语言大模型 / LLM

An Additive Approximation Scheme for Generating Dyadic Codings for the Outputs of an LLM

为LLM输出生成二进制编码的加性近似方案

Daniella Bar-Lev, Farzad Farnoud, Ryan Gabrys

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

AI总结 研究在编码速率约束下，通过二叉树诱导的二进制分布近似离散概率分布，提出多项式时间加性近似方案，提供近优二进制近似保证，并应用于LLM基隐写术。

When Prompt Under-Specification Improves Code Correctness: An Exploratory Study of Prompt Wording and Structure Effects on LLM-Based Code Generation

当提示不足提升代码正确性：对提示语言和结构影响LLM代码生成的探索性研究

Amal AKLI, Mike PAPADAKIS, Maxime CORDY, Yves Le TRAON

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

AI总结 研究探讨提示结构、任务复杂度和说明丰富度如何影响LLM的鲁棒性，发现提示不足在某些情况下能提升代码正确性，且结构丰富任务描述可缓解提示不足的负面影响。

Exploring Creativity in Human-Human-LLM Collaborative Software Design

探索人类-人类-LLM协作软件设计中的创造力

Victoria Jackson, Grischa Liebel, Rafael Prikladnicki, Andre van der Hoek

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

AI总结 研究探讨了在软件设计任务中人类与LLM协作时创造力的产生与影响，发现人类设计师主导创造力，LLM提供新想法但可能阻碍创造力，强调人类洞察力的重要性。

Comments Accepted into EASE 2026, 9-12 June, 2026, Glasgow, Scotland, United Kingdom

AgentVisor: Defending LLM Agents Against Prompt Injection via Semantic Virtualization

AgentVisor: 通过语义虚拟化防御LLM代理的提示注入

Zonghao Ying, Haozheng Wang, Jiangfan Liu, Quanchen Zou, Aishan Liu, Jian Yang, Yaodong Yang, Xianglong Liu

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

AI总结 本文提出AgentVisor框架，通过语义权限分离防御LLM代理的提示注入攻击，结合经典操作系统安全原语设计审计协议，并引入自修正机制，实验表明其在安全性和实用性上均优于现有方法。

SAKURAONE: An Open Ethernet-Based AI HPC System and Its Observed Workload Dynamics in a Single-Tenant LLM Development Environment

SAKURAONE：一种基于开放以太网的AI HPC系统及其在单租户LLM开发环境中的观测工作负载动态

Fumikazu Konishi, Yuuki Tsubouchi, Hirofumi Tsuruta

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

AI总结 SAKURAONE是一种基于开放以太网的AI HPC系统，通过观测单租户LLM开发环境中的工作负载动态，揭示了GPU集群在统一项目负载下的实际利用情况。

Comments Accepted at MLSys 2026

Can we Watermark Low-Entropy LLM Outputs?

我们能否对低熵LLM输出进行水印？

Noam Mazor, Andrew Morgan, Rafael Pass

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

AI总结 本文探讨在LLM输出熵较低的情况下，如何构建抗随机替换和删除的水印方案，不依赖于字母表大小或安全参数。

Comments 27 pages. To be published in FORC 2026

Adaptation and Validation of the Turkish Version of the Large Language Model Dependency Scale (LLM-D12)

大型语言模型依赖量表（LLM-D12）土耳其版的适应与验证

Tugba Coskun Aslan, Gulser Uncular, Hasan Durmus, Yasin Kavla, Arda Borlu, Sameha Alshakhsi, Ala Yankouskaya, Raian Ali

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

AI总结 本研究将大型语言模型的双维依赖量表（LLM-D12）翻译成土耳其语，并评估了其心理测量特性。通过文化-语言验证和专家审查，确认因子分析支持原两因子结构，内部一致性高，外部效度良好，表明LLM-D12是评估大型语言模型依赖的有效工具。

LLM-Land: Large Language Models for Context-Aware Drone Landing

Siwei Cai, Yuwei Wu, Lifeng Zhou

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Drexel University（德雷塞尔大学） ； Department of Electrical and Systems Engineering（电气与系统工程系） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

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

CLEAR: Towards Contextual LLM-Empowered Privacy Policy Analysis and Risk Generation for Large Language Model Applications

Chaoran Chen, Daodao Zhou, Yanfang Ye, Toby Jia-jun Li, Yaxing Yao

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

Comparing the Utility, Preference, and Performance of Course Material Search Functionality and Retrieval-Augmented Generation Large Language Model (RAG-LLM) AI Chatbots in Information-Seeking Tasks

Leonardo Pasquarelli, Charles Koutcheme, Arto Hellas

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

Comments 12 pages, 4 figures

LLM-BT: Performing Robotic Adaptive Tasks based on Large Language Models and Behavior Trees

Haotian Zhou, Yunhan Lin, Longwu Yan, Jihong Zhu, Huasong Min

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

Comments 7 pages, 11figures, WILL PUBLISHED ON ICRA 2024

Journal ref 2024 IEEE International Conference on Robotics and Automation (ICRA)

Large Language Model (LLM)-enabled Graphs in Dynamic Networking

Geng Sun, Yixian Wang, Dusit Niyato, Jiacheng Wang, Xinying Wang, H. Vincent Poor, Khaled B. Letaief

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

Comments 10 pages, 6 figures, published to IEEE NETWORK

Can Large Language Models Be Good Companions? An LLM-Based Eyewear System with Conversational Common Ground

Zhenyu Xu, Hailin Xu, Zhouyang Lu, Yingying Zhao, Rui Zhu, Yujiang Wang, Mingzhi Dong, Yuhu Chang, Qin Lv, Robert P. Dick, Fan Yang, Tun Lu, Ning Gu, Li Shang

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

Comments 36 pages, 25 figures, Under review at ACM IMWUT

On the Smallness of the Large Language Models Scaling Exponents

论大型语言模型缩放指数的小值问题

Sauro Succi, Peter V. Coveney, Alex Hansen

机构 * Italian Institute of Technology（意大利理工学院） ； PoreLab, Physics Department, Norwegian University of Science and Technology（挪威科技大学物理系PoreLab实验室） ； Centre for Computational Science, Chemistry Department, University College of London（伦敦大学学院化学系计算科学中心） 纠错

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

AI总结 本文讨论当前LLM缩放指数小导致能源不可持续的问题，指出忽略无限数据下损失函数非零的“基座效应”无法解决该问题，并基于流体湍流现象学模型类比数据平滑性对缩放指数的影响。

Comments 11 pages, 2 figures

Benchmarking Large Language Models for Grapheme-to-Phoneme Conversion: A Japanese Case Study

大型语言模型在字素到音素转换中的基准测试：以日语为例

Tomoki Koriyama

机构 * CyberAgent, Japan（日本CyberAgent公司） 纠错

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

AI总结 本研究以日语为例，对30多种大型语言模型进行字素到音素转换基准测试，发现模型大小、版本和日语专项训练是关键因素，最佳模型字符错误率低于0.52%，优于传统工具。

Comments accepted to Interspeech 2026

Simulation of Language Evolution under Regulated Social Media Platforms: A Synergistic Approach of Large Language Models and Genetic Algorithms

受监管社交媒体平台下的语言演化模拟：大语言模型与遗传算法的协同方法

Jinyu Cai, Yusei Ishimizu, Mingyue Zhang, Munan Li, Jialong Li, Kenji Tei

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

AI总结 提出基于大语言模型的多智能体框架，结合遗传算法模拟用户语言策略在监管下的迭代演化，实验表明对话轮次增加可提升信息传递准确性和对话持续性。

Comments The manuscript has been accepted to IEEE Transactions on Computational Social Systems

Mitigating Hallucinations in Large Language Models Via Decoder Layer Skipping

通过解码器层跳跃减轻大型语言模型中的幻觉

Hanze Li, Jinhao You, Yichen Guo, Kai Tang, Shuangyang Xie, Xiande Huang

机构 * De Artificial Intelligence Lab（德人工智能实验室） 纠错

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

AI总结 本文提出DeLask框架，通过动态跳过易产生幻觉的解码器层，利用梯度下降的等价性检测并抑制错误信号，从而减轻LLM幻觉并提升可靠性。

Comments 5 pages

Uncovering Symmetry Transfer in Large Language Models via Layer-Peeled Optimization

通过分层剥离优化揭示大语言模型中的对称性传递

Zhehang Du, Hangfeng He, Weijie Su

机构 * The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院） ； University of Rochester（罗切斯特大学） 纠错

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

AI总结 本文研究了大语言模型通过分层剥离优化是否能诱导几何结构，证明了目标分布对称性在模型最优解中精确传递，并展示了开源LLM在无显式正则化下自然呈现理论预测的对称性。

When Choices Become Risks: Safety Failures of Large Language Models under Multiple-Choice Constraints

当选择成为风险：在多选约束下大型语言模型的安全失败

Yuheng Chen, Zhiyu Wu, Bowen Cheng, Tetsuro Takahashi

机构 * Kagoshima University（鹿儿岛大学） ； Fudan University（复旦大学） ； China University of Petroleum-Beijing（中国石油大学（北京）） 纠错

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

AI总结 研究发现，在多选约束下，LLM可能绕过拒绝行为，导致安全风险增加，揭示当前安全评估在结构化任务中的不足。

Revision or Re-Solving? Decomposing Second-Pass Gains in Multi-LLM Pipelines

修订还是重新解决？多LLM流水线中第二轮收益的分解

Jingjie Ning, Xueqi Li, Chengyu Yu

机构 * School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院） 纠错

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

AI总结 本文通过控制实验分解多LLM流水线的第二轮收益，发现其收益取决于任务结构、草稿质量和信息类型，不同任务需不同策略。

Comments In Proceedings Of COLM 2026

Guarantees on Dynamical System Distinguishability for LLM Token Generation

大语言模型（LLM）令牌生成的动力系统可区分性保证

Mohamed Akrout, Dan Wilson

机构 * University of Tennessee（田纳西大学） 纠错

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

AI总结 该研究将LLM响应分类任务形式化为随机线性DS的二元假设检验，证明基于DS的分类误判率随序列长度指数衰减，还建立跨嵌入泛化的可迁移可区分性下界，解释了该方法的经验性能。

Linguistic Monoculture in LLM-Assisted Language Use

LLM辅助语言使用中的语言单一文化

Suhas Thejaswi, Juhi Kulshreshta, Lutz Oettershagen

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

AI总结 该研究针对LLM辅助语言使用中的语言单一文化问题，构建数学框架分析作者与LLM的共同演化机制，发现个性化可保留语言多样性，且个体理性作者的过度一致性会产生负外部性。

Emergent Culture in Minimal LLM Systems

最小LLM系统中的涌现文化

Simon Jones, Sabine Hauert

机构 * University of Bristol（布里斯托大学） 纠错

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

AI总结 研究在极简条件下LLM智能体如何自发合作并产生复杂文化产物，通过动态系统分析揭示超越熵视界的结构化长程相干性。

Comments 9 pages, 6 figures. Accepted for publication at Alife 2026 conference

The Invisible Lottery: How Subtle Cues Steer Algorithm Choice in LLM Code Generation

隐形彩票：微妙线索如何引导LLM代码生成中的算法选择

Akanksha Narula, Mofasshara Binte Rafique, Laurent Bindschaedler

机构 * University of Washington（华盛顿大学） ； Google Research（谷歌研究院） 纠错

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

AI总结 通过大量控制实验，发现提示中的偶然线索（如上下文词或元数据）会系统性地改变LLM在代码生成中选择的算法族分布，影响性能、安全性和可维护性，而直接命名算法是最可靠的缓解措施。

Locally Coherent, Globally Incoherent: Bounding Compositional Incoherence in Multi-Component LLM Agents

局部一致，全局不一致：多组件LLM代理中的组合不一致性界定

Anany Kotawala

机构 * princeton（普林斯顿大学） 纠错

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

AI总结 本文形式化多组件LLM代理中局部一致但全局不一致的失败，提出组合残差eps*度量不一致性，并通过层次投影修复和序贯一致性监测方法，在实验中发现广泛存在的不一致性及其对决策的影响。

Comments 25 pages, 7 figures, 24 tables. Preliminary versions to appear at the ICML 2026 Workshops on Combining Theory and Benchmarks (CTB), Statistical Frameworks for Uncertainty in Agentic Systems (AgenticUQ), and Failure Modes of Agentic AI (FAGEN)

Uncovering Logit Suppression Vulnerabilities in LLM Safety Alignment

揭示LLM安全对齐中的logit抑制漏洞

Yuxi Li, Yi Liu, Yuekang Li, Ling Shi, Gelei Deng, Shengquan Chen, Kailong Wang

机构 * Huazhong University of Science and Technology（华中科技大学） ； Nanyang Technological University（南洋理工大学） ； University of New South Wales（新南威尔士大学） ； Nankai University（南开大学） 纠错

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

AI总结 本文提出SSAG方法，通过系统操控输出层logit揭示LLM安全对齐的漏洞，实验显示其在五种主流模型上以95%成功率暴露有害响应，同时减少86%的响应时间。

CardiffNLP at CLEARS-2025: Prompting Large Language Models for Plain Language and Easy-to-Read Text Rewriting

Mutaz Ayesh, Nicolás Gutiérrez-Rolón, Fernando Alva-Manchego

机构 * Cardiff University（卡迪夫大学） 纠错

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

Chinese Metaphor Recognition Using a Multi-stage Prompting Large Language Model

Jie Wang, Jin Wang, Xuejie Zhang

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

VirtualCrime: Evaluating the Criminal Potential and Agentic Behaviors of Large Language Models via Sandbox Simulation

VirtualCrime: 通过沙盒模拟评估大语言模型的犯罪潜力

Yilin Tang, Yu Wang, Lanlan Qiu, Wenchang Gao, Yunfei Ma, Baicheng Chen, Tianxing He

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

AI总结 本文提出VirtualCrime框架，通过三代理系统评估大语言模型的犯罪能力，设计40种多样化的犯罪任务，并评估8种强大的LLM，发现模型在犯罪过程中生成详细计划并执行智能犯罪过程，但有时会采取严重行动伤害NPC。

Reading Without a Reader: Large Language Models Collapse Reading and Writing into a Single Entangled Code

无需读者的阅读：大语言模型将阅读和写作合并为一个纠缠的代码

Diego Saldaña Ulloa

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

AI总结 研究探讨大语言模型中阅读和写作代码的纠缠情况，通过纠缠指数比较输入输出代码，发现权重上未绑定模型有耦合代码，行为上理解与生成正耦合，此耦合普遍，贡献是量化及跨层一致性，定位LLMs为独特思维点。