语言大模型 / LLM

Behavioural Signatures of Risk-Sensitive Decision-Making in Large Language Models

大语言模型中风险敏感决策的行为特征

Xuankun Rong, Wenke Huang, Bo Du, Dacheng Tao, Mang Ye

机构 * School of Computer Science, Wuhan University（武汉大学计算机科学学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） 纠错

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

AI总结 研究大语言模型在决策支持中风险敏感决策的行为特征，通过无限制德州扑克的多模型框架量化行为，发现前沿LLMs有稳定风险特征，在不同条件下表现各异，为审计交互式环境中风险敏感决策提供行为基础。

Hallucination Detection in Large Language Models Using Diversion Decoding

使用转移解码检测大语言模型中的幻觉

Basel Abdeen, S M Tahmid Siddiqui, Meah Tahmeed Ahmed, Anoop Singhal, Latifur Khan, Punya Parag Modi, Ehab Al-Shaer

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； National Institute of Standards and Technology（美国国家标准与技术研究院） ； 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)；LLM(abstract)；分类 cs.CL、cs.LG

AI总结 研究大语言模型中的幻觉检测问题，提出转移解码新方法，通过在解码阶段挑战模型响应提取特征，训练机器学习模型度量不确定性，该方法计算复杂度低，优于现有方法。

Journal ref Data and Applications Security and Privacy XXXIX. DBSec 2025

Laguerre Geometry for Interpreting Large Language Models

用于解释大语言模型的拉盖尔几何

Chunwei Ma, Russell Wolfinger

机构 * JMP Statistical Discovery（JMP统计发现公司） 纠错

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

AI总结 研究大语言模型中概念结构的形成，利用拉盖尔几何精确表征概念，通过分解Transformer层揭示隐藏轨迹控制机制，提出无需训练和超参数的几何透镜方法读出概念，开发可视化工具，还实现可操作的可解释性。

Comments Geometric Lens; LLM Interpretability; Code: https://github.com/horsepurve/Geometric-Lens

MorphologyFM: A Foundation Model for Morphology-Aware Representation Learning from ECG and Pulse Oximetry Waveforms

MorphologyFM：一种用于从心电图和脉搏血氧波形中进行形态感知表示学习的基础模型

Saiyang Feng, Yuanyun Zhang, Shi Li

机构 * University of the Chinese Academy of Sciences（中国科学院大学） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 研究针对现有生理波形方法未保留临床意义波形形态的问题，提出多模态基础模型MorphologyFM，通过形态感知自监督学习目标预训练，结合多种技术学习相关表示，在多下游任务中表现优于其他方法，证明联合建模更具可转移性。

Knowledge-Conditioned, Single-Pass LLM Synthesis of Executable Unity Game Scenes: A Compiler Error Census across 26 Goal Playable Concepts

知识条件下的可执行Unity游戏场景单遍大语言模型合成：26个目标可玩概念的编译器错误普查

Hugh Xuechen Liu, Kıvanç Tatar

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； University of Gothenburg（哥德堡大学） 纠错

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

AI总结 研究大语言模型为Unity游戏场景编写代码，去除迭代修复循环进行单遍生成评估，通过对多个模型、模式等生成的代码分析编译器错误，发现瓶颈是缺少引擎特定知识，按需求对目标模式排序展示单遍生成断点。

Comments Substantially reframed and extended version of arXiv:2603.07101, with new experiments, figures, and analysis

Inside the Unfair Judge: A Mechanistic Interpretability Account of LLM-as-Judge Bias

剖析不公平的评判者：基于大语言模型作为评判者的偏差的机械可解释性分析

Zixiang Xu, Sixian Li, Huaxing Liu, Xiang Wang, Shuai Li, Zirui Song, Xiuying Chen

机构 * AMAP, Alibaba Group（阿里巴巴集团AMAP实验室） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Southern California（南加州大学） ； University of Michigan, Ann Arbor（密歇根大学安娜堡分校） 纠错

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

AI总结 研究大语言模型作为评判者的偏差，提出偏差在隐藏状态有表示层面解释。通过七位评判者等实验发现，偏差输入沿特定子空间移动，操纵隐藏状态可控制评分，线性投影能预测评判失败，统一多方面内容。

Comments 58 pages, 13 figures, 30 tables; project page: https://xzx34.github.io/unfair-judge/

U-Lens: Supporting User Uncertainty Management in Long-Form LLM Responses

U-Lens：支持长格式大语言模型响应中的用户不确定性管理

Yu Mei, Qingyue Zhuang, Jie Cai, Chang Liu, Zhi Zheng, Zhoutong Ye, Chun Yu, Yuanchun Shi

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

AI总结 研究针对大语言模型长响应中用户管理不确定性的难题，通过形成性研究得出设计准则，构建U-Lens系统，经实验评估，该系统能提高验证效率、降低工作量、加强各阶段感知支持，重塑了生成式AI的不确定性支持方式。

Which Neurons Detect Malicious Code? A Probing Study of LLM Security Knowledge

哪些神经元能检测恶意代码？对大语言模型安全知识的探索性研究

Lam D. Dao, Vang T. Nguyen, Anh M. T. Bui, Phuong T. Nguyen

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

AI总结 研究探索大语言模型中检测恶意代码的神经元，应用机械可解释性方法定位相关神经元，通过对恶意和良性PyPI包实验发现放大促进神经元、抑制抑制神经元可提升准确率，有助于了解模型编码恶意概念方式，为可靠防御机制提供思路。

Comments The paper has been peer reviewed and accepted for publication in the 20th International Symposium on Empirical Software Engineering and Measurement (ESEM 2026)

GigaChat Audio: Time-aware Large Audio Language Model

GigaChat音频：时间感知大型音频语言模型

Aleksandr Kutsakov, Mariia Sadovina, Georgii Gospodinov, Alexandr Maximenko, Oleg Kutuzov, Pavel Bogomolov, Fyodor Minkin

机构 * SaluteDevices, Russia（SaluteDevices） 纠错

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

AI总结 研究音频条件语言模型长录音时间定位难题，提出时间感知音频语言模型，利用合成监督交织时间标记与音频令牌，在多基准测试中实现高精度，支持相关描述与总结，通过消融实验明确多因素影响，并发布模型权重和数据集。

Comments Accepted to Interspeech 2026. Model and dataset: https://huggingface.co/ai-sage/GigaChat3.1-Audio-10B-A1.8B

Vilya-1: An all-atom foundation model for macrocycle structure prediction and design

Vilya-1：用于大环结构预测与设计的全原子基础模型

Vilya Research, :, Pascal Sturmfels, Milad Salem, Naozumi Hiranuma, Stephen Rettie, Xiaoliang Pan, Benjamin D. Sellers, Adam P. Moyer, Patrick J. Salveson, Ivan Anishchanka

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

AI总结 研究针对现有大环肽结构和性质建模方法的局限，提出全原子深度学习模型Vilya-1，可跨化学结构采样及预测属性，在异构数据集训练，提高几何精度且覆盖小分子，支持生成应用，为大环治疗药物开发加速。

Comments 21 pages, 14 figures

Uncertainty-guided Compositional Alignment with Part-to-Whole Semantic Representativeness in Hyperbolic Vision-Language Models

基于部分-整体语义代表性与不确定性引导的组合对齐超几何视觉语言模型

Hayeon Kim, Ji Ha Jang, Junghun James Kim, Se Young Chun

机构 * Dept. of Electrical and Computer Engineering（电子与计算机工程系） ； INMC & IPAI（INMC与IPAI） ； Seoul National University（首尔国立大学） 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 本文提出UNCHA方法，通过超几何不确定性建模部分-整体语义代表性，提升超几何VLM对多物体场景的组合结构理解能力，实现零样本分类等任务的最先进性能。

Comments Accepted to CVPR 2026

YUKTI: From Natural-Language Situations to Robust, Verifiable Decisions An Uncertainty-Typed Proposition IR, Assumption-Robust Pareto Frontiers, and a Regret Certificate

YUKTI：从自然语言情境到稳健、可验证的决策——一种不确定性类型的命题IR、假设稳健帕累托前沿和遗憾证书

Suyash Mishra

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

AI总结 研究从自然语言情境生成稳健决策，核心方法是用类型命题图表示，经多求解器及分布帕累托交接耦合，并引入ARPF等。主要贡献是证明rho与决策遗憾关系，增加可追溯性，合成数据基础，通过多种验证方式展示方法有效性。

Comments 19 Pages , 21 figures

Low-Rank Attention Residuals

低秩注意力残差

Jonathan Su

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.LG

AI总结 研究提出低秩注意力残差（LR-AttnRes），包括投影式和切片式，通过使用低维键进行路由，解耦路由与残差内容，减少运算量并提升性能，证明深度路由在较少维度下也有效，还发布了代码和模型。

DeepBias: Adaptive In-depth Probing of Social Biases in LVLMs

深度偏差：对大型视觉语言模型中社会偏差的自适应深度探测

Anqi Li, Jie Zhang, Zhongqi Wang, Songkai Xue, Jiahao Wang, Shiguang Shan, Xilin Chen

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

AI总结 研究大型视觉语言模型中社会偏差问题，提出DeepBias自适应框架，通过“生成-演化-探测”循环及智能体深度探测偏差，构建DeepBiasBench基准，实验证明其有效性，为LVLM安全评估建立进化范式。

MMRM: A Multiplex Multimodal Representation Model for Product Ranking in E-commerce Search

MMRM：一种用于电子商务搜索中产品排名的多重多模态表示模型

Zhen-Lin Chen, Maosen Sheng, Peng Lin, Jianmin Chen, Zhuojian Xiao, Dongyue Wang, Xiwei Zhao

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 针对电子商务搜索排名中多模态信息利用的局限，提出MMRM框架，通过共享主干从多信号学习生成多重商品表示，引入多重用户表示策略，并经实验验证其有效性，已成功应用于京东搜索引擎提升性能。

Comments Accepted by SIGIR2026

EvidentialRAG: Quantifying and Mitigating Information Conflict in Multi-Source Retrieval-Augmented Generation via Evidential Deep Learning

证据RAG：通过证据深度学习量化和缓解多源检索增强生成中的信息冲突

S M Asif Hossain, Ruksat Khan Shayoni, M. F. Mridha

机构 * School of Computing, Wichita State University（威奇托州立大学计算学院） ； Department of Computer Science, American International University-Bangladesh（美国国际孟加拉大学计算机科学系） 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 研究多源检索增强生成中信息冲突问题，提出ERAG框架，通过将检索块转换为概率证据、用轻量级评估器和融合规则处理不确定性，实验表明该框架在标准问答有竞争力，在冲突情况下行为改善，是可信信息处理实用机制。

MLPs are Hebbians: Constructing Efficient Fact-Storing MLPs for Transformers

多层感知器是赫布型的：为Transformer构建高效的事实存储多层感知器

Roberto Garcia, Jerry Liu, Ronny Junkins, Sabri Eyuboglu, Atri Rudra, Christopher Ré

机构 * Institute for Computational & Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Computer Science and Engineering, University at Buffalo（布法罗大学计算机科学与工程系） 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 研究大语言模型中MLP层以最优速率存储事实知识的现象，开发首个与Transformer兼容的事实存储MLP闭式构造，具有最优存储缩放等特性，所需参数更少，还能用于事实召回任务及实现模块化事实编辑。

Agent Hacks Agent: Autoresearch for Production-Agent Red-Teaming

智能体攻击智能体：用于生产智能体红队测试的自动研究

Xutao Mao, Xiang Zheng, Cong Wang

机构 * City University of Hong Kong（香港城市大学） 纠错

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

AI总结 研究生产型语言模型智能体的自动化红队测试，提出AHA可证伪发现循环，通过该循环构建漏洞概念图。在Claude Code和Codex上测试，发现跨模型和智能体的可重复使用漏洞核心，生成的VCG为安全团队提供可审计工件，提升测试性能。

Zero-Effort Image-to-Music Generation: An Interpretable RAG-based VLM Approach

零努力图像到音乐生成：一种可解释的基于RAG的视觉语言模型方法

Zijian Zhao, Dian Jin, Zijing Zhou

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Hong Kong Polytechnic University（香港理工大学） ； The University of Hong Kong（香港大学） ； The Hong Kong University of Science（香港科学大学） ； The Hong Kong Polytechnic University Hong Kong China（香港理工大学香港中国） ； The University of Hong Kong Hong Kong China（香港大学香港中国） 纠错

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

AI总结 本文提出一种基于RAG的视觉语言模型方法，实现图像到音乐生成，通过ABC记谱法连接文本与音乐模态，并利用多模态检索增强生成和自反思技术，提供高可解释性且低计算成本的音乐生成方案。

The Devil Is in the Leakage: A Disentangled Dual-Purification Framework for High-Fidelity Hairstyle Transfer

问题出在泄漏中：用于高保真发型转移的解缠双净化框架

Jijie Li, Jiankuo Zhao, Xiangyu Zhu, Zhen Lei

机构 * SAI, UCAS（中国科学院大学 模式识别国家重点实验室） ； MAIS, CASIA（中国科学院自动化所 模式识别国家重点实验室） ； CAIR, HKSIS, CAS（中国科学院香港创新研究院 计算机与信息工程实验室） ； SCSE, FIE, M.U.S.T（澳门科技大学 资讯科技学院） 纠错

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

AI总结 研究发型转移中参考发型与源身份纠缠及现有方法泄漏问题，提出双净化框架，含对抗发型净化和对比几何净化两个正则化器，实现高保真、身份保留的发型转移并达领先性能。

Comments Accepted by ACM MM 2026

Slot-RAE: Streamlining Object-Centric Learning via Direct Representation Auto-Encoders

Slot-RAE：通过直接表示自动编码器简化以对象为中心的学习

Alexandre Chapin, Emmanuel Dellandrea, Liming Chen

机构 * LIRIS（里昂图像与信息系统实验室） ； Ecole Centrale de Lyon（里昂中央理工学院） 纠错

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

AI总结 研究针对以对象为中心的模型部署问题，提出Slot-RAE框架，直接在视觉基础模型特征空间运行，采用特征空间扩散过程及独特训练方式，在COCO数据集实验中取得领先成果，实现高效无监督对象发现等，速度和计算效率更高。

GHOST: Geometry-Guided Hallucination of Opaque Surface Textures

GHOST：不透明表面纹理的几何引导幻觉

Langxu Zhao, Zuan Gu, Tianhan Gao

机构 * School of Software, Northeastern University, Shenyang, China（软件学院，东北大学，沈阳，中国） 纠错

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

AI总结 针对透明物体给深度估计和3D重建带来的挑战，提出几何引导预处理框架GHOST，利用视觉基础模型，经多步骤处理分离属性、恢复法线先验并整合多模态线索，合成不透明RGB图像，显著提升相关模型对透明物体的处理精度。

ARIMA: Reconstruction-Grounded Predictive Representation Learning for Symbolic Music

ARIMA：用于符号音乐的基于重构的预测表示学习

Mingyang Yao, Zhaoxiang Feng

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 本文提出ARIMA框架，用于符号音乐的基于重构的预测表示学习。它直接从数据学习紧凑窗口表示，编码窗口为潜在表示，训练因果预测器并通过结构化重构确定编码器基础，在多下游任务表现良好，证明相关方法的有效性和重要性。

ReSequel: Robust LLM-assisted Query Rewriting and Optimization using Templatization and Sampling

ReSequel: 基于模板化和采样的鲁棒性LLM辅助查询重写与优化

Saeed Fathollahzadeh, Essam Mansour, Matthias Boehm

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

AI总结 提出ReSequel，一种利用LLM和元数据（目录、统计信息）通过模板化规则和采样验证来重写SQL查询的优化层，在多个DBMS上实现高达16倍的工作负载加速。

Journal ref Proc. VLDB Endow., 19(10):2880-2893, 2026

Question Type, Cognitive Load, and CEFR Alignment: Evaluating LLM-Generated EFL Grammar Drill Exercises

问题类型、认知负荷与CEFR对齐：评估LLM生成的EFL语法练习

Steve Woollaston, Brendan Flanagan, Yuko Toyokawa, Hiroaki Ogata

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

AI总结 本研究通过分析日本初中生在语法练习应用中的日志数据，评估了LLM生成的EFL学习内容的教学可行性，揭示了不同问题模态对表现的影响，并验证了CEFR-J语法框架的难度层级。

Comments Under review for the the 34th International Conference on Computers in Education (ICCE 2026). 2jun26: v2 - fixed minor typo

Multi-Agent LLMs Fail to Explore Each Other

多智能体语言模型无法相互探索

Hyeong Kyu Choi, Jiatong Li, Wendi Li, Xin Eric Wang, Sharon Li

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

AI总结 研究多智能体系统中LLM智能体相互探索的问题，提出轻量级框架MACE，通过结构化同伴选择促进探索，改善了探索行为和任务性能，凸显当前LLM智能体局限，强调明确引导探索对多智能体自主性的重要性。

Knowledge-Guided Synthetic Bug Feedback for LLM-Based Unit Test Generation

基于知识的合成错误反馈用于基于大语言模型的单元测试生成

Ziheng Wang, Maike Li, Chen Zhi

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

AI总结 研究如何将历史真实错误机制转化为可执行反馈目标用于基于大语言模型的单元测试生成，提出相应框架，在Defects4J任务上评估，结果显示该机制引导的合成错误反馈能提高真实错误检测率，是引导测试的有效方式。

Comments 12 pages, 7 figures, 6 tables. Preprint

RISKTAGGER: Evidence-Guided LLM Agent for Post-Incident Forensic Analysis of Money Laundering in Web3

RISKTAGGER：用于Web3中洗钱事件后法医分析的证据引导大语言模型智能体

Dan Lin, Yanli Ding, Weipeng Zou, Jiajing Wu, Zhiyin Wu, Jiachi Chen, Xiapu Luo, Zibin Zheng

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

AI总结 针对Web3加密货币洗钱法医分析面临的挑战，提出RISKTAGGER，将大语言模型作为证据约束决策组件，从公共事件材料提取线索，递归扩展资金流图并生成报告。经多案例评估，能恢复资金路径、识别风险账户，组织证据成可验证报告。

Comments 11 pages(main text), 6 figures

Sakura at BEA 2026 Shared Task 1: What Makes Vocabulary Difficult?

BEA 2026 共同任务 1：什么使词汇困难？

Adam Nohejl, Xuanxin Wu, Yusuke Ide, Maria Angelica Riera Machin, Yi-Ning Chang, Hitomi Yanaka

机构 * RIKEN ； The University of Osaka（大阪大学） ； Nara Institute of Science and Technology（奈良科学技術大學） ； National Tsing Hua University（國立清華大學） ； The University of Tokyo（東京大學） ； Tohoku University（東北大學） 纠错

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

AI总结 本文提出两种模型用于预测词汇难度：一种高精度的黑盒模型，在公开赛道取得最佳成绩，另一种可解释模型，优于微调编码器基线。黑盒模型通过软目标损失函数微调LLM，在评分任务中达到r>0.91的精度，而可解释模型在保持强相关性（r>0.77）的同时，揭示了影响每个项目难度的因素。进一步分析显示，英国理事会知识型词汇列表（KVL）中词汇难度常受拼写难度或测试项目构造影响，而不仅仅是词汇本身的生产难度。

Comments To be published in Proceedings of the 21st Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2026)

Trust, but verify

信任，但验证

Michael J. Yuan, Carlos Lospoy, Sydney Lai, James Snewin, Ju Long

机构 * ByteTrade Labs（ByteTrade实验室） ； Nolais & Co/Labs（Nolais与公司实验室） ； Gaia Foundation（Gaia基金会） ； Eigen Labs（Eigen实验室） ； McCoy College of Business（McCoy商学院） ； Texas State University（德克萨斯州立大学） 纠错

专题命中 其他LLM ：LLM(summary_cn,abstract)；分类 cs.AI

AI总结 本文探讨了通过社交共识检测非法或错误LLM节点的方法，提出基于EigenLayer AVS的验证系统以激励诚实行为。

Journal ref IEEE Computer ( Volume: 59, Issue: 2, February 2026)