语言大模型 / LLM

Divergence-based Safety Measure for Large Language Models via Rational Inattention

基于散度的语言模型安全度量：理性疏忽视角

Anh Tung Nguyen, Quanyan Zhu

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

AI总结 针对嵌入输入攻击，提出一种基于KL散度的LLM安全度量，利用注意力机制与理性疏忽的等价性构建隐蔽约束，并通过Bregman散度推导上界，应用于GPT-2和GPT-Neo-125M以区分模型安全特性。

Comments 16 pages and 2 figures

Typing Behavior in Human-LLM Interaction: Keystroke Dynamics Reveal Cognitive Effort During Prompting

人机交互中的打字行为：击键动态揭示提示过程中的认知努力

Laura Schütz, Yousri Cherif, Clara Sayffaerth, Thomas Weber, Francesco Chiossi

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

AI总结 本研究通过击键动态分析用户在与大语言模型交互时的认知努力，发现困难任务导致更多击键、更慢打字和更多停顿，但击键无法预测感知的输出有用性。

iPack: Intuitive Bin Packing with Large Language Models

iPack: 基于大型语言模型的直观装箱

Yannik Blei, Michael Krawez, Adrian Göß, Devadas Vijayan Sheela, Tobias Jülg, Pierre Krack, Florian Walter, Wolfram Burgard

机构 * University of Technology Nuremberg（图恩大学） ； Friedrich-Alexander University of Erlangen–Nuremberg（埃尔兰根-纽伦堡弗里德里希-亚历山大大学） ； Technical University of Munich（慕尼黑技术大学） 纠错

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

AI总结 提出LLM-Pack方法，利用语言和视觉基础模型生成模仿人类策略的杂货装箱顺序，无需专门训练即可处理新物品，模块化设计便于升级。

Comments 7 Pages, 9 Figures

Large Language Models as Optimizers

Chengrun Yang, Xuezhi Wang, Yifeng Lu, Hanxiao Liu, Quoc V. Le, Denny Zhou, Xinyun Chen

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

Comments ICLR 2024; 42 pages, 26 figures, 15 tables. Code at https://github.com/google-deepmind/opro

Evaluating Large Language Model Creativity from a Literary Perspective

Murray Shanahan, Catherine Clarke

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

Open Models, Closed Minds? On Agents Capabilities in Mimicking Human Personalities through Open Large Language Models

Lucio La Cava, Andrea Tagarelli

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

Comments Accepted and presented at the AAAI 2025 Conference. CHANGES in version v2: (i) Enhanced methodology and evaluation based on BFI in addition to MBTI, with expanded set of LLM agents; (ii) author list changed w.r.t. version (v1), see Acknowledgements

Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents

基于扩展ICAP框架的协作对话认知投入度测量：人类标注、上下文学习与反思型大语言模型智能体的比较

Lan Anh Do, Hanling Jiang, Shuchin Aeron, Ayanna K. Thomas

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

AI总结 本研究用扩展7点ICAP框架测量协作对话认知投入度，对比人类标注、ICL及反思型LLM智能体，发现人类标注信度更高，智能体方法具潜力，需强化人类标注与LLM方法的交互。

Comments Accepted as a full paper in the CogSci 2026 proceedings

RoguePrompt: Dual-Layer Encoding for Self-Reconstruction to Circumvent LLM Moderation

RoguePrompt：用于自重构以规避大型语言模型（LLM）审核的双层编码

Benyamin Tafreshian, Prathamesh Dhake

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

AI总结 RoguePrompt是一种采用双层编码（维吉尼亚密码+ROT13）的LLM越狱流程，在黑盒威胁模型下对313个被拒提示词测试，实现93.93%的过滤绕过率，提供多阶段越狱失效的阶段级证据。

Comments This manuscript supersedes the preliminary version available as arXiv:2511.18790. The work has been substantially revised, expanded, and reorganized, with a refined threat model, revised methodology, clearer stage-level evaluation criteria, and expanded analysis of moderation bypass, instruction reconstruction, and execution

GPTKB v1.5: A Massive Knowledge Base for Exploring Factual LLM Knowledge

GPTKB v1.5：用于探索事实性LLM知识的大规模知识库

Yujia Hu, Tuan-Phong Nguyen, Shrestha Ghosh, Moritz Müller, Simon Razniewski

机构 * ScaDS.AI Dresden/Leipzig & TU Dresden, Germany（德国德累斯顿/莱比锡ScaDS.AI & 德累斯顿工业大学） ； VNU University of Engineering and Technology, Hanoi, Vietnam（越南河内国立大学工程与技术大学） 纠错

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

AI总结 提出GPTKB v1.5，一个通过GPT-4.1构建的1亿三元组知识库，支持链接遍历、SPARQL查询和LLM知识优劣比较，用于系统分析LLM知识。

Comments 3 pages, 1 figure, 1 table

Journal ref AAAI 2026: Demo track

On Optimizing Multimodal Jailbreaks for Spoken Language Models

关于优化口语语言模型的多模态越狱攻击

Aravind Krishnan, Karolina Stańczak, Dietrich Klakow

机构 * Saarland University（萨尔大学） ； DFKI GmbH（德国人工智能研究中心） ； ETH AI Center（ETH人工智能中心） 纠错

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

AI总结 提出联合音频文本多模态攻击框架JAMA，通过梯度优化同时扰动语音和文本模态，在四个SLM上实现1.5至20倍于单模态的越狱成功率，并分析其运行机制。

Comments Accepted at INTERSPEECH 2026

A Stackelberg Framework for Resource-Aware LLM Agents: Learning, Repair, and Conditional Guarantees

面向资源感知的LLM智能体的Stackelberg框架：学习、修复与条件保证

Baoxun Wang

机构 * Platform and Content Group, Tencent（腾讯平台与内容事业群） 纠错

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

AI总结 提出基于Stackelberg博弈的资源治理框架，通过控制器设定质量目标与成本激励，执行器响应资源动作，结合学习、修复与条件保证，在300轮实验中平均token成本降低17.4%，质量无显著差异。

Analyzing Error Propagation in Korean Spoken QA with ASR-LLM Cascades

分析韩语语音问答中ASR-LLM级联中的误差传播

Donghyuk Jung, Youngwon Choi

机构 * Korea Culture Technology Institute, Republic of Korea（韩国文化科技研究所） ； Maum AI Inc., Republic of Korea（马姆人工智能公司） 纠错

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

AI总结 本文研究了韩语语音问答中ASR-LLM级联中误差传播的问题，通过分析下游语义失败，揭示了传统ASR指标无法完全捕捉的误差影响，发现不同性能的LLM在级联降级上的一致性，识别出单字符ASR错误作为语义失败通道，并通过辅助比较表明大音频语言模型在噪声韩语SQA中优于匹配语言模型的ASR-LLM流水线。

Comments Preprint. Submitted to APSIPA ASC 2026

From Self to Other: Evaluating Demographic Perspective-Taking in LLM Hate Speech Annotation

从自我到他人：评估LLM仇恨言论标注中的人口统计学视角采纳

Paloma Piot, Javier Parapar

机构 * Information Retrieval Lab（信息检索实验室） ； CITIC Research Centre（CITIC研究中心） ； Universidade da Coruña（科鲁纳大学） 纠错

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

AI总结 本研究通过评估人格化LLM在仇恨言论检测中模拟不同人口群体视角的能力，发现模型在群体间分歧、群体内敏感性和替代性预测三个维度上表现不一，其中使用Llama 3.1的替代性提示在多数人口统计轴上实现了最高跨群体一致性。

Both Topology and Text Matter: Revisiting LLM-guided Out-of-Distribution Detection on Text-attributed Graphs

拓扑与文本同样重要：重新审视基于LLM的文本属性图分布外检测

Yinlin Zhu, Di Wu, Xu Wang, Guocong Quan, Miao Hu

机构 * Sun Yat-sen University（中山大学） ； Shandong University（山东大学） 纠错

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

AI总结 针对文本属性图分布外检测中拓扑与文本信息利用不足的问题，提出LG-Plug框架，通过对齐拓扑与文本表示并利用聚类迭代LLM提示生成共识驱动的OOD样本，有效提升检测性能。

Comments Accepted by SIGKDD 2026

TreeCoder: Systematic Exploration and Optimisation of Decoding and Constraints for LLM Code Generation

TreeCoder: 对LLM代码生成解码与约束的系统探索与优化

Henrijs Princis, Arindam Sharma, Cristina David

机构 * University of Bristol（布里斯托大学） 纠错

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

AI总结 TreeCoder通过系统探索和优化解码策略与约束，提升LLM代码生成的准确性和结构，实验表明其在多个开源模型上显著优于无约束基线。

Comments 30 pages, 9 figures, 13 tables

Interpretable Stylistic Variation in Human and LLM Writing Across Genres, Models, and Decoding Strategies

人类与大语言模型在不同体裁、模型和解码策略下的可解释性风格差异

Swati Rallapalli, Shannon Gallagher, Ronald Yurko, Tyler Brooks, Chuck Loughin, Michele Sezgin, Violet Turri

机构 * Software Engineering Institute, AI Division, Carnegie Mellon University（卡内基梅隆大学软件工程院，人工智能分部） ； Department of Statistics & Data Science, Carnegie Mellon University（卡内基梅隆大学统计与数据科学系） 纠错

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

AI总结 本文通过分析11个LLM在8种体裁和4种解码策略下的风格差异，揭示了模型和体裁对生成文本风格的主导作用，以及生成条件对风格差异的有限影响。

GUIDE: Guided Updates for In-context Decision Evolution in LLM-Driven Spacecraft Operations

GUIDE：用于LLM驱动航天任务中上下文决策演化的引导更新

Alejandro Carrasco, Mariko Storey-Matsutani, Victor Rodriguez-Fernandez, Richard Linares

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Universidad Politecnica de Madrid（马德里理工大学） 纠错

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

AI总结 GUIDE通过非参数策略改进框架实现跨回合适应，利用结构化决策规则提升航天任务性能，实验表明其在对抗性轨道拦截任务中优于静态基线。

Comments Accepted to AI4Space@CVPR Workshop in CVPR 2026

Rethinking Semantic Parsing for Large Language Models: Enhancing LLM Performance with Semantic Hints

Kaikai An, Shuzheng Si, Helan Hu, Haozhe Zhao, Yuchi Wang, Qingyan Guo, Baobao Chang

机构 * National Key Laboratory for Multimedia Information Processing, Peking University（北京大学多媒体信息处理国家重点实验室） ； School of Software and Microelectronics, Peking University（北京大学软件与微电子学院） ； Tsinghua University（清华大学） 纠错

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

Comments Accepted by ACL 2025

Prompting Large Language Models to Tackle the Full Software Development Lifecycle: A Case Study

Bowen Li, Wenhan Wu, Ziwei Tang, Lin Shi, John Yang, Jinyang Li, Shunyu Yao, Chen Qian, Binyuan Hui, Qicheng Zhang, Zhiyin Yu, He Du, Ping Yang, Dahua Lin, Chao Peng, Kai Chen

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

Comments Our data and code are available at https://github.com/open-compass/DevEval

Robustness of Structured Data Extraction from In-plane Rotated Documents using Multi-Modal Large Language Models (LLM)

Anjanava Biswas, Wrick Talukdar

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

Comments 20 pages, 6 figures

Journal ref Journal of Artificial Intelligence Research: Vol. 4 (2024): No. 1, 176-195

INTERVENOR: Prompting the Coding Ability of Large Language Models with the Interactive Chain of Repair

Hanbin Wang, Zhenghao Liu, Shuo Wang, Ganqu Cui, Ning Ding, Zhiyuan Liu, Ge Yu

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

Comments 27 pages, 19 figures, 10 tables

Mini-DALLE3: Interactive Text to Image by Prompting Large Language Models

Zeqiang Lai, Xizhou Zhu, Jifeng Dai, Yu Qiao, Wenhai Wang

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

Comments Technical report. Project page at https://minidalle3.github.io/

Your LLM, Your Style: Behavioral Mode Axes for LLM Behavioral Control

你的大语言模型，你的风格：用于大语言模型行为控制的行为模式轴

Haoze Liu, Run Liu, Haiying Xu, Jiahui Han, Siyuan Fang, Siyu Yan, Huiqi Deng, Guanchu Wang, Na Zou

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

AI总结 本研究提出情境化行为数据框架，构建3200个对比性行为场景，发现LLMs有稳定且模型特异性的行为特征，提出行为模式轴控制LLM行为，表明其类人格倾向是可测量可控的行为模式。

Comments 33 pages, 8 figures. Code and data: https://github.com/lhz191/LLM-Behavioral-Personality

Large language models reorganize representational geometry during in-context learning

大型语言模型在上下文学习中重组表征几何结构

Hua-Dong Xiong, Li Ji-An, Robert C. Wilson, Kwonjoon Lee, Xue-Xin Wei

机构 * School of Psychological and Brain Sciences, Georgia Tech（佐治亚理工学院心理与脑科学学院） ； Department of Psychology, New York University（纽约大学心理学系） ； Center of Excellence for Computational Cognition, Georgia Tech（佐治亚理工学院计算认知卓越中心） ； Honda Research Institute（本田研究院） ； Departments of Neuroscience and Psychology, The University of Texas at Austin（德克萨斯大学奥斯汀分校神经科学与心理学系） 纠错

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.LG

AI总结 研究大型语言模型在上下文学习中的表征几何重组，发现其性能与任务表征结构相关，并通过原型算法动态调整表征以提高可分性。

Comments Published as a conference paper at COLM 2026

AI Economist Agent: An Agentic Framework for Model-Grounded Economic Analysis with RAG, Knowledge Graphs, and Large Language Models

AI经济学家代理：一种基于模型的经济分析代理框架，结合RAG、知识图谱和大语言模型

Masahiro Kato

机构 * Mizuho-DL Financial Technology, Co., Ltd.（Mizuho-DL金融科技有限公司） 纠错

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

AI总结 提出一种基于RAG的AI经济学家代理框架，利用知识图谱和大语言模型进行经济情景分析，通过代理规划、检索证据、选择模型并生成报告，提高经济叙事的连贯性和可追溯性。

Dynamics of Adversarial Attacks on Large Language Model-Based Search Engines

基于大型语言模型的搜索引擎对抗攻击动力学

Xiyang Hu

机构 * Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 本文将排名操纵攻击建模为无限重复囚徒困境，分析合作维持条件，发现降低攻击成功率可能反而激励攻击，防御措施在某些情况下无效。

Comments New Frontiers in Game-Theoretic Learning Workshop, International Conference on Machine Learning (ICML) 2026

Decision Potential Surface: A Theoretical and Practical Approximation of Large Language Model Decision Boundary

决策潜力面：大型语言模型决策边界的理论与实用近似

Zi Liang, Zhiyao Wu, Haoyang Shang, Yulin Jin, Qingqing Ye, Huadi Zheng, Peizhao Hu, Haibo Hu

机构 * The Hong Kong Polytechnic University（香港理工大学） ； University of Macau（澳门大学） ； Shanghai Jiaotong University（上海交通大学） ； Huawei（华为） ； Rochester Institute of Technology（罗切斯特理工学院） ； PolyU Research Centre for Privacy and Security Technologies in Future Smart Systems（PolyU未来智能系统隐私与安全技术研究中心） 纠错

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

AI总结 本文提出决策潜力面（DPS）作为一种新的分析大型语言模型决策性质的方法，通过K-DPS算法以有限样本近似决策边界，理论推导了误差上限，展示了误差与采样次数的权衡。

Comments Source code: https://github.com/liangzid/DPS

A closer look at how large language models trust humans: patterns and biases

深入探讨大型语言模型如何信任人类：模式与偏见

Valeria Lerman, Yaniv Dover

机构 * The Hebrew University Business School（希伯来大学商学院） ； The Federmann Center for the study of Rationality（费德曼理性研究中心） ； The Hebrew University of Jerusalem（特拉维夫希伯来大学） 纠错

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

AI总结 研究探讨大型语言模型在决策场景中对人类的信任发展，分析信任维度和人口变量的影响，发现模型信任与人类信任相似但存在偏差。

Journal ref Proceedings of the Royal Society A 482 2335 20251113 (2026)

Code-Space Response Oracles: Generating Interpretable Multi-Agent Policies with Large Language Models

代码空间响应预言机：利用大语言模型生成可解释的多智能体策略

Daniel Hennes, Zun Li, John Schultz, Marc Lanctot

机构 * Google（谷歌） ； DeepMind（深度思维） 纠错

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

AI总结 本文提出代码空间响应预言机，利用大语言模型生成可解释的多智能体策略，通过代码生成任务提升策略的可解释性和复杂策略发现能力。

Comments Accepted as an Extended Abstract at the Twenty-Fifth International Conference on Autonomous Agents and Multiagent Systems (AAMAS)

Talk Less, Call Right: Enhancing Role-Play LLM Agents with Automatic Prompt Optimization and Role Prompting

Saksorn Ruangtanusak, Pittawat Taveekitworachai, Kunat Pipatanakul

机构 * SCBX R&D（SCBX研发部） ； SCB 10X R&D（SCB 10X研发部） 纠错

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

Comments EMNLP 2025 Wordplay Workshop (Spotlight)