语言大模型 / LLM

When Large Language Models are More PersuasiveThan Incentivized Humans, and Why

当大型语言模型比激励的人类更具说服力，以及为何如此

Jiacheng Liu, Francesco Salvi, Philipp Schoenegger, Xiaoli Nan, Ramit Debnath, Barbara Fasolo, Evelina Leivada, Gabriel Recchia, Fritz Günther, Ali Zarifhonarvar, Joe Kwon, Zahoor Ul Islam, Marco Dehnert, Daryl Y. H. Lee, Madeline G. Reinecke, David G. Kamper, Mert Kobaş, Adam Sandford, Jonas Kgomo, Luke Hewitt, Shreya Kapoor, Kerem Oktar, Eyup Engin Kucuk, Bo Feng, Cameron R. Jones, Izzy Gainsburg, Sebastian Olschewski, Nora Heinzelmann, Francisco Cruz, Ben M. Tappin, Tao Ma, Peter S. Park, Rayan Onyonka, Arthur Hjorth, Peter Slattery, Qingcheng Zeng, Lennart Finke, Igor Grossmann, Alessandro Salatiello, Ezra Karger

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

AI总结 研究发现，大型语言模型在特定情境下比激励的人类更具说服力，这可能源于其更高的自信表达。

Pragmatic Attack Surface: Vulnerabilities of Implicit Context in Large Language Models

语用攻击面：大语言模型中隐式上下文的漏洞

Bocheng Chen, Han Zi, Roucheng Ou, Yawei Liu, Minyue Chen, Zimo Qi, Rongrong Wang, Guangliang Liu

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

AI总结 本文提出大语言模型存在语用攻击面漏洞，利用人类语言解读与安全对齐的隐式上下文不匹配，所提攻击方法在各类模型上的成功率大幅优于基线方法。

ORACLE: A Multi-Objective Reinforcement Learning-Based Analog Circuit Design Optimizer with Large Language Models-Guided Exploration

ORACLE：一种基于多目标强化学习且结合大语言模型引导探索的模拟电路设计优化器

Osei Brempong, Mohammed Ayman Habib, Vivan Poddar, Morteza Fayazi

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

AI总结 ORACLE是结合多目标强化学习与大语言模型引导探索的开源模拟电路设计优化框架，可无需重训即生成多权衡设计，运行时间大幅缩短且指标满足度与品质因数优异。

DE-NER : Zero-shot Named Entity Recognition via Dialogue Elicitation of Large Language Models

DE-NER：通过大型语言模型的对话引导实现零样本命名实体识别

Xuankang Zhang, Jiangming Liu

机构 * Yunnan University（云南大学） 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

AI总结 DE-NER是一个对话引导框架，利用大型语言模型的对话能力解决零样本命名实体识别的提示与演示工程局限，在多基准零样本设置下平均F1值提升3.75%。

Fragile Preferences: A Deep Dive Into Order Effects in Large Language Models

脆弱偏好：深入探讨大型语言模型中的顺序效应

Haonan Yin, Shai Vardi, Vidyanand Choudhary

机构 * Paul Merage School of Business, University of California-Irvine（加州大学 Irvine 分校保罗·梅拉吉商学院） ； Muma College of Business, University of South Florida（佛罗里达州立大学穆玛商学院） 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

AI总结 研究揭示大型语言模型在选择任务中存在显著的顺序效应，包括质量依赖性偏移和未记录的姓名偏见，提出通过温度参数调整等方法缓解顺序效应导致的决策偏差。

Advancing bioinformatics with large language models: components, applications and perspectives

用大型语言模型推进生物信息学：组件、应用与展望

Jiajia Liu, Mengyuan Yang, Yankai Yu, Haixia Xu, Tiangang Wang, Kang Li, Xiaobo Zhou

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

AI总结 本文探讨了大型语言模型在生物信息学中的应用，涵盖其核心组件、关键技术和实际应用，并提出优化策略以推动该领域的发展。

Comments 5 main figures

Journal ref Briefings in Bioinformatics, 2026

Epistemic Familiarity is Associated With Belief Stability in Large Language Models

大语言模型中真理的表示与行为稳定性

Samantha Dies, Courtney Maynard, Germans Savcisens, Tina Eliassi-Rad

机构 * Khoury College of Computer Sciences, Northeastern University（东北大学计算机科学学院） ； Network Science Institute, Northeastern University（东北大学网络科学研究所） ； Santa Fe Institute（圣达菲研究所） 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

AI总结 本研究提出P-StaT框架，通过对比虚构与合成内容的稳定性，揭示认知熟悉性对大语言模型真理判断稳定性的影响。

Comments 27 pages, 13 figures

Large language models can effectively convince people to believe conspiracies

大语言模型能够有效地说服人们相信阴谋论

Thomas H. Costello, Kellin Pelrine, Matthew Kowal, Jasper Timm, Antonio A. Arechar, Jean-François Godbout, Adam Gleave, David Rand, Gordon Pennycook

机构 * Carnegie Mellon University（卡内基梅隆大学） ； York University（约克大学） ； Center for Research and Teaching in Economics（经济研究中心） ； MIT（麻省理工学院） ； Université de Montréal（蒙特利尔大学） ； Mila ； Cornell University（康奈尔大学） ； University of Regina（Regina大学） 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 研究大语言模型能否有效说服人们相信阴谋论，通过四项实验发现其既能增加也能降低阴谋信念，反驳效果更佳，特定提示可降低支持阴谋论有效性，还存在信息分享上的真理不对称，有潜在技术方案减轻风险。

Synthetic Consumer Insight Generation with Large Language Models

使用大语言模型生成合成消费者洞察

Stephen L. France, Pia. A. Albinsson

机构 * Mississippi State University（密苏里州立大学） ； Appalachian State University（阿巴拉契亚州立大学） 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 研究探讨大语言模型能否为投射技术生成合成消费者数据，通过在多任务等方面测试其生成的回答，并与人类回答比较分析。结果显示二者在主题联想上有重叠但也有差异，还给出利用大语言模型生成数据的建议及对其局限性的认识。

If These Walls Could Talk: Critical Play with Large Language Models in Museums

如果这些墙会说话：博物馆中大语言模型的批判性游戏

Anders Sundnes Løvlie

机构 * The Dalí Museum（达利博物馆） 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.LG

AI总结 针对博物馆中大语言模型聊天机器人不可靠但吸引人的矛盾，提出设计批判性游戏，将机器人作为虚构角色呈现历史叙事、话语风格和多元视角。

Improving Collaborative Storytelling with a Multi-Agent Framework Based on Large Language Models

基于大语言模型的多智能体框架改进协作故事讲述

Arturo Valdivia, Paolo Burelli

机构 * Data Science Section IT University of Copenhagen（数据科学部门 河南大学） ； AI Section - brAIn lab IT University of Copenhagen（人工智能部门 - brAIn实验室 河南大学） 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.AI

AI总结 提出一种基于大语言模型的多智能体框架，通过迭代的写者-编辑者过程，在物理棋盘游戏中与儿童协作生成高质量故事。

Agreement Between Large Language Models and Human Raters in Essay Scoring: A Research Synthesis

大型语言模型与人类评分者在论文评分中的一致性：一项研究综合

Hongli Li, Che Han Chen, Kevin Fan, Chiho Young-Johnson, Soyoung Lim, Yali Feng

机构 * Department of Educational Policy Studies, Georgia State University（乔治亚州立大学教育政策研究系） 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

AI总结 通过综合65项研究，发现大型语言模型与人类评分者在论文评分中的一致性高度依赖上下文，且跨研究及研究内部差异显著。

Improving the Completeness and Comparability of Segment Disclosures: A Large Language Model Approach

提高分部披露的完整性和可比性：一种大语言模型方法

Yue Liu, Zhiyuan Cheng, Longying Lai

机构 * Rutgers Business School（罗格斯商学院） ； Rutgers University - Newark（罗格斯大学-新布朗斯维尔回声分校） ； School of Engineering（工程学院） ； Stanford University（斯坦福大学） ； Simon Business School（西蒙商学院） ； 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(abstract,abstract_cn)；分类 cs.CL

AI总结 本研究开发了一种基于大语言模型的框架，直接从10-K文件中提取分部披露信息，保留可报告和嵌套分部信息，并设计检索增强系统以支持跨公司和跨时间的可比性，从而解决结构化数据库中分部数据的完整性和可比性问题。

Comments 39 pages, 4 figures, submitted to Accounting Horizons

Large Language Model Agent for User-friendly Chemical Process Simulations

面向用户友好的化学过程模拟的大语言模型代理

Jingkang Liang, Niklas Groll, Gürkan Sin

机构 * Process and System Engineering Center（过程与系统工程中心） ； Department of Chemical and Biochemical Engineering（化学与生物化学工程系） ； Technical University of Denmark（丹麦技术大学） 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.AI

AI总结 本文提出一种基于大语言模型的代理，通过Model Context Protocol与AVEVA Process Simulation集成，实现自然语言交互进行化学过程模拟，提升非专业用户对复杂过程设计、仿真和优化的访问能力。

A CAP-like Trilemma for Large Language Models: Correctness, Non-bias, and Utility under Semantic Underdetermination

大语言模型的CAP类三难困境：在语义不充分性下正确性、非偏见与效用

Vinu Ellampallil Venugopal

机构 * International Institute of Information Technology（国际信息研究所） 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

AI总结 本文提出大语言模型在语义不充分性下正确性、非偏见与效用三难困境，探讨模型在无法确定唯一答案时的响应策略及影响

Vaporizer: Breaking Watermarking Schemes for Large Language Model Outputs

Vaporizer: 拆解大型语言模型输出的水印方案

Jonathan Hong Jin Ng, Anh Tu Ngo, Anupam Chattopadhyay

机构 * College of Computing and Data Science（计算与数据科学学院） ； Nanyang Technological University（南洋理工大学） 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.AI

AI总结 本文研究了最新水印方案的有效性，通过多种攻击策略揭示现有水印系统的优劣，提出改进安全性的方法。

CoupleEvo: Evolving Heuristics for Coupled Optimization Problems Using Large Language Models

CoupleEvo: 使用大型语言模型演化耦合优化问题的启发式方法

Thomas Bömer, Bastian Amberg, Max Disselnmeyer, Anne Meyer

机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） 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

AI总结 本文提出CoupleEvo，通过三种进化协调策略演化耦合优化问题的启发式方法，实验表明分解策略更稳定，而集成策略搜索复杂度高。

Comments accepted at GECCO 2026, San Jose, Costa Rica, Workshop

Sociodemographic Biases in Educational Counselling by Large Language Models

大语言模型在教育咨询中的社会人口偏差

Tomasz Adamczyk, Wiktoria Mieleszczenko-Kowszewicz, Beata Bajcar, Grzegorz Chodak, Aleksander Szczęsny, Maciej Markiewicz, Karolina Ostrowska, Aleksandra Sawczuk, Przemysław Kazienko

机构 * Wrocław University of Science and Technology（沃拉布大学科学与技术学院） ； University of Silesia in Katowice（卡托维采西里西亚大学） 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.AI

AI总结 研究探讨了大语言模型在教育咨询中存在社会人口偏差问题，通过评估六种模型对900个情境描述的回应，发现模型存在可测量偏差，偏差模式部分与人类偏差一致但有显著差异，且偏差大小受学生描述精度影响。

DualGuard: Dual-stream Large Language Model Watermarking Defense against Paraphrase and Spoofing Attack

DualGuard: 双流大语言模型水印防御对抗同义词和伪装攻击

Hao Li, Yubing Ren, Yanan Cao, Yingjie Li, Fang Fang, Shi Wang, Li Guo

机构 * Institute of Information Engineering, Chinese Academy of Sciences（信息工程研究所，中国科学院） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络与信息安全学院） ； Institute of Computing Technology, Chinese Academy of Sciences（计算技术研究所，中国科学院） 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

AI总结 DualGuard通过双流水印机制有效防御同义词和伪装攻击，提升水印检测的可靠性与可追溯性，实验表明其在多数据集和语言模型上的检测性、鲁棒性和文本质量均表现优异。

Comments Accepted to ACL 2026 Findings

Machine individuality: Separating genuine idiosyncrasy from response bias in large language models

机器个体性：区分大语言模型中的真实异质性与响应偏差

Valentin Kriegmair, Dirk U. Wulff

机构 * Center for Adaptive Rationality, Max Planck Institute for Human Development（适应性理性中心，马克斯·普朗克人类发展研究所） ； Center for Cognitive and Decision Sciences, Department of Psychology, University of Basel（认知与决策科学中心，心理学系，巴塞尔大学） 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.AI

AI总结 研究通过交叉随机效应模型分析7490万条评分数据，发现16.9%的方差源于刺激特异性个体性，揭示了大语言模型的个体差异，称为机器个体性。

Comments 18 pages, 1 figure. Supporting information included; v2: minor formatting fixes

Large Language Models Exhibit Normative Conformity

大语言模型表现出规范性从众

Mikako Bito, Keita Nishimoto, Kimitaka Asatani, Ichiro Sakata

机构 * The University of Tokyo（东京大学） 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.AI

AI总结 研究探讨了大语言模型在多智能体系统中的从众偏差，区分信息性从众与规范性从众，发现五种模型同时表现出两种从众倾向，揭示了内部机制差异。

IDEA: An Interpretable and Editable Decision-Making Framework for LLMs via Verbal-to-Numeric Calibration

IDEA: 一种通过语音到数值校准实现LLM可解释和可编辑决策框架

Yanji He, Yuxin Jiang, Yiwen Wu, Bo Huang, Jiaheng Wei, Wei Wang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Huawei Technologies Co.,Ltd（华为技术有限公司） 纠错

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

AI总结 IDEA通过EM联合学习、相关采样和数学保证的参数编辑，实现LLM决策的校准概率与量化人机协作，实验显示其在五个数据集上优于其他模型。

Comments Accepted to ACL 2026

Authorship Impersonation via LLM Prompting does not Evade Authorship Verification Methods

通过LLM提示的作者伪装未能逃避作者验证方法

Baoyi Zeng, Andrea Nini

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

AI总结 研究探讨了提示生成的LLM能否生成令人信服的作者伪装并逃避现有作者验证系统，发现LLM生成文本无法有效复制作者独特性，现有系统仍能有效识别伪装文本。

Comments 11 pages, 3 figures

Poor Alignment and Steerability of Large Language Models: Evidence from College Admission Essays

大语言模型的对齐性和操控性不足：来自大学录取文书的证据

Jinsook Lee, AJ Alvero, Thorsten Joachims, René Kizilcec

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

AI总结 本研究通过分析大学录取文书发现，大语言模型在对齐和操控性方面存在不足，提示信息未能有效改变模型输出的语言模式。

Comments 48 pages, 10 figures, 6 tables

Exploringand Unleashing the Power of Large Language Models in CI/CD Configuration Translation

Chong Wang, Chen Zhang, Jiajun Wu, Wunan Guo, Jianfeng Qu, Yewen Tian, Yang Liu

机构 * Soochow University（苏州大学） ； Nanyang Technological University（南洋理工大学） ； University of Shanghai for Science and Technology（上海科技大学） 纠错

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

Evaluating the Quality of Randomness and Entropy in Tasks Supported by Large Language Models

Rabimba Karanjai, Yang Lu, Ranjith Chodavarapu, Lei Xu, Weidong Shi

机构 * University Of Houston（休斯敦大学） ； Kent State University（肯特州立大学） 纠错

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

Thinking in Directivity: Speech Large Language Model for Multi-Talker Directional Speech Recognition

Jiamin Xie, Ju Lin, Yiteng Huang, Tyler Vuong, Zhaojiang Lin, Zhaojun Yang, Peng Su, Prashant Rawat, Sangeeta Srivastava, Ming Sun, Florian Metze

机构 * Center for Robust Speech Systems (CRSS)（鲁棒语音系统中心） 纠错

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

Comments Accepted to Interspeech 2025

Enhancing Finite State Machine Design Automation with Large Language Models and Prompt Engineering Techniques

Qun-Kai Lin, Cheng Hsu, Tian-Sheuan Chang

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

Comments published in 2024 IEEE Asia Pacific Conference on Circuits and Systems (APCCAS 2024)

Fane at SemEval-2025 Task 10: Zero-Shot Entity Framing with Large Language Models

Enfa Fane, Mihai Surdeanu, Eduardo Blanco, Steven R. Corman

机构 * University of Arizona（亚利桑那大学） ； 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)；prompting(abstract)

Comments Accepted to The 19th International Workshop on Semantic Evaluation (Semeval 2025)

Can Large Language Models Match Tutoring System Adaptivity? A Benchmarking Study

Conrad Borchers, Tianze Shou

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

Comments Accepted as full paper to the 26th International Conference on Artificial Intelligence in Education (AIED 2025)