语言大模型 / LLM

In-Context Source and Channel Coding

上下文源码与信道编码

Ziqiong Wang, Tianqi Ren, Rongpeng Li, Zhifeng Zhao, Honggang Zhang

机构 * College of Information Science and Electronic Engineering, Zhejiang University（信息科学与电子工程学院，浙江大学） ； Zhejiang Lab（浙江实验室） ； Macau University of Science and Technology, China（澳门科学理工学院，中国） 纠错

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

AI总结 本文提出一种接收端上下文解码框架，通过改进SSCC的鲁棒性，在不修改发射端的情况下提升低信噪比下的传输性能。

Comments Published in SCIENCE CHINA Information Sciences

The Hidden Evolution of Disguised Visual Context inside the VLM

VLM内部伪装视觉上下文的隐藏演化

Wish Suharitdamrong, Tony Alex, Xiatian Zhu, Muhammad Awais, Sara Atito

机构 * Surrey Institute for People-Centred AI, University of Surrey（萨里大学以人为本人工智能研究所） ； Centre for Vision, Speech and Signal Processing (CVSSP), University of Surrey（萨里大学视觉、语音与信号处理中心） 纠错

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

AI总结 研究视觉语言模型中视觉令牌如何通过不同集成架构（上下文注入与逐层注入）转化为有意义表示，揭示其内部演化过程及对性能的影响。

BLADE: Better Language Answers through Dialogue and Explanations

BLADE：通过对话和解释提升语言答案

Chathuri Jayaweera, Phoebe Huang, Bonnie J. Dorr

机构 * University of Florida（佛罗里达大学） 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 BLADE通过引导学习者接触相关教学资源而非直接提供答案，提升学生对课程资源的导航能力和概念理解。

Comments Contains 7 figures

Generating Attacks for LLMs with GFlowNets

用GFlowNets为大语言模型生成攻击

Berkay Ozcam, Irem Onen, Mehmet Fatih Amasyali, Emin Islam Tatli

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

AI总结 本研究提出基于GFlowNets的自动化自适应红队评估方法，训练攻击者模型测试目标大语言模型，可生成更有效的英文攻击及土耳其语攻击输入，用于评估模型鲁棒性。

Query-Only Backdoor Attacks on Self-Evolving Skills via Trajectory Poisoning

通过轨迹投毒对自进化技能实施仅查询式后门攻击

Yuyang Luo, Haoran Wang, Kai Shu

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

AI总结 本研究针对自进化技能系统提出仅查询式轨迹后门攻击TBA，通过构造查询诱导生成带后门技能，实验证实其可可靠植入条件后门且效果优于直接注入。

F$^2$Agent: Financial Fusion of Agentic Intelligence for Multimodal Trading

F²Agent：面向多模态交易的智能体智能金融融合框架

Changshuo Liu, Yanzheng Jin, Shangfeng Cai, Peng Fang, Xiaokui Xiao, Beng Chin Ooi

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

AI总结 该研究针对现有多模态金融交易模型的跨模态依赖捕捉不足、抗噪性差的问题，提出F²Agent框架，通过专业化智能体提取模态信号、模态感知自适应融合机制及抗噪正则化，在6种资产上较16个基线实现超20%年化回报率提升，表现出优异性能。

Comments 32 pages, 12 figures, 19 tables

Agent-as-Peer-Debriefer: A Multi-Agent Framework with Perspective-Based Refinement for Qualitative Analysis

Agent-as-Peer-Debriefer: 一种基于视角精炼的多智能体定性分析框架

Zhimin Lin, Kun Cheng, Zhiyao Shu, Junhua Fang, Juntao Li, Fan Bai, Jie Gao

机构 * Soochow University（苏州大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 提出一种多智能体框架，通过模拟同行汇报（peer debriefing）并引入理论驱动、数据驱动和应用三种分析视角，提升大语言模型在定性数据分析中的编码质量。

Exploring Block Anomaly Detection In HDFS Log Data Analysis

HDFS日志数据分析中的块异常检测探索

WenYang Zhong, Tutut Herawan

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

AI总结 本研究针对HDFS日志人工异常检测复杂枯燥的问题，提出结合LLM-BiLSTM模型与Kafka流式管道的检测方案，实现HDFS块异常的快速准确检测。

Comments 37 pages

Safeguards Based on Copyable Context Cannot Provide Reliable Safety for LLMs

基于可复制上下文的安全防护无法为大语言模型提供可靠的安全性

Pingyu Wu, Lingyao Zhu, Weiming Zhang, Nenghai Yu

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

AI总结 该研究指出基于可复制上下文的LLM安全防护存在三难困境，提出用可信凭证补充防护以预测下游使用，其结论经相关评估与程序验证具有实际意义。

SkillSmith: Learning to Compose Parametric Skills and Textual Knowledge

SkillSmith：学习组合参数化技能与文本知识

Lucio M. Dery, Benedict Aaron Tjandra, Siavash Samiei, Adhiguna Kuncoro, Zohar Yahav, Jiajun Shen, Arthur Szlam

机构 * Google（谷歌） 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 SkillSmith将模型权重作为可推理模态，结合前缀调优与文本数据，实现指令引导的参数化合成，性能优于单模态基线，解决了文本与权重集成的未探索问题。

Voice-Driven Semantic Perception for UAV-Assisted Emergency Networks

基于语音的语义感知用于无人机辅助应急网络

Nuno Saavedra, Pedro Ribeiro, André Coelho, Rui Campos

机构 * FCT – Fundação para a Ciência e a Tecnologia, I.P.（葡萄牙科学与技术基金会） 纠错

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

AI总结 本文提出SIREN框架，通过整合语音识别与语义提取技术，实现无人机辅助网络的语音驱动感知，提升应急通信的自动化水平和决策支持能力。

Comments 6 pages, 3 figures

MKEvolve: A Modular Multi-Agent Framework for Kernel Code Generation

MKEvolve：用于内核代码生成的模块化多智能体框架

Jason Yoo, Rajarshi Saha, Shaowei Zhu, Tao Yu, Wei Tang, Youngsuk Park

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

AI总结 针对硬件加速器内核代码生成瓶颈，MKEvolve框架通过迭代共同进化PyTorch模块分解与子模块内核，经拆分融合优化分解并以束搜索改进子内核，实验证明其在正确性、加速及减少LLM令牌使用上有优势。

Beyond Interestingness: Semantic and Context-Aware Natural Language Query Recommendations for Visual Data Analysis

超越趣味性：用于视觉数据分析的语义和上下文感知自然语言查询推荐

Xingbo Wang, Siyuan Li, Furui Cheng, Yong Wang, Jiang Long, Hong Lu, Huamin Qu, Ke Xu

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

AI总结 针对分析师分解查询目标的挑战，研究用语义和上下文感知推荐增强自然语言接口，联合整合多种因素引导数据库探索，经多方式评估，QRec-NLI在代理比较和用户研究中表现优于基线。

Comments This is the preprint version of the paper accepted to Visual Informatics journal

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)

3100 Opinions on Code Review in an AI World: Building Causal Theory from Practitioner Discourse

人工智能时代关于代码审查的3100种观点：从从业者话语中构建因果理论

Shyam Agarwal, Courtney Miller, Christian Kästner, Bogdan Vasilescu

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 研究人工智能对代码审查的影响，通过收集从业者话语构建因果模型，明确审查是控制点，团队决定编码代理对软件影响，转化相关命题，还提供LLM辅助灰色文献理论构建方法。

From Noisy Traces to Root Causes: Structural Trajectory Analysis and Causal Extraction for Agent Optimization

从噪声轨迹到根本原因：用于智能体优化的结构轨迹分析和因果提取

Ying Chang, Jiahang Xu, Xuan Feng, Chenyuan Yang, Peng Cheng, Yuqing Yang

机构 * Microsoft Research（微软研究院） ； University of Chinese Academy of Sciences（中国科学院大学） 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 研究针对长期智能体优化中实际执行轨迹难直接用于优化的问题，提出STRACE框架。该框架在批次和轨迹内分别进行故障模式挖掘与因果定位，去除冗余和非因果步骤，实验表明其显著优于基线，提升了智能体优化成功率。

Understanding Interpretation Difficulty in Harmful Online Communication: Insights from Cybercrime Communities

理解有害网络通信中的解释难度：来自网络犯罪社区的见解

Tomohiro Okatsu, Naoki Takada, Yin Min Pa Pa, Katsunari Yoshioka, Tatsunori Mori

机构 * Yokohama National University（横滨国立大学） 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 研究网络犯罪相关Discord聊天中解释难度，构建参考解释评估人类和大语言模型在不同条件下的解释，发现局部上下文对人类不足，外部知识等可提升，还进行错误分析并分类影响因素，指出有害内容分析应视解释为证据整合问题。

Where Did the Variability Go? From Vibe Coding to Product Lines by Regeneration

可变性去哪了？从氛围编码到通过再生的产品线

Xhevahire Tërnava

机构 * LTCI, Télécom Paris, Institut Polytechnique de Paris, Palaiseau, France（LTCI，巴黎电信学院，巴黎理工学院，Palaiseau，法国） 纠错

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

AI总结 研究AI驱动编程（氛围编码）中可变性缺失问题，提出通过再生实现可变性（VbR）方法，让LLM作为推导引擎生成无死代码的变体二进制。

Comments VARIABILITY 2026

Object-Centric Environment Modeling for Agentic Tasks

用于智能任务的以对象为中心的环境建模

Yiyang Li, Tianyi Ma, Zehong Wang, Yijun Ma, Yanfang Ye

机构 * University of Notre Dame（圣母大学） 纠错

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

AI总结 研究大语言模型智能体经验维护难题，提出以对象为中心的环境建模（OCM），将经验组织成可执行模型，含对象知识与过程知识，在线更新并验证，实验表明其能提升智能体性能。

Findings of the Fifth Shared Task on Multilingual Coreference Resolution: Expanding Datasets for Long-Range Entities

第五届多语言指代消解共享任务成果：扩展长距离实体的数据集

Michal Novák, Miloslav Konopík, Anna Nedoluzhko, Martin Popel, Ondřej Pražák, Jakub Sido, Milan Straka, Zdeněk Žabokrtský, Daniel Zeman

机构 * Charles University, Faculty of Mathematics and Physics, Institute of Formal and Applied Linguistics（查理大学，数学与物理学院，形式与应用语言学研究所） ； University of West Bohemia, Faculty of Applied Sciences, Department of Computer Science and Engineering（西波赫大学，应用科学学院，计算机科学与工程系） 纠错

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

AI总结 本文总结了第五届多语言指代消解共享任务的成果，介绍了通过增加五个新数据集和两种新语言扩展数据集，以解决长距离实体的指代消解问题，并展示了传统系统与基于LLM的方法在任务中的表现。

Comments Accepted to CODI-CRAC 2026

Prompt Coverage Adequacy

提示覆盖充分性

Florian Tambon, Michael Konstantinou, Cedric Richter, Charles Chenouard, Mark Harman, Mike Papadakis

机构 * SnT, University of Luxembourg（斯蒂尔夫研究所，卢森堡大学） ； University College London（伦敦大学学院） ； University of Luxembourg（卢森堡大学） 纠错

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

AI总结 提出提示覆盖充分性标准，通过注意力机制衡量测试套件对提示需求的覆盖，相比传统代码覆盖能多检测30%以上缺陷。

BaRA: Budget-constrained and Reliable Web Data Collection Agent

BaRA: 基于BFS与反思的网络数据收集代理

Soojeong Lee, Joseph Lee, Yongseong Cho, Sunjae Kim, Youngwoo Moon, Kyungwoo Song

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

AI总结 提出BaRA框架，结合有界广度优先搜索和历史自反思，在固定交互预算下高效收集网站级数据，在链接发现和可下载多模态提取上优于现有方法。

AlgoBench: Benchmarking Algorithmic Adaptation in Code Generation

AlgoBench: 代码生成中算法适配的基准测试

Xinyuan Song, Zekun Cai, Liang Zhao

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

AI总结 提出AlgoBench框架，通过结构化约束变换自动生成新算法问题，并引入复杂度感知指标评估模型适配能力，实验发现LLM在算法适配中性能显著下降。

Comments Under Review

Making Failure Safe: A Constrained, Verifiable Agent Framework for Open-Web Data Collection

确保失败安全：一个用于开放网络数据收集的受约束、可验证的智能体框架

Bo Chen

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

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

AI总结 提出一个受约束、可验证的智能体框架，通过将LLM输出从自由形式代码转换为类型化JSON收集器配置，结合六类型收集器分类、模板和效用函数约束、静态Airflow DAG执行、基于规则的质量检查和结构化反馈纠正，实现了零执行阶段LLM令牌消耗和最低平均挂钟时间。

Comments 15 pages, 1 figure

When Classic Cache Policies Fail: Learning-Augmented Replacement for Semantic Retrieval Buffers

当经典缓存策略失效时：面向语义检索缓冲区的学习增强替换

Yushi Sun, Bowen Cao, Wai Lam

机构 * LIGHTSPEED, Tencent（腾讯光速） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 针对LLM代理中语义检索缓冲区的缓存替换问题，提出学习增强框架SOLAR，通过遗憾积累和贝叶斯在线学习实现恒定竞争比≤3，在紧缓存下相对FIFO提升5-75%。

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

Grading the Grader: Lessons from Evaluating an Agentic Data Analysis System

给评分者打分：评估智能数据分析系统的经验教训

Tian Zheng, Kai-Tai Hsu

机构 * Columbia University（哥伦比亚大学） 纠错

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

AI总结 针对智能数据分析系统输出复杂、难以评估的问题，提出三层人机评分级联（严格正则匹配、LLM宽松评分、基于片段的人工检查），在153个任务上实现100%精确率，宽松评分召回率97%，并通过迭代提示机制将评分成功率从36%提升至97%。

The Warrant Gap: Claim-Conditioned Re-scoring for Fact-Checking

证据差距：基于主张条件重新评分的事实核查

Arka Ujjal Dey, John Collomosse

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

AI总结 提出SIFT方法，通过主张条件重新评分提取的证据片段，结合WSP自动NLI检查，解决LLM事实核查中证据与主张不匹配问题，在多个基准上提升准确率。