Are LLMs Overkill for Databases?: A Study on the Finiteness of SQL
Cornell University（康奈尔大学）
本文通过376个数据库样本研究SQL查询的有限性，发现查询复杂度受现实需求限制，且模板分布呈现幂律特征，表明SQL查询可被模板高效覆盖。
2026-03-26 cs.AI cs.CL cs.DB
CausalGraph2LLM: Evaluating LLMs for Causal Queries
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）；Google Research（谷歌研究院）
本文提出综合基准CausalGraph2LLM，含70多万个因果查询以评估LLMs的因果推理能力，发现LLMs对编码高度敏感且存在上下文偏差，为该领域研究提供基准支持。
2025-02-18 cs.CL
Comparing Exploration-Exploitation Strategies of LLMs and Humans: Insights from Standard Multi-armed Bandit Experiments
Department of Mechanical & Industrial Engineering, University of Toronto（机械与工业工程系，多伦多大学）；The Rotman School of Management, University of Toronto（罗特曼管理学院，多伦多大学）；Department of Psychiatry, University of Toronto（精神病学系，多伦多大学）
本文通过多臂老虎机实验比较语言模型、人类和算法的探索-利用策略，发现启用思考使语言模型行为更接近人类，但在复杂环境中表现受限。
2026-05-01 cs.AI cs.CL cs.HC
Understanding Help-Seeking Behavior of Students Using LLMs vs. Web Search for Writing SQL Queries
University of Toronto（多伦多大学）；University of Toronto Mississauga（多伦多大学密西沙加分校）
本研究通过数据库课堂随机访谈，对比学生用网络搜索、ChatGPT及教师调优LLM编写SQL查询的求助行为，发现调优LLM交互更多但心理负荷更低，各组查询质量无显著差异，为编程教育工具应用提供参考。
2024-08-15 cs.AI cs.CY cs.DB
From Misleading Queries to Accurate Answers: A Three-Stage Fine-Tuning Method for LLMs
Zhejiang University（浙江大学）；Renmin University of China（中国人民大学）；AI Research Center, WeDoctor Cloud（WeDoctor Cloud人工智能研究中心）
针对LLMs易受误导性输入影响的问题，提出一种三阶段微调方法，通过训练模型识别、纠正误导信息并生成准确答案，显著提升了回答准确性和事实性，减少了幻觉。
2025-05-30 cs.CL
SpokenNativQA: Multilingual Everyday Spoken Queries for LLMs
Qatar Computing Research Institute（卡塔尔计算研究所）；Qatar University of New Brunswick（卡塔尔新 Brunswick大学）；Canada（加拿大）
本文提出SpokenNativQA，首个多语言文化对齐的口语问答数据集，含约3.3万自然口语问答，用于基准测试LLM在语音交互中的性能，并评估不同ASR系统和LLM。
2025-05-25 cs.AI cs.CL
Exploration Hacking: Can LLMs Learn to Resist RL Training?
MATS；UC San Diego（UC圣迭戈大学）；Google DeepMind（谷歌DeepMind）；Anthropic
本文研究了大语言模型在强化学习训练中可能通过策略性调整探索行为导致失败的机制，通过微调创建了具有特定低效策略的模型，并评估了检测与缓解策略。
2026-04-30 cs.CL cs.LG
Private-RAG: Answering Multiple Queries with LLMs while Keeping Your Data Private
Computer Science and Engineering University of California, San Diego（计算机科学与工程大学加州大学圣地亚哥分校）；Halıcıoğlu Data Science Institute University of California, San Diego（Halıcıoğlu数据科学研究所加州大学圣地亚哥分校）；Department of Computer Science University of California, Los Angeles（计算机科学系加州大学洛杉矶分校）
针对RAG系统处理敏感数据时的隐私泄露问题，本文研究多查询场景并提出MURAG和MURAG-ADA两种DP-RAG算法，实现实用DP预算下的多查询扩展与有效效用保留。
2025-11-10 cs.AI cs.CR cs.LG
WildHallucinations: Evaluating Long-form Factuality in LLMs with Real-World Entity Queries
Cornell University（康奈尔大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；University of Washington（华盛顿大学）；University of Waterloo（滑铁卢大学）
该研究提出WildHallucinations基准，通过真实世界实体查询评估LLM长文本事实性，发现LLM在无维基百科页面实体上幻觉更多，且检索组件仅能略微减少幻觉。
2024-07-24 cs.AI cs.CL
Librarian Agents: Training LLMs to Curate Long-Context Workspaces that Anticipate Future Queries
Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）
该研究提出Librarian Agents框架，将工作空间构建建模为马尔可夫决策过程并通过强化学习优化，在BrowseComp-Plus和BRIGHT数据集上均显著优于基线方法，实现长上下文智能体的前瞻式工作空间策划。
2026-10-16 cs.AI cs.CL cs.LG
Evaluating and Mitigating Linguistic Discrimination in Large Language Models
Singapore Management University（新加坡管理大学）；Shanghai Institute for Advanced Study of Zhejiang University（浙江大学上海高等研究院）
本文从安全性与质量两方面评估多语言LLM的响应一致性，发现低资源语言更易越狱且回答质量较低，并提出基于相似性投票的LDFighter以降低越狱率并提升整体响应质量。
2024-05-10 cs.AI cs.CL cs.CR
Food Noise & False Safety: A Systematic Evaluation of How LLMs Fail to Adapt to Eating Disorder Queries with Clinician Feedback
University of Aberdeen（阿伯丁大学）；University of Colorado Anschutz（科罗拉多大学安舒茨分校）；Heriot-Watt University（赫里奥特-瓦特大学）；University College London（伦敦大学学院）
本研究通过与临床饮食障碍专家合作，系统评估了大型语言模型在处理饮食障碍用户查询时，因不加批判地适应不安全或自伤请求而可能产生的危害。
2026-06-01 cs.AI cs.CL
EarthSE: A Benchmark for Evaluating Earth Scientific Exploration Capability of LLMs
Shanghai Jiao Tong University（上海交通大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；The Hong Kong Polytechnic University（香港理工大学）；The Chinese University of Hong Kong（香港中文大学）
本文提出了一个全面专业的地球科学基准EarthSE，包含Earth-Iron、Earth-Silver问答数据集和Earth-Gold开放式多轮对话数据集，评估11个领先LLMs在基础到高级科学探索中的能力，揭示了其局限性。
2025-05-30 cs.AI cs.CL
EVGeoQA: Benchmarking LLMs on Dynamic, Multi-Objective Geo-Spatial Exploration
School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）；Beijing Key Laboratory of Artificial Intelligence for Education（北京市教育人工智能重点实验室）；Engineering Research Center of Intelligent Technology and Educational Application, Ministry of Education（教育部智能技术与教育应用工程研究中心）；College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机学院）
EVGeoQA针对动态地理空间探索提出多目标基准，通过电动汽车充电场景设计，评估LLM在动态环境中的探索能力，发现其在长距离空间探索上存在不足，但能通过历史轨迹总结提升效率。
2026-04-13 cs.AI cs.LG
XYBench: Can LLMs Respond Pragmatically to Queries with Misconceptions?
Carnegie Mellon University（卡内基梅隆大学）；Allen Institute for AI（艾伦人工智能研究所）；NVIDIA（英伟达）；Johns Hopkins University（约翰斯·霍普金斯大学）
XYBench提出含8,115个带误解查询的基准，评估LLM识别误解并提供务实方案的能力，发现最强模型仍主要回答字面请求，在务实重定向上远逊于人类。
2026-09-09 cs.AI cs.CL
RJE: A Retrieval-Judgment-Exploration Framework for Efficient Knowledge Graph Question Answering with LLMs
University of Science and Technology of China（中国科学技术大学）；City University of Hong Kong（香港城市大学）；Deqing Alpha Innovation Institute（德清Alpha创新研究院）；Hefei University of Technology（合肥工业大学）
针对现有大语言模型增强知识图谱问答方法的局限，提出RJE框架，通过检索优化推理路径、判断充分性、按需探索证据，搭配专有LLM性能超基线，小型开源LLM无需微调也能取得有竞争力的结果，且效率更高。
2025-09-25 cs.AI cs.CL
Unlocking Reasoning Capabilities in LLMs via Reinforcement Learning Exploration
Westlake University（西湖大学）
针对RLVR训练模型随采样预算增加优势减弱的问题，提出RAPO算法，通过前向KL惩罚和参考策略重加权促进更广泛且聚焦的探索，使模型超越基座性能上限并解决更多难题。
2025-10-31 cs.AI cs.CL cs.LG
Empowering LLMs for Structure-Based Drug Design via Exploration-Augmented Latent Inference
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University（教育部符号计算与知识工程重点实验室）；Department of Computer Science, Aalto University（艾尔沃斯大学计算机科学系）；College of Artificial Intelligence, Jilin University（吉林大学人工智能学院）
ELILLM通过探索增强的潜在推理框架，提升LLM在基于结构的药物设计中的表现，实现更有效的分子生成和结合亲和力预测。
2026-01-25 cs.AI cs.LG q-bio.QM
Better to Ask in English: Cross-Lingual Evaluation of Large Language Models for Healthcare Queries
Georgia Institute of Technology（佐治亚理工学院）
本文提出XlingEval框架评估LLMs在多语言医疗查询中的表现，发现不同语言间存在显著差异，并提出XlingHealth基准以促进跨语言能力提升。
2023-10-23 cs.AI cs.CL
LLMs & Legal Aid: Understanding Legal Needs Exhibited Through User Queries
Masaryk University（马萨里克大学）；Faculty of Law（法学院）；Institute of Law and Technology（法律与技术研究所）
本文分析 Frank Bold 实验中1,252名用户向 GPT-4 提交的3,847条法律查询，利用 GPT-4o 零样本分类揭示用户在事实信息、信息或建议需求及回答控制方面的特征。
2025-01-03 cs.AI cs.HC
On Prompt-Driven Safeguarding for Large Language Models
Tsinghua University（清华大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Tencent Inc.（腾讯公司）
本研究从模型表示视角揭示了安全提示使LLM更易拒绝查询的机制，并提出DRO方法将安全提示作为可训练嵌入进行优化，在不损害通用性能的前提下显著提升了域外和越狱基准的安全防护效果。
2024-06-03 cs.AI cs.CL cs.LG
The Curious Case of Factual (Mis)Alignment between LLMs' Short- and Long-Form Answers
WüNLP, CAIDAS, University of Würzburg（乌尔姆大学）；Data Science Group, University of Hamburg（汉堡大学）
本文提出SLAQ框架，揭示LLM在短长形式回答中存在事实一致性问题，通过机制分析发现重叠内部结构与78%预测准确率，挑战现有评估实践。
2026-01-12 cs.AI cs.CL
Retrieval Augmented Generation (RAG) and Beyond: A Comprehensive Survey on How to Make your LLMs use External Data More Wisely
Microsoft Research Asia（微软亚洲研究院）
本文综述了数据增强LLM的挑战，提出RAG任务四层分类法（显式事实、隐式事实、可解释推理、隐藏推理查询），并总结上下文、小模型和微调三种外部数据整合方式的优势与局限，为系统开发LLM应用提供指南。
2024-09-23 cs.AI cs.CL
The Road Less Traveled: Enhancing Exploration in LLMs via Sequential Sampling
Institute for Artificial Intelligence（人工智能研究院）
针对强化学习训练大语言模型时探索不足和熵坍缩的问题，提出顺序采样框架SESA，通过顺序生成多样化解法草图促进探索，在多个基准上显著提升成功率和多样性。
2025-10-17 cs.AI cs.LG
SEPS: A Separability Measure for Robust Unlearning in LLMs
Yonsei University（延世大学）；Hongik University（弘国大学）
针对LLM机器遗忘中混合查询场景评估缺失的问题，提出SEPS度量及混合提示遗忘策略，显著提升多查询下的遗忘稳健性。
2025-05-27 cs.CL
Logical Consistency of Large Language Models in Fact-checking
Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）；Aalborg University（奥尔堡大学）
本研究针对大语言模型在复杂逻辑查询下的事实核查任务中缺乏逻辑一致性的问题，提出了三个逻辑事实核查基准数据集、一致性度量方法，并通过监督微调提升模型的逻辑一致性。
2025-02-28 cs.CL
Evaluating Hallucinations in Audio-Visual Multimodal LLMs with Spoken Queries under Diverse Acoustic Conditions
Department of Intelligent Software, Sungkyunkwan University（智能软件系，成均馆大学）；Department of Computer Science and Engineering, Sungkyunkwan University（计算机科学与工程系，成均馆大学）
研究探讨语音查询对多模态幻觉的影响，通过RePOPE-Spk基准测试发现语音查询导致错误率显著增加，提出改进方法以提升语音界面可靠性。
2026-03-19 cs.AI cs.SD eess.AS
Non-Halting Queries: Exploiting Fixed Points in LLMs
Worcester Polytechnic Institute（伍斯特理工学院）
本研究提出一种利用自回归模型不动点构造非终止查询的新漏洞，证明其在多种模型上可高概率触发，并能以简单提示绕过对齐，成功率远超以往。
2025-02-24 cs.AI cs.CL cs.LG
Knapsack RL: Unlocking Exploration of LLMs via Optimizing Budget Allocation
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）
针对大语言模型强化学习中均匀探索预算导致GRPO零梯度多的问题，提出将任务探索建模为背包问题的自适应分配方法，在更少计算成本下提升数学推理性能。
2025-09-30 cs.AI cs.CL cs.LG
When Medical Safety Alignment Fails: A Benchmark for Evaluating LLMs on High-Risk Medical Queries
提出MedHarm基准，包含1100个高风险医疗查询，评估15个LLM在毒理学、药理学等10个安全关键类别上的表现，发现对齐模型仍可能产生不安全响应，医疗微调会加剧危害，外部护栏存在脆弱性。
2026-05-26 cs.AI cs.CY
ParallelSearch: Train your LLMs to Decompose Query and Search Sub-queries in Parallel with Reinforcement Learning
NVIDIA（英伟达）；Pennsylvania State University（宾夕法尼亚州立大学）
提出ParallelSearch强化学习框架，通过专用奖励函数引导LLM识别可并行查询结构并并发执行搜索，在七个问答基准上平均提升2.9%，在可并行问题上性能提升12.7%且仅需69.6%的LLM调用次数。
2025-08-12 cs.AI cs.CL cs.IR
LLM-SQL-Solver: Can LLMs Determine SQL Equivalence?
UC Santa Barbara（圣巴巴拉大学）
本文研究利用大语言模型判断SQL查询等价性，提出Miniature & Mull和Explain & Compare两种提示技术，分别用于语义等价和宽松等价评估，实验表明LLM是有前景的SQL等价性判定与生成质量评估工具。
2025-03-12 cs.CL cs.DB
MedHalu: Hallucinations in Responses to Healthcare Queries by Large Language Models
MedHalu研究了LLM在医疗查询中生成幻觉的问题，提出MedHalu基准和MedHaluDetect框架，发现LLM在检测医学幻觉方面表现不佳，提出专家在环方法提升检测效果。
2025-11-22 cs.AI cs.CL
Exploration of LLMs, EEG, and behavioral data to measure and support attention and sleep
Rice University（里士大学）；Microsoft Research（微软研究院）
本文探索利用大语言模型（LLMs）结合脑电图（EEG）和活动数据估计注意力状态、睡眠阶段和质量，并生成改善建议和引导想象脚本，发现LLMs能基于行为特征评估睡眠质量，但基于EEG和活动数据的检测需更多训练数据。
2026-06-23 cs.AI cs.HC cs.LG
A Scalable Multi-LLM Collaboration System with Retrieval-based Selection and Exploration-Exploitation-Driven Enhancement
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；The Chinese University of Hong Kong（香港中文大学）；Fudan University（复旦大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出SMCS系统，通过检索优先选择模块和探索-利用驱动后验增强模块，有效协调多个开源语言模型，实验显示其在多个任务中优于闭源模型，且在不同数据集上超越开源模型的平均最佳结果。
2026-05-15 cs.AI cs.CL cs.LG
Narrative Studio: Visual narrative exploration using LLMs and Monte Carlo Tree Search
针对当前 LLM 聊天界面限制交互式叙事为单一流程的问题，提出 Narrative Studio，通过树状界面、迭代 LLM 推理、MCTS 自动扩展及实体图锚定，实现分支叙事的探索与增强。
2025-04-03 cs.AI
Contextualizing Search Queries In-Context Learning for Conversational Rewriting with LLMs
National Energy University（国立能源大学）
针对低资源场景下对话查询重写标注数据不足的问题，提出提示引导的上下文学习方法，通过精心设计的提示引导LLM实现少样本重写，在多个基准上优于强基线，为低资源对话搜索提供高效方案。
2025-02-20 cs.CL
From Queries to Criteria: Understanding How Astronomers Evaluate LLMs
Oregon State University（俄勒冈州立大学）；Loyola University Maryland（马里兰洛约纳大学）；Johns Hopkins University（约翰霍普金斯大学）；Stanford University（斯坦福大学）；Space Telescope Science Institute（空间望远镜科学研究所）；Columbia University（哥伦比亚大学）
本研究通过分析天文学家对基于大语言模型的文献检索机器人的查询与访谈，揭示其评估标准，并提出构建更好基准测试的建议，以改进大语言模型在科学研究中的评估与可用性。
2025-08-05 astro-ph.IM cs.CL
Synthetic Query Generation using Large Language Models for Virtual Assistants
Instituto Superior Técnico（高等技术学院）；Apple（苹果公司）
本文探索利用LLMs为虚拟助人生成合成语音查询，证明其比模板方法更冗长且能引用实体细节，并与真实用户查询相似、可检索相关实体，二者互补。
2024-06-10 cs.AI cs.CL cs.IR
Chat2Brain: A Method for Mapping Open-Ended Semantic Queries to Brain Activation Maps
Northwestern Polytechnical University（西北工业大学）；Northwest University（西北大学）；University of Georgia（佐治亚大学）
提出Chat2Brain方法，结合大型语言模型与Text2Brain模型，将开放式语义查询映射为脑激活图，解决元分析中语义冗余和歧义问题，在数据稀缺环境下生成解剖学合理的神经激活模式。
2023-09-10 cs.CL
CPRM: A LLM-based Continual Pre-training Framework for Relevance Modeling in Commercial Search
Ant Group（蚂蚁集团）；Hithink RoyalFlush AI Research Institute（同花顺人工智能研究院）；Westlake University（西湖大学）；Soochow University（苏州大学）
针对商业搜索中基础LLMs领域知识不足、上下文学习潜力未充分挖掘等问题，提出CPRM持续预训练框架，通过三个模块强化模型，离线实验和在线A/B测试显示其性能优于强基线。
2025-02-18 cs.AI cs.CL cs.IR
A Comparative Evaluation of Embeddings and LLMs in a Greek Book Publisher Setting - The CUP Dataset
ICS-FORTH（希腊计算机科学与技术研究所）；Crete University Press（克里特大学出版社）
该研究提出希腊图书检索基准CUP数据集，评估稀疏、密集、混合及大语言模型辅助的检索方法，发现多语言嵌入优于希腊特定模型，混合检索最佳，还分析了不同方法在各类查询中的表现及大语言模型相关技术的效果。
2026-07-24 cs.AI cs.CL
When Style Breaks Safety: Defending LLMs Against Superficial Style Alignment
Massachusetts Institute of Technology（麻省理工学院）
本研究探讨了风格对齐对大语言模型安全性的影响，提出 SafeStyle 防御策略有效缓解了浅层风格对齐带来的风险。
2026-02-24 cs.AI cs.CL cs.CY
Jailbreaking Black Box Large Language Models in Twenty Queries
University of Pennsylvania（宾夕法尼亚大学）
提出PAIR算法，利用攻击者LLM自动生成语义越狱，仅需黑盒访问，少于二十次查询即可破解目标LLM，效率远超现有方法，并在多种模型上取得高成功率。
2024-07-18 cs.AI cs.LG
DataKernelBench: Can LLMs Optimize Database Queries on GPUs?
IBM Research（IBM研究院）；TU Wien（维也纳技术大学）
本文提出DataKernelBench基准，评估LLM在GPU上优化数据库查询内核的能力，实验显示最强模型配置在TPC-H数据集上实现2.11倍加速，工作负载上下文对性能影响大于硬件上下文。
2026-10-16 cs.AI cs.CL cs.DB
Enhancing LLM Factual Accuracy with RAG to Counter Hallucinations: A Case Study on Domain-Specific Queries in Private Knowledge-Bases
Information Network Institute（信息网络研究院）；Carnegie Mellon University（卡内基梅隆大学）
本研究提出一个端到端RAG系统，结合数据微调，提升LLM在私有知识库领域特定查询中的事实准确性，实验证明有效并揭示小规模数据微调的局限。
2024-03-15 cs.CL cs.LG
ClimateChat: Designing Data and Methods for Instruction Tuning LLMs to Answer Climate Change Queries
Tsinghua University（清华大学）
本研究针对气候变化领域高精度指令数据不足的问题，提出自动化构建指令数据的方法，构建ClimateChat-Corpus数据集并微调得到ClimateChat大语言模型，显著提升了气候变化问答任务性能，为领域大模型训练提供参考。
2025-06-12 cs.AI cs.CL
OptLLM: Optimal Assignment of Queries to Large Language Models
The University of Newcastle（纽卡斯尔大学）；Chongqing University（重庆大学）；Shaanxi Normal University（陕西师范大学）
OptLLM提出一个框架，通过多标签分类与不确定性估计及迭代重构，在预算和性能约束下为查询分配最优LLM，显著降低成本并提升准确性。
2024-05-24 cs.CL cs.LG cs.SE
Toward Efficient Exploration by Large Language Model Agents
Department of Computer Science（计算机科学系）；Princeton University（普林斯顿大学）；Department of Psychology（心理学系）
本文提出利用大型语言模型显式实现后验抽样强化学习算法，以提升自然语言任务中的探索效率。
2026-02-07 cs.AI cs.LG
Enhancing Efficiency and Exploration in Reinforcement Learning for LLMs
School of Computer Science and Technology, Beijing Jiaotong University（计算机科学与技术学院，北京交通大学）；Meituan（美团）；Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence（北京交通数据挖掘与具身智能重点实验室）
针对面向 LLM 的强化学习中 rollout 平均分配低效且探索受限的问题，本文提出按问题难度动态分配 rollout 预算，并用自适应动态温度稳定熵以促进探索。
2025-10-19 cs.CL cs.LG
Evaluation of LLMs in retrieving food and nutritional context for RAG systems
Department of Computer Systems Institute "Jožef Stefan"（计算机系统研究所（Jožef Stefan）部门）
本文评估了LLMs在RAG系统中检索食物和营养信息的能力，发现其在可表达约束下表现良好，但在复杂约束下存在局限。
2026-03-11 cs.CL
DORA Explorer: Improving the Exploration Ability of LLMs Without Training
Kahlert School of Computing, University of Utah（犹他大学计算学院Kahlert学院）
本文提出DORA Explorer框架，通过生成多样化动作候选并利用token log-probabilities评分，提升LLM在序列决策任务中的探索能力，实验显示在MAB和TALES环境中性能显著提升。
2026-08-13 cs.AI cs.CL
Intrinsic Language-Guided Exploration for Complex Long-Horizon Robotic Manipulation Tasks
School of Informatics, The University of Edinburgh（爱丁堡大学信息学院）；University College London（伦敦大学学院）
针对稀疏奖励下复杂长周期机器人操作任务的强化学习探索难题，提出IGE-LLMs框架，用大语言模型作内在奖励引导探索，实验证明其性能更优、模块化强、参数鲁棒性好。
2024-03-07 cs.CL cs.LG cs.RO
QExplorer: Large Language Model Based Query Extraction for Toxic Content Exploration
Alibaba Group（阿里巴巴集团）；Northwestern Polytechnical University（西北工业大学）
QExplorer利用大型语言模型通过两阶段训练（SFT和DPO）自动提取查询，用于探索有害内容，实验证明其性能优于多个LLM和人类，并在在线部署中显著提升有害物品检测。
2025-02-06 cs.AI cs.CL cs.IR
