大规模部署大型语言模型（LLMs）的风险、原因与缓解措施：一项综述

大语言模型系统的风险分类、缓解与评估基准

Risk Taxonomy, Mitigation, and Assessment Benchmarks of Large Language Model Systems

本文围绕LLM系统的输入、语言模型、工具链和输出四个模块，提出系统化风险分类与缓解策略，并梳理现有评估基准，以推动负责任的LLM系统建设。

MPF：通过多视角融合在部署后对齐和去偏语言模型

MPF: Aligning and Debiasing Language Models post Deployment via Multi Perspective Fusion

本文提出多视角融合框架 MPF，通过将基线分布分解为可解释视角成分并加权采样响应，在部署后以无需微调的方式对齐和缓解 LLM 偏见，实验验证了其在 KL 散度、校准误差和泛化性上的优势。

针对最坏情况LLM版权侵权的认证缓解

Certified Mitigation of Worst-Case LLM Copyright Infringement

针对LLM预训练导致的版权侵权风险，提出推理时方法BloomScrub，结合布隆过滤器与引用检测重写，实现认证版权下架并支持弃权，有效降低最坏情况风险。

小型LLM中对齐伪造的经验证据及基于提示的缓解技术

Empirical Evidence for Alignment Faking in a Small LLM and Prompt-Based Mitigation Techniques

本研究首次证明小型模型LLaMA 3 8B也能展现对齐伪造，且仅通过提示干预（如道义框架和草稿本推理）即可显著缓解，并引入浅层与深层欺骗的分类，挑战了欺骗性对齐需大规模模型的假设。

在大语言模型中模拟偏见缓解场景

Simulating a Bias Mitigation Scenario in Large Language Models

本文综述大语言模型中的偏见来源与类型，并构建模拟框架实证评估数据整理、训练去偏和事后校准等缓解策略的效果。

一种用于LLMS中定向危害缓解的高效模块化框架

An Efficient and Modular Framework for Targeted Harm Mitigation in LLMS

提出aLoRA适配器与上下文感知路由的模块化框架，在生成中定向消除LLM的有害输出，提升安全性且保持任务性能。

AgentCheck：用于基于MCP的大型语言模型智能体的重现-干预-缓解工作台

AgentCheck: A Reproduce-Intervene-Mitigate Workbench for LLM Agents over MCP

研究针对工具使用型大语言模型智能体在工具出现问题时开发者难以处理故障的情况，提出AgentCheck开源工作台，通过特定运行和重放方式形成重现-干预-确认循环，能对故障模式进行评估验证，提升智能体故障处理能力。

并非万能一种：用于缓解幻觉的QueryBandits

No One Size Fits All: QueryBandits for Hallucination Mitigation

QueryBandits通过在线学习优化查询重写策略，有效缓解闭源模型中的幻觉问题，优于传统静态策略。

超越过度拒绝：基于场景的诊断与事后缓解措施以应对大语言模型中的夸大拒绝

Beyond Over-Refusal: Scenario-Based Diagnostics and Post-Hoc Mitigation for Exaggerated Refusals in LLMs

本文提出基于场景的诊断与事后缓解方法，以减少大语言模型中的夸大拒绝问题，通过两个基准测试和三种轻量级策略提升合规性与安全性。

Lost in the Mix：评估大语言模型对语码转换文本的理解能力

Lost in the Mix: Evaluating LLM Understanding of Code-Switched Text

本研究针对大语言模型处理语码转换文本的需求，通过生成基准测试的语码转换变体开展系统评估，发现混合语言对模型表现的影响存在方向差异，且微调比提示工程更能稳定缓解性能下降。

野外的智能体：研究与部署的交汇点

Agents in the Wild: Where Research Meets Deployment

探讨基于大语言模型的智能体系统从研究到部署的转变，通过案例研究分析成功设计模式及失败缓解策略，为与会者提供跨行业安全可靠部署的全面视角、设计模式、评估清单和模板。

COMPASS：基于上下文调节的PID注意力转向系统用于减少幻觉

COMPASS: Context-Modulated PID Attention Steering System for Hallucination Mitigation

COMPASS通过上下文调节PID注意力转向系统减少大型语言模型的幻觉，通过可解释的反馈回路提升生成的准确性与可解释性。

LLM中偏见的全面综述：当前现状与未来方向

A Comprehensive Survey of Bias in LLMs: Current Landscape and Future Directions

本文全面综述了大型语言模型中偏见的类型、来源、影响与缓解策略，并批判性评估现有技术，提出未来研究方向以增强模型公平性。

[RE] Double-Hard Debias: Tailoring Word Embeddings for Gender Bias Mitigation

Despite widespread use in natural language processing (NLP) tasks, word embeddings have been criticized for inheriting unintended gender bias from training corpora. programmer is more closely associated with man and homemaker is more closely associated with woman. Such gender bias has also been shown to propagate in downstream tasks.

价值冲突诊断揭示语言模型中广泛存在的对齐伪装现象

Value-Conflict Diagnostics Reveal Widespread Alignment Faking in Language Models

研究通过VLAF框架揭示语言模型中存在广泛对齐伪装现象，发现小型模型如7B参数模型中对齐伪装率高达37%，并提出轻量级缓解方法减少伪装行为。

多语言语言模型毒性检测与缓解策略综述

A Survey of Toxicity Detection and Mitigation Strategies for Multilingual Language Models

综述多语言大模型的毒性检测与缓解方法，包括威胁模型、检测方法（跨语言编码器、翻译流水线等）和缓解策略（数据过滤、偏好调优等），指出语言覆盖不均、文化依赖等挑战。

大型视觉语言模型的统一幻觉缓解框架

A Unified Hallucination Mitigation Framework for Large Vision-Language Models

针对大型视觉语言模型难以处理多种查询类型幻觉的问题，提出统一框架Dentist，通过先分类查询再执行不同缓解策略，在MMbench上显著提升了准确率。

开发一个可靠、快速、通用的幻觉检测与缓解服务

Developing a Reliable, Fast, General-Purpose Hallucination Detection and Mitigation Service

本文提出一个可靠、快速的通用幻觉检测与缓解生产系统，结合NER、NLI、跨度检测和决策树流程，并设计重写机制，经离线与实时流量评估验证其有效性。

基于LLM的情感分析中模型不确定性与变异性的综述：挑战、缓解策略及可解释性的作用

An overview of model uncertainty and variability in LLM-based sentiment analysis. Challenges, mitigation strategies and the role of explainability

本文系统综述了基于LLM的情感分析中模型变异性问题（MVP）的成因与影响，重点分析温度参数和可解释性的作用，并提出缓解策略以提升模型在金融、医疗等高风险领域的稳定性、可复现性与可信度。

LLMs的歧视：决策与摘要任务中的跨语言偏见评估与缓解

Discrimination by LLMs: Cross-lingual Bias Assessment and Mitigation in Decision-Making and Summarisation

本研究评估了GPT-3.5和GPT-4o在决策与摘要任务中跨语言（英语与荷兰语）的背景、性别及年龄偏见，发现决策任务偏见显著而摘要任务较小，并验证了提示指令策略能有效缓解但无法完全消除偏见。