图书信息
内容简介
对 arXiv cs.CL 分类的年度综述，涵盖 2025 年 9 月 至 2026 年 8 月 期间发表的研究。本卷基于对 144 篇论文 的细读整理，组织为 40 章，按该领域的研究子方向描绘这一年的全貌。
全书框架（年度产出占比）：
- 大语言模型推理、基准测试与多模态评估 (45.1%) — 聚焦评估与提升大语言模型的推理能力、多模态理解，以及在复杂基准上的表现。
- 视觉-语言模型与机器人技能适配 (15.0%) — 探索视觉-语言模型在空间推理与视觉数学中的能力，以及机器人技能学习与适配的框架。
- 语音处理与对话系统评估 (11.5%) — 应对自动化口语评测、神经 TTS 建模与人机交互中的主动对话系统等挑战。
- 检索增强生成与多智能体知识系统 (7.1%) — 研究 RAG 架构、多智能体协作与知识图谱整合，以在专业领域生成准确且基于证据的回答。
- 自适应检索与大规模语料处理 (4.2%) — 开发分层与自适应检索技术，处理跨语言、跨领域的复杂查询与大规模语料。
- 强化学习与大语言模型的智能体优化 (3.9%) — 应用强化学习与偏好优化，增强大语言模型的一致性、主题建模与智能体决策策略。
- 语义表示与不确定性量化 (3.9%) — 考察潜空间表示、语义导航，以及长文本语言模型输出的不确定性量化方法。
- 机器生成文本检测与内容分类 (3.5%) — 聚焦检测 AI 生成的文本与代码、审计生成内容，并改进面向网页与法律内容的分类模型。
- 多语言适配与参数高效微调 (2.7%) — 通过低资源适配、专家混合路由与参数高效微调技术，增强多语言大语言模型性能。
- 合成数据生成与增强策略 (0.7%) — 探索合成高质量训练数据（文本、音频、代码）的方法，以提升模型训练效率与鲁棒性。
- 对抗攻击与提示注入鲁棒性 (0.7%) — 分析越狱攻击、对抗后缀与提示注入漏洞，提升大语言模型抵御恶意输入的能力。
- 安全对齐与选择性遗忘 (0.5%) — 研究大语言模型的安全对齐、分词偏见，以及选择性遗忘技术，以降低风险并确保负责任的 AI 行为。
每个子方向均通过三章展开论述——它如何提出自己的问题、其关键结论的强度，以及它开放的争论与前沿，从而让读者获得该领域今年实际产出的可溯源图景。
