语言大模型 / LLM

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)

Auditing Belief-Conditioned LLM Agents in Hidden-Information Social Deduction Games

在隐藏信息社交推理游戏中审计基于信念的大语言模型智能体

Yuan Gao, Jiangyi Yang, Yao Zhao, Yichi Zhang

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

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

AI总结 研究在9人狼人杀环境中评估大语言模型智能体的难题，构建可审计框架，通过1080场游戏实验发现主动信念条件下好人方结果更好，虽未明确信念内容作用机制，但框架有使效应可测等贡献，将外部信念定位为可审计认知基线。

Comments 29 pages, 8 figures, 3 tables. Preprint

LeRoPE: Learnable RoPE Frequencies Improve Language Modeling

LeRoPE：可学习的RoPE频率提升语言建模

Petros Karypis, Sean O'Brien, Shreyas Kadekodi, Rui Zhu, Julian McAuley

机构 * UC San Diego（加利福尼亚大学圣地亚哥分校） 纠错

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

AI总结 研究改进语言模型中位置编码的方法，提出可学习RoPE频率的LeRoPE方法，通过训练不同规模语言模型验证，该方法在各规模下均优于RoPE和部分RoPE，提升了语言建模性能。

Comments 27 pages, 10 figures, 12 tables

LLM-Enhanced Dynamic Financial Knowledge Graphs for Cross-Entity Signal Propagation and alpha discovery

用于跨实体信号传播和阿尔法发现的大语言模型增强动态金融知识图谱

Lin Zhang

专题命中 其他LLM ：LLM(title,abstract)

AI总结 研究针对传统金融NLP忽略跨实体信息扩散问题，开发基于大语言模型的金融测量和信号传播框架，构建动态金融知识图谱，通过社区感知机制传播信号，引入新金融信号及测试，实验表明该框架能准确恢复网络结构等，有增量预测能力。

Comments 36 pages, 7 figures

Can Watermarking Techniques Help Prevent LLM Model Stealing?

水印技术能帮助防止大语言模型被盗用吗？

Elette Boyle, MohammadTaghi Hajiaghayi, Keivan Rezaei, Suho Shin, Amos Stern

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

AI总结 研究模型窃取攻击，提出受水印技术启发的防御方法，通过扰动对数its层防止攻击，经实证实验验证防御有效性，在保留模型效用的同时有效抵御攻击。

Imperceptible and Reversible Adversarial Examples against Vision-Language Models for Privacy Protection

用于隐私保护的针对视觉语言模型的不可察觉且可逆的对抗性示例

Qi Lu, Ziqi Zhou, Yufei Song, Zijing Li, Lulu Xue, Minghui Li, Shengshan Hu, Leo Yu Zhang

机构 * School of Cyber Science and Engineering, Huazhong University of Science and Technology（华中科技大学网络空间安全学院） ； College of Computer Science, Chongqing University（重庆大学计算机科学学院） ； School of Software and engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） ； School of Information and Communication Technology, Griffith University（格里菲斯大学信息与通信技术学院） 纠错

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

AI总结 研究针对视觉语言模型基于文本的隐私攻击问题，提出CloakDiff框架，结合扩散对抗编辑与可逆网络生成不可察觉的对抗性示例，设计EDM启发式采样提高保真度，实验证明该框架能实现多模态隐私保护且具高视觉质量和可逆性。

Comments Accepted by ACM MM 2026

Devil in the Lens: Analyzing and Defending Physical Prompt Injection Against Vision-Language Models on Wearable Devices

镜头中的恶魔：分析并防御可穿戴设备上针对视觉语言模型的物理提示注入

Yaxin Li, Hao Wang, Yanda Shao, Shuhao Zhang, Yan Long

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

AI总结 研究针对可穿戴设备上视觉语言模型的物理提示注入攻击，利用真实环境照片分析出6种威胁向量及对12个模型的影响，攻击成功率高，还提出基于掩码的外部过滤器和基于语义向量的内部检测器两种防御策略。

From GUI Tests to Conversational Interaction: A New Perspective on App-Specific Voice Assistants

从图形用户界面测试到对话交互：特定应用语音助手的新视角

Xue Qin, Sumesh Surendran Letha

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

AI总结 研究针对移动平台语音助手与应用行为契合度低的问题，提出由语言模型驱动、利用图形用户界面测试代码自动开发特定应用语音助手的方法，经安卓原型验证，可复用测试代码实现语音助手合成并指明相关研究方向。

From Expressivity to Sample Complexity: Narrow Teachers for Transformers via C-RASP

从表达能力到样本复杂度：通过C-RASP为Transformer构建窄教师模型

Michael Rizvi-Martel, Satwik Bhattamishra, Guillaume Rabusseau, Michael Hahn

机构 * Mila & Université de Montréal（米拉与蒙特利尔大学） ； University of Oxford（牛津大学） ； Saarland University（萨尔兰大学） 纠错

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

AI总结 研究Transformer的理论理解，通过提出手工权重等分析其表达能力。针对其可学习性研究少的问题，受损失景观分析启发，为用Transformer学习C-RASP结构提出初步样本复杂度界限。

Comments 9 pages total

LLM-Guided Program Evolution for Targeted Black-Box Attacks on Perceptual Hash Algorithms

用于对感知哈希算法进行有针对性的黑盒攻击的大语言模型引导的程序进化

A. Krylov, D. Rakhov, V. Veselova, D. Bolokhov, Oleg Y. Rogov

专题命中 其他LLM ：LLM(title)

AI总结 研究针对感知哈希算法的黑盒攻击，提出基于GigaEvo和OpenEvolve的进化框架，通过综合分数评估攻击性能，实验表明该方法在减少查询次数、降低L2失真方面优于现有基线，揭示了相关漏洞并推动鲁棒方案开发。

Comments 15 pages, 2 figures, 9 tables

Anomalous Frame Detection by Grouping Frame Similarities between Two Videos Computed by Vision-Language Model to Extract Expert Workers' Unique Actions

通过对视觉语言模型计算的两个视频之间的帧相似性进行分组来检测异常帧，以提取专家工人的独特动作

Ryo Sakai, Yongpeng Cao, Nobutaka Kimura

专题命中 其他LLM ：language model(title)

AI总结 针对熟练维护工人减少的问题，提出通过比较两个视频帧相似性检测异常帧来提取专家独特动作的方法，在模拟实验中对特定动作类型提取率达66.9%，比传统技术提高50个百分点，有助于技能转移和劳动力发展。

Comments 11 pages, 6 figures, 2 tables

Playful AI in Professional Email: A Field Experiment on Tone and Recipient Engagement

专业邮件中的趣味人工智能：关于语气和收件人参与度的实地实验

Ziv Ben-Zion, Teddy Lazebnik

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

AI总结 研究人工智能辅助写作对职场沟通的影响，通过随机交叉实地实验，让员工分三种情况发邮件，发现趣味编辑增情感积极性，专业编辑降之，且两者均未直接改邮件相关率，而是发件人积极性间接影响行为，揭示语言情感基调塑造职场参与度。

Motif: Discovering and Automating Personal Web Workflows

Motif：发现并自动化个人网络工作流程

Shaokang Jiang, Daye Nam

机构 * University of California, Irvine（加州大学伊文斯顿分校） 纠错

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

AI总结 Motif系统通过被动观察浏览器活动发现可编程交互模式，向用户推荐并生成程序，经多日研究评估，其发现的可自动化模式多于用户识别出的，多数模式有用，多数用户会继续使用Motif生成的程序。

Toward Stronger Code Watermarking: A Grammar-Driven Approach to Optimizing the Trade-off Between Quality and Detectability

迈向更强的代码水印：一种语法驱动的方法来优化质量与可检测性之间的权衡

Licheng Yu, Aiwei Liu, Songze Li

机构 * Southeast University（东南大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 针对大语言模型代码生成中质量与可检测性权衡难题，提出语法驱动水印方法（GDW），通过语法引导机制和角色感知调制注入水印，设计加权检测统计量，实验表明其在多方面优于现有方法且具鲁棒性。

Selective Safety Steering via Value-Filtered Decoding

基于价值过滤解码的选择性安全引导

Bat-Sheva Einbinder, Hen Davidov, Yee Whye Teh, Yarin Gal, Yaniv Romano

机构 * Department of Electrical and Computer Engineering, Technion IIT（技术学院电气与计算机工程系） ； Department of Statistics, University of Oxford（牛津大学统计系） ； OATML, Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Computer Science, Technion IIT（技术学院计算机科学系） 纠错

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

AI总结 本文提出一种测试时引导方法，通过价值基的安全标准过滤token，减少不必要的干预，提升不安全响应的安全性，同时在多个数据集上验证了其在安全与帮助性之间的更好平衡。

Can LLMs Perform Deep Technical Comprehension of Computer Architecture Papers?

大语言模型能否对计算机体系结构论文进行深度技术理解？

Nishant Aggarwal, Ayushi Dubal, Sreeraj Kannakarankodi, Ian McDougall, Adarsh Mittal, Vishnu Ramadas, Noah Scott, Ranganath Selagamsetty, Weichu Yang, Karthikeyan Sankaralingam

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

AI总结 研究大语言模型对计算机体系结构论文的深度理解，通过开源管道Gauntlet进行分析，经与人类分析对比及消融实验，发现其多智能体结构有优势，尤其合成阶段，还将相关资源作为社区资源发布。

Comments 4 pages, 1 figure

Norm Enforcement for AI Agents: Robustly Shaping Behavior in Multi-Agent Systems

人工智能代理的规范执行：在多智能体系统中稳健塑造行为

Yaowen Ye, Jacob Steinhardt

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

AI总结 研究多智能体系统中语言模型代理的规范执行机制，针对简单机制易被利用的问题，确定估计代理可靠性及加重惩罚更新估计这两个关键要素，所构建机制可抵御利用且低成本惩罚违规，是塑造智能体行为的可扩展手段。

Comments ICML2026 Trustworthy AI for Good Workshop

Bank Runs With and Without Bank Failure

银行挤兑：有与无银行倒闭的情况

Sergio Correia, Stephan Luck, Emil Verner

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

AI总结 本文利用历史报纸数据研究美国1863-1934年间银行挤兑原因及影响，发现弱银行更易发生挤兑，但强银行在负面经济新闻下也易受影响，但只有基本面差的银行才会倒闭，强银行通过合作和暂停兑换避免失败。

AutoV: Loss-Oriented Ranking for Visual Prompt Retrieval in LVLMs

AutoV：面向视觉提示检索的损失导向排名用于大视觉-语言模型

Yuan Zhang, Chun-Kai Fan, Sicheng Yu, Junwen Pan, Tao Huang, Ming Lu, Kuan Cheng, Qi She, Shanghang Zhang

机构 * School of Computer Science, Peking University（北京大学计算机学院） ； ByteDance Inc.（字节跳动公司） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 AutoV通过损失导向的提示检索提升大视觉-语言模型在图像理解等任务中的性能。

Comments Accepted by ECCV 2026

Charting the Landscape of Nefarious Uses of Generative Artificial Intelligence for Online Election Interference

绘制生成式人工智能恶意用途在在线选举干扰中的图景

Emilio Ferrara

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

AI总结 本文研究了生成式人工智能在在线选举干扰中的恶意用途，分析了深度伪造、僵尸网络等技术对民主进程的威胁，并呼吁加强国际合作以应对相关风险。

Comments First Monday, 2025

Journal ref First Monday 30(1), June 2025

Model Collapse: On Recursion, Noise, and Uncharted Machine Visions

模型崩溃：关于递归、噪声和未知的机器视觉

Violaine Boutet de Monvel

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

AI总结 研究模型崩溃现象，通过历史视频合成技术和当代机器学习艺术应用案例，探讨递归训练揭示的AI生成数据依赖性本质，指出崩溃挑战超人类主义理想，引入美学视角，视噪声和递归为理解艺术创作与AI生态系统的关键概念。

Comments Preprint for Ethics and Aesthetics of Artificial Intelligence (Naples: Orthotes Edizioni), October 2025

Faithful, Not Corrective: Message-Format Effects in Multi-Hop Agent Relays Are Tier-Dependent

忠实而非纠正：多跳智能体中继中的消息格式效应取决于层级

Zayx Shawn

专题命中 其他LLM ：LLM(abstract)；分类 cs.AI、cs.LG

AI总结 研究多跳智能体中继中消息格式效应，引入可控测试平台，发现格式效应取决于层级，强中继近乎无损，弱中继下跨格式差异增大，配对分叉注入中错误值保留情况与真实值保留匹配，结构提供错误定位通道，格式选择应依最弱中继。

AutoNorm: Understanding Adaptive Normalization in Transformers through Differentiable Gating

AutoNorm：通过可微门控理解Transformer中的自适应归一化

Piyush Kaushik Bhattacharyya, Divyanshu Rai, Swastik Singh, Kumar Aakash, Ayush Ranjan, Krutika Verma

机构 * KIIT（卡林加工业技术学院） 纠错

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

AI总结 研究Transformer中归一化策略选择问题，通过实验发现不同任务中静态与自适应归一化的表现差异，提出AutoNorm-S训练策略，通过门控冻结计划减轻优化不稳定性，在多基准测试中取得良好性能。

Confining Nondeterminism: AI-Driven Research Systems as DBMSs for Reliable, Non-Wasteful, Transparent, and Collaborative Research [Vision]

限制非确定性：作为数据库管理系统的人工智能驱动研究系统，实现可靠、无浪费、透明和协作式研究 [愿景]

Kyoungmin Kim, Anastasia Ailamaki

机构 * EPFL（瑞士联邦理工学院） 纠错

专题命中 其他LLM ：LLM(abstract)；分类 cs.AI

AI总结 研究指出大语言模型代理在研究中存在不可信问题，根源是代理循环的随机调用无法检查内部状态。借鉴数据库经验，建议用确定性带版本的数据流引擎组织研究项目，大语言模型作查询编译器，五条设计规则确保研究可靠、透明且协作。