语言大模型 / LLM

Instructive Decoding: Instruction-Tuned Large Language Models are Self-Refiner from Noisy Instructions

Taehyeon Kim, Joonkee Kim, Gihun Lee, Se-Young Yun

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

Comments ICLR 2024 (Spotlight)

Large Language Models for Psycholinguistic Plausibility Pretesting

Samuel Joseph Amouyal, Aya Meltzer-Asscher, Jonathan Berant

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

Analyzing Sentiment Polarity Reduction in News Presentation through Contextual Perturbation and Large Language Models

Alapan Kuila, Somnath Jena, Sudeshna Sarkar, Partha Pratim Chakrabarti

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

Comments Accepted in ICON 2023

LLaMA-VID: An Image is Worth 2 Tokens in Large Language Models

Yanwei Li, Chengyao Wang, Jiaya Jia

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

Comments Code is available at https://github.com/dvlab-research/LLaMA-VID

Black Box Adversarial Prompting for Foundation Models

Natalie Maus, Patrick Chao, Eric Wong, Jacob Gardner

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

Harvesting Event Schemas from Large Language Models

Jialong Tang, Hongyu Lin, Zhuoqun Li, Yaojie Lu, Xianpei Han, Le Sun

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

Comments 14 pages

Modeling structure-building in the brain with CCG parsing and large language models

Miloš Stanojević, Jonathan R. Brennan, Donald Dunagan, Mark Steedman, John T. Hale

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

Neural Data-to-Text Generation Based on Small Datasets: Comparing the Added Value of Two Semi-Supervised Learning Approaches on Top of a Large Language Model

Chris van der Lee, Thiago Castro Ferreira, Chris Emmery, Travis Wiltshire, Emiel Krahmer

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

Comments 22 pages (excluding bibliography and appendix)

LLM Router: Rethinking Routing with Prefill Activations

LLM Router: 重新思考预填激活的路由

Tanay Varshney, Annie Surla, Michelle Xu, Gomathy Venkata Krishnan, Maximilian Jeblick, David Austin, Neal Vaidya, Davide Onofrio

机构 * NVIDIA（英伟达） 纠错

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

AI总结 本文提出基于预填激活的路由方法，通过分离编码器和目标模型，提升路由性能，实验显示其在成本和准确性上均优于传统方法。

Do Coverage and Mutation Scores of LLM-Generated Test Suites Correlate with Their Effectiveness? (Replicability Study)

大语言模型生成的测试套件的覆盖度和变异分数与其有效性相关吗？（可重复性研究）

Junda Zhao, Shurui Zhou, Eldan Cohen

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

AI总结 研究大语言模型生成测试套件时，覆盖度和变异分数与有效性的关系。通过重复研究发现其有用性依赖上下文，在不同场景表现不同，且测试套件大小非主要混杂因素，为评估此类测试生成提供指导。

Comments 24 pages, 4 figures, 14 tables. Accepted at ISSTA 2026; to appear in Proceedings of the ACM on Software Engineering (PACMSE), Vol. 3, No. ISSTA, Article ISSTA002

Regime-Conditional Stabilisation of LLM-Augmented Cooperative Multi-Agent Reinforcement Learning

大语言模型增强的合作多智能体强化学习的状态条件稳定化

Faid Keddouri, Sohaib Houhou, Aissa Boulmerka, Nadir Farhi

机构 * National School of Artificial Intelligence (ENSIA)（国立人工智能学院（ENSIA）） ； Cosys-Grettia, Univ Gustave Eiffel（古斯塔夫·埃菲尔大学Cosys-Grettia实验室） 纠错

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

AI总结 研究大语言模型与合作多智能体强化学习集成时训练动态，指出非策略学习中动态更新奖励权重违反平稳假设。提出基于阶段的冻结计划和指数移动平均平滑两种稳定策略并评估，揭示奖励信号平稳性是必要设计约束。

Verbosity Tradeoffs and the Impact of Scale on the Faithfulness of LLM Self-Explanations

冗长性权衡与规模对LLM自我解释忠实度的影响

Noah Y. Siegel, Nicolas Heess, Maria Perez-Ortiz, Oana-Maria Camburu

机构 * Google DeepMind（谷歌DeepMind） ； Centre for AI, University College London（伦敦大学学院人工智能中心） ； Imperial College London（伦敦帝国学院） ； University College London（伦敦大学学院） 纠错

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

AI总结 本文分析13个模型家族共75个模型的反事实忠实度，提出phi-CCT和F-AUROC两个新指标，发现更大更强的模型在所有指标上更忠实。

Comments ICLR 2026 Workshop on Principled Design for Trustworthy AI - Interpretability, Robustness, and Safety across Modalities 67 pages, 13 figures

Routing-Aware Expert Calibration for Machine Unlearning in Mixture-of-Experts Language Models

路由感知的专家校准用于混合专家语言模型中的机器遗忘

Jingyi Xie, Yijun Lin, Yinjiang Xiong, Zhikun Zhang, Sai Li

机构 * Renmin University of China（中国人民大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； Lightstandard 纠错

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

AI总结 针对MoE模型中遗忘数据与保留数据路由不匹配导致遗忘关键专家正则化不足的问题，提出TRACE方法，通过离线激活统计检测遗忘关键专家并重新加权保留损失以校准保留侧激活频率，实验表明在WMDP和MUSE-BOOKS上遗忘-效用权衡提升9%。

TriAlign: Towards Universal Truth Consistency in Personalized LLM Alignment

TriAlign: 迈向个性化大语言模型对齐中的通用真值一致性

Thi-Nhung Nguyen, Linhao Luo, Rollin Omari, Junae Kim, Thuy-Trang Vu, Dinh Phung

机构 * Department of Data Science & AI, Monash University（数据科学与人工智能系，墨尔本大学） ； Defence Science and Technology Group, Australia（澳大利亚国防科学与技术集团） 纠错

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

AI总结 针对个性化大语言模型在不同社会群体间存在的通用真值不一致问题，提出TriAlign框架，通过离线多智能体强化学习联合优化真值准确性、跨群体一致性和个性化，实现公平对齐。

A cross-species neural foundation model for end-to-end speech decoding

跨物种神经基础模型用于端到端语音解码

Yizi Zhang, Linyang He, Chaofei Fan, Tingkai Liu, Han Yu, Trung Le, Jingyuan Li, Scott Linderman, Lea Duncker, Francis R Willett, Nima Mesgarani, Liam Paninski

机构 * Columbia University（哥伦比亚大学） ； Stanford University（斯坦福大学） ； Microsoft（微软公司） ； University of Washington（华盛顿大学） 纠错

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

AI总结 本文提出端到端BraIn-to-Text框架，通过单个可微神经网络将神经活动转化为连贯句子，利用跨任务、跨物种预训练神经编码器提升语音解码性能，降低词错误率至10.22%。

Affective Flow Language Model for Emotional Support Conversation

情感流动语言模型用于情感支持对话

Chenghui Zou, Ning Wang, Tiesunlong Shen, Luwei Xiao, Chuan Ma, Xiangpeng Li, Rui Mao, Erik Cambria

机构 * College of computer science, Chongqing University（重庆大学计算机学院） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出AFlow模型，通过建模多轮对话中的连续情感流动，提供细粒度监督以提升情感支持对话中的策略一致性和共情响应质量。

Comments 19 pages, 7 figures

Dead Weights, Live Signals: Feedforward Graphs of Frozen Language Models

死重，活信号：冻结语言模型的前馈图

Marcus Armstrong, Navid Ayoobi, Arjun Mukherjee

机构 * University of Houston（休斯顿大学） 纠错

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

AI总结 本文提出了一种前馈图架构，利用异构冻结大语言模型作为计算节点，通过学习的线性投影在共享连续潜在空间中通信。该架构在冻结模型上实现了端到端可训练的多节点图，通过反向传播优化投影矩阵，取得优于单一模型的性能。

Affording Process Auditability with QualAnalyzer: An Atomistic LLM Analysis Tool for Qualitative Research

通过QualAnalyzer实现过程可审计性：一种用于定性研究的原子级LLM分析工具

Max Hao Lu, Ryan Ellegood, Rony Rodriguez-Ramirez, Sophia Blumert

机构 * Harvard University（哈佛大学） 纠错

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

AI总结 QualAnalyzer通过原子级LLM分析实现过程可审计性，通过两个案例展示其在作文评分和访谈转录分析中的应用，提升定性研究的透明度和方法学稳健性。

Comments 9 pages, 3 figures, BEA2026 Conference Submission

Expressive Prompting: Improving Emotion Intensity and Speaker Consistency in Zero-Shot TTS

表达性提示：改进零样本语音合成中的情感强度和说话人一致性

Haoyu Wang, Chunyu Qiang, Tianrui Wang, Cheng Gong, Yu Jiang, Yuheng Lu, Chen Zhang, Longbiao Wang, Jianwu Dang

机构 * Tianjin Key Laboratory of Cognitive Computing and Application, College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部认知计算与应用天津市重点实验室） ； Kuaishou Technology Co., Ltd（快手科技有限公司） ； Institute of Artificial Intelligence, China Telecom（中国电信人工智能研究院） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Huiyan Technology (Tianjin) Co., Ltd（慧眼科技（天津）有限公司） 纠错

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

AI总结 本文提出一种两阶段提示选择策略，通过评估提示的音调特征、感知音频质量和文本情感一致性，提升零样本语音合成的情感表达和说话人一致性。

CBF-LLM: Safe Control for LLM Alignment

CBF-LLM：安全控制用于大语言模型对齐

Yuya Miyaoka, Masaki Inoue

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

AI总结 本文提出基于控制的对齐框架，利用控制屏障函数确保用户期望的文本生成，通过安全过滤器减少对齐任务的干预次数。

Journal ref IEEE Transactions on Control Systems Technology 2026

T-MAP: Red-Teaming LLM Agents with Trajectory-aware Evolutionary Search

T-MAP: 通过轨迹感知的进化搜索实现红队攻击LLM代理

Hyomin Lee, Sangwoo Park, Yumin Choi, Sohyun An, Seanie Lee, Sung Ju Hwang

机构 * KAIST（韩国科学技术院） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 本文提出T-MAP方法，通过轨迹感知的进化搜索发现对抗性提示，有效突破安全防护并实现有害目标，实验显示其在攻击实现率上优于基线方法，适用于多步骤工具执行的LLM代理安全测试。

Conformal Constrained Policy Optimization for Cost-Effective LLM Agents

符合约束的策略优化用于成本有效的LLM代理

Wenwen Si, Sooyong Jang, Insup Lee, Osbert Bastani

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

AI总结 本文提出Conformal Constrained Policy Optimization方法，通过结合约束策略优化、离策略强化学习和在线符合预测技术，在保证可靠性的同时实现30%的成本降低。

GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems

GoAgent：基于大语言模型的多智能体系统的群体通信拓扑生成

Hongjiang Chen, Xin Zheng, Yixin Liu, Pengfei Jiao, Shiyuan Li, Huan Liu, Zhidong Zhao, Ziqi Xu, Ibrahim Khalil, Shirui Pan

机构 * School of Cyberspace, Hangzhou Dianzi University（杭州电子科技大学信息学院） ； School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算技术学院） ； School of Information and Communication Technology, Griffith University（格里菲斯大学信息与通信技术学院） 纠错

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

AI总结 本文提出GoAgent，通过LLM生成任务相关的群体结构，显式构建多智能体系统通信拓扑，提升协作效率并减少通信开销。

Learn-to-Distance: Distance Learning for Detecting LLM-Generated Text

学以致用：用于检测LLM生成文本的距离学习

Hongyi Zhou, Jin Zhu, Kai Ye, Ying Yang, Erhan Xu, Chengchun Shi

机构 * Tsinghua University（清华大学） ； University of Birmingham（伯明翰大学） ； London School of Economics and Political Science（伦敦政治经济学院） 纠错

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

AI总结 本文提出了一种自适应学习的距离方法，用于更有效地检测LLM生成的文本，通过几何方法揭示了重写检测算法的原理，并在多种LLM上实现了显著的性能提升。

Comments Accepted by ICLR2026

Buy versus Build an LLM: A Decision Framework for Governments

买还是建一个大语言模型：政府的决策框架

Jiahao Lu, Ziwei Xu, William Tjhi, Junnan Li, Antoine Bosselut, Pang Wei Koh, Mohan Kankanhalli

机构 * National University of Singapore（新加坡国立大学） ； AI Singapore（AI新加坡） ； Salesforce AI Research（Salesforce AI研究） ； EPFL（苏黎世联邦理工学院） ； University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院） 纠错

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

AI总结 本文提出政府在大语言模型决策中应考虑主权、安全、成本等因素的框架，帮助确定购买或建设更适合其需求的方法。

Comments The short version of this document is published as an ACM TechBrief at https://dl.acm.org/doi/epdf/10.1145/3797946, and this document is published as an ACM Technology Policy Council white paper at https://www.acm.org/binaries/content/assets/public-policy/buildvsbuyai.pdf

Role-Aware Language Models for Secure and Contextualized Access Control in Organizations

面向角色的语言模型：用于组织中的安全且上下文化的访问控制

Saeed Almheiri, Yerulan Kongrat, Adrian Santosh, Ruslan Tasmukhanov, Josemaria Loza Vera, Muhammad Dehan Al Kautsar, Fajri Koto

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Nazarbayev University（纳扎尔拜耶夫大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； New York University Abu Dhabi（纽约大学阿布扎克分校） 纠错

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

AI总结 本文提出面向角色的语言模型，通过三种策略实现基于组织角色的安全访问控制，并通过实验验证其在不同组织结构下的性能和鲁棒性。

Comments AACL 2025 - Main

A Watermark for Black-Box Language Models

为黑盒语言模型设计的水印

Dara Bahri, John Wieting

机构 * Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 本文提出了一种无需白盒访问即可检测LLM输出的水印方案，具备无失真和多密钥嵌套特性，并通过实验验证其优越性。

Comments Published at TMLR 2026

Variation is the Key: A Variation-Based Framework for LLM-Generated Text Detection

变异是关键：一种基于变异的LLM生成文本检测框架

Xuecong Li, Xiaohong Li, Qiang Hu, Yao Zhang, Junjie Wang

机构 * Tianjin University（天津大学） 纠错

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

AI总结 本文提出VaryBalance框架，通过量化人类文本与LLM重写文本的差异，有效检测LLM生成文本，实验显示其在AUROC指标上优于现有方法。

from Benign import Toxic: Jailbreaking the Language Model via Adversarial Metaphors

从无害到有害：通过对抗隐喻 jailbreak 语言模型

Yu Yan, Sheng Sun, Zenghao Duan, Teli Liu, Min Liu, Zhiyi Yin, Jingyu Lei, Qi Li

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； People’s Public Security University of China（中国人民公安大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 通过对抗隐喻诱导语言模型生成有害内容，提出AVATAR框架以提升jailbreak攻击效果。

Comments arXiv admin note: substantial text overlap with arXiv:2412.12145

Towards Adaptive, Scalable, and Robust Coordination of LLM Agents: A Dynamic Ad-Hoc Networking Perspective

面向自适应、可扩展和鲁棒的LLM代理协调：动态即插即用网络视角

Rui Li, Zeyu Zhang, Xiaohe Bo, Quanyu Dai, Chaozhuo Li, Feng Wen, Xu Chen

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院） ； Huawei Technologies Ltd.（华为技术有限公司） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 本文提出RAPS范式，通过动态即插即用网络方法实现LLM代理的自适应、可扩展和鲁棒协调，通过反应性订阅和贝叶斯声誉机制提升多代理协作的适应性和鲁棒性。