语言大模型 / LLM

The Illusion-Illusion: Vision Language Models See Illusions Where There Are None

错觉-错觉：视觉语言模型在不存在错觉的地方看到错觉

Tomer Ullman

机构 * Harvard University（哈佛大学） 纠错

专题命中 评测与基准 ：language model(title,abstract)；分类 cs.CL

AI总结 研究通过给视觉语言模型呈现不应引发处理错误的‘错觉-错觉’，发现许多模型会误将其视为错觉，揭示了模型存在基本处理错误，此失败是文献中更广泛失败的一部分。

Comments 9 pages, 5 figures

Harnessing LLMs for Reliable Academic Supervision: A Comparative Study

利用大语言模型进行可靠的学术监督：一项比较研究

Akash Raj

专题命中 评测与基准 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 该研究以学术监督为案例，比较无支架的GPT-5聊天机器人基线与多模块系统ASuS，ASuS将小模型GPT-4o-mini封装在LangGraph支架中，经评估发现ASuS在各维度表现更优，提取了七种模式，挑战“大模型更好”直觉。

Comments 16 pages, 4 tables, 1 figure. Code and data available at https://github.com/AkashRajSingh/Harnessing-LLMs-for-Reliable-Academic-Supervision

Comprehend, Divide, and Conquer: Feature Subspace Exploration via Multi-Agent Hierarchical Reinforcement Learning

理解、划分与征服：通过多智能体分层强化学习进行特征子空间探索

Weiliang Zhang, Xiaohan Huang, Yi Du, Ziyue Qiao, Qingqing Long, Zhen Meng, Yuanchun Zhou, Meng Xiao

机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； University of Chinese Academy of Sciences（中国科学院大学） ； Great Bay University（Great Bay大学） ； Duke-NUS Medical School, National University of Singapore（新加坡国立大学杜克-奈素医学院） 纠错

专题命中 评测与基准 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 研究针对特征选择问题，提出HRLFS方法，先利用基于大语言模型的混合状态提取器捕捉特征特性并聚类，构建分层智能体，通过多智能体分层强化学习进行特征子空间探索，提升了下游机器学习性能并加速运行

Comments 25 pages, keywords: Automated Feature Engineering, Tabular Dataset, Multi-Agent Reinforcement Learning, Feature Selection, Accepted by ACM Transactions on Knowledge Discovery from Data

An Audio Language Model-Based Voice Concept Bottleneck Framework for Interpretable Health Assessment

基于音频语言模型的可解释健康评估语音概念瓶颈框架

Yu-Wen Chen, Julia Hirschberg

专题命中 评测与基准 ：language model(title,abstract)

AI总结 研究针对语音健康评估中概念瓶颈框架应用有限的问题，提出基于音频语言模型的语音概念瓶颈框架，经微调ALM提取离散可解释分数用于轻量级分类器，在抑郁症和构音障碍评估任务中表现出色，优于相关基线。

Harmonised benchmarking of foundation models for single-cell and spatial transcriptomics reveals context-dependent generalisation

单细胞和空间转录组学基础模型的统一基准测试揭示了上下文相关的泛化能力

Sally Chen, Roxana Zahedi, Lucy Chhuo, Ricky Nguyen, Marjan BaghGolshani, Amin Beheshti, Mark Grosser, Min Yang, Nona Farbehi, Nigel Lovell, Ahmadreza Argha, Fatemeh Vafaee, Youqiong Ye, Hamid Alinejad-Rokny

专题命中 评测与基准 ：foundation model(title,abstract)

AI总结 研究单细胞和空间转录组学基础模型通用性，用统一框架对六个模型进行基准测试，评估多项任务，发现模型性能有条件性，无模型主导，排名随多种因素变化，为模型选择提供指导并提出评判模型新依据。

DepRepair: LLM-Based Source-Code Repair for Dependency Breaking Changes

DepRepair：基于大语言模型的针对依赖项破坏更改的源代码修复

Shenghao Yang, Bo Lu, Yaochen Liu, Yu Kang, Qiongfang Zhang, Chetan Bansal, Saravan Rajmohan, Minghua Ma

专题命中 评测与基准 ：LLM(title,abstract)

AI总结 研究软件项目因第三方库更新致依赖项破坏更改的问题，提出DepRepair单调用大语言模型方法，通过证据过滤器、用法定位器和子类别感知指南，基于结构化上游证据修复，在DepBench基准测试中取得高可执行通过率。

Comments 10 pages, 5 figures, 7 tables

VIDAR: Visual-Inertial Dense Alignment and Reconstruction via a Geometric Foundation Model

VIDAR：通过几何基础模型实现视觉惯性密集对齐与重建

Diyari Mohammed Salih, Lingxiang Hu, Naima AitOufroukh-Mammar, Fabien Bonardi

机构 * IBISC Laboratory, Université d’Évry Paris-Saclay, Université Paris-Saclay（IBISC实验室，埃夫里-巴黎萨克雷大学，巴黎萨克雷大学） 纠错

专题命中 评测与基准 ：foundation model(title,abstract)

AI总结 研究针对单目基础模型缺乏稳定度量尺度的问题，提出VIDAR框架，结合SVO+IMU里程计与深度任意模型3，利用视觉惯性前端作度量锚点，经姿态注入等方法，在EuRoC和TUM RGB-D数据集上实现度量密集单目重建。

Revealing Physical-World Semantic Vulnerabilities: Universal Adversarial Patch for Infrared Vision-Language Models

揭示物理世界语义漏洞：用于红外视觉语言模型的通用对抗性补丁

Chengyin Hu, Yuxian Dong, Yikun Guo, Xiang Chen, Qike Zhang, Junqi Wu, Jiahuan Long, Jiujiang Guo, Yiwei Wei, Tingsong Jiang, Wen Yao

专题命中 评测与基准 ：language model(title,abstract)

AI总结 本文提出通用曲网格补丁框架UCGP，用于揭示红外视觉语言模型的语义鲁棒性漏洞，通过扰动视觉表征空间以削弱跨模态语义对齐，验证了其在多种架构和数据集上的有效性。

Prompt-Guided Foundation Model Tuning for Pathology Image Classification

用于病理图像分类的提示引导基础模型调优

Yi Lin, Zhengjie Zhu, Kwang-Ting Cheng, Hao Chen

机构 * Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系） ； Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港科技大学电子与计算机工程系） ； Department of Chemical and Biological Engineering, The Hong Kong University of Science and Technology（香港科技大学化学与生物工程系） ； HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深圳-香港协同创新研究院） ； State Key Laboratory of Nervous System Disorders, The Hong Kong University of Science and Technology（香港科技大学神经系统疾病国家重点实验室） 纠错

专题命中 评测与基准 ：foundation model(title,abstract)

AI总结 研究针对病理图像分类中基础模型预训练与下游任务的差异问题，提出PAMT框架，通过引入RPS、PVP及AMT，在14个公开数据集上严格评估，显著提升分类准确率，确立了PAMT作为病理图像分类新基准的地位。

OntoExtend: A Framework for Requirement-driven and Scalable Ontology Extension with LLMs

OntoExtend：一个用于基于需求驱动和可扩展的大语言模型本体扩展框架

Anna Sofia Lippolis, Mohammad Javad Saeedizade, Stefan Schmid, Simon Blattner, Robin Keskisärkkä, Aldo Gangemi, Eva Blomqvist, Andrea Giovanni Nuzzolese

机构 * Linköping University（林雪平大学） ； University of Bologna（博洛尼亚大学） ； Bosch（博世公司） ； ISTC-CNR（意大利国家研究委员会信息科学与技术研究所） 纠错

专题命中 评测与基准 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 研究基于需求驱动的本体扩展问题，提出用检索增强生成的OntoExtend框架，通过在相关输入本体和需求上应用该框架，在两个用例的能力问题上评估，结果显示其可作为现实场景中本体扩展起草助手，对问题特异性和建模概要敏感。

Comments Accepted in research track of Semantics 2026: https://2026-eu.semantics.cc/page/accepted_research

When a Name Is Not a Name: A Benchmark Dataset and Distilled Reasoning for Culturally Entangled Bangla Homographs in Low-Resource LLMs

当一个名字并非名字时：低资源语言模型中文化纠缠的孟加拉语同形异义词的基准数据集和提炼推理

Md. Asaduzzaman Shuvo

机构 * United International University（联合国际大学） 纠错

专题命中 评测与基准 ：language model(abstract)；pretraining(abstract)；prompting(abstract)；分类 cs.CL

AI总结 研究针对低资源语言模型中孟加拉语同形异义词文化纠缠问题，构建基准数据集。发现模型有主导意义偏差，特定模型失败。提出对比性思维链提示及提炼文化解释，能减少偏差，让小模型正确推理，提升系统性能。

KyrgyzLLM-Bench: Benchmarking Kyrgyz Language Understanding

吉尔吉斯语大语言模型基准测试：吉尔吉斯语理解的基准测试

Timur Turatali, Aida Turdubaeva, Rustem Izmailov, Anton M. Alekseev, Sergey I. Nikolenko

机构 * Institute of IT, Kyrgyz State Technical University named after I. Razzakov（以I. 拉扎科夫命名的吉尔吉斯国立技术大学信息技术学院） ； School of Computer Science, University of Windsor（温莎大学计算机科学学院） ； St. Petersburg Department of the Steklov Math. Institute, RAS St. Petersburg State University（俄罗斯科学院斯捷克洛夫数学研究所圣彼得堡分部，圣彼得堡国立大学） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.CL

AI总结 针对吉尔吉斯语大语言模型评估难的问题，利用KyrgyzLLM - Bench基准套件，包含两个本地数据集及多个翻译编辑后的数据集，在零样本和少样本设置下评估26个模型，分析性能等，发布相关资源以支持吉尔吉斯语NLP研究。

Comments Preprint; manuscript currently under consideration at a journal

How Jailbreak Attacks Inform Safety Alignment: A Defender-Centric, Shapley-Based Evaluation of Jailbreak Contributions

越狱攻击如何为安全对齐提供信息：以防御者为中心、基于Shapley值的越狱贡献评估

Yukai Zhou, Feiyang Lu, Xiaokai Mao, Jinfei Liu, Wenjie Wang

机构 * ShanghaiTech University（上海科技大学） ； Zhejiang University（浙江大学） 纠错

专题命中 评测与基准 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 研究以防御者为中心评估越狱攻击，提出A - MESS框架，通过AttackSHAP估计攻击效用，在不同场景下实验发现攻击成功率排名与防御者效用弱对齐，有限查询能准确估计，直接优化子集安全效用更强，建议将越狱攻击视为安全改进资源。

Scope3Trace: Evidence-Based Identification and Extraction of Scope 3 GHG Emissions from Sustainability Reports

Scope3Trace：基于证据的可持续发展报告中范围三温室气体排放识别与提取

Siyuan Zheng, Yifan Duan, Chao Xue, Flora D. Salim

机构 * UNSW Sydney（新南威尔士大学悉尼分校） 纠错

专题命中 评测与基准 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 研究针对范围三温室气体排放分析难题，提出Scope3Trace框架，集成多种技术从ESG和可持续发展报告中提取相关信息，并构建多模态数据集，实现了异构可持续发展披露信息可靠提取与透明整合，且提取精度高。

Comments 23 pages

Is "Knowing It's Malicious Enough?" Evaluating LLMs for Fine-Grained Malware Behavior Auditing

“知道它足够恶意吗？”评估用于细粒度恶意软件行为审计的大语言模型

Xinran Zheng, Xingzhi Qian, Yiling He, Shuo Yang, Lorenzo Cavallaro

机构 * University College London（伦敦大学学院） ； The University of Hong Kong（香港大学） 纠错

专题命中 评测与基准 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 研究针对大语言模型用于恶意软件审计可靠性不明问题，引入MalEval诊断框架，通过配对代码库与审计报告提供基本事实，经中间表示压缩代码库，映射输出到证据链，分解审计为四阶段任务，评估发现大语言模型在审计中有诸多问题，为后续可靠工作流程研究提供参考。

Comments Paper has beed accepted by ISSTA 2026

Measuring and Evaluating the Performance of Generative AI Models for Scam Detection

测量和评估用于诈骗检测的生成式人工智能模型的性能

Cem Topcuoglu, Seyed Ali Akhavani, Harel Berger, Sadia Afroz, Michalis Pachilakis, Vibhor Sehgal, Leyla Bilge, Engin Kirda

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 研究大语言模型在无特定任务微调下检测诈骗的能力，通过策划发布独特基准数据集，评估九个不同模型，发现较大模型性能优，有效提示可提升小模型性能，且LLMs泛化能力强，还发布了数据集和评估框架。

DocOCR-Eval: A Correction-Based Framework for OCR Tool Selection Without Ground Truth

DocOCR-Eval：一种无需真实标签的基于校正的OCR工具选择框架

Zihan Xu, Puzhen Wu, Lawrence Chun Man Lau, Wei Liu, Sirui Li, Yifan Peng, Yihao Ding

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 针对文档解析中OCR工具选择难题，尤其是标签稀缺情况，提出无标注评估框架DocOCR-Eval。它采用三阶段校正和排序策略，通过跨多个MLLM聚合改善与基于标注排名的对齐，能在现实有限标签设置中实现可靠OCR工具选择并提供实用指导。

Comments Work in progress

Identifying Quality Indicators in Student Self-Reflections in Software Engineering

软件工程学生自我反思中的质量指标识别

Matthew Minish, Matthias Galster, Fabian Gilson

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本研究基于反思写作框架，提出八指标评估方案，并验证了基于RoBERTa的自动分类器在软件工程学生反思评估中的有效性，实现快速结构化反馈。

Attentions Under the Microscope: A Comparative Study of Resource Utilization for Variants of Self-Attention

显微镜下的注意力：自注意力变体资源利用的比较研究

Zhengyu Tian, Anantha Padmanaban Krishna Kumar, Hemant Krishnakumar, Reza Rawassizadeh

机构 * Boston University Metropolitan College（波士顿大学 metropolitan college） ； Duy Tan University（杜益大学） ； Chulalongkorn University（朱拉隆功大学） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 研究大语言模型和视觉语言模型中注意力机制瓶颈，通过在训练GPT-2架构时对八种注意力机制进行基准测试，发现优化内核实现的机制能源效率最佳，强调能源感知基准测试对注意力设计的重要性及对选择高效机制的指导意义。

Comments 6 pages, 8 figures

SAGA: Synthetic Agentic Graph Architecture for Temporal Benchmark Generation

SAGA：用于时间基准生成的合成智能体图架构

Jiacheng Ding, Xiaofei Zhang

机构 * University of Memphis（密苏里大学） 纠错

专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 针对时间图基准稀缺问题，SAGA系统通过四阶段管道生成大规模语义丰富的时间图，其架构解耦结构与语义，能实现结构真实性、语义丰富性和自动异常标注，在单个H100 GPU上高效生成大量带受控异常的时间边。

An Explicit World Model Based on Data-First Ontology: DaoQL Multimodal Storage Validation and Counterfactual Reasoning Evaluation

基于数据优先本体的显式世界模型：DaoQL多模态存储验证与反事实推理评估

Zhanbo Li, Shifeng Wu, Xiangjin Meng, Wenjie Cai

机构 * School of Mathematics and Statistics, Chongqing University（重庆大学数学与统计学院） ； Guangzhou Polytechnic Normal University（广州技术师范大学） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 研究大型语言模型隐式编码世界模型的风险，提出数据优先本体并构建DaoQL多模态数据库。通过形式化显式世界模型，对比隐式模型优势。实验展示系统性能，如在反事实实验中DaoQL+GPT-4o可组合反事实可分解性大幅提升。

Comments 20 pages, 2 figures. Code: https://github.com/zhanbolee/DaoQL-Edu

Vision2Web: A Hierarchical Benchmark for Visual Website Development with Agent Verification

Vision2Web: 一个用于视觉网站开发的分层基准，包含代理验证

Zehai He, Wenyi Hong, Zhen Yang, Ziyang Pan, Mingdao Liu, Xiaotao Gu, Jie Tang

机构 * Tsinghua University（清华大学） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出Vision2Web基准，用于评估视觉网站开发能力，包含193个任务和16类，通过GUI代理验证器和基于VLM的裁判器评估多个视觉语言模型，揭示了在全栈开发中现有模型的性能差距。

CARV: A Diagnostic Benchmark for Compositional Analogical Reasoning in Multimodal LLMs

CARV：多模态大语言模型中组合类比推理的诊断基准

Yongkang Du, Xiaohan Zou, Minhao Cheng, Lu Lin

机构 * Pennsylvania State University（宾夕法尼亚州立大学） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出CARV任务及5500样本数据集，评估多模态大语言模型在组合类比推理中的能力，发现Gemini-2.5 Pro准确率仅为40.4%，远低于人类水平，揭示模型在规则提取与组合变换上的局限。

MMGraphRAG: Bridging Vision and Language with Interpretable Multimodal Knowledge Graphs

MMGraphRAG: 通过可解释的多模态知识图谱弥合视觉与语言的鸿沟

Xueyao Wan, Hang Yu

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 MMGraphRAG通过引入可解释的多模态知识图谱，解决多模态场景下的实体链接和跨模态推理问题，实现最先进的多模态信息处理性能。

When Benchmarks Lie: Evaluating Malicious Prompt Classifiers Under True Distribution Shift

当基准谎言：在真实分布偏移下评估恶意提示分类器

Max Fomin

机构 * Zenity 纠错

专题命中 评测与基准 ：LLM(abstract,abstract_cn)；分类 cs.LG

AI总结 研究通过LODO评估揭示了现有方法在真实分布偏移下的局限性，并展示了SAE特征在提升分类器解释性方面的潜力。

Comments v2: extended version of the AIWILD @ ICLR 2026 workshop paper; adds multi-model replication and additional analyses

When Words Don't Mean What They Say: Figurative Understanding in Bengali Idioms

当词语不表示其意义：孟加拉成语的隐喻理解

Adib Sakhawat, Shamim Ara Parveen, Md Ruhul Amin, Shamim Al Mahmud, Md Saiful Islam, Tahera Khatun

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出一个包含10361个孟加拉成语的数据集，评估30种LLMs在隐喻理解任务上的表现，发现模型在跨语言和文化推理上存在显著不足。

Comments 9 pages, 5 figures. Accepted for presentation at LREC 2026 (Language Resources and Evaluation Conference)

TimeLens2: Generalist Video Temporal Grounding with Multimodal LLMs

TimeLens2：使用多模态大语言模型进行通用视频时间定位

Yuhan Zhu, Changlian Ma, Xiangyu Zeng, Xinhao Li, Zhiqiu Zhang, Songze Li, Jun Zhang, Tianxiang Jiang, Yuandong Yang, Ziang Yan, Zikang Wang, Xinyu Chen, Haoran Chen, Shaowei Zhang, Limin Wang

机构 * Nanjing University（南京大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学） ； Fudan University（复旦大学） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)

AI总结 研究通用视频时间定位问题，TimeLens2将时间证据视为区间集，通过多种策略构建多跨度监督，其时间瓦瑟斯坦奖励等方法提供反馈，在多个基准测试中表现出色，不同变体均有性能提升。

Comments Technical Report

Learning Dispute Structure for Settlement Prediction in Financial ADR: A Multi-Task and Cross-Institutional Approach

学习金融 ADR 中和解预测的争议结构：一种多任务和跨机构方法

Koutarou Tamura

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)

AI总结 针对金融 ADR 案例，提出统一数据集和建模框架，引入功能标记方案表示争议结构，构建多任务模型联合进行争议分类与和解预测，实验显示该方法能提升预测性能，发现争议结构在 ADR 领域部分共享。

Comments 4th International Conference on Computational and Data Sciences in Economics and Finance (CDEF 2026)

Multi-Dimensional Quality Assessment for AI-Generated Human-Centric Videos: Dataset and Model

人工智能生成的以人为中心的视频的多维质量评估：数据集与模型

Sijing Wu, Yunhao Li, Huiyu Duan, Yucheng Zhu, Xiongkuo Min, Patrick Le Callet, Guangtao Zhai

机构 * Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（上海交通大学图像通信与网络工程研究所） ； USC-SJTU Institute of Cultural and Creative Industry, Shanghai Jiao Tong University（上海交通大学南加州大学文化创意产业学院） ； Polytech Nantes, Université de Nantes（法国南特大学高等理工学院） 纠错

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)

AI总结 研究针对AI生成的以人为中心的视频质量评估问题，提出扩展数据集HVEval+并构建MoE-Rater模型，该模型采用专家混合及三阶段训练策略，能统一多种任务，在相关数据集上性能优越，推动了视频质量评估及T2V模型优化。

Comments Accepted for publication in IEEE TCSVT, 2026

B-repLer: Language-guided Editing of CAD Models

B-repLer：CAD模型的语言引导编辑

Yilin Liu, Niladri Shekhar Dutt, Changjian Li, Niloy J. Mitra

专题命中 评测与基准 ：large language model(abstract)；language model(abstract)

AI总结 研究语言引导的CAD编辑问题，提出B-repLer框架直接连接自然语言与CAD模型编辑，绕过构建历史，还引入数据集，展示其自动生成等方法，能对复杂CAD形状准确执行复杂编辑。

Comments Accepted by SIGGRAPH 2026; Project page at https://yilinliu77.github.io/brepler.github.io Code at https://github.com/yilinliu77/Brepler