Investigating Social Bias in Narrative Image Generation
探究叙事图像生成中的社会偏见
机构 * KAIST（韩国科学技术院）
AI总结 本研究将偏见评估框架BBG适配图像生成，对比6种T2I模型在照片、分镜、漫画生成中的偏见表现，发现叙事视觉形式中偏见更易显现，强调需用多样视觉形式评估T2I系统。
Comments Accepted to GenAI4World Workshop at COLM 2026
高校专区
Korea Advanced Institute of Science and Technology（韩国科学技术院）
TIDES: A Longitudinal Bilingual Dataset for Modeling Multi-Party Social Dynamics
TIDES：用于建模多方社会动态的纵向双语数据集
机构 * KAIST（韩国科学技术院） ； SkillBench
AI总结 研究针对现有群体对话数据集无法捕捉团队长期社会动态的问题，推出TIDES纵向双语数据集，基于其微调模型提升下一个说话人预测性能，同时发现预测效果与话语自然度存在潜在不匹配。
Comments The first two authors hold equal contribution. Accepted to COLM 2026. Project website: https://tides.cstlab.org/
Rethinking Personalized Reward Modeling for LLMs under Preference Heterogeneity via Group-Debiased Federated Learning
基于组去偏联邦学习的偏好异质性下大语言模型个性化奖励建模反思
机构 * Institute of Engineering Research, Korea University（韩国大学工程研究所） ； Kim Jaechul Graduate School of AI, KAIST（韩国科学技术院金在哲人工智能研究生院） ； Industrial Management Engineering, Korea University（韩国大学产业管理工程学院）
AI总结 该研究针对大语言模型个性化奖励建模的偏好异质性问题，提出FedGD方法，通过组去偏的客户端采样抵消组不平衡影响，实现无需预先知晓潜在组的有效个性化。
Lifted State Hypothesis in Large Language Models
语言模型中的提升表示假设
机构 * KAIST AI（韩国科学技术院人工智能研究所）
AI总结 研究大型语言模型中结构的存储、选择和修正问题，提出提升表示假设，通过多种实验评估其提升和细化情况，发现数据受嵌套规则和异常支配时模型存在问题，强调需研究数据与规则结构关系。
Comments 24 pages, 13 figures
Can LLMs Reliably Self-Report Adversarial Prefills, and How?
LLM 能否可靠地自我报告对抗性预填充，以及如何实现？
机构 * KAIST（韩国科学技术院）
AI总结 研究LLM在安全场景中识别自身输出是否受对抗性预填充攻击的能力，发现模型平均27.3%声称预填充输出有意图，且内省信号主要来自安全/拒绝推理，LoRA微调方法扩大了意图-篡改探针差距并提高了攻击成功率。
Comments Under review
RL-SPH: Learning to Achieve Feasible Solutions for Integer Linear Programs
RL-SPH: 学习实现整数线性规划的可行解
机构 * School of Computing, KAIST, Daejeon, Republic of Korea（韩国釜山国立大学计算机学院）
AI总结 本文提出RL-SPH，一种基于强化学习的起始启发式方法，能独立生成高质量可行解，尤其适用于包含非二元整数的整数线性规划问题。
Comments Accepted at ICML 2026. 30 pages, 12 figures, 22 tables
AirSplat: Alignment and Rating for Robust Feed-Forward 3D Gaussian Splatting
AirSplat：基于鲁棒前馈3D高斯散射的对齐与评分
机构 * KAIST（韩国科学技术院）
AI总结 本文提出AirSplat框架，通过自一致性姿态对齐和基于评分的透明度匹配技术，提升无姿态视角合成的重建质量。
Comments Project page: https://kaist-viclab.github.io/airsplat-site, accepted to ECCV 2026
Sampling Decisions: Exact Path-Space Control for Physics-Informed Generative Sampling
采样决策：精确路径空间校正、先验抵消和局部玻尔兹曼引导
机构 * Program in Applied Mathematics and Department of Mathematics, University of Arizona（应用数学项目和数学系，亚利桑那大学） ； Graduate School of AI at KAIST（韩国科学技术院人工智能研究生院）
AI总结 研究如何校正离散空间便宜但有偏差的顺序有限时间范围采样器，核心方法是将采样决策公式化为路径空间相对熵投影，引入相关先验和校正。实验表明单例积先验有问题，局部玻尔兹曼引导效果好，确定了相关前缀引导对顺序采样的决定性作用。
Comments 35 pages, 7 figures
