语言大模型 / LLM

More Capable, Less Cooperative? When LLMs Fail At Zero-Cost Collaboration

能力越强，合作越少？当LLM在零成本协作中失败时

Advait Yadav, Sid Black, Oliver Sourbut

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

AI总结 研究LLM在多智能体系统中零成本协作的失败原因，通过构建去战略复杂性的环境，发现能力更强的模型（如o3）反而合作更差，并区分了能力失败与主动信息隐瞒，提出针对性干预措施。

Comments Accepted to the ICML 2026 main conference

Opinion Polarization in LLM-Based Social Networks: Manipulation and Mitigation

基于LLM的社交网络中的意见极化：操纵与缓解

Ali Safarpoor Dehkordi, Mohammad Shirzadi, Ahad N. Zehmakan

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

AI总结 研究在基于大语言模型模拟的社交网络中，对手如何通过有限预算操纵意见极化，并评估两种防御机制（反应性和主动性）的效果，发现两者均无法完全恢复基线极化状态。

Comments 16 pages, 8 figures

Automated Database Testing via LLM-Synthesized SQL Features

基于大语言模型合成SQL特征的自动化数据库测试

Suyang Zhong, Manuel Rigger

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

AI总结 该研究提出ShQveL方法，通过LLM合成SQL特征增强SQL生成器，在5个DBMS上发现55个新漏洞，其中50个已被修复，提升了自动化数据库测试的漏洞发现能力。

LLM Agents Can See Code Repositories

LLM智能体能够查看代码仓库

Dongjian Ma, Silin Chen, Yufei Yang, Yuling Shi, Yanfu Yan, Xiaodong Gu

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

AI总结 研究多模态大语言模型在仓库级问题解决中利用视觉表示的效果，发现纯视觉方案降低精度，而结合视觉结构图可减少26%输入token并保持或提升精度。

Comments Accepted by ASE 2026. Our code and data are available at https://github.com/cslsolow/SeeRepo

Impossible to hide secret ...: Uncovering Security and Privacy Issues in LLM-native IDEs

无法隐藏的秘密：揭示原生大语言模型集成开发环境（LLM-native IDEs，简称LIDEs）的安全与隐私问题

Mostafijur Rahman Akhond, Md Afif Al Mamun, Gias Uddin, Song Wang

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

AI总结 本文针对原生大语言模型集成开发环境（LIDEs），通过分析110万条相关帖子及6000余条评论，构建其安全隐私问题分类体系，发现问题多源于系统设计，开发者依赖外部防护，为后续安全LIDEs设计提供经验。

Authoring for Living Worlds: Tool-Constrained LLM Agents for Executable Multi-Actor Scenarios

代理视频生成：通过工具约束的LLM规划从文本到可执行事件图

Nicolae Cudlenco, Mihai Masala, Marius Leordeanu

机构 * Institute of Mathematics of the Romanian Academy（罗马尼亚科学院数学研究所） ； National University of Science and Technology Politehnica Bucharest（布加勒斯特理工大学） ； Büchi Labortechnik AG（布奇实验室技术股份公司） 纠错

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 本文提出了一种代理系统，通过LLM生成结构化的事件图规范，并在3D引擎中确定性执行，解决了传统视频生成的语义可靠性问题，展示了在物理真实性和语义对齐上的优越表现。

Retrieve, Schedule, Reflect: LLM Agents for Chip QoR Optimization

检索、调度、反思：用于芯片QoR优化的LLM代理

Yikang Ouyang, Yang Luo, Dongsheng Zuo, Yuzhe Ma

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 本文提出基于LLM的代理框架，通过与EDA工具交互实现芯片优化调度，利用检索增强生成和帕累托驱动反馈提升QoR，实验显示其在时序改进、能耗和面积上优于强化学习等黑盒方法。

AttriGuard: Defeating Indirect Prompt Injection in LLM Agents via Causal Attribution of Tool Invocations

AttriGuard: 通过工具调用的因果归因击败LLM代理中的间接提示注入

Yu He, Haozhe Zhu, Yiming Li, Shuo Shao, Hongwei Yao, Zhihao Liu, Zhan Qin

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 针对LLM代理易受间接提示注入攻击的问题，提出基于并行反事实测试的运行时防御AttriGuard，通过因果归因区分用户意图驱动与不可信观察驱动的工具调用，在多个基准上实现0%攻击成功率。

Comments Accepted by USENIX Security 2026

Context-as-AI-Service: Surfacing Cross-File Dependency Chains for LLM-Generated Developer Documentation

上下文即服务：为LLM生成的开发者文档揭示跨文件依赖链

Ameya Gawde, Vyzantinos Repantis, Harshvardhan Singh, Lucy Moys

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 提出Context-as-a-Service (CaaS)检索层，通过索引代码库并支持关键词与语义搜索，帮助LLM代理在生成或审查文档时追踪跨文件依赖链，实验表明CaaS能发现基线遗漏的错误并减少时间和输入令牌消耗。

Comments 8 pages, 2 figures, 4 tables

Simple is Better: Multiplication May Be All You Need for LLM Request Scheduling

简单即最佳：乘法可能就是LLM请求调度所需的一切

Dingyan Zhang, Jinbo Han, Kaixi Zhang, Xingda Wei, Sijie Shen, Chenguang Fang, Wenyuan Yu, Jingren Zhou, Rong Chen

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 本文提出通过简单乘法结合KVCache和负载均衡指标，实现LLM请求调度的双重目标，无需超参数调优，实验显示在真实工作负载中显著提升性能。

Comments To appear in the Proceedings of 20th USENIX Symposium on Operating Systems Design and Implementation (OSDI'26)

When Grammar Guides the Attack: Uncovering Control-Plane Vulnerabilities in LLMs with Structured Output

当语法引导攻击：利用结构化输出揭示LLM中的控制平面漏洞

Shuoming Zhang, Jiacheng Zhao, Hanyuan Dong, Ruiyuan Xu, Zhicheng Li, Yangyu Zhang, Shuaijiang Li, Yuan Wen, Chunwei Xia, Zheng Wang, Xiaobing Feng, Huimin Cui

机构 * SKLP, ICT, CAS & UCAS（SKLP、信息科技研究院、中国科学院及中国科学院大学） ； University of Aberdeen（阿伯丁大学） ； University of Leeds（利兹大学） ； SKLP, ICT, CAS（SKLP、信息科技研究院、中国科学院） 纠错

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

AI总结 本文研究了通过结构化输出揭示LLM控制平面漏洞的问题，提出了一种名为Constrained Decoding Attack（CDA）的新类别的 jailbreak 方法，通过控制到语义的管道机制，利用schema-enforced logit masking注入恶意前缀，并由模型自身完成有害意图，展示了DictAttack在多个模型上的高攻击成功率，揭示了需要跨平面防御来弥合数据和控制平面之间的语义差距。

Comments To appear in CCS2026

Growing a Tail: Increasing Output Diversity in Large Language Models

增长尾巴：增加大语言模型的输出多样性

Michal Shur-Ofry, Bar Horowitz-Amsalem, Adir Rahamim, Yonatan Belinkov

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

AI总结 研究大语言模型输出多样性，通过对比模型与人类回答发现模型输出集中。提出三种增加多样性的方法，即温度采样、单提示多角度回答、聚合多模型输出，组合使用可大幅提升多样性，还探讨了对AI政策治理的影响。

Comments Accepted to Machine Learning with Applications

Strategies for Span Labeling with Large Language Models

使用大语言模型进行跨度标记的策略

Danil Semin, Ondřej Dušek, Zdeněk Kasner

机构 * Institute of Formal and Applied Linguistics（形式与应用语言学研究所） ； Faculty of Mathematics and Physics, Charles University（数学与物理系，查尔斯大学） 纠错

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

AI总结 研究使用大语言模型进行跨度标记的策略，将现有策略分为三类，针对内容匹配局限引入LogitMatch方法，经四项任务评估，发现标记是强大基线，LogitMatch能改进基于匹配的方法，在部分设置中表现更优。

Predicting Biased Human Decision-Making with Large Language Models in Conversational Settings

在对话环境中使用大语言模型预测有偏差的人类决策

Stephen Pilli, Vivek Nallur

机构 * University College Dublin（都柏林大学） 纠错

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

AI总结 研究大语言模型能否预测对话环境中的偏差决策，通过预注册研究发现参与者有认知偏差及负载偏差交互，评估LLMs预测能力，结果表明GPT-4家族表现出色，有助于理解LLMs模拟人类决策及设计适应偏差的对话代理。

Comments Accepted at ACM IUI 2026

Zero and Few Shot Load Forecasting with Large Language Models

基于大语言模型的零样本和少样本负荷预测

Wenlong Liao, Chengrui Zhang, Zhe Yang, Mengshuo Jia, Christian Rehtanz, Jiannong Fang, Fernando Porté-Agel

机构 * School of Electrical Engineering, Southeast University（东南大学电气工程学院） ； Wind Engineering and Renewable Energy Laboratory, Ecole Polytechnique Federale de Lausanne (EPFL)（瑞士联邦理工学院洛桑分校风能与可再生能源实验室） ； College of Electrical Engineering and New Energy, China Three Gorges University（中国三峡大学电气工程与新能源学院） ； Department of Electrical and Electronic Engineering, Imperial College London（伦敦帝国理工学院电子与电气工程系） ； The Department of Automation, School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； The Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai（中国教育部系统控制与信息处理重点实验室，上海） ； State Key Laboratory of Submarine Geoscience, Shanghai（上海 submarine 地球科学国家重点实验室） ； Institute of Energy Systems, Energy Efficiency and Energy Economic, TU Dortmund University（德意志图林根大学能源系统、能效与能源经济研究所） 纠错

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

AI总结 提出利用预训练语言模型Chronos进行零样本和少样本负荷预测，在数据稀缺场景下显著优于多种基线模型。

Comments 24 pages,5 figures

Journal ref International Journal of Electrical Power & Energy Systems, Volume 177,April 2026

Position: We Need Large Language Models Optimized For Our Well-Being

立场：我们需要针对人类福祉优化的大语言模型

Ashton Anderson, Harsh Kumar, Louis Tay, Karina Vold

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

AI总结 本文指出大语言模型因追求即时认可出现谄媚问题，提出需开发针对长期福祉结果优化的可选大语言模型福祉模式，明确其设计的三大核心张力。

Comments Accepted to the ICML 2026 Position Paper Track

AMD:Anatomical Motion Diffusion with Interpretable Motion Decomposition and Fusion

AMD：结合可解释动作分解与融合的解剖学动作扩散模型

Beibei Jing, Youjia Zhang, Zikai Song, Junqing Yu, Wei Yang

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

AI总结 本文提出AMD模型，利用LLM将文本解析为解剖学脚本，结合双分支融合方案平衡文本与脚本影响，在CLCD1、CLCD2等复杂动作数据集上性能优于现有SOTA模型。

Comments Corrected missing spaces in the abstract; no changes to the paper

Where Agent Frameworks Fall Short: Examining Functional Challenges and Usability Concerns

对现代LLM代理框架中缺陷的实证研究

Xinxue Zhu, Yanzhou Mu, Xiaoyu Zhang, Tianlin Li, Chao Shen, Chunrong Fang, Yang Liu, Juan Zhai

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

AI总结 本文通过分析998个缺陷报告，发现现代LLM代理框架中缺陷主要源于API误用、不兼容和文档不同步，集中在自我行动阶段，导致功能错误、崩溃和构建失败。

Large language models create an uneven informational layer over cities

大语言模型在城市之上创建了一个不均衡的信息层

Lin Chen, Guangyuan Weng, Esteban Moro

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

AI总结 研究大语言模型在城市信息层面的作用，通过审核其餐厅推荐，发现存在编造与忽略场所现象，且在不同人群中有选择性差异，模拟显示会影响消费需求，揭示其对城市信息分配不均及经济、不平等有潜在影响。

UniVoice: Unifying Autoregressive ASR and Flow-Matching based TTS with Large Language Models

UniVoice: 统一自回归ASR与基于流匹配的TTS的大语言模型框架

Wenhao Guan, Zhikang Niu, Ziyue Jiang, Kaidi Wang, Peijie Chen, Qingyang Hong, Lin Li, Xie Chen

机构 * Xiamen University, China（厦门大学） ； Shanghai Innovation Institute, China（上海创新研究院） ； Shanghai Jiao Tong University, China（上海交通大学） ； Zhejiang University, China（浙江大学） 纠错

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

AI总结 提出UniVoice，通过连续表示统一语音识别与合成，结合自回归建模和流匹配，设计双重注意力机制解决模态差异，实现高质量零样本语音克隆。

Comments accepted at interspeech2026

AdaBoosting Text Prompts for Vision-Language Models

AdaBoosting 文本提示用于视觉-语言模型

Seokhee Jin, Changhwan Sung, Sunung Mun, Hoyoung Kim, Jungseul Ok

机构 * KT Corporation（KT公司） ； Pohang University of Science and Technology (POSTECH)（浦项科技大学） ； National AI Research Lab（国家人工智能研究实验室） 纠错

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

AI总结 提出文本提示提升（TPB）框架，通过AdaBoost策略将每个文本提示分类器视为弱学习器，顺序集成以聚焦难分类样本，提升少样本分类精度并实现跨模型迁移。

Comments Accepted to ECCV 2026 Spotlight

Progressive in Principle, Centrist in Practice: LLM Political Bias Is Instrument-Dependent

无形的联盟伙伴：当民主变得具体时，LLM如何投票

Joel P. Barmettler

机构 * Independent Researcher（独立研究员） ； Zurich Switzerland（苏黎世瑞士） 纠错

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

AI总结 通过对比抽象问卷和瑞士实际公投，发现LLM在具体政策决策中表现为中间派、偏向现状且跨语言不一致，而非先前认为的左倾偏见。

Comments 13 pages, 9 figures, 3 tables. Code and data: https://github.com/joelbarmettlerUZH/invisible-coalition-partner

Empirical Computation: Prompting versus Programming

经验计算：提示与编程

Eric Tang, Jing Liu, Marcel Böhme

机构 * CMU（卡内基梅隆大学） ； MPI-SP（马克斯·普朗克研究所） 纠错

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

AI总结 探讨经验计算（用提示让大语言模型解决问题而非编程）的挑战与机遇，呼吁软件工程界分析其特性，如正确性、属性及极限等，以将经验计算确立为软件工程领域。

Comments Accepted at ACM/IEEE ASE'26 (New Ideas and Emerging Results; NIER), 5 pages

Toward Understanding the Transferability of Adversarial Suffixes in Large Language Models

面向大型语言模型中对抗性后缀的可迁移性理解

Sarah Ball, Niki Hasrati, Alexander Robey, Avi Schwarzschild, Frauke Kreuter, Zico Kolter, Andrej Risteski

机构 * Ludwig-Maximilians-Universität München（慕尼黑莱布尼茨-马克斯大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Maryland（马里兰大学） 纠错

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

AI总结 该研究针对大型语言模型的对抗性后缀可迁移性，分析出三个与迁移成功高度相关的统计属性，其成果可用于提升越狱攻击的实际效果。

Comments Accepted at TMLR 2026

Rewrite to Translate, Translate to Reward: Reinforcement Learning for Source Rewriting in Machine Translation

改写以翻译，翻译以奖励：机器翻译中源端改写的强化学习

Boxuan Lyu, Haiyue Song, Zhi Qu, Hidetaka Kamigaito, Kotaro Funakoshi, Manabu Okumura

机构 * Institute of Science Tokyo（东京科学大学） ； Preferred Networks Inc（Preferred Networks 公司） ； Nara Institute of Science and Technology（奈良先端科学技术大学院大学） 纠错

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

AI总结 提出RLSR框架，通过强化学习训练源端改写模型，以翻译质量提升为奖励，无需为每个MT模型调提示，在6个MT模型和16个语言对上超越无改写和同规模提示基线，与235B LLM提示基线性能相当。

Empirical evidence of Large Language Model's influence on human spoken communication

大语言模型对人类口语交流影响的实证证据

Hiromu Yakura, Ezequiel Lopez-Lopez, Levin Brinkmann, Ignacio de la Serna, Lara Kirfel, Prateek Gupta, Ivan Soraperra, Thomas F. Eisenmann, Dirk U. Wulff, Iyad Rahwan

机构 * Center for Humans and Machines（人类与机器中心） ； Max-Planck Institute for Human Development（人类发展马克斯·普朗克研究所） ； Center for Adaptive Rationality（适应性理性中心） ； TUD Dresden University of Technology（德累斯顿技术大学） ； Department of Business Analytics and Decision Science（商业分析与决策科学系） ； Vienna University of Economics and Business（维也纳经济与商业大学） 纠错

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

AI总结 研究大语言模型对人类口语交流的影响，通过分析播客对话及实验发现，ChatGPT优先生成的词汇在人类自发语音中增加，人类会内化其词汇选择，揭示机器训练数据反馈至人类语言，引发对语言同质化及AI文化影响的担忧。

Large Language Models Develop Novel Social Biases Through Adaptive Exploration

大语言模型通过适应性探索形成新的社会偏见

Addison J. Wu, Ryan Liu, Xuechunzi Bai, Thomas L. Griffiths

机构 * Princeton University（普林斯顿大学） 纠错

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

AI总结 研究大语言模型在无固有差异时能否形成新社会偏见，用心理学范式证明其能形成，导致任务分配不公平，新模型更严重，还探索干预措施，发现激励探索可减少分层。

Comments ICML 2026 Oral

Know More, Know Clearer: A Meta-Cognitive Framework for Knowledge Augmentation in Large Language Models

知道更多，更清晰：大型语言模型中知识增强的元认知框架

Hao Chen, Ye He, Yuchun Fan, Yukun Yan, Zhenghao Liu, Qingfu Zhu, Maosong Sun, Wanxiang Che

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 提出元认知框架，利用内部认知信号划分知识空间为掌握、混淆和缺失区域，通过差异化干预和认知一致性机制增强知识并校准置信度，实验证明优于基线方法。

Shared Doubt: Zero-Shot Cross-Lingual Confidence Estimation for Language Models

共享疑虑：语言模型的零样本跨语言置信度估计

Athina Kyriakou, Dennis Ulmer, Ivan Titov

机构 * ILLC, University of Amsterdam（阿姆斯特丹大学ILLC） ； ILCC, University of Edinburgh（爱丁堡大学ILCC） 纠错

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

AI总结 研究多语言大语言模型是否编码共享的、可跨语言迁移的置信度特征，通过轻量级线性探针从中间表示直接预测答案正确性，实现零样本跨语言泛化，并发现置信度特征集中在中间层。

Text Steganography with Dynamic Codebook and Multimodal Large Language Model

基于动态代码本和多模态大语言模型的文本隐写术

Jianxin Gao, Ruohan Lei, Wanli Peng

机构 * China Agricultural University（中国农业大学） 纠错

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

AI总结 本文提出一种基于动态代码本和多模态大语言模型的文本隐写术，通过共享会话配置和多模态模型构建动态代码本，设计加密隐写映射并引入反馈优化机制，提升隐写术的安全性和实用性。