”方向）的扰动更鲁棒，且扰动效应满足p>2的Lp范数，表明存在特征特定的误差校正机制。

Comments 13 pages, 11 figures

Jolia: Concept-Level Vision-Language Alignment for 3D CT Contrastive Learning

Jolia: 用于3D CT对比学习的概念级视觉-语言对齐

Julien Khlaut, Charles Corbière, Baptiste Callard, Amaury Prat, Leo Butsanets, Antoine Saporta, Théo Danielou, Leo Machado, Korentin Le Floch, Tom Boeken, Pierre Manceron, Corentin Dancette

机构 * Raidium ； Department of Vascular and Oncological Interventional Radiology, Hôpital Européen Georges Pompidou, AP-HP（欧洲乔治·蓬皮杜医院血管与肿瘤介入放射科，AP-HP） ； Faculté de Santé, Université Paris-Cité（巴黎西岱大学健康学院） ； HEKA, INRIA（HEKA，法国国家信息与自动化研究所） ； Imaging Department, Fondation Ophtalmologique Adolphe de Rothschild（阿道夫·罗斯柴尔德眼科基金会影像科） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)；pretraining(abstract)

AI总结 提出ConQuer方法，通过概念查询将报告拆分为特定概念部分，学习交叉注意力查询以匹配图像特征，实现概念级对齐，在胸部与腹部CT上训练的Jolia模型在多项任务中超越CLIP基线。

What's in an Earth Embedding? An Explainability Analysis of Location Encoders

地球嵌入中有什么？位置编码器的可解释性分析

Livia Betti, Sebastian Ricke, Ivica Obadic, Adam J. Stewart, Esther Rolf

机构 * University of Colorado Boulder（科罗拉多大学博尔德分校） ； Technical University of Munich（慕尼黑工业大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)；分类 cs.LG

AI总结 通过稀疏自编码器、自然语言概念和视觉特征分解地理隐式神经表示的位置嵌入，揭示其编码的可解释地理结构。

Frequency-Aware Self-Supervised Music Representation Learning

频率感知的自监督音乐表示学习

Yicheng Gu, Junan Zhang, Jerry Li, Zhizheng Wu, Lauri Juvela

机构 * Spellbrush ； Acoustic Lab, Department of Information and Communications Engineering (DICE), Aalto University（阿尔托大学信息与通信工程系声学实验室） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)

AI总结 提出PupuJEPA，一种直接在2D频谱图上训练的视觉联合嵌入预测架构，通过预测掩码补丁的潜在嵌入学习鲁棒表示，在MARBLE基准上线性探测优于1D序列SSL模型。

Comments Submitted to TASLP

TruncProof: A Guardrail for LLM-based JSON Generation under Token-Length Constraints

TruncProof: 一种用于在令牌长度限制下基于LLM的JSON生成的防护机制

Yoshio Kato, Shuhei Tarashima

机构 * NTT DOCOMO BUSINESS, Inc., Japan（NTT DOCOMO商务公司，日本） 纠错

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

AI总结 本文提出TruncProof，一种基于文法约束的生成方法，使LLM在限定令牌数下生成语法正确的JSON。实验表明其在严格令牌限制下仍能生成语法正确且语义准确的输出。

Comments Main paper (8 pages). Accepted at the International Joint Conference on Neural Networks (IJCNN 2026)

Partial Identification from LLM Prompts

从LLM提示中的部分识别

Xiaohong Chen, Ashesh Rambachan, Elie Tamer

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

AI总结 研究利用大语言模型作为二元分类器时，在真实标签未知且报告误差可能任意相关的情况下，通过外部校准分数和事件来部分识别真实流行度θ，并刻画识别边界。

Comments 31 PAGES TOTAL. NO FIGURES

Shared Doubt: Zero-Shot Cross-Lingual Confidence Estimation for Language Models

共享疑虑：语言模型的零样本跨语言置信度估计

Athina Kyriakou, Dennis Ulmer, Ivan Titov

机构 * ILLC, University of Amsterdam（阿姆斯特丹大学ILLC） ； ILCC, University of Edinburgh（爱丁堡大学ILCC） 纠错

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

AI总结 研究多语言大语言模型是否编码共享的、可跨语言迁移的置信度特征，通过轻量级线性探针从中间表示直接预测答案正确性，实现零样本跨语言泛化，并发现置信度特征集中在中间层。

Semantic Consistency Policy Optimization for Reinforcement Learning of LLM Agents

语义一致性策略优化：用于LLM智能体强化学习

Peng Xu, Sijia Chen, Junzhuo Li, Xuming Hu

机构 * 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(title,title_cn)；分类 cs.AI、cs.LG

AI总结 针对基于组的强化学习中语义一致的中间步骤因轨迹成败获得相反信用的问题，提出无价值奖励塑造方法SCPO，通过从组内成功兄弟步骤恢复信用，在ALFWorld和WebShop上达到93.7%和74.8%的成功率。

Comments 16 pages, 7 figures, 5 tables. Under review at EMNLP 2026

On the Viability of Requirements Generation From Code: An Experience Report

从代码生成需求的可行性：经验报告

Alexander Korn, Jone Bartel, Max Unterbusch, Andreas Vogelsang

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

AI总结 本文通过实验评估基于LLM和RAG的代理方法从源代码生成需求，发现LLM无法可靠生成未实现需求、高质量需求或引入需求气味，且单一人工难以检测气味，表明该方法尚不可行。

Comments Accepted for publication at the 13th International Workshop on Artificial Intelligence and Requirements Engineering (AIRE'26)

Paid Voices vs. Public Feeds: Interpretable Cross-Platform Theme-Based Analysis of Climate Discourse

付费声音 vs. 公共信息流：可解释的跨平台主题式气候话语分析

Samantha Sudhoff, Pranav Perumal, Zhaoqing Wu, Tunazzina Islam

机构 * Department of Computer Science, Purdue University（普渡大学计算机科学系） 纠错

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、cs.LG

AI总结 提出可解释的主题发现流程，通过语义聚类和LLM标注，比较Meta付费广告与Bluesky公共帖子中的气候话语，发现两者在主题、语气和焦点上存在系统性差异。

Hybrid Metadata Extraction from League of Nations Index Cards: From Feasibility Study to Archival System Integration

国联索引卡片的混合元数据提取：从可行性研究到档案系统集成

Florian Cafiero, Grégoire Mallard

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

AI总结 提出混合AI工作流从国联索引卡片中提取并整合档案元数据，结合YOLO、TrOCR、本地LLM后校正及微调视觉语言模型，实现从布局感知管道到混合架构的演进。

Does Translation-Enhanced Speech Encoder Pre-training Affect Speech LLMs?

翻译增强的语音编码器预训练是否影响语音大语言模型？

Tomoya Mizumoto, Yusuke Fujita

机构 * SB Intuitions 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 研究翻译增强的语音编码器预训练对语音大语言模型的影响，通过实验证明该方法能改善跨模态整合并提升下游任务性能。

Comments Accepted to Interspeech2026

Beyond Next-Observation Prediction: Agent-Authored World Modeling for Sequential Decision Making

超越下一观测预测：面向序贯决策的智能体自创世界建模

Guangfeng Cai, Kaibing Yang, Shuo He, Yu Li, Shengtian Yang, Jiaqi Lv, Lei Feng

机构 * Southeast University（东南大学） ； Meituan（美团） 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 提出智能体自创世界建模（AAWM），根据策略决策需求构建训练目标，而非预测下一观测，实验证明其比下一观测预测提供更有效的学习信号。

Comments 16 pages, 4 figures, 6 tables

Steering Vision-Language Models with Joint Sparse Autoencoders

用联合稀疏自编码器引导视觉-语言模型

Huizhen Shu, Xuying Li, Hongxu Lin, Wenjie Sun, Hui Li

机构 * yunshanai（云山AI） ； HKUST(Guangzhou)（香港科技大学（广州）） ； Zidongtaichu（紫东太初） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

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

AI总结 提出联合稀疏自编码器（JSAE），通过显式对齐约束联合分解视觉和语言激活，得到可解释的跨模态特征，并在LLaVA等模型上验证了层依赖的干预效果。

Comments 19pages,10 figures

The cognitive, affective, and behavioral expression of self-stigma among people who use drugs in online substance use communities

药物使用在线社区中药物使用者的自我污名认知、情感和行为表达

Layla Bouzoubaa, Hyung Wook Choi, Milan Varghese, Valerie Earnshaw, Rezvaneh Rezapour

机构 * Department of Information Science, Drexel University（德雷塞尔大学信息科学系） ； Department of Human Development and Family Sciences, University of Delaware（特拉华大学人类发展与家庭科学系） 纠错

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

AI总结 本研究开发了涵盖认知、情感和行为三个领域的自我污名编码本，利用大语言模型分析Reddit帖子，发现自我污名普遍存在且行为指标常先于核心指标出现，挑战了渐进模型。

A Low-Code Approach for the Automatic Personalization of Conversational Agents

一种低代码方法用于对话代理的自动个性化

Aaron Conrardy, Alfredo Capozucca, Jordi Cabot

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

AI总结 通过系统文献综述，研究MDE领域用户建模现状，发现现有提案分散且维度覆盖有限，提出应建立统一可重用用户模型并利用ML自动推导用户画像以实现个性化。

Comments Published in the main track of the International Conference on Web Engineering (ICWE 2026)

Real-Time Voice AI Hears but Does Not Listen

实时语音AI能听到但不倾听

Martijn Bartelds, Federico Bianchi, James Zou

机构 * Together AI ； Stanford University（斯坦福大学） 纠错

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

AI总结 评估四个领先实时语音系统，发现它们依赖文字而非声学线索，在情感理解上存在感知与行动脱节，提示需谨慎用于依赖语调的场景。

Black-Box Assisted Regression: Phase Transitions and Minimax Optimality

黑盒辅助回归：相变与极小化最优性

Yan Zhou

机构 * School of Mathematics and Statistics（数学与统计学学院） 纠错

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

AI总结 研究有限标注下利用固定黑盒预测器进行非参数回归的问题，发现风险在临界半径处发生相变，并提出安全残差估计器以避免负迁移，达到极小化最优。

Comments 23 pages, 3 figures. Accepted at the 43rd International Conference on Machine Learning (ICML 2026)

Journal ref Proceedings of the 43rd International Conference on Machine Learning, PMLR 306, 2026

ZeroWBC: Learning Natural Whole-Body Humanoid Interaction from Human Egocentric Data

ZeroWBC: 从人类自我中心数据学习自然全身人形交互

Haoran Yang, Jiacheng Bao, Yucheng Xin, Haoming Song, Yuyang Tian, Bin Zhao, Dong Wang, Xuelong Li

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Northwestern Polytechnical University（西北工业大学） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） ； TeleAI, China Telecom（TeleAI，中国电信） 纠错

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

AI总结 提出ZeroWBC框架，利用人类自我中心视频和同步全身运动数据，通过生成-跟踪方法实现无遥操作的人形机器人全身交互控制。

Glossy Silicate Clouds on the Scorched Dayside of LTT9779b

LTT9779b灼热昼侧的硅酸盐云

Suman Saha, James S. Jenkins, Jonathan Brande, Reza Ashtari, Ian J. M. Crossfield, Sarah Stamer, Diana Dragomir, Kevin B. Stevenson, Vivien Parmentier, Thomas M. Evans-Soma, Tansu Daylan, Hayley Beltz, Emma Esparza-Borges

专题命中 其他LLM ：prompting(abstract)

AI总结 利用JWST NIRISS和NIRSpec/GH95观测，首次在LTT9779b昼侧以3-5σ置信度探测到硅酸盐云，并发现高反射云层而非高金属丰度是其高光学反照率的原因。

Comments 18 pages, 11 figures, 2 tables. Accepted for publication in ApJ Letters