Anchored Confabulation: Partial Evidence Non-Monotonically Amplifies Confident Hallucination in LLMs
Florida State University(佛罗里达州立大学)
研究揭示了大语言模型中一种新校准特性:提供一个确认的中间事实可非单调放大自信错误答案率。通过六个证据线证明了参数幻觉信心(PHC)概念,并在RAG路由中应用,显著提升性能。
2026-04-02 cs.CL
Confident RAG: Enhancing the Performance of LLMs for Mathematics Question Answering through Multi-Embedding and Confidence Scoring
Faculty of Education, The University of Hong Kong(香港大学教育学院);Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology(香港科学与技术大学土木与环境工程系)
Confident RAG通过多嵌入和置信度评分提升LLM在数学问题回答中的性能,实验表明其在准确率上比普通LLMs和RAG分别提升10%和5%。
2025-11-30 cs.AI cs.CL
Confident Rankings with Fewer Items: Adaptive LLM Evaluation with Continuous Scores
Trismik;Leverhulme Centre for the Future of Intelligence, University of Cambridge(Leverhulme智能未来研究中心,剑桥大学);Universitat Politècnica de València(瓦伦西亚理工大学);University of Cambridge(剑桥大学)
本文提出了一种基于连续评分的自适应LLM评估方法,通过异方差正态分布替代伯努利分布,实现更高效的模型排名,使用2%的项目提升了排名相关性并达到95%的准确率。
2026-09-15 cs.AI cs.CL
How Confident are Video Models? Empowering Video Models to Express their Uncertainty
Princeton University(普林斯顿大学)
针对视频生成模型易产生幻觉、缺乏不确定性量化方法的问题,本文提出首个生成式视频模型UQ框架,含评估指标、黑盒方法S-QUBED及专用数据集,实验验证其能有效分解并校准不确定性。
2025-10-02 cs.AI cs.CL cs.CV
This Is a Good Paper, Right? How Tag Questions Affect Sycophancy Across 106 Language Models
Cornell Tech(康奈尔科技)
研究在语言模型决策问题中附加标签的效应,通过特定实验设置在45个模型上测量,发现效应范围广且随代际反转,定位了抗性来源,表明标签极性更关键,工具能从模型行为读出反谄媚训练情况。
2026-10-14 cs.AI cs.CL
Stable Miscalibration in Large Language Models: A Practical View of High-Confidence Errors
ToppyMicroServices OÜ
本研究提出稳定校准误差概念,结合两类诊断方法,发现自我批判提示可降低模型隐藏状态敏感性,但高置信度错误未必是推理脆弱,部分或为稳定校准不当。
2026-08-17 cs.AI cs.CL
Clean Scores, Buried Evidence, and Confident Wrong: A Receipt-Based Audit of Frontier Agentic QA
Toryx Inc.(托里克斯公司)
本研究通过受控数据室审计发现,前沿智能体在埋藏证据条件下准确率下降、成本上升,且自信错误难被校准捕捉,提出声明级凭证、条件感知评分和人类对抗性验证的审计框架。
2026-09-15 cs.AI cs.CL cs.IR
It's Not Easy Being Wrong: Large Language Models Struggle with Process of Elimination Reasoning
University of Maryland(马里兰大学)
本文研究大型语言模型在多项选择题中使用排除法推理错误选项的能力,发现排除法策略始终不如直接选择正确答案,且两种策略间一致性低于各自自一致性,并通过错误分析为未来研究提供建议。
2024-06-07 cs.CL
Thinking Fast, Thinking Wrong: Intuitiveness Modulates LLM Counterfactual Reasoning in Policy Evaluation
Independent Researcher(独立研究者)
本研究构建了一个基于经济学和社会科学实证案例的基准,通过8000次实验评估大型语言模型在政策评估中的反事实推理,发现链式思维提示在反直觉案例中效果显著减弱,且直觉性是主导因素,表明模型存在知识-推理分离。
2026-05-28 cs.AI cs.CL
Most LLM Conformity Needs No Speaker: Measuring the Speaker-Free Floor in Peer-Pressure Benchmarks
Illinois Institute of Technology(伊利诺伊理工学院);Amazon(亚马逊)
研究大语言模型从众现象,发现多数从众在去除同伴后仍存。因标准提示混杂线索致现有基准无法分辨。引入无来源条件测试,发现其在多数案例中致有害修正,还揭示来源框架对底线的调节作用及相关问题,强调从众基准测试应先测无说话者底线。
2026-07-08 cs.AI cs.CL
Wired for Overconfidence: A Mechanistic Perspective on Inflated Verbalized Confidence in LLMs
University of Virginia(弗吉尼亚大学)
研究探讨了大语言模型中过度自信的机制,发现中间层的MLP块和注意力头会生成自信信号,并通过干预提升校准性。
2026-07-28 cs.CL
Decomposing Wrong-Consensus Agreement in LLM Self-Consistency
College of Information and Intelligence, Hunan Agricultural University(湖南农业大学信息与智能科学学院);Yuelushan Laboratory(岳麓山实验室)
本研究以GPT-4.1为案例,将LLM自一致性的错误共识一致性分解为机械成分与偏好残差,发现难题上存在自一致性反效果,一致性为分级证据,未提出新投票方法。
2026-09-01 cs.AI cs.CL
Conformity Breaks Conformal Prediction
Illinois Institute of Technology(伊利诺伊理工学院)
该研究发现多智能体LLM系统中,同伴的错误断言会引发模型评分机制偏移,破坏共形预测,使覆盖率下降,且标准修复方法无效。
2026-09-07 cs.CL cs.LG
How Confident Is the First Token? An Uncertainty-Calibrated Prompt Optimization Framework for Large Language Model Classification and Understanding
China Jiliang University(中国嘉兴大学)
本文提出LSFU指标和UCPOF框架,通过校准提示优化提升模型性能,实验显示在少样本基准上准确率提升6.03%,超越全RAG方法,并降低检索触发率50.66%。
2026-02-23 cs.AI cs.CL
Decision Models vs. LLMs as Rubric Judges: Cheaper, Faster, and Wrong in the Same Places
University of Pennsylvania(宾夕法尼亚大学)
本研究比较 Jev 分类器与 LLM 评审在评分标准上的表现,发现 Jev 更便宜、更快且准确率相当,但相关错误限制了级联优势,仅能小幅提升。
2026-10-14 cs.CL
Momentum for Reasoning: Dense Intrinsic Signals in Policy Optimization
Zhejiang University(浙江大学);The Chinese University of Hong Kong(香港中文大学);Eastern Institute of Technology(东方理工学院)
针对GRPO在长链推理中因二元奖励导致的零优势崩溃和幻觉确定性失败模式,提出ISPO方法,通过内在信号密集化奖励,在三个基模型和五个数学推理基准上持续优于基线。
2026-06-07 cs.AI cs.CL cs.LG
Multi-Modal Fact-Verification Framework for Reducing Hallucinations in Large Language Models
Microsoft(微软)
针对大型语言模型易产生幻觉的问题,提出一个结合结构化数据库、实时网络搜索和学术文献的多源交叉核对事实核查框架,实时纠正错误,将幻觉减少67%,并获领域专家89%满意度。
2025-10-26 cs.AI cs.CL
Pause and Reflect: Conformal Aggregation for Chain-of-Thought Reasoning
Department of Mathematics and Statistics(数学与统计学系);McGill University(麦吉尔大学);Department of Mathematics and Industrial Engineering(数学与工业工程系);Polytechnique de Montréal(蒙特利尔理工学院)
本文提出一种共形聚合方法,用于改进思维链推理的准确性,通过加权得分聚合和校准弃权规则,提供有限样本保证的自信错误率控制,提升选择性准确性。
2026-11-10 cs.CL cs.LG stat.ML
Why2Speak: Faithful Reasoning for Abstaining Action Policies
该研究针对智能体需在行动与弃权间选择的问题,以多方对话干预为场景,对比多种策略,发现能力与可审计性的权衡,分析现有方法缺陷并提供监督评估的控制方法。
2026-08-24 cs.AI cs.CL
Can a Model Catch Its Own Hallucinations for Free?: Label-Free Doubt Signals Hold Their Own Against a Labelled Dataset for Abstention
Transformer Lab(Transformer实验室)
该研究探究用模型自身免费的置信度信号,替代带标签数据集微调模型使其学会弃权(不执行),发现其效果与带标签监督相当,仅在自信错误事实上存在盲区。
2026-08-28 cs.CL cs.LG
Integrating Local and Global Entropy for Uncertainty Quantification in LLMs
Qatar Computing Research Institute, HBKU(卡塔尔计算研究所,哈马德·本·哈利法大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
本文提出GLU方法,通过融合隐藏状态几何熵(全局)和token级熵(局部)来量化LLM不确定性,有效捕捉自信但错误的失败模式,无需额外训练。
2026-06-02 cs.AI cs.LG stat.ML
One Axis, No Brake: Self-Knowledge Limits the Filtering of Harmful Peer Conformity in LLMs
Illinois Institute of Technology(伊利诺伊理工学院)
本研究揭示多智能体LLM系统中过滤有害同伴一致性受限于模型自我认知,提出“墙”与“悬崖”现象,强调修订前信息优于事后过滤。
2026-09-17 cs.CL cs.LG cs.MA
Probabilities of Chat LLMs Are Miscalibrated but Still Predict Correctness on Multiple-Choice Q&A
Center for Human-Compatible AI(兼容人类的人工智能中心);UC Berkeley(伯克利大学)
本研究针对15个聊天大语言模型,发现其最大softmax概率虽校准不佳,但能有效预测多项选择题答案的正确性,且可通过基于MSP的弃权策略提升性能。
2025-08-07 cs.AI cs.CL cs.LG
Confidence v.s. Critique: A Decomposition of Self-Correction Capability for LLMs
Peking University(北京大学);Alibaba Group(阿里巴巴集团)
本文将大语言模型自我校正能力分解为置信度与批判力,提出概率化评估指标,通过实验揭示两者权衡关系,并提出改进SFT数据格式的策略以同时提升两种能力及校正后准确率。
2024-12-27 cs.CL
Modality-Driven Search with Holistic Trace Judging for ARC-AGI-2
Independent Researcher(独立研究者)
针对抽象推理中候选轨迹选择难题,提出模态驱动搜索生成多样化候选,并结合整体判断模型在长上下文中联合比较所有轨迹,在ARC-AGI-2上以低成本达到72.9%准确率,超越前沿模型。
2026-07-01 cs.AI cs.CL cs.LG
Just Keep Prompting: Evaluating Repetitive Socratic Prompting in VLMs
Northeastern University(东北大学)
研究视觉语言模型在反复提示下的稳定性,引入JKP多轮评估框架,用三种策略对模型提问,在STAR基准子集上评估GPT-4o、Gemini 2.5 Pro和Qwen3-VL-30B,发现重复提示利弊兼具且因模型而异,揭示了模型压力反应概况。
2026-07-17 cs.AI cs.CL cs.CV
When Agents Commit Too Soon: Diagnosing Premature Commitment in LLM Agents
Snowflake AI Research
本文提出表征承诺作为跨运行隐藏状态收敛的指标,用于诊断长程LLM智能体过早承诺问题,并在多个模型和数据集上验证其预测轨迹一致性的能力。
2026-10-14 cs.AI
Confident but Wrong: A Constrained Decoding Diagnostic for Low-Resource Automatic Post-Editing
WSO2;University of Moratuwa(莫拉图瓦大学);National University of Singapore(新加坡国立大学);Massey University(梅西大学)
针对低资源自动译后编辑,提出一种黑盒推理时诊断方法,通过编辑距离惩罚曲线和置信度约束排序区分训练不足与数据不一致,揭示两种失败模式,并指导改进。
2026-09-25 cs.CL
From Architecture to Output: Testing the Structural Origins of Hallucination and the Amplifying Role of Data
University of Science and Technology of China(中国科学技术大学)
本文分析大语言模型幻觉的结构性根源,指出自注意力、最大似然估计训练目标和自回归解码三个架构决策构成复合失效系统,并揭示数据病理如何放大这些脆弱性。
2026-11-11 cs.AI cs.CL cs.LG
PrivacySkills: How Privacy Guidance Shapes Source Selection in LLM Agents
Petscraft, Inria(Petscraft,法国国家信息与自动化研究所);Université Paris-Saclay(巴黎萨克雷大学);INSA CVL(中央-卢瓦尔河谷国立应用科学学院);Université d’Orléans(奥尔良大学);LIFO(LIFO实验室);ÉTS Montréal(蒙特利尔高等工程技术学院)
本研究提出PrivacySkills框架,通过55个合成任务评估隐私指导(系统指令、技能标签或两者结合)对LLM智能体信息源选择的影响,发现结合两种指导可将机密访问率减半,建议将隐私注释纳入技能规范。
2026-09-30 cs.AI cs.CR cs.HC
An Enclosed Mode Is a Gauge Choice: Topology Relative to Reach in Certified Code World Models
AGILabs
该研究探讨认证代码世界模型中相对于可达性的拓扑,通过LLM合成实验得出三条原则,揭示危险与可达性的关联、修复的限制及缓解措施需匹配错误维度方向的结论。
2026-09-01 cs.AI cs.LG cs.SY
When LLMs Agree, Are They Right? Auditing Self-Consistency and Cross-Model Agreement as Confidence Signals
University of Pennsylvania(宾夕法尼亚大学)
研究探讨大语言模型一致性与正确性的关系,通过大规模交叉运行研究,发现一致性是正确性的条件代理,对不饱和中层模型和计算分配较有用,对最一致的前沿模型存在过度自信问题,还公开了相关数据。
2026-07-30 cs.AI
FaulT-Bench: Towards Benchmarking Network Troubleshooting LLM Agents under Unreliable User Tickets
The University of Sydney(悉尼大学)
FaulT-Bench 是针对网络故障诊断 LLM 智能体的基准测试,涵盖含虚假工单的 200 个场景,评估 SADE 等智能体后发现其在错误工单上性能骤降,可用于开发可靠的智能体系统。
2026-08-28 cs.AI cs.NI
Tunable Tool-Call Rates in LLM Agents via Representation Steering
UC Santa Cruz(圣克鲁兹加利福尼亚大学);UC Berkeley(加利福尼亚大学伯克利分校)
本研究提出通过调控LLM残差流的线性方向,可在推理时无需额外训练调节工具调用率,使开放域问答准确率近翻倍,且能泛化到多种模型与工具。
2026-08-27 cs.AI
Failure Modes of Large Language Models on Research-Level Mathematics: A Taxonomy and an Empirical Characterisation
Dept. of CSE (Data Science) Heritage Institute of Technology(计算机科学与工程系(数据科学)哈里特技术学院)
本文通过分析“First Proof”基准测试中LLM的错误,识别出四种失败模式(F1-F4),并审计Gemini 2.5 Flash生成的证明,发现前提走私(F2)普遍存在且无法被引文验证检测,提出应构建推理时管道预防而非事后检测。
2026-06-25 cs.AI cs.DL
When Models Defer to Wrong Answers: A Robustness Audit of Source-Attributed Cues in Multiple-Choice QA
Indian Institute of Technology(印度理工学院);Carnegie Mellon University(卡内基梅隆大学);Amazon Web Services AI Native(亚马逊云科技AI原生部门)
本研究审计多项选择问答中来源线索对答案稳定性的影响,提出NC-MCAR指标,发现专家模板导致41.1%的答案不稳定率,表明未经验证的来源主张可压倒基于证据的答案。
2026-09-09 cs.CL
When Judges Agree and Are Wrong: Consistency-Accuracy Dissociation as a Blind Spot for Label-Free Evaluation
The Vanguard Group, Inc.(先锋集团)
该研究针对无标签评估中一致性可替代正确性的假设,发现60%错误答案处于高一致性区域,该现象鲁棒且跨模型族存在,揭示了一致性-准确性解离这一无标签评估盲点。
2026-10-16 cs.AI cs.CL
Right Answer, Wrong Score: Uncovering the Inconsistencies of LLM Evaluation in Multiple-Choice Question Answering
Sapienza University of Rome(罗马萨皮恩扎大学);Babelscape
本文系统分析MCQA中答案提取方法与人类判断的一致性及提示约束影响,发现传统评分低估LLM、LLM提取器存在系统偏差,并揭示格式约束与自由推理之间的权衡。
2025-06-08 cs.CL
A Feature-based Classification Technique for Answering Multi-choice World History Questions
Fujitsu R&D Center CO., LTD(富士通研究开发中心有限公司)
我们的FRDC_QA团队参与了NTCIR-11的QA实验室英语子任务。在本文中,我们描述了我们的系统解决现实世界的大学入学考试问题,这是与世界历史。维基百科被用作我们系统的主要外部资源。由于从多个句子选择中选择正确/错误句子的问题约占总数的三分之二,我们单独设计了一个基于分类的模型来解决这类问题。对于其他类型的问题,我们也设计了一些简单的方法。
2015-05-05 cs.AI cs.CL cs.IR
Right Frame, Wrong Rule: Cultural Cues Expose the Financial Knowledge Gap They Were Meant to Close
MBZUAI(穆罕默德·本·扎耶德人工智能大学);The University of Tokyo(东京大学);The University of Manchester(曼彻斯特大学);Georgia Institute of Technology(佐治亚理工学院);Harvard University(哈佛大学);INSAIT, Sofia University “St. Kliment Ohridski”(INSAIT,索菲亚大学“圣克莱门特·奥赫里德斯基”)
该研究针对规范多元主义场景,以伊斯兰金融为案例,发现文化线索会引导模型选择特定框架但导致错误答案,揭示了不同模型在框架选择与准确率上的差异,凸显了模型的框架特定能力差距。
2026-09-02 cs.AI cs.CL cs.LG
JevOut: Natural Context Can Flip Decision Models
University of Southern California(南加州大学)
研究发现,简短自然上下文可使Jev等决策模型在61.4%的初始正确决策上翻转至高置信度错误选项,暴露了当前决策模型的显著脆弱性。
2026-10-09 cs.CL
Wrong but Useful: Trajectory Value Beyond Answer Correctness in Multi-Agent Messages
该研究提出DHD协议,发现多智能体错误消息含有用信息,错误但有帮助的消息普遍存在,其轨迹价值可辅助决策,答案正确性不决定轨迹价值。
2026-11-03 cs.AI cs.CL cs.LG
Learning to Reuse Distractors to support Multiple Choice Question Generation in Education
Ghent University(根特大学);imec(微电子研究中心);LynxCare
多项选择题(MCQ)广泛用于数字学习系统,因为它们允许自动化评估过程。然而,由于学生数字素养的提高和社交媒体平台的出现,MCQ测试在网上被广泛分享,教师不断面临创造新问题的挑战,这是一项昂贵且耗时的任务。MCQ创建的一个特别敏感的方面是设计相关的干扰项,即,不容易被识别为错误的错误答案。本文研究了如何利用现有的大量手动创建的答案和干扰项的各种领域,科目和语言的问题,以帮助教师在创建新的MCQ,智能重用现有的干扰项。我们建立了几个数据驱动的模型的基础上上下文感知的问题和干扰表示,并比较它们与静态的基于特征的模型。所提出的模型进行评估与自动化的指标,并在现实的用户测试与教师。自动和人工评估表明,上下文感知模型始终优于静态的基于特征的方法。对于我们表现最好的上下文感知模型,平均有3个干扰项被评为高质量的干扰项。我们创建了一个性能基准,并将其公开,以便在不同方法之间进行比较,并对任务进行更标准化的评估。该基准包含298个教育问题的测试,涵盖多个主题和语言,以及77k多语种的干扰词词汇库,供未来研究使用。
2022-12-13 cs.CL
Moxia: A Trust-First Neuro-Symbolic Execution Architecture for Self-Explaining Mathematical Reasoning
Independent researcher(独立研究者)
提出AXIOM架构,将语言模型限制为规范化器,通过确定性计算机代数系统管道实现可验证的数学推理,在4个MATH类别上达到94.36%的正确率和100%的信任度。
2026-11-10 cs.AI cs.CL cs.LG
Vision-Language Model Confidence Is Not a Property of the Answer
Michigan State University(密歇根州立大学);JPMorgan AI Research(摩根大通人工智能研究院);Henry Ford Health(亨利福特医疗集团)
该研究针对答案保留型攻击,发现视觉-语言系统的置信度信号不具备固有鲁棒性,四类防御均无效,协调攻击可大幅降低置信度门控下的接受准确率。
2026-10-06 cs.CL cs.CR
Wrong Answers Can Also Be Useful: PlausibleQA -- A Large-Scale QA Dataset with Answer Plausibility Scores
University of Innsbruck(因斯布鲁克大学)
针对现有问答数据集忽视候选答案合理度的问题,提出大规模数据集PlausibleQA,含1万问题、10万带合理度评分的候选答案及90万条比较理由,验证了其在多项选择干扰项生成和鲁棒性评估中的有效性。
2025-04-20 cs.CL cs.IR
Can Model Uncertainty Function as a Proxy for Multiple-Choice Question Item Difficulty?
University of Groningen(格罗宁根大学)
本研究探索生成式大模型的不确定性度量与多项选择题实际学生作答分布之间的相关性,发现相关性微弱且因问题类型和答案正误而异,为利用模型不确定性作为题目难度代理提供了新途径。
2025-01-31 cs.CL
Your Benchmark Is Not Saturated: Reviving Multiple-Choice Evaluation with Answer Pooling
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);Edge Hill University(埃奇希尔大学)
针对多项选择基准饱和问题,提出AnswerPool方法,通过合并共享上下文的选项池并要求模型分配答案,降低猜测概率并衡量排除法信用,实验显示对所有模型更难且弃权可评分。
2026-09-30 cs.CL cs.LG