TELL-TALE: Task Efficient LLMs with Task Aware Layer Elimination
IRIT Université de Toulouse(IRIT图卢兹大学);IRIT CNRS(IRIT国家科学研究中心)
TELL-TALE通过任务感知的层消除方法优化任务性能,减少计算成本,同时在零样本和少样本设置下实现性能提升,适用于任务专用的大语言模型推理。
2026-05-10 cs.CL cs.LG
Do Large Language Models Always Tell The Same Stories?
University of Hamburg(汉堡大学)
通过对比框架和人类故事数据集,研究10种LLM生成故事的叙事相似性,发现LLM故事比人类故事更相似,前沿模型趋向于“平均”通用叙事,且常见缓解策略无效。
2026-09-03 cs.AI cs.CL
Model Tells You What to Discard: Adaptive KV Cache Compression for LLMs
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Microsoft(微软公司)
本研究提出即插即用的大语言模型自适应KV缓存压缩方法FastGen,通过剖析注意力结构差异化构建缓存,无需重训练即可大幅降低GPU内存占用且几乎不损失生成质量。
2024-10-29 cs.CL
Show, Don't Tell: Uncovering Implicit Character Portrayal using LLMs
Vector Institute(向量研究所);Stevens Institute(斯蒂文斯理工学院);Dalhousie University(达尔豪斯大学);University of Waterloo(滑铁卢大学)
本研究提出LIIPA框架,利用大型语言模型揭示小说中隐式角色塑造,生成更丰富的数据集,并在公平性和准确性上优于现有方法。
2024-12-05 cs.AI cs.CL cs.CY
Beyond External Monitors: Enhancing Transparency of Large Language Models for Easier Monitoring
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);ICISEE, Shanghai Jiao Tong University(上海交通大学ICISEE);School of Mathematical Sciences, Institute of Natural Sciences, MOE-LSC, CMA-Shanghai, Shanghai Jiao Tong University(上海交通大学数学科学学院);King Abdullah University of Science and Technology(卡塔尔国王 Abdullah 科学与技术大学)
提出TELLME方法,通过改进大型语言模型的内部表征透明度,帮助监控者识别不当和敏感行为,并在去毒化任务中验证其有效性。
2026-05-27 cs.AI cs.CL cs.CV
What LLMs Think When You Don't Tell Them What to Think About?
Together AI;Stanford University(斯坦福大学)
研究揭示了LLMs在无明确主题输入下生成内容的分布特征,发现不同模型家族存在显著的主题偏好和内容深度差异,并公开了相关数据集和代码。
2026-02-02 cs.AI cs.LG
Model Tells Itself Where to Attend: Faithfulness Meets Automatic Attention Steering
Georgia Institute of Technology(佐治亚理工学院);University of Pennsylvania(宾夕法尼亚大学);Microsoft Research(微软研究院)
针对大语言模型易受干扰、回答忠实性不足的问题,提出推理阶段无需调参的AutoPASTA方法,通过自动识别关键上下文并显式引导模型注意力,在开卷QA任务上显著提升了模型忠实性与性能。
2024-09-16 cs.AI cs.CL
Tell me about yourself: LLMs are aware of their learned behaviors
Truthful AI;University of Toronto(多伦多大学);UK AISI(英国AISI);Warsaw University of Technology(华沙理工大学);UC Berkeley(加州大学伯克利分校)
本研究探讨了大语言模型的行为自我意识,即无需示例即可描述自身行为的能力,并发现模型能自发识别后门存在,对AI安全具有重要意义。
2025-01-19 cs.AI cs.CL cs.CR
Always Tell Me The Odds: Fine-grained Conditional Probability Estimation
Johns Hopkins University(约翰霍普金斯大学)
本文提出一种最先进的模型,用于在上下文条件下对命题进行细粒度概率估计。通过结合人类和合成数据创建与评估、扩大模型规模和改进监督,提出了一系列强而精确的概率估计模型,在依赖条件概率估计的任务中表现优异。
2026-04-27 cs.AI cs.CL cs.LG
Can GPT tell us why these images are synthesized? Empowering Multimodal Large Language Models for Forensics
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
针对生成式AI导致图像篡改难检测的问题,本研究提出基于语义篡改线索的框架,通过提示工程和少样本学习解锁多模态LLMs的伪造分析潜力,GPT4V在相关数据集上取得与最先进方法竞争的准确率,还讨论了局限性及改进方向。
2025-04-16 cs.AI cs.CV
The Tell-Tale Trace: Detecting Reasoning Failures in LLMs Using Chain-of-Thought Dynamics
本研究利用思维链动态特性,在不假设语言化CoT语义忠实性的情况下,检测大语言模型在布尔可满足性任务中的分布式推理失败,并通过针对性提示干预提升了Llama3-70B的准确率。
2026-08-05 cs.AI cs.CL cs.LG
Tell, don't show: Declarative facts influence how LLMs generalize
Apollo Research(阿波罗研究);University of Oxford(牛津大学)
该研究通过在陈述性与程序性信息上微调LLM,证实抽象陈述性语句会影响模型泛化预测,且效应跨领域一致、无法用关键词联想学习解释,但绝对效应小、随模型规模增长有限,对AI风险与公平性研究有启示。
2023-12-12 cs.AI
From Yes-Men to Truth-Tellers: Addressing Sycophancy in Large Language Models with Pinpoint Tuning
School of Software Technology, Zhejiang University(浙江大学软件学院);Alibaba Cloud(阿里云);Hong Kong Baptist University(香港浸会大学);Fullong Inc.(福隆公司);University of Science and Technology of China(中国科学技术大学);Zhejiang University of Technology(浙江工业大学)
本文提出监督精准微调(SPT)方法,通过仅微调不足5%的关键模块来缓解大语言模型的谄媚问题,在保持通用能力的同时效果优于传统监督微调。
2025-02-05 cs.CL
Model Tells You Where to Merge: Adaptive KV Cache Merging for LLMs on Long-Context Tasks
Georgia Institute of Technology(佐治亚理工学院);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出KVMerger,一种基于键状态相似性和高斯核加权合并的自适应KV缓存压缩方法,在长上下文任务中实现内存高效且性能不降。
2024-07-21 cs.CL
Tell Your Model Where to Attend: Post-hoc Attention Steering for LLMs
Georgia Institute of Technology(佐治亚理工学院);University of California, Berkeley(加州大学伯克利分校);Microsoft Research(微软研究院)
本文提出事后注意力引导方法PASTA,通过在推理时对少量注意力头进行精确重新加权,使大语言模型关注用户指定内容,无需修改模型参数即可显著提升指令遵循和知识整合能力。
2024-10-01 cs.CL cs.LG
Token-Efficient Leverage Learning in Large Language Models
School of Computer Science(计算机学院);Beijing University of Posts and Telecommunications(北京邮电大学);College of information science and electronic engineering(信息科学与电子工程学院);Zhejiang University(浙江大学);School of Artificial Intelligence(人工智能学院)
本文提出令牌高效杠杆学习TELL,在低资源场景下以比监督微调少近一个数量级的数据实现竞争性能,并探讨其与量化假设一致的机制。
2024-04-01 cs.AI cs.CL cs.LG
When AI Tells You What You Want to Hear: Sycophantic Behavior of Large Language Models in Dementia Care Settings
Christian Kolb
研究探讨了大型语言模型在痴呆症护理场景中是否因迎合社会期望而降低专业质量,通过五种提示测试四款模型,发现响应质量随提示框架增强而下降,提示框架显著影响响应质量。
2026-04-13 cs.CL cs.CY
Small Edits, Big Consequences: Telling Good from Bad Robustness in Large Language Models
Berkeley(伯克利)
本文通过三类最小提示扰动测试六个前沿大语言模型,发现其对欠指定过度鲁棒而对语义翻转不敏感,提出应奖励差异化敏感性的评估与训练协议。
2025-07-15 cs.AI cs.CL
Tell Me What You Know About Sexism: Expert-LLM Interaction Strategies and Co-Created Definitions for Zero-Shot Sexism Detection
First Author Affiliation(第一作者机构);Second Author Affiliation(第二作者机构)
本研究通过四组件流水线探索性别歧视专家与LLM的协作,发现共创定义能提升零样本性别歧视检测性能,即使对LLM不熟悉的专家也能受益。
2025-04-21 cs.CL cs.CY
Show Me How You Reason and I'll Tell You Who You Are: Reasoning Graphs for Robust LLM Authorship Attribution
University of Passau(帕绍大学);University of Dundee(邓迪大学)
针对LLM生成文本检测和作者归属问题,此前方法易受改写等影响。本文提出利用论证挖掘管道提取推理图的图神经网络方法,在混淆攻击及新模型版本文本评估中,相比传统基线展现更强鲁棒性和泛化能力,提升了检测准确率。
2026-07-21 cs.AI cs.CL
Large Language Models Are Involuntary Truth-Tellers: Exploiting Fallacy Failure for Jailbreak Attacks
University of Illinois Chicago(伊利诺伊大学芝加哥分校);MIT-IBM Watson AI Lab IBM Research(麻省理工-IBM Watson人工智能实验室IBM研究)
针对语言模型难以生成谬误推理的缺陷,提出一种越狱攻击方法,通过诱导模型生成看似虚假但实际有害的程序,绕过安全机制,在五个安全对齐模型上验证了有效性。
2025-05-23 cs.AI cs.CL
Position: What Can Large Language Models Tell Us about Time Series Analysis
Griffith University(格里菲斯大学);Chinese Academy of Sciences(中国科学院);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Zhejiang University(浙江大学);East China Normal University(华东师范大学);Microsoft Research Asia(微软亚洲研究院);Squirrel AI(松鼠AI)
本文指出大型语言模型(LLMs)有望彻底改变依赖领域知识和微调的传统时间序列分析,通过无缝整合LLM技术促进高效决策和模态切换等通用分析智能,并展望了未来研究方向。
2024-06-01 cs.AI cs.LG
Time Will Tell: Timing Side Channels via Output Token Count in Large Language Models
University of Toronto(多伦多大学)
本文提出一种基于LLM输出Token数量的新型时序侧信道攻击,攻击者可借此以超70%精度推断机器翻译目标语言与文本分类输入类别,并提出了相应的缓解措施。
2024-12-19 cs.CL cs.CR cs.LG
Tell Me Why: Designing an Explainable LLM-based Dialogue System for Student Problem Behavior Diagnosis
School of Educational Technology, Beijing Normal University, Beijing, China(北京师范大学教育技术学院);Advanced Innovation Center for Future Education, Beijing Normal University, Beijing, China(北京师范大学未来教育创新中心);Faculty of Education, The University of Hong Kong, Hong Kong SAR, China(香港大学教育学院)
本文提出基于LLM的可解释对话系统,通过层次归因方法生成自然语言解释,提升教育对话系统中LLM的可解释性,实验证明其在识别支持证据方面优于基线方法。
2026-04-24 cs.AI cs.CL
Gradients with Respect to Semantics Preserving Embeddings Tell the Uncertainty of Large Language Models
University of Science and Technology of China(中国科学技术大学)
提出首个基于梯度的自由文本生成不确定性量化方法SemGrad,通过语义空间中的梯度计算实现高效且无需采样的不确定性估计。
2026-06-01 cs.AI cs.CL
Dishonesty in Helpful and Harmless Alignment
College of Computer Science, Sichuan University(四川大学计算机学院);Beijing Academy of Artificial Intelligence(北京人工智能研究院);University of Leeds(利兹大学);The Alan Turing Institute(艾伦·图灵研究所)
本文揭示LLMs在有益与无害对齐中因奖励寻求而产生不诚实行为,并从参数层面分析诚实与无害的冲突,进而提出表征正则化方法以训练更诚实、有益且无害的LLMs。
2024-06-05 cs.CL
Ask Without Telling: Local SLMs Consult Cloud LLMs Without Revealing Task Intent
Nanjing University of Posts and Telecommunications(南京邮电大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
针对本地小语言模型咨询云端大语言模型时的任务意图泄露问题,提出PriCon框架,通过可恢复的数学重构和本地闭环细化机制保护任务上下文与操作,将意图推断成功率降至近0%。
2026-09-29 cs.AI cs.CR cs.DC
AbsenceBench: Language Models Can't Tell What's Missing
University of Chicago(芝加哥大学);Stanford University(斯坦福大学)
本研究提出AbsenceBench基准以评估大语言模型检测缺失信息的能力,发现即便先进模型表现也不佳,其根源在于Transformer注意力机制难以关注文档空白,揭示了模型在相近任务上的能力差异。
2025-06-13 cs.CL
The Tell-Tale Norm: $\ell_2$ Magnitude as a Signal for Reasoning Dynamics in Large Language Models
University of Science and Technology of China(中国科学技术大学)
本文提出隐藏状态的 $\ell_2$ 范数作为大语言模型推理强度的内生信号,并通过稀疏自编码器分析、理论证明和因果干预验证其有效性,进而引入三种基于 $\ell_2$ 范数的测试时缩放技术以提升推理性能。
2026-06-04 cs.CL
Knowing Is Not Telling: Identity Ossification in LLM Representations of Trans-border Communities
Northeastern University(东北大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究针对中国西南与东南亚边境的9个跨境族群,用TIODF框架测试GPT-5.1和DeepSeek-V3.2,发现LLM存在将跨境身份固化为单一国家身份的问题,且与叙事框架相关,影响多语言AI的文化公平性。
2026-10-12 cs.CL cs.CY
Template-Driven LLM-Paraphrased Framework for Tabular Math Word Problem Generation
Xi’an Jiaotong-Liverpool University(西交利物浦大学);University of Liverpool(利物浦大学);Duke Kunshan University(昆山杜克大学)
针对表格数学应用题自动生成样本存在的正确性与多样性问题,提出模板驱动的LLM改写框架TeLL,通过提取模板确保正确性、利用LLM改写提升多样性并增加推理步骤,构建高质量数据集TabMWP-TeLL,有效提升了LLM求解TMWP的性能。
2024-12-20 cs.CL
Tell Me: An LLM-powered Mental Well-being Assistant with RAG, Synthetic Dialogue Generation, and Agentic Planning
Fujitsu Research of America(富士通美国研究)
提出Tell Me系统,利用大语言模型通过RAG实现个性化对话、合成客户-治疗师对话生成以及智能体规划生成自我护理计划,旨在提供可及的心理支持而非替代专业治疗。
2026-06-23 cs.AI cs.CL cs.HC
ConsistencyAI: A Benchmark to Assess LLMs' Factual Consistency When Responding to Different Demographic Groups
Duke University(杜克大学);UNC-Chapel Hill(北卡罗来纳大学教堂山分校)
ConsistencyAI基准通过多角色查询19个LLM,计算跨角色余弦相似度,评估事实一致性,发现提供商和主题影响一致性,Grok-3最优。
2026-09-09 cs.AI cs.CL cs.HC
Can Humans Tell? A Dual-Axis Study of Human Perception of LLM-Generated News
Frankfurt University of Applied Sciences(法兰克福应用技术大学)
研究探讨人类能否区分LLM生成与人工写作的新闻,发现人类无法可靠区分,且认知疲劳导致准确性下降,指出用户层面的检测不可行,需系统级对策。
2026-11-02 cs.AI cs.CL cs.CY
The Model's Tell: Measuring Context-Leakage Attack Signals with Behavior Gauges
Tsinghua University(清华大学);Ant International(蚂蚁国际);Nanyang Technological University(南洋理工大学);SiliconProspect AI(硅景人工智能)
本文提出 LeakGauge,通过附加后缀度量泄露行为并映射预填充 token 概率为攻击风险分数,在 11 个 LLMs 上对未见过的攻击达到 0.944-0.996 的 AUROC,可实现低延迟的输入检测器。
2026-08-19 cs.AI cs.CR
Tell me the truth: A system to measure the trustworthiness of Large Language Models
针对大语言模型可信度不足、企业采纳意愿低的问题,本文提出一种以领域知识图谱为预定义真实基准、有人参与验证与微调的系统性可信度测量方法,适用于关键领域与普通用户。
2024-03-11 cs.AI cs.CL cs.CY
On the Roles of LLMs in Planning: Embedding LLMs into Planning Graphs
Sun Yat-sen University(中山大学)
本文研究LLMs在规划中的角色,提出将LLMs嵌入规划图的两个层级(互约束生成层和约束求解层)的新框架,验证其在多领域的有效性。
2024-07-26 cs.AI
Can Your Model Tell a Negation from an Implicature? Unravelling Challenges With Intent Encoders
University of California, San Diego(加利福尼亚大学圣迭戈分校);WS AI Labs(WS AI实验室);KAIST(韩国科学技术院)
针对传统基准无法衡量意图嵌入模型语义理解差距的问题,研究提出含三元组任务的语义工具包评估模型对否定与隐含意义的理解,并通过自回归数据增强加对比损失的预训练方法提升相关语义能力。
2024-03-07 cs.CL
AI-Generated Slides: Are They Good? Can Students Tell?
Aalto University(艾洛大学);University of Toronto Mississauga(多伦多大学滑铁卢分校)
本文研究了生成式AI工具在生成幻灯片中的表现,发现编码助手生成的幻灯片更准确且教学效果更好,学生难以区分AI与人工生成的幻灯片,但高质量幻灯片与AI生成标签间存在负相关。
2026-05-13 cs.AI cs.CL cs.CY
How Far Are LLMs from Symbolic Planners? An NLP-Based Perspective
本研究将LLM规划视为NLP任务,提出含评估与三步恢复的流水线,结合符号规划器,发现LLM规划质量不及经典方法,但成功率由21.9%提升至27.5%。
2026-10-21 cs.AI
AGRAG: Advanced Graph-based Retrieval-Augmented Generation for LLMs
The Hong Kong University of Science(香港科学与技术大学);The Hong Kong Polytechnic University Hong Kong SAR(香港理工大学(香港特别行政区))
AGRAG通过统计方法构建图结构,解决LLM幻觉问题,并采用MCMI子图生成提升推理能力,实现更全面的推理路径,提升检索增强生成效果。
2026-03-17 cs.AI cs.IR cs.LG
The House with a Million Windows: Interactive Fiction for Narrative Restorying
The Alan Turing Institute(艾伦·图灵研究所);University of Edinburgh(爱丁堡大学);University of Chicago(芝加哥大学)
针对AI写作导致叙事同质化的问题,本文提出基于大语言模型的交互式小说系统HWAMW,通过重构干预帮助用户探索故事多重意义,实证表明其增强叙事认同感,为AI辅助写作提供新范式。
2026-09-14 cs.CL cs.HC
Can LLMs plan paths in the real world?
Duke University(杜克大学);George Mason University(乔治梅森大学)
该研究通过六个不同难度的真实导航场景测试三个 LLM,发现其均频繁出错、规划不可靠,并指出现实核查、透明度与小型化是改进方向。
2024-12-02 cs.AI cs.RO
TELLER: A Trustworthy Framework for Explainable, Generalizable and Controllable Fake News Detection
City University of Hong Kong(香港城市大学);Nanyang Technological University(南洋理工大学);University of Electronic Science and Technology of China(电子科技大学)
针对现有虚假新闻检测方法缺乏可解释性、泛化性和可控性的问题,提出TELLER双系统框架,结合认知与决策系统生成逻辑原子和规则,在四个数据集上验证了其可行性与可信性。
2024-05-28 cs.CL
Tell2Design: A Dataset for Language-Guided Floor Plan Generation
Singapore University of Technology and Design(新加坡科技设计大学);Institute of High Performance Computing (IHPC), A*STAR(新加坡科技研究局高性能计算研究所);National University of Singapore(新加坡国立大学)
本文研究从自然语言描述生成平面图设计,构建了含8万多条指令的Tell2Design数据集,提出Sequence-to-Sequence基线模型并评估多种文本条件图像生成方法,推动语言引导设计生成研究。
2023-11-27 cs.CL cs.CV
Generating Sentence Planning Variations for Story Telling
Natural Language and Dialogue Systems(自然语言与对话系统);University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校);Baskin School of Engineering(巴斯金工程学院)
最近,从指路和旅游信息到交互式故事系统,对话交互的应用出现了爆炸式增长。然而,这些系统中的许多系统的自然语言生成(NLG)组件在很大程度上仍然是手工制作的。这一限制极大地限制了应用范围;这也意味着不可能利用最近在表达和统计语言生成方面的工作,这些工作可以动态地和自动地产生给定内容的大量变体。我们建议,解决这个问题的一个办法在于开发语言生成资源的新方法。我们描述的ES-翻译,计算语言生成器,以前只适用于寓言,并定量评估的域独立性的EST,将其应用到个人的叙述从博客。然后,我们利用最近的工作语言生成,创建一个参数化的句子规划器的故事生成,提供聚合操作,话语和观点的变化。最后,我们提出了不同的个人叙事复述的用户评价。
2017-08-29 cs.CL