本周精选20篇大模型顶刊顶会论文，覆盖12个核心方向，涉及基础机制创新与产业落地实践。在偏见与伦理方面，揭示AI对人类决策的隐性影响；推理与记忆机制上，概念级记忆实现突破。信息检索与推荐领域提升了效率和精度，同时构建多语言文化基准。在具身智能、自动驾驶、提示评估、软件开发、电商冷启动、隐私安全、人格行为分析、推荐偏差修正等领域也均有探索，全面呈现大模型技术从理论到应用的进展，有需要的朋友们可以扫码免费领取 。

➔➔➔➔点击查看原文，获取本期周报合集https://mp.weixin.qq.com/s/uodR0i6iqAzVJVa-1c2UGg

一、大模型偏见与伦理方向

1. No Thoughts Just AI: Biased LLM Recommendations Limit Human Agency in Resume Screening
   

• 作者：Kyra Wilson, Mattea Sim, Anna-Maria Gueorguieva, Aylin Caliskan

• 亮点：通过简历筛选实验（N=528）发现，人类在与带有种族偏见的AI协作时，高达90%会受其影响；完成IAT测试可使不符合种族-地位刻板印象的候选人被选中概率增加13%。

• 论文：https://arxiv.org/abs/2509.04404

• 开源代码：https://github.com/kyrawilson/No-Thoughts-Just-AI

• Comments：发表于2025年AAAI/ACM Conference on AI, Ethics, and Society，揭示了AI协作中人类自主性受影响的机制，对AI招聘系统设计有重要启示。

二、大模型推理与记忆机制方向

1. ArcMemo: Abstract Reasoning Composition with Lifelong LLM Memory
   

• 作者：Matthew Ho, Chen Si, Zhaoxiang Feng, Fangxu Yu, Zhijian Liu, Zhiting Hu, Lianhui Qin

• 亮点：提出概念级记忆机制，将推理过程中的发现提炼为可复用的自然语言抽象概念，在ARC-AGI基准上相对无记忆基线提升7.5%，且性能随推理计算量增加而提升。

• 论文：https://arxiv.org/abs/2509.04439

• 开源代码：https://github.com/matt-seb-ho/arc_memo

• Comments：验证了动态更新记忆在测试时的自改进效果，抽象概念记忆在不同推理规模下均表现优异。

三、大模型在信息检索与推荐方向

1. LLM-based Relevance Assessment for Web-Scale Search Evaluation at Pinterest
   

• 作者：Han Wang, Alex Whitworth, Pak Ming Cheung, Zhenjie Zhang, Krishna Kamath

• 亮点：提出使用微调LLM自动化Pinterest搜索的相关性评估，验证了LLM判断与人类标注的一致性，显著提升评估效率，降低在线实验的最小可检测效应（MDE）。

• 论文：https://arxiv.org/abs/2509.03764

• Comments：发表于RecSys 2025 EARL Workshop，为大规模搜索评估提供了高效解决方案。

1. Efficient Item ID Generation for Large-Scale LLM-based Recommendation
   

• 作者：Anushya Subbiah, Vikram Aggarwal, James Pine, Steffen Rendle, Krishna Sayana, Kun Su

• 亮点：挑战现有做法，将物品ID作为LLM的一等公民，通过训练和推理优化实现单token表示和单步解码，在亚马逊数据集上提升推荐质量（Recall和NDCG），推理效率提升5-14倍。

• 论文：https://arxiv.org/abs/2509.03746

• 开源代码：https://drive.google.com/file/d/1cUMj37rV0Z1bCWMdhQ6i4q4eTRQLURtC

• Comments：为大规模LLM推荐系统提供了高效的物品ID整合方案，开辟了新研究方向。

1. Grocery to General Merchandise: A Cross-Pollination Recommender using LLMs and Real-Time Cart Context
   

• 作者：Akshay Kekuda, Murali Mohana Krishna Dandu, Rimita Lahiri, Shiqin Cai, Sinduja Subramaniam, Evren Korpeoglu, Kannan Achan

• 亮点：提出跨品类推荐框架，结合LLM识别商品关联和transformer排序器利用实时购物车上下文，离线和在线测试显示加购率提升36%，NDCG@4提升27%。

• 论文：https://arxiv.org/abs/2509.02890

• Comments：解决了电商中从groceries到general merchandise的跨品类推荐难题。

四、大模型能力评估与基准测试方向

1. CANDY: Benchmarking LLMs' Limitations and Assistive Potential in Chinese Misinformation Fact-Checking
   

• 作者：Ruiling Guo, Xinwei Yang, Chen Huang, Tong Zhang, Yong Hu

• 亮点：构建包含约2万条实例的中文虚假信息事实核查基准数据集，发现现有LLM即使结合思维链和少样本提示，生成准确结论仍有局限，但作为辅助工具可提升人类表现。

• 论文：https://arxiv.org/abs/2509.03957

• 开源代码：https://github.com/SCUNLP/CANDY

• Comments：发表于Findings of EMNLP 2025，指出事实编造是LLM最常见的失败模式，为中文虚假信息核查提供了评估工具。

1. Drivel-ology: Challenging LLMs with Interpreting Nonsense with Depth
   

• 作者：Yang Wang, Chenghao Xiao, Chia-Yi Hsiao, Zi Yan Chang, Chi-Li Chen, Tyler Loakman, Chenghua Lin

• 亮点：提出“深层无意义”（Drivelology）概念，构建包含1200多个多语言实例的基准，发现现有LLM难以理解这类句法连贯但语用矛盾的表达，存在语用理解缺口。

• 论文：https://arxiv.org/abs/2509.03867

• 开源代码：https://github.com/ExtraOrdinaryLab/drivelology

• Comments：被EMNLP 2025 Main Conference接收为口头报告，挑战了“统计流畅即认知理解”的假设。

1. Benchmarking the Detection of LLMs-Generated Modern Chinese Poetry
   

• 作者：Shanshan Wang, Junchao Wu, Fengying Ye, Jingming Yao, Lidia S. Chao, Derek F. Wong

• 亮点：构建首个现代中文诗歌AI生成检测基准，包含800首人类诗歌和41600首LLM生成诗歌，发现现有检测器可靠性不足，风格等内在特质最难检测。

• 论文：https://arxiv.org/abs/2509.01620

• Comments：被EMNLP 2025接收，为AI生成诗歌检测奠定了基础。

1. PalmX 2025: The First Shared Task on Benchmarking LLMs on Arabic and Islamic Culture
   

• 作者：Fakhraddin Alwajih, Abdellah El Mekki, Hamdy Mubarak, Majd Hawasly, Abubakr Mohamed, Muhammad Abdul-Mageed

• 亮点：发起首个阿拉伯语和伊斯兰文化LLM评估任务，包含现代标准阿拉伯语的2个subtask，顶级系统在文化问题上准确率72.15%，伊斯兰知识84.22%，参数高效微调效果显著。

• 论文：https://arxiv.org/abs/2509.02550

• 开源代码：https://github.com/UBC-NLP/palmx_2025

• Comments：揭示了LLM在低资源语言和文化上的局限性，推动相关领域研究。

五、大模型在具身智能与自动驾驶方向

1. Plan Verification for LLM-Based Embodied Task Completion Agents
   

• 作者：Ananth Hariharan, Vardhan Dongre, Dilek Hakkani-Tür, Gokhan Tur

• 亮点：提出迭代验证框架，通过Judge LLM批判动作序列、Planner LLM修正，在TEACh数据集上实现高达90%的召回率和100%的精确率，快速收敛（96.5%序列需≤3次迭代）。

• 论文：https://arxiv.org/abs/2509.02761

• Comments：为具身AI的计划优化提供了可靠方法，提升了模仿学习训练数据质量。

1. Do LLM Modules Generalize? A Study on Motion Generation for Autonomous Driving
   

• 作者：Mingyi Wang, Jingke Wang, Tengju Ye, Junbo Chen, Kaicheng Yu

• 亮点：系统评估5个关键LLM模块（分词器、位置嵌入等）在自动驾驶运动生成中的可迁移性，发现适当适配后可显著提升性能，明确了有效迁移的技术和适配需求。

• 论文：https://arxiv.org/abs/2509.02754

• Comments：发表于CoRL 2025，为LLM模块在自动驾驶领域的应用提供了指导。

六、大模型数据处理与成本优化方向

1. Cut Costs, Not Accuracy: LLM-Powered Data Processing with Guarantees
   

• 作者：Sepanta Zeighami, Shreya Shankar, Aditya Parameswaran

• 亮点：提出BARGAIN方法，通过自适应采样和统计估计，在保证精度的同时大幅降低LLM数据处理成本，相比现有方法平均节省86%成本，且提供更强理论保证。

• 论文：https://arxiv.org/abs/2509.02896

• Comments：将在SIGMOD'26发表，为大规模LLM数据处理的成本优化提供了可靠方案。

七、大模型提示与评估方向

1. Flaw or Artifact? Rethinking Prompt Sensitivity in Evaluating LLMs
   

• 作者：Andong Hua, Kenan Tang, Chenhe Gu, Jindong Gu, Eric Wong, Yao Qin

• 亮点：发现LLM的提示敏感性很大程度是评估方法的产物（如对数似然评分、刚性匹配），采用LLM-as-a-Judge评估可大幅降低方差，表明LLM对提示的鲁棒性优于此前认知。

• 论文：https://arxiv.org/abs/2509.01790

• Comments：被EMNLP 2025 Main Conference接收，挑战了对LLM提示敏感性的传统认知。

八、大模型在软件开发方向

1. Automated Generation of Issue-Reproducing Tests by Combining LLMs and Search-Based Testing
   

• 作者：Konstantinos Kitsios, Marco Castelluccio, Alberto Bacchelli

• 亮点：提出BLAST工具，结合LLM和搜索式测试生成问题复现测试，在Python基准上成功率35.4%，优于现有技术（23.5%），GitHub机器人在开源仓库中成功生成11个测试。

• 论文：https://arxiv.org/abs/2509.01616

• 开源代码：https://github.com/kitsiosk/blast

• Comments：将在ASE 2025发表，提升了软件开发中测试生成的自动化水平。

九、大模型在电商与市场方向

1. CSRM-LLM: Embracing Multilingual LLMs for Cold-Start Relevance Matching in Emerging E-commerce Markets
   

• 作者：Yujing Wang, Yiren Chen, Huoran Li,等

• 亮点：提出CSRM框架，利用多语言LLM解决新兴电商市场的冷启动匹配问题，通过跨语言迁移、检索增强和多轮自蒸馏，实现缺陷率降低45.8%，会话购买率提升0.866%。

• 论文：https://arxiv.org/abs/2509.01566

• Comments：发表于CIKM 2025，在Coupang的实际部署中取得显著效果。

十、大模型隐私与安全方向

1. An LLM-enabled semantic-centric framework to consume privacy policies
   

• 作者：Rui Zhao, Vladyslav Melnychuk, Jun Zhao, Jesse Wright, Nigel Shadbolt

• 亮点：提出基于LLM的语义中心框架，从隐私政策中自动提取关键信息，构建基于DPV词汇的知识图谱，并发布top-100网站的分析结果，支持下游合规验证等任务。

• 论文：https://arxiv.org/abs/2509.01716

• Comments：为大规模在线服务隐私实践分析提供了自动化工具，助力网络审计。

1. Unraveling LLM Jailbreaks Through Safety Knowledge Neurons
   

• 作者：Chongwen Zhao, Kaizhu Huang

• 亮点：提出神经元级可解释方法，聚焦安全知识神经元，调整其激活可有效控制模型行为（平均ASR>97%），基于此的SafeTuning微调策略显著降低多种LLM的越狱攻击成功率。

• 论文：https://arxiv.org/abs/2509.01631

• 项目代码：https://anonymous.4open.science/r/Unravel

• Comments：从神经元层面揭示了LLM越狱机制，为安全防御提供了新视角。

十一、大模型人格与行为分析方向

1. The Personality Illusion: Revealing Dissociation Between Self-Reports & Behavior in LLMs
   

• 作者：Pengrui Han, Rafal Kocielnik, Peiyang Song, Ramit Debnath, Dean Mobbs, Anima Anandkumar, R. Michael Alvarez

• 亮点：系统研究LLM人格的动态演变、自我报告与行为的关联性，发现指令对齐（如RLHF）稳定了特质表达，但自我报告特质无法可靠预测行为，与人类模式存在差异。

• 论文：https://arxiv.org/abs/2509.03730

• 开源代码：https://github.com/psychology-of-AI/Personality-Illusion

• Comments：揭示了LLM“人格幻觉”，对LLM对齐和可解释性研究有重要意义。

十二、大模型在推荐系统位置偏差方向

1. LLMs for estimating positional bias in logged interaction data
   

• 作者：Aleksandr V. Petrov, Michael Murtagh, Karthik Nagesh

• 亮点：提出使用LLM估计日志交互数据中的位置偏差，相比传统方法更准确捕捉复杂布局（如网格）的行列效应，基于此的IPS加权重排序模型在加权NDCG@10上提升约2%。

• 论文：https://arxiv.org/abs/2509.03696

• Comments：被RecSys'25 CONSEQUENCES Workshop接收，为推荐系统位置偏差修正提供了低成本替代方案。

1. Unlearning That Lasts: Utility-Preserving, Robust, and Almost Irreversible Forgetting in LLMs
   

• 作者：Naman Deep Singh, Maximilian Müller, Francesco Croce, Matthias Hein

• 亮点：提出JensUn方法，利用Jensen-Shannon散度作为训练目标，实现更稳定的LLM遗忘，在新数据集LKF上表现出更好的遗忘-效用权衡，且能抵抗良性再学习。

• 论文：https://arxiv.org/abs/2509.02820

• 开源代码：https://github.com/nmndeep/JensUn-Unlearning

• Comments：提出更严格的遗忘评估框架，揭示现有方法的局限性。

➔➔➔➔点击查看原文，获取本期周报合集https://mp.weixin.qq.com/s/uodR0i6iqAzVJVa-1c2UGg