语言大模型 / LLM

Cognitive Training for Language Models: Towards General Capabilities via Cross-Entropy Games

语言模型的认知训练：通过交叉熵游戏实现通用能力

Clément Hongler, Franck Gabriel, Valentin Hartmann, Arthur Renard, Andrew Emil

机构 * Xent Labs ； EPFL（瑞士联邦理工学院洛桑） ； Université Lyon 1（里昂第一大学） 纠错

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

AI总结 本文提出通过交叉熵游戏构建语言模型通用能力的框架，探讨了基于贪心优化算法的课程学习方法，并认为认知训练是发现相关技能的有效途径。

Comments 22 pages, 1 figure

From Helpful to Trustworthy: LLM Agents for Pair Programming

从有益到可信：用于配对编程的LLM代理

Ragib Shahariar Ayon

机构 * Texas State University（德克萨斯州立大学） 纠错

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

AI总结 本文研究多代理LLM配对编程，通过外部化意图和工具迭代验证，提升代码可靠性、可审计性和可维护性。

Comments Accepted in 34th ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering (FSE Companion 26)

MARL-GPT: Foundation Model for Multi-Agent Reinforcement Learning

MARL-GPT：多智能体强化学习的基础模型

Maria Nesterova, Mikhail Kolosov, Anton Andreychuk, Egor Cherepanov, Oleg Bulichev, Alexey Kovalev, Konstantin Yakovlev, Aleksandr Panov, Alexey Skrynnik

机构 * MIRAI \& Innopolis University Moscow Russia ； MIRAI \& Innopolis University 纠错

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

AI总结 本文提出MARL-GPT，一种基于Transformer的多任务模型，能通过离线强化学习在不同多智能体环境中高效学习，无需任务特定调优，实验证明其在多个挑战性任务中表现优异。

Comments Accepted at AAMAS 2026 (AAAI Track)

Dependency-Guided Parallel Decoding in Discrete Diffusion Language Models

基于依赖性的并行解码在离散扩散语言模型中

Liran Ringel, Ameen Ali, Yaniv Romano

机构 * Department of Computer Science, Technion – Israel Institute of Technology（以色列理工学院计算机科学系） ； Blavatnik School of Computer Science and AI, Tel Aviv, Israel（特拉维夫布拉瓦特尼克计算机科学与人工智能学院） ； Department of Electrical and Computer Engineering, Technion – Israel Institute of Technology（以色列理工学院电气与计算机工程系） 纠错

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

AI总结 本文提出DEMASK方法，通过预测掩码位置间的依赖关系，实现并行解码以提升生成效率，同时保持或提升输出质量。

Phase transition on a context-sensitive random language model with short range interactions

具有短程相互作用的上下文敏感随机语言模型的相变

Yuma Toji, Jun Takahashi, Vwani Roychowdhury, Hideyuki Miyahara

机构 * Graduate School of Information Science and Technology, Hokkaido University（北海道大学信息科学与技术研究生院） ； Institute for Solid State Physics, The University of Tokyo（东京大学固体物理研究所） 纠错

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

AI总结 研究构建了具有短程相互作用的随机语言模型，发现即使仅参考固定长度上下文也能出现相变，表明语言模型的相变源于语言内在性质而非长程相互作用。

AutoSiMP: Autonomous Topology Optimization from Natural Language via LLM-Driven Problem Configuration and Adaptive Solver Control

AutoSiMP：通过LLM驱动的问题配置和自适应求解器控制实现自然语言驱动的自主拓扑优化

Shaoliang Yang, Jun Wang, Yunsheng Wang

机构 * Santa Clara University（圣克拉拉大学） 纠错

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

AI总结 本文提出AutoSiMP，一种将自然语言结构问题描述转化为有效二进制拓扑的自主流程。流程包含五个模块，包括基于LLM的配置器、边界条件生成器、SIMP求解器、结构评估器和闭环重试机制，展示了在自然语言描述到验证结构拓扑的完整闭环。

Comments 30 pages, 9 figures

"Oops! ChatGPT is Temporarily Unavailable!": A Diary Study on Knowledge Workers' Experiences of LLM Withdrawal

Oops! ChatGPT 是暂时不可用！：一项关于知识工作者面对 LLM 暂停使用的日记研究

Eunseo Oh, Suyoun Lee, Jae Young Choi, Soobin Park, Youn-kyung Lim

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 本研究通过四天的日记记录，探讨频繁使用 LLM 的知识工作者在 LLM 暂停时的工作流程中断、自我导向工作对专业价值观的重新发现以及日常实践揭示的 LLM 规范性影响。

Comments 5 pages excluding reference and appendix. Accepted at ACM CHI EA 2026

Malicious LLM-Based Conversational AI Makes Users Reveal Personal Information

恶意的基于大语言模型的对话式AI使用户泄露个人信息

Xiao Zhan, Juan Carlos Carrillo, William Seymour, Jose Such

机构 * VRAIN, Universitat Politècnica de València（瓦伦西亚理工大学VRAIN研究所） 纠错

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

AI总结 研究探讨了基于大语言模型的恶意对话式AI如何通过不同策略提取用户个人信息，发现恶意AI比良性AI更有效，且基于隐私的社会属性策略效果最佳，揭示了新型恶意AI带来的隐私威胁。

Comments This paper has been accepted at USENIX Security '25

Journal ref USENIX Security 2025

Who Spoke What When? Evaluating Spoken Language Models for Conversational ASR with Semantic and Overlap-Aware Metrics

谁说了什么？通过语义和重叠感知指标评估对话语音模型的对话ASR

Naohiro Tawara, Samuele Cornell, Alexander Polok, Marc Delcroix, Lukáš Burget, Shinji Watanabe

机构 * NTT, Inc.（日本NTT公司） ； CMU（卡内基梅隆大学） ； BUT（捷克但尼奇技术大学） 纠错

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

AI总结 本文通过语义和重叠感知指标评估对话ASR模型，发现基于LLM的系统在双人对话中表现良好，但随着说话人数和重叠增加而下降，而模块化流水线方法更稳健。

Comments Submitted to INTERSPEECH 2026

A chemical language model for reticular materials design

一种用于网状材料设计的化学语言模型

Dhruv Menon, Vivek Singh, Xu Chen, Mohammad Reza Alizadeh Kiapi, Ivan Zyuzin, Hamish W. Macleod, Nakul Rampal, William Shepard, Omar M. Yaghi, David Fairen-Jimenez

机构 * Department of Chemical Engineering & Biotechnology, University of Cambridge（化学工程与生物技术系，剑桥大学） ； Department of Chemistry, University of California – Berkeley（化学系，加州大学伯克利分校） ； Bakar Institute of Digital Materials for the Planet, Berkeley, CA（为地球的数字材料研究所，伯克利，CA） ； KACST–UC Berkeley Center of Excellence for Nanomaterials for Clean Energy Applications, King Abdulaziz City for Science and Technology（清洁能源应用纳米材料卓越中心，国王阿卜杜勒-阿齐兹城市科学与技术中心） ； Synchrotron SOLEIL-UR1, L’Orme des Merisiers, Départementale 128, 91190 Saint-Aubin（SOLEIL-UR1同步辐射光源，L’Orme des Merisiers，Départementale 128，91190 Saint-Aubin） 纠错

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

AI总结 本文提出Nexerra-R1模型，通过生成有机连接体实现逆向设计，结合分布引导目标和化学验证，生成可合成的网状材料候选物。

Comments 45 pages, 26 figures, Supplementary Information included; code available at: https://github.com/fairen-group/nexerra-r1

A Phylogenetic Approach to Genomic Language Modeling

基于系统发育的基因组语言建模方法

Carlos Albors, Jianan Canal Li, Gonzalo Benegas, Chengzhong Ye, Yun S. Song

机构 * Department of Electrical Engineering and Computer Sciences（电气工程与计算机科学系） ； Department of Statistics（统计学系） 纠错

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

AI总结 本文提出一种基于系统发育树的基因组语言模型训练框架，通过多物种全基因组比对提升模型对进化约束元件的识别能力，展示了PhyloGPN在单序列预测功能性破坏变异方面的有效性。

Comments 15 pages, 7 figures

Language Model Maps for Prompt-Response Distributions via Log-Likelihood Vectors

通过对数似然向量构建语言模型提示-响应分布的语言模型映射

Yusuke Takase, Momose Oyama, Hidetoshi Shimodaira

机构 * Kyoto University（京都大学） ； RIKEN（日本研究机构） 纠错

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

AI总结 本文提出利用对数似然向量表示语言模型，构建模型映射以比较其条件分布，实验显示映射能捕捉全球结构及模型属性关系，且能分析提示修改的系统性变化。

The Provenance Paradox in Multi-Agent LLM Routing: Delegation Contracts and Attested Identity in LDP

多智能体大语言模型路由中的溯源悖论：委托合同与认证身份在LDP中的应用

Sunil Prakash

机构 * Indian School of Business（印度管理学院） 纠错

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

AI总结 本文研究多智能体大语言模型在跨信任边界任务委托中的溯源悖论，提出委托合同和认证身份模型以解决不可验证质量声明的问题，通过实验验证认证路由的高效性。

Comments 9 pages, 6 figures. Open-source: https://github.com/sunilp/ldp-protocol

Code-A1: Adversarial Evolving of Code LLM and Test LLM via Reinforcement Learning

Code-A1：通过强化学习进行代码LLM和测试LLM的对抗演化

Aozhe Wang, Yuchen Yan, Nan Zhou, Zhengxi Lu, Weiming Lu, Jun Xiao, Yueting Zhuang, Yongliang Shen

机构 * Zhejiang University（浙江大学） 纠错

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

AI总结 Code-A1通过对抗性共进化框架联合优化代码LLM和测试LLM，解决传统方法中白盒访问导致的自我 collusion 和黑盒限制下的测试泛化问题，提升测试生成能力。

Comments Project Page: https://zju-real.github.io/Code-A1 Code: https://github.com/ZJU-REAL/Code-A1

Causal Tracing of Audio-Text Fusion in Large Audio Language Models

大型音频语言模型中音频-文本融合的因果追溯

Wei-Chih Chen, Chien-yu Huang, Hung-yi Lee

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

AI总结 研究通过因果追溯分析大型音频语言模型在音频理解过程中音频特征与文本上下文的融合机制，揭示不同模型在层间和token级的融合策略及信息瓶颈。

Comments Submitted to Interspeech 2026

Communication Enables Cooperation in LLM Agents: A Comparison with Curriculum-Based Approaches

通信使LLM代理协作：与基于课程的方法的比较

Hachem Madmoun, Salem Lahlou

机构 * MBZUAI（穆扎布伊人工智能研究所） 纠错

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

AI总结 本文通过比较直接通信与课程学习方法，发现通信在促进LLM代理合作中更有效，而课程学习可能因设计选择影响对齐目标。

Comments Published in EACL 2026 - Corrected cooperation rates for two-stage communication conditions (96.7% and 100.0%, previously reported as 48.3% and 50.0% due to a denominator bug in the evaluation code). All other results unchanged

Integrating a Causal Foundation Model into a Prescriptive Maintenance Framework for Optimising Production-Line OEE

将因果基础模型整合到指令性维护框架中以优化生产线OEE

Felix Saretzky, Lucas Andersen, Thomas Engel, Fazel Ansari

机构 * Department of Engineering University of Luxembourg（工程系卢森堡大学） ； Department of Computer Science University of Luxembourg（计算机科学系卢森堡大学） ； Chair of Production and Maintenance Management TU Wien（生产与维护管理系维也纳技术大学） 纠错

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

AI总结 本文提出基于因果机器学习的模型，通过模拟潜在修复方案优化生产线OEE，解决传统预测模型无法识别故障根本原因的问题。

Comments 9 pages, 3 images, 1 table, conference paper

Rigidity in LLM Bandits with Implications for Human-AI Dyads

在LLM老虎机中的刚性及其对人机双元体的影响

Haomiaomiao Wang, Tomás E Ward, Lili Zhang

机构 * Insight Research Ireland Centre for Data Analytics, Ireland（爱尔兰洞察研究爱尔兰数据分析中心） ； School of Computing, Dublin City University, Ireland（都柏林城市大学计算机学院） 纠错

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

AI总结 研究发现LLM在老虎机任务中表现出刚性决策策略，通过计算建模揭示了低学习率和高逆温度的机制，为理解人机交互中的决策偏见提供了新视角。

Comments 13 pages, 5 figures, AICS conference https://aicsconf.org/

Track-SQL: Enhancing Generative Language Models with Dual-Extractive Modules for Schema and Context Tracking in Multi-turn Text-to-SQL

Track-SQL: 通过双提取模块增强生成语言模型以在多轮文本到SQL中进行模式和上下文跟踪

Bingfeng Chen, Shaobin Shi, Yongqi Luo, Boyan Xu, Ruichu Cai, Zhifeng Hao

机构 * School of Computer Science, Guangdong University of Technology（广东技术大学计算机科学学院） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室） ； Peng Cheng Laboratory（鹏城实验室） ； College of Science, Shantou University（汕头大学理学院） 纠错

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

AI总结 Track-SQL通过双提取模块提升生成语言模型在多轮文本到SQL任务中的模式和上下文跟踪能力，实现性能显著提升。

Comments Accepted at the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics (NAACL 2025), Long Paper, 19 pages

Journal ref Proceedings of the 2025 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long Papers), pp. 10690-10708. Association for Computational Linguistics, 2025

MAP: Mitigating Hallucinations in Large Vision-Language Models with Map-Level Attention Processing

MAP: 通过地图级注意力处理缓解大视觉-语言模型中的幻觉

Chenxi Li, Yichen Guo, Benfang Qian, Jinhao You, Kai Tang, Yaosong Du, Zonghao Zhang, Xiande Huang

机构 * DAIL Tech（DAIL科技） 纠错

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

AI总结 MAP通过地图级注意力处理提升大视觉-语言模型的事实一致性与性能。

Progressive Refinement Regulation for Accelerating Diffusion Language Model Decoding

逐步细化调节以加速扩散语言模型解码

Lipeng Wan, Jianhui Gu, Junjie Ma, Jianguo Huang, Shiguang Sun, Siyuan Li, Xuguang Lan

机构 * Department of Artificial Intelligence, Xi'an Jiaotong University（人工智能系，西安交通大学） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） ； School of Computer Science and Technology, Harbin Institute of Technology（计算机科学与技术学院，哈尔滨工业大学） 纠错

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

AI总结 逐步细化调节通过动态控制细化规则提升扩散语言模型解码效率并保持生成质量。

Comments 19 pages, 10 figures, Code available upon publication

Sparse autoencoders reveal organized biological knowledge but minimal regulatory logic in single-cell foundation models: a comparative atlas of Geneformer and scGPT

稀疏自编码器揭示了组织化的生物知识，但在单细胞基础模型中包含最小的调控逻辑：Geneformer和scGPT的比较图谱

Ihor Kendiukhov

机构 * Department of Computer Science, University of Tübingen（图宾根大学计算机科学系） 纠错

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

AI总结 本研究通过稀疏自编码器分析单细胞基础模型Geneformer和scGPT，揭示其包含组织化的生物知识，但缺乏显著的因果调控逻辑。

NeuroWise: A Multi-Agent LLM "Glass-Box" System for Practicing Double-Empathy Communication with Autistic Partners

NeuroWise：一种多智能体大语言模型"玻璃箱"系统，用于与自闭症伙伴练习双 empathy 交流

Albert Tang, Yifan Mo, Jie Li, Yue Su, Mengyuan Zhang, Sander L. Koole, Koen Hindriks, Jiahuan Pei

机构 * Marriotts Ridge High School（马里奥茨岭高中） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Cake Researcher（蛋糕研究员） 纠错

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

AI总结 NeuroWise通过多智能体大语言模型帮助神经典型用户改善与自闭症伙伴的双 empathy 交流，减少缺陷归因并提高沟通效率。

Comments Accepted to ACM CHI 2026

Every Language Model Has a Forgery-Resistant Signature

每个语言模型都有抗伪造的签名

Matthew Finlayson, Xiang Ren, Swabha Swayamdipta

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 本研究提出了一种基于语言模型输出椭圆表面的抗伪造签名方法，通过几何约束验证模型输出来源，具有高安全性与实用性。

On the scaling relationship between cloze probabilities and language model next-token prediction

关于闭合概率与语言模型下一个词预测之间的缩放关系

Cassandra L. Jacobs, Morgan Grobol

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

AI总结 本研究探讨了语言模型在闭合概率与下一个词预测之间的缩放关系，发现更大模型在语义上更符合人类响应，但对低层信息不敏感。

Transforming GenAI Policy to Prompting Instruction: An RCT of Scalable Prompting Interventions in a CS1 Course

将生成式AI政策转化为提示指令：一项在CS1课程中可扩展的提示干预随机对照试验

Ruiwei Xiao, Runlong Ye, Xinying Hou, Jessica Wen, Harsh Kumar, Michael Liut, John Stamper

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Toronto（多伦多大学） ； University of Michigan（密歇根大学） ； University of Toronto Mississauga（多伦多大学滑铁卢分校） 纠错

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

AI总结 本研究通过随机对照试验验证了基于ICAP框架的提示干预在提升学生提示技能和考试成绩方面的有效性，为生成式AI教育政策的改进提供了理论和实践指导。

Comments 11 pages, 3 figures

PhyScensis: Physics-Augmented LLM Agents for Complex Physical Scene Arrangement

PhyScensis: 基于物理的LLM代理用于复杂物理场景布置

Yian Wang, Han Yang, Minghao Guo, Xiaowen Qiu, Tsun-Hsuan Wang, Wojciech Matusik, Joshua B. Tenenbaum, Chuang Gan

机构 * UMass Amherst（马萨诸塞大学阿姆赫斯特分校） ； Genesis AI ； MIT（麻省理工学院） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） 纠错

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

AI总结 PhyScensis通过物理引擎驱动的LLM代理框架，生成复杂物理场景布局，提升机器人操作中的场景复杂性和物理准确性。

Comments ICLR 2026

LVLM-COUNT: Enhancing the Counting Ability of Large Vision-Language Models

LVLM-COUNT: 提升大视觉-语言模型的计数能力

Muhammad Fetrat Qharabagh, Mohammadreza Ghofrani, Kimon Fountoulakis

机构 * University of Waterloo（滑铁卢大学） 纠错

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

AI总结 LVLM-COUNT通过分而治之的方法提升大视觉-语言模型对大量对象的计数能力，有效解决计数任务中的重复计数问题。

Comments 38 pages, 24 Figures, 19 Tables

Cooperation Breakdown in LLM Agents Under Communication Delays

在通信延迟下LLM代理间的合作破裂

Keita Nishimoto, Kimitaka Asatani, Ichiro Sakata

机构 * The University of Tokyo（东京大学） 纠错

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

AI总结 研究探讨了通信延迟对LLM多智能体系统中合作的影响，发现延迟增加会引发代理剥削行为，但过度延迟反而促进合作，揭示了低层因素对合作的重要性。

RE-LLM: Refining Empathetic Speech-LLM Responses by Integrating Emotion Nuance

RE-LLM：通过整合情绪细微差别来完善同理心语音-LLM响应

Jing-Han Chen, Bo-Hao Su, Ya-Tse Wu, Chi-Chun Lee

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

AI总结 RE-LLM通过整合情绪细微差别，提升语音-LLM的共情响应生成能力，实验显示在多个数据集上显著提高了情感反应和探索评分。

Comments 5 pages, 1 figure, 2 tables. Accepted at IEEE ASRU 2025