语言大模型 / LLM

FDABench: A Benchmark for Data Agents on Analytical Queries over Heterogeneous Data

FDABench：异构数据上分析查询的数据代理基准

Ziting Wang, Shize Zhang, Haitao Yuan, Jinwei Zhu, Wei Dong, Gao Cong

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 提出FDABench基准，通过2007个任务覆盖六种数据模态，并设计PUDDING框架自动构建数据集，以评估数据代理在异构数据上的推理能力。

Comments Accepted to KDD'26

HumanForge: A Human-Centric Deepfake Video Benchmark with Multi-Agent Forgery Rationales

HumanForge：一个具有多智能体伪造原理的以人类为中心的深度伪造视频基准

Wenbo Xu, Zhimin Chen, Xiaojie Liang, Hengrui Liu, Ziqi Sheng, Wei Lu

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

AI总结 针对视频伪造给数字内容取证带来的挑战，引入HumanForge数据集，提出基于LangGraph的Gen2Anno多智能体管道构建并注释数据集，经测试展现了零样本泛化和细粒度推理的重大挑战，代码和数据集将公开。

Comments 18 pages, 8 figures

No Data? No Problem: Synthesizing Security Graphs for Better Intrusion Detection

无数据？不问题：为更好的入侵检测合成安全图

Yi Huang, Shaofei Li, Yao Guo, Xiangqun Chen, Wajih Ul Hassan, Ding Li

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

AI总结 本文提出PROVSYN框架，通过合成异构图结构和文本属性，提升入侵检测的鲁棒性，实验显示其在五维评估中表现优于基线模型，有效缓解数据不平衡问题。

CVT-Bench: Probing Spatial-State Integrity through Counterfactual Viewpoint Transformations

CVT-Bench：反事实视角变换揭示多模态大语言模型中不稳定的空间表征

Shanmukha Vellamcheti, Uday Kiran Kothapalli, Disharee Bhowmick, Sathyanarayanan N. Aakur

机构 * CSSE Department, Auburn University（计算机科学与工程系，阿伯杜大学） 纠错

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

AI总结 CVT-Bench通过控制诊断基准评估多模态大语言模型在反事实视角变换下的关系一致性，发现尽管单视角准确率高，但系统在反事实视角变换下存在系统性退化，揭示了表征结构对反事实空间推理的重要性。

Comments Reframed CVT-Bench around spatial-state integrity, added real-world benchmark derived from 3dSGG, context controls and other minor changes. 21 pages, 10 figures, 15 tables. Project page: https://shanmukha-here.github.io/CVT-Bench

Global-Local Dual Perception for MLLMs in High-Resolution Text-Rich Image Translation

全局-局部双感知用于高分辨率文本密集图像翻译的MLLMs

Junxin Lu, Tengfei Song, Zhanglin Wu, Pengfei Li, Xiaowei Liang, Hui Yang, Kun Chen, Ning Xie, Yunfei Lu, Jing Zhao, Shiliang Sun, Daimeng Wei

机构 * School of Computer Science and Technology, East China Normal University（东华大学计算机科学与技术学院） ； Labs, Huawei Technologies Co., LTD（华为技术有限公司2012实验室） ； 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） 纠错

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

AI总结 本文提出GLoTran框架，通过全局-局部双感知方法提升高分辨率文本密集图像翻译的准确性和完整性。

Precision Hamiltonian Encoding in Full-Aperture Spatial Photonic Ising Machines

高保真空间光子伊辛机通过精确波前塑形

P. S. Karavelas, D. Karanikolopoulos, L. Mouchliadis, A. K. Spiliotis, N. L. Pitanios, S. Gentilini, D. Veraldi, P. Charlesworth, D. Pierangeli, J. Sakellariou, N. G. Berloff, S. I. Tsintzos, C. Conti, P. G. Savvidis

专题命中 评测与基准 ：SLM(abstract,abstract_cn)

AI总结 本文提出了一种高精度全孔径校准方案和交互归一化方法，实现了高保真度的空间光子伊辛机，突破了传统限制，实现了更大规模的光子伊辛计算。

Comments 13 pages, 6 figures

Diffploit: Facilitating Cross-Version Exploit Migration for Open Source Library Vulnerabilities

Diffploit：助力开源库漏洞的跨版本漏洞利用迁移

Zirui Chen, Zhipeng Xue, Jiayuan Zhou, Xing Hu, Xin Xia, Xiaohu Yang

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 Diffploit是一种迭代的差异驱动漏洞利用迁移方法，通过上下文模块和迁移模块提升跨版本漏洞利用迁移成功率，在大规模Java CVE数据集上表现优于现有工具，还发现了受影响版本范围错误的CVE及未报告的易受攻击版本。

Comments ICSE 2026

Entangled vs. Separable Choice

纠缠型与可分型选择

Nail Kashaev, Martin Plávala, Victor H. Aguiar

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 该论文提出了一种无需理性等假设的非参数方法，用于区分决策者的纠缠型与可分型选择，其可分性刻画可应用于匹配操纵、辩诉交易等场景。

MemGUI-Bench: Benchmarking Memory of Mobile GUI Agents in Dynamic Environments

MemGUI-Bench: 动态环境中移动GUI代理内存能力的基准测试

Guangyi Liu, Pengxiang Zhao, Yaozhen Liang, Qinyi Luo, Shunye Tang, Yuxiang Chai, Weifeng Lin, Han Xiao, WenHao Wang, Siheng Chen, Zhengxi Lu, Gao Wu, Hao Wang, Liang Liu, Yong Liu

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 MemGUI-Bench提出一个综合的内存导向基准测试，通过128个任务评估移动GUI代理的内存能力，揭示了各系统中的显著内存缺陷并提出5种设计改进措施。

Comments Accepted to ACM MM 2026. Project page: https://memgui-bench.github.io/

SmartMage: Dynamic Modality Orchestration for 3D Scene Understanding

SmartMage：面向3D场景理解的动态模态编排

Yue Zhang, Yingzhao Jian, Yunqiu Xu, Xiaoxiao Sun, Hehe Fan

机构 * Zhejiang University（浙江大学） ； Stanford University（斯坦福大学） 纠错

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

AI总结 本文针对现有MLLMs采用固定模态组合的缺陷，提出SmartMage模型，通过SMART和MAGE模块动态编排模态，在5个3D场景理解基准上取得最优性能，在RGB视频理解基准上表现具竞争力。

Comments Accepted to ACM MM 2026

Data Pyramid for Embodied Manipulation: A Survey

用于具身操纵的数据金字塔

Yifan Ye, Yankai Fu, Yaoxu Lv, Bohan Hou, Jun Cen, Lingdong Kong, Duo Zheng, Tianxing Chen, Jiaming Liu, Ziang Cao, Yunfan Lou, Wei Chow, Xian Sun, Yingshuo Wang, Kuangzhi Ge, Xiaowei Chi, Xidong Zhang, Zhibo Pang, Yiwu Zhong, Sirui Han, Zhihe Lu, Weihao Yuan, Qifeng Chen, Michael Yu Wang, Yao Mu, Ziwei Liu, Jianfei Yang, Ping Luo, Shanghang Zhang

机构 * PKU（北京大学） ； NTU（南洋理工大学） ； HKUST（香港科技大学） ； NUS（新加坡国立大学） ； CUHK（香港中文大学） ； HKU（香港大学） ； Duke（杜克大学） ； UCB（加州大学伯克利分校） ； GBU（未提及具体中文名的机构） ； NJU（南京大学） ； SJTU（上海交通大学） 纠错

专题命中 评测与基准 ：foundation model(abstract)；pretraining(abstract)

AI总结 研究围绕具身操纵数据生态系统展开，构建跨越五个互补数据源的“数据金字塔”，通过数据配方分析具身基础模型，将数据组成与多种能力联系起来，并讨论了六个开放挑战，为下一代具身系统设计奠定基础。

Comments Awesome Embodied Data Pyramid; Project Page at https://jasper-aaa.github.io/embodied-data-pyramid/ GitHub Repo at https://github.com/worldbench/awesome-embodied-data-pyramid

Text2Villa: Hierarchical Generation of 3D Indoor Environments with Physics-Aware Analysis-by-Synthesis

Text2Villa：通过物理感知的合成分析进行3D室内环境的分层生成

Xiang Tang, Ruotong Li, Xiaopeng Fan

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

AI总结 研究旨在解决从自然语言生成3D室内场景的问题，提出Text2Villa框架。宏观构建数据集微调布局生成器，微观引入A-PSSG并结合碰撞检测与语义推理，有效解决相关问题，性能优于以往方法，为下游应用提供3D内容基础。

Comments 17 pages, 12 figures, Project page: https://xdlbw.github.io/Text2Villa/

MAC 2026: Advancing Micro-Action Analysis Towards Fine-Grained Understanding

MAC 2026：推动微动作分析迈向细粒度理解

Kun Li, Dan Guo, Jihao Gu, Pengyu Liu, Xiaobai Li, Haoyu Chen, Yanbin Hao, Guoying Zhao, Meng Wang

机构 * United Arab Emirates University（阿联酋大学） ； Hefei University of Technology（合肥工业大学） ； University College London（伦敦大学学院） ； Zhejiang University（浙江大学） ； University of Oulu（奥卢大学） ； CMVS, University of Oulu（奥卢大学计算机视觉与媒体研究中心） 纠错

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

AI总结 本文介绍第三届MAC 2026，以从识别到细粒度微动作理解为主题，扩大挑战范围，引入新任务并借助多模态大语言模型评估，总结了相关数据集、设置、结果等，还探讨了微动作分析未来方向及在视频理解中的作用。

Comments Challenge Summary Paper of the 3rd Micro-Action Analysis Grand Challenge (MAC 2026) at ACM Multimedia 2026

CRINN: Contrastive Reinforcement Learning for Approximate Nearest Neighbor Search

CRINN：用于近似最近邻搜索的对比强化学习

Xiaoya Li, Albert Wang, Guoyin Wang, Chris Shum, Jiwei Li

机构 * DeepReinforce Team（深强化团队） 纠错

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

AI总结 研究针对近似最近邻搜索算法，提出CRINN新范式，将其优化视为强化学习问题，以执行速度为奖励信号，实验证明该方法在多个基准数据集上有效，且其成功验证了强化学习增强语言模型用于算法优化的有效性。

Comments Preprint Version

Evaluation-Verification Reward for Consistent Multi-Reference Image Editing

用于一致多参考图像编辑的评估-验证奖励

Yingmao Miao, Pengfei Zhang, Xiaochen Lv, Meng Yu, Lei Sun, Xiangxiang Chu, Chao Shen, Chenhao Lin

机构 * Xi’an Jiaotong University（西安交通大学） ； Amap, Alibaba（高德，阿里巴巴） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 针对多参考图像编辑的视觉一致性与奖励模型缺失问题，提出多维度评估-验证奖励EVR，实现无需架构改动的现成编辑器RL微调，性能优于Qwen-Image-Edit并达到或超NanoBanana。

Cross-Layer Semantic Flow Reconstruction for Attack Detection in Agentic Systems

超越输入防护：为执行感知攻击检测重建跨代理语义流

Qizhi Cai, Yangyang Wei, Zhipeng Chen, Shouling Ji, Zhenyuan Li

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 SysName通过重建跨代理语义流，实现执行感知的攻击检测，有效识别多种复合攻击向量，提升多代理系统安全性。

Comments 16 pages, 15 figures

AutoLogger: A Multi-Agent Framework for the End-to-End Automated Logging

通过多智能体框架实现端到端自动日志记录

Renyi Zhong, Yintong Huo, Wenwei Gu, Yichen Li, Michael R. Lyu

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 本文提出Autologger框架，通过多智能体系统实现端到端自动日志记录，提升日志生成质量与准确性。

UniCVR: From Alignment to Reranking for Unified Zero-Shot Composed Visual Retrieval

UniCVR：从对齐到重排序的统一零样本复合视觉检索

Haokun Wen, Xuemeng Song, Haoyu Zhang, Weili Guan, Xiangyu Zhao, Liqiang Nie

机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； City University of Hong Kong（香港城市大学） ； Southern University of Science and Technology（南方科技大学） ； Pengcheng Laboratory（鹏城实验室） 纠错

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

AI总结 UniCVR提出首个统一零样本复合视觉检索框架，结合多模态大语言模型与视觉语言预训练模型，通过两阶段方法实现多任务联合优化，实验表明其在五个基准测试中表现优异。

EgoIntent: A Pre-Outcome Micro-Step Benchmark for Understanding What, Why, and Next

EgoIntent: 一种用于理解‘是什么、为什么和下一步’的以自我为中心的步级基准

Ye Pan, Chi Kit Wong, Yuanhuiyi Lyu, Hanqian Li, Chenfei Liao, Jiahao Huo, Lutao Jiang, Zixin Zhang, Jiacheng Chen, Yuqian Fu, Xu Zheng

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

AI总结 EgoIntent基准旨在通过步级意图理解解决以自我为中心视频中对‘是什么、为什么和下一步’的细粒度理解难题，包含15种日常生活场景，评估模型在三个维度上的表现。

Doc2Feat-Bench: Evaluating Documentation-Driven Feature Addition

Doc2Feat-Bench：评估文档驱动的功能添加

Zhonghao Jiang, Le Deng, Jialun Cao, Michael Pradel, Zhongxin Liu

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

AI总结 本研究构建了Doc2Feat-bench基准及经人工验证的子集，用于评估软件工程智能体基于文档变更实现功能的能力，发现当前最先进智能体在该任务上的最佳成功率仅为37.72%，且面临跨文件编辑等关键挑战。

Comments Accepted by ASE 2026

ScopeJudge: Cost-Aware Pre-Execution Gating for Offensive Security Agents

ScopeJudge：用于进攻性安全代理的成本感知预执行门控

Shane Caldwell, Max Harley, Ads Dawson, Michael Kouremetis, Vincent Abruzzo, Will Pearce

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 研究进攻性安全代理中预执行门控，引入ScopeJudge数据集，含4897个工具调用。评估八个法官模型在五种转录策略下表现，发现静态策略不足，推荐成本敏感和召回优先操作点，以支持自主安全代理的实时监控和可扩展监督。

Comments 22 pages, 4 figures, 4 tables, 1 link to code, 1 link to dataset

Anti-Prompt: Image Protection against Text-Guided Image-to-Video Generation

Anti-Prompt: 针对文本引导的图像到视频生成的图像保护

Yeonghwan Song, Chanhui Lee, Jinsoo Park, Jeany Son

机构 * GIST（光州科学技术院） ； POSTECH（浦项科技大学） 纠错

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 提出Anti-Prompt方法，通过向图像注入不可察觉的扰动，在文本引导的图像到视频生成中引发视觉不一致和结构失败，从而保护版权和隐私。

Comments Accepted to ECCV 2026

PixIE: Prompted Pixel-Space Low-Light Image Enhancement

PixIE: 提示驱动的像素空间低光照图像增强

Ruirui Lin, Guoxi Huang, David Bull, Nantheera Anantrasirichai

机构 * Visual Information Laboratory, University of Bristol, United Kingdom（布里斯托大学视觉信息实验室，英国） 纠错

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

AI总结 提出PixIE框架，利用视觉基础模型的语义提示，通过跨尺度去噪和DINO提示像素块进行像素空间低光照图像增强，在多个基准上提升PSNR和LPIPS。

CREST: Curvature-Regulated Event-Centric Sampling for Efficient Long-Video Understanding

CREST: 曲率调节的事件中心采样用于高效长视频理解

Mehrajul Abadin Miraj, Abdul Mohaimen Al Radi, Shariful Islam Rayhan, Md. Tanvir Alam, Ismat Rahman, Yu Tian, Md Mosaddek Khan

机构 * Dept. of CSE, University of Dhaka（达卡大学计算机科学与工程系） ； Dept. of CSE, University of Central Florida（中央佛罗里达大学计算机科学与工程系） 纠错

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 提出一种无训练帧选择方法CREST，利用查询-帧相关性的时间几何（局部曲率）来指导采样，在固定预算下实现高效长视频理解。

Exposure is not manifestation: measurement target and output resolution jointly determine which behavioural-faithfulness evaluator wins

创造力、诚实和设计遗忘在小型双曲语言模型中出现

Kwan Soo Shin

机构 * PolymathMinds Lab（多智思维实验室） ； POSTECH（浦项科技大学） ； aSSIST University（aSSIST大学） ； Korean Educational Development Institute（韩国教育开发院） 纠错

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

AI总结 研究探讨小型双曲语言模型如何成为可信陪伴式AI，通过行为审计器检测合规差距，用线性读出检测相关问题，创意框架播种器更优，记忆操作系统实现设计遗忘，为可信陪伴式AI提供了小模型路径。

Comments Substantially revised and narrowed version with a new title and estimand-centred analysis. Comparisons are now reported at three output resolutions, and the reproducibility package has been rebuilt. The author list was changed with the approval of all authors listed on v1-v2; previous versions remain publicly available. 17 pages, 3 figures, 3 tables

Text2Score: Generating Sheet Music From Textual Prompts

Text2Score：从文本提示生成乐谱

Keshav Bhandari, Sungkyun Chang, Abhinaba Roy, Francesca Ronchini, Emmanouil Benetos, Dorien Herremans, Simon Colton

机构 * Queen Mary University of London（伦敦女王学院） ； Singapore University of Technology and Design（新加坡科技设计大学） ； Politecnico di Milano（米兰理工大学） ； EmotionWave（情绪波） 纠错

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 本文提出Text2Score框架，通过规划和执行阶段生成乐谱，利用符号XML数据直接生成监督信号，优于其他方法。

Comments 9 pages including references, 2 figures

Understanding Bugs in Modern Agentic Frameworks: A Study of Symptoms, Root Causes, and Triggering Conditions

理解现代代理框架中的缺陷：对症状、根本原因和触发条件的研究

Xiaowen Zhang, Hannuo Zhang, Shin Hwei Tan

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 本文研究现代代理框架中的缺陷，通过分析409个修复的bug，提出五层抽象模型，揭示独特的症状和根本原因，并识别可转移的bug触发模式，提升代理系统的可靠性。

Comments 12 pages, 2 figures. Accepted at ASE 2026

MMedFD: A Real-world Healthcare Benchmark for Multi-turn Full-Duplex Automatic Speech Recognition

MMedFD：面向多轮全双工自动语音识别的真实世界医疗基准

Hongzhao Chen, XiaoYang Wang, Jing Lan, Hexiao Ding, Yufeng Jiang, MingHui Yang, DanHui Xu, Jun Luo, Nga-Chun Ng, Gerald W. Y. Cheng, Yunlin Mao, Jung Sun Yoo

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 本文提出首个真实世界中文医疗ASR基准MMedFD，构建含5805个会话的数据集，引入相关技术方案并建立评估框架，为医疗领域流式ASR及双工智能体研究提供支撑。

TrajAudit: Automated Failure Diagnosis for Agentic Coding Systems

TrajAudit：智能体编码系统的自动化故障诊断

Minxing Wang, Xiaofei Xie, Yintong Huo

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 针对仓库级编码轨迹中噪声多、上下文长的问题，提出TrajAudit框架，通过模式匹配过滤和测试报告先验知识辅助，实现高效故障诊断，在RootSE基准上定位准确率提升24.4个百分点，令牌消耗降低18%。

JETO-Bench: A Reproducible Benchmark for Execution Time Improvement Patches in Java

JETO-Bench: Java执行时间改进补丁的可复现基准测试

Khashayar Etemadi, Zhendong Su

专题命中 评测与基准 ：LLM(abstract,abstract_cn)

AI总结 提出JETO-Mine工具，通过静态分析、动态分析和评估框架自动构建可复现的Java执行时间改进补丁基准，并构建包含660个补丁的JETO-Bench，验证了其有效性。