语言大模型 / LLM

NeuroCogMap Reveals Cognitive Organization of Large Language Models

NeuroCogMap揭示大语言模型的认知组织

Zhongxiang Sun, Haolang Lu, Qiang Ma, Qi Li, Qipeng Wang, Liang Pang, Chenyu Liu, Qiankun Li, Hao Sun, Kun Wang, Yi Zeng, Jun Xu, Guoqi Li, Ji-Rong Wen

机构 * The University of Hong Kong（香港大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（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） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； IGS, Imperial College London（伦敦帝国理工学院IGS） 纠错

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

AI总结 提出神经认知地图框架，将LLM内部特征组织为功能分区，揭示其与认知能力、行为失败及人类大脑皮层的对应关系。

Comments 79 pages, 6 main figures, 5 extended figures

Large language models replicate and predict human cooperation across experiments in game theory

大型语言模型在博弈论实验中复制并预测人类合作行为

Andrea Cera Palatsi, Samuel Martin-Gutierrez, Ana S. Cardenal, Max Pellert

机构 * Department for Computational Social Sciences and Humanities, Barcelona Supercomputing Center（巴塞罗那超级计算中心计算社会科学与人文学系） ； Grupo de Sistemas Complejos, Universidad Politécnica de Madrid（马德里理工大学复杂系统研究组） ； School of Law and Political Science, Universitat Oberta de Catalunya（加泰罗尼亚开放大学法律与政治科学学院） 纠错

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

AI总结 本研究通过复制大规模博弈实验，发现Llama模型能高保真复现人类合作模式，而Qwen更接近纳什均衡，并揭示了Llama的注意力机制与人类行为对齐的机理。

Humanizing Automatically Generated Unit Test Suites with LLM-Based Refactoring

基于LLM重构的自动生成单元测试套件人性化

Wendkûuni C. Ouédraogo, Yinghua Li, Xueqi Dang, Paweł Borsukiewicz, Liang Xiao, Lingfeng Bao, Anil Koyuncu, Jacques Klein, David Lo, Tegawendé F. Bissyandé

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)

AI总结 提出TestHumanizer混合方法，利用LLM对SBST生成的测试套件进行受控重构，提升可读性和可维护性，同时保持编译和覆盖率，实验表明重构后编译率接近100%，可读性显著提升。

A Mechanistic View of Authority Hierarchy in LLM Sycophancy

LLM 谄媚中权威层级的机制性视角

Emil Joswin, Srujananjali Medicherla, Priyanka Mary Mammen

机构 * Independent Research（独立研究） 纠错

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

AI总结 通过受控医疗QA实验，发现LLM按感知权威程度分级响应，机制是特定后期层中正确答案表征被权威信号主动擦除，且该擦除与权威水平成比例、抵抗均值向量干预、仅部分可逆。

A Geometric Perspective on Composable Emotion Steering in Text-to-Speech Models

文本到语音模型中可组合情感操控的几何视角

Siyi Wang, James Bailey, Ting Dang

机构 * The University of Melbourne, Australia（墨尔本大学） 纠错

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

AI总结 通过线性探测和局部本征维度分析语音语言模型与条件流匹配模块的情感表示几何特性，发现SLM具有低维情感子空间和强解耦能力，而CFM因说话人-情感纠缠导致跨说话人泛化差，联合操控增强情感强度但降低比例控制和语音质量。

PRA-RAG: Provably Robust Aggregation in Retrieval-Augmented Generation against Retrieval Corruption

PRA-RAG：检索增强生成中针对检索污染的鲁棒聚合方法

Xue Tan, Yi Zheng, Chang Huo, Yunruo Zhang, Yu Liu, Hao Luan, Zhuyang Yu, Xiaoyan Sun, Ping Chen, Jun Dai

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

AI总结 提出PRA-RAG算法，通过采样检索文本组合并利用嵌入空间几何结构选择鲁棒子集，提供理论鲁棒性保证，在多个基准上将攻击成功率降至1%同时保持71%准确率。

Faithful by Construction: Claim-Anchored Attribution for Multi-Document Summarization

通过构造忠实：面向多文档摘要的基于主张的归因

Shuo Guan

机构 * UBS AG（瑞银集团） 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、cs.AI

AI总结 提出CAMS框架，通过提取原子主张、聚类、选择并重写为摘要，实现细粒度、多源可追溯的归因，显著提升忠实度和引用精度。

Multi-head committees enable direct uncertainty prediction for atomistic foundation models

多头委员会使原子基础模型能够直接进行不确定性预测

Hubert Beck, Pavol Simko, Lars L. Schaaf, Ondrej Marsalek, Christoph Schran

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

AI总结 本文提出利用多头委员会机制构建神经网络势能，用于原子基础模型的不确定性预测，通过主动学习将训练集缩小至原大小的5%，同时保持预测精度。

Comments 11 pages, 7 figures in main article + supporting information

Caption Bottleneck Models

标题瓶颈模型

Seref Baris Cagliyan, Umut Ozdemir, Merve Tapli, Emre Akbas

机构 * Dept. of Computer Eng., Middle East Technical University (METU)（中东技术大学计算机工程系） ； Robotics & AI Center (ROMER), METU（中东技术大学机器人与人工智能中心） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract,abstract_cn)；post-training(abstract)

AI总结 提出标题瓶颈模型（CaBM），用自由形式自然语言替代固定概念集，通过LMM生成标题并严格基于文本训练分类器，实现无信息泄露的架构并自主发现高质量概念。

Comments Accepted to ECCV 2026

Readable but Not Controllable: Neuron-Level Evidence for Medical LLM Hallucination

可读但不可控：医学大语言模型幻觉的神经元级证据

Vijay Vankadaru, Asha Matthews, Tanya Roosta, Peyman Passban

专题命中 知识编辑与模型理解 ：LLM(title)；分类 cs.CL

AI总结 本研究通过探测医学大语言模型内部表示，发现幻觉可被高精度检测（AUROC 0.77-0.86），但该表示分布冗余且因果不可控，揭示了解码性与可控性之间的显著差距。

ACD-CLIP: Decoupling Representation and Dynamic Fusion for Zero-Shot Anomaly Detection

ACD-CLIP：解耦表征与动态融合用于零样本异常检测

Ke Ma, Jun Long, Hongxiao Fei, Liujie Hua, Zhen Dai, Yueyi Luo

机构 * Central South University（中南大学） ； Hunan Vocational College of Science and Technology（湖南科技职业学院） 纠错

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

AI总结 ACD-CLIP通过联合优化特征表征与跨模态融合，解决预训练视觉语言模型在零样本异常检测中的适应性不足问题，提出参数高效卷积低秩适应器和动态融合网关提升检测精度与鲁棒性。

Comments 4 pages, 1 reference, 3 figures

Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

Information-Regularized Attention for Visual-Centric Reasoning

信息正则化注意力用于以视觉为中心的推理

Guohao Sun, Xiaofang Wang, Yash Patel, Mengchen Liu, Zhiqiang Tao, Praveen Krishnan

机构 * FAIR at Meta（Meta 的 FAIR 部门） ； Rochester Institute of Technology（罗切斯特理工学院） 纠错

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

AI总结 针对视觉语言模型中的对象幻觉、视觉基础弱和灾难性遗忘问题，提出信息正则化注意力机制，通过随机注意力显式调控视觉信息注入，改善表示学习稳定性。

Comments Accepted by ECCV 2026

Beyond Document Grounding: Span-Level Hallucination Detection over Code, Tool Output, and Documents

超越文档基础：代码、工具输出和文档上的跨度级幻觉检测

Ádám Kovács, Bowei He, Xue Liu, István Boros, Szilveszter Tóth, Gábor Recski

机构 * KR Labs（KR实验室） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； McGill University（麦吉尔大学） ； TU Wien（维也纳工业大学） 纠错

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

AI总结 提出一个统一的跨度级幻觉检测基准，涵盖代码、工具输出、结构化文档和自然语言RAG数据，通过微调Qwen3.5-2B模型在跨域场景下显著优于现有方法。

Comments 8 pages

PaAno: Patch-Based Representation Learning for Time-Series Anomaly Detection

PaAno：基于片段的时序异常检测表示学习

Jinju Park, Seokho Kang

机构 * Department of Industrial Engineering, Sungkyunkwan University（成均馆大学工业工程系） 纠错

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

AI总结 PaAno提出一种轻量高效的时序异常检测方法，通过提取短时片段并使用1D卷积神经网络进行嵌入，结合三元组损失和预设任务损失提升表示学习效果，实验证明在多种评估指标上优于现有方法。

Comments Accepted by the 14th International Conference on Learning Representations (ICLR 2026)

LeNEPA: No-Augmentation Next-Latent Prediction for Time-Series Representation Learning

LeNEPA：无增强的下一潜在预测用于时间序列表示学习

Alexander Chemeris, Ming Jin, Randall Balestriero

机构 * Langotime South Africa（Langotime南非） ； Griffith University Australia（澳大利亚格里菲斯大学） ； Brown University United States（美国布朗大学） 纠错

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

AI总结 提出LeNEPA，一种无需数据增强的下一潜在预测架构，通过SIGReg正则化和轻量投影空间，在固定配方测试中跨数据集保持性能，优于ECG调优的JEPA。

Comments 9 pages, 4 figures, 6 tables; accepted by the 12th Mining and Learning from Time Series (KDD MILETS 2026); source code and artifacts: https://github.com/langotime/lenepa-milets-2026

Evaluating Pretrained Music Embeddings for Cross-Performance Jazz Standard Recognition

评估预训练音乐嵌入在跨演奏爵士标准曲识别中的表现

Çağrı Eser

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

AI总结 研究利用预训练音乐嵌入进行跨演奏爵士标准曲识别，对比从头训练的谐波CNN基线，发现预训练嵌入在top-k结果上更优但对演奏者身份敏感，轻量对比投影可部分缓解。

Comments 6 pages, 2 figures, 4 tables. Accepted to the ICML 2026 Workshop on Machine Learning for Audio

MetaOthello: A Controlled Study of Multiple World Models in Transformers

MetaOthello: Transformer中多个世界模型的控制研究

Aviral Chawla, Galen Hall, Juniper Lovato

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

AI总结 通过引入共享语法但规则或分词不同的Othello变体套件，训练小型GPT处理混合数据，发现Transformer不划分容量为孤立子模型，而是收敛于跨变体因果转移的共享棋盘状态表示。

Comments Camera-ready version. Accepted to the 43rd International Conference on Machine Learning (ICML 2026)

Privacy-Preserving Depth-Only Open-Vocabulary 3D Semantic Segmentation Via Uncertainty-Guided Test-Time Optimization

隐私保护下基于深度图的开放词汇3D语义分割：不确定性引导的测试时优化

Xuying Huang, Sicong Pan, Maren Bennewitz

机构 * Humanoid Robots Lab, University of Bonn（波恩大学仿人机器人实验室） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习和人工智能研究所） ； Center for Robotics, Bonn, Germany（波恩机器人中心） 纠错

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

AI总结 针对隐私保护需求，提出不确定性引导的测试时优化框架UTTO，利用深度图几何信息与基础模型语义先验，实现无需RGB图像的开放词汇3D语义分割，在多个数据集上优于基线方法。

Uncertainty-aware tree height change regression

不确定性感知的树高变化回归

Max Gaber, Dimitri Gominski, Jaime C. Revenga, Stefan Oehmcke, Rasmus Fensholt, Martin Brandt

机构 * Department of Geosciences and Natural Resource Management, University of Copenhagen（哥本哈根大学地球科学与自然资源管理系） ； Department of Mathematical Sciences, University of Copenhagen（哥本哈根大学数学科学系） ； Department of Computer Science and Electrical Engineering, University of Rostock（罗斯托克大学计算机科学与电气工程系） ； Department of Computer Science, University of Copenhagen（哥本哈根大学计算机科学系） 纠错

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

AI总结 针对现有方法忽略连续变化和标签不确定性的问题，提出CHC数据集（含3米分辨率树高变化及不确定性）和不确定性感知变化回归任务，评估了地理空间基础模型。