EMODIS: A Benchmark for Context-Dependent Emoji Disambiguation in Large Language Models
本文提出EMODIS基准,通过最小对比文本上下文评估大语言模型对歧义表情符号的消歧能力,发现最强模型仍存在系统性偏见和语用敏感性不足,揭示了人机语义推理差距。
2025-11-10 cs.CL
Exploring the Word Sense Disambiguation Capabilities of Large Language Models
University of Bari Aldo Moro(巴里·阿尔多·莫罗大学);University of Pisa(比萨大学)
本文通过扩展XL-WSD基准评估大型语言模型的词义消歧能力,发现其在零样本下表现良好但不及最先进方法,而中等参数量微调模型可超越所有模型。
2025-03-11 cs.AI cs.CL
Language Models as Knowledge Bases for Visual Word Sense Disambiguation
National Technical University of Athens(雅典国立技术大学);School of Electrical and Computer Engineering(电气与计算机工程学院)
本文提出利用大语言模型作为知识库,通过零样本知识检索和将视觉词义消歧转换为纯文本问答问题(结合思维链提示),有效提升了视觉语言transformers的多模态检索性能。
2023-10-03 cs.AI cs.CL
PLACID: Privacy-preserving Large language models for Acronym Clinical Inference and Disambiguation
Department of Biomedical Informatics, University of Colorado Anschutz(科罗拉多大学安舒茨分校生物医学信息学系)
本文提出PLACID模型,通过本地部署的小参数模型实现隐私保护的临床缩写消歧,利用通用本地模型检测缩写并路由至领域特定的生物医学模型以提高扩展准确性。
2026-10-15 cs.AI cs.CL
Prompt Balance Matters: Understanding How Imbalanced Few-Shot Learning Affects Multilingual Sense Disambiguation in LLMs
Department of Computer Science, Swansea University(计算机科学系,萨斯奎汉大学)
本研究针对少样本提示中样本分布不平衡的问题,采用GLOSSGPT提示法在五种语言上测试,发现不平衡样本会引发多语言词义消歧偏差,强调需采用平衡的提示策略。
2025-10-04 cs.CL
Can LLMs assist with Ambiguity? A Quantitative Evaluation of various Large Language Models on Word Sense Disambiguation
Department of Computer Science, Swansea University(斯旺西大学计算机科学系)
本研究提出结合系统化提示增强机制与知识库(KB)的方法,利用少样本思维链(COT)提示引导大型语言模型(LLM)改进词义消歧(WSD),在FEWS测试数据上取得显著性能提升。
2025-09-15 cs.CL
Knowledge Graphs for Enhancing Large Language Models in Entity Disambiguation
Universitat Politècnica de Catalunya, UPC-BarcelonaTech(政治与技术大学、巴塞罗那技术大学)
本文提出利用知识图谱的层次化类别结构和实体描述来增强大语言模型进行零样本实体消歧,通过逐步剪枝候选空间和丰富提示信息,在多个数据集上优于未增强和仅描述增强的LLMs,并具有更高的适应性。
2025-05-06 cs.AI cs.DB cs.LG
Towards Effective Disambiguation for Machine Translation with Large Language Models
University of Edinburgh(爱丁堡大学)
本文研究大语言模型翻译歧义句子的能力,提出通过上下文学习和在精选数据集上微调来提升消歧能力,实验证明该方法在多数语言方向上优于DeepL和NLLB等先进系统。
2023-10-21 cs.CL
Do LLMs Understand Ambiguity in Text? A Case Study in Open-world Question Answering
本文以开放域问答为案例,研究大语言模型对文本歧义的理解能力,并提出简单、无需训练的显式消歧方法以有效提升模型在歧义问答任务上的表现。
2024-11-19 cs.AI cs.CL
Large Language Models and Knowledge Graphs for Astronomical Entity Disambiguation
本文提出结合GPT-4与Leiden图聚类,对天文文本中的实体进行关系抽取、知识图谱构建与消歧,验证了该方法在实体识别和聚类分组上的有效性。
2024-06-17 astro-ph.IM cs.CL
Solving Word-Sense Disambiguation and Word-Sense Induction with Dictionary Examples
University of Ljubljana(卢布尔雅那大学)
针对资源匮乏语言缺乏大型数据集的问题,提出利用LLMs从词典例句生成句子对以解决语境词任务,并进而适应词义消歧和词义归纳任务,在斯洛文尼亚语上优于现有模型。
2025-03-06 cs.AI cs.CL
Bayesian Active Learning for Intent Disambiguation in Interactive Robot Planning
Massachusetts Institute of Technology(麻省理工学院);GE Vernova(通用电气维诺瓦)
针对交互式机器人规划中指令歧义问题,提出贝叶斯主动学习框架,利用LLM初始化STL规范并优化澄清查询,提升任务满意度并减少澄清轮次。
2026-11-04 cs.AI cs.HC cs.RO
Integrating Disambiguation and User Preferences into Large Language Models for Robot Motion Planning
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
本文提出一个基于LLMs的机器人运动规划框架,通过歧义分类器与GPT-4机制解决自然语言指令歧义并捕获用户偏好,最终利用线性时序逻辑生成运动规划,提升了系统可靠性与用户体验。
2024-04-22 cs.AI cs.RO cs.SY
DisasterTD: Disaster Toponym Disambiguation Using Multimodal LLMs and Cross-View Geolocalization
College of Geodesy and Geomatics, Shandong University of Science and Technology(山东科技大学测绘与地理信息学院);School of Environmental Science and Spatial Informatics, China University of Mining and Technology(中国矿业大学环境与测绘学院);State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University(武汉大学测绘遥感信息工程国家重点实验室);Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);School of Automation, Southeast University(东南大学自动化学院);Department of Geography, National University of Singapore(新加坡国立大学地理系)
研究针对社交媒体图像地理参考模糊问题,提出DisasterTD框架,集成多模态大语言模型语义推理与跨视角地理定位,在飓风哈维数据集上评估,该方法优于基线,能有效进行细粒度灾害地理定位,提升不同距离下的定位准确率并减少误差。
2026-07-29 cs.AI cs.CV
LLM-Based Config Synthesis requires Disambiguation
University of California Los Angeles(加州大学洛杉矶分校);Microsoft Research(微软研究院);Microsoft(微软)
针对 LLM 配置合成中用户意图歧义导致动作优先级无法推断的问题,提出使用 Disambiguator 模块增强 LLM 的原型系统 Clarify,通过消歧义实现增量路由策略合成与验证。
2025-07-16 cs.AI cs.HC cs.NI
Sign Spotting Disambiguation using Large Language Models
Centre for Vision, Speech;Signal Processing (CVSSP) University of Surrey Guildford United Kingdom;Signal Processing (CVSSP) University of Surrey
本文提出一种无需训练的框架,利用大型语言模型结合动态时间规整和余弦相似度进行词典匹配,并通过束搜索实现上下文感知消歧,在手语识别任务中显著提升了准确性和句子流畅度。
2025-08-07 cs.AI cs.CV
Large Language Models and Multimodal Retrieval for Visual Word Sense Disambiguation
School of Electrical and Computer Engineering(电气与计算机工程学院);National Technical University of Athens(雅典国立技术大学)
本文研究视觉词义消歧任务,通过结合大型语言模型、多模态检索、单模态转换及思维链提示等多种方法,并训练学习排序模型融合各模块,取得了具竞争力的检索结果。
2023-10-21 cs.CL
Compact Language, Complex Model Shifts: How and Where Ambiguity and Underspecification Affect LLMs
HAW Hamburg(汉堡应用科学大学);Universität Hamburg(汉堡大学)
本研究通过人工伪词分析歧义与欠指定对语言模型训练的影响,发现二者提升性能但降低相关序列生成准确性,并揭示内部表示差异。
2026-10-01 cs.CL
Constructing Disambiguated Knowledge Bases from Large Language Models at Scale
针对从大语言模型构建知识库存在的重复与混淆问题,提出GPTKB 2.0方法,实现百万级消歧实体与三元组的知识库构建,为LLM原生知识库研究提供新方案。
2026-10-01 cs.AI cs.CL cs.DB
Thank You, Stingray: Multilingual Large Language Models Can Not (Yet) Disambiguate Cross-Lingual Word Sense
SeaCrowd;IndoNLP;Cohere;Brown University(布朗大学);MBZUAI;University of Tübingen(蒂宾根大学);TUFS(东京外国语大学)
本研究针对多语言大语言模型跨语言语义评估的空白,推出跨语言词义消歧基准StingrayBench,用四组语言对的“假朋友”词测试模型,发现其偏向高资源语言,并提出相关量化新指标,助力构建更包容的语言模型。
2024-10-30 cs.AI cs.CL
Incremental Comprehension of Garden-Path Sentences by Large Language Models: Semantic Interpretation, Syntactic Re-Analysis, and Attention
Georgia Institute of Technology(佐治亚理工学院)
本研究通过四种大语言模型,探究人类与模型在处理花园小径句及持续误解上的一致性,发现二者在处理上表现出有前景的趋同,尤其在句法外信息引导时。
2024-05-25 cs.CL
Multi-Functional Embedding Models for Funder Name Disambiguation in Scientific Publication Records
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Michigan(密歇根大学);Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心);Munich Data Science Institute(慕尼黑数据科学研究所)
本文提出一个多语言多功能资助者名称消歧框架,利用多任务学习微调嵌入模型,在匹配准确率上显著超越通用大模型,并构建相似性网络处理未索引名称,为科学文献分析提供可复用方案。
2026-09-10 cs.CL
Verify-in-the-Graph: Entity Disambiguation Enhancement for Complex Claim Verification with Interactive Graph Representation
Viettel Artificial Intelligence and Data Services Center(越南 Viettel 人工智能与数据服务中心);Viettel Group(越南 Viettel 集团)
提出 VeGraph 框架,利用 LLM 智能体通过图表示、实体消歧和验证三阶段解决复杂声明验证中的实体模糊问题,在 HoVer 和 FEVEROUS 基准上表现优异。
2025-05-29 cs.AI cs.CL cs.DB
A Multi-Agent LLM Framework for Multi-Domain Low-Resource In-Context NER via Knowledge Retrieval, Disambiguation and Reflective Analysis
KDR-Agent通过知识检索、消歧和反思分析,提升多领域低资源情境下命名实体识别的性能
2025-11-24 cs.CL
Sculptor: Empowering LLMs with Cognitive Agency via Active Context Management
Tsinghua University(清华大学);Peking University(北京大学)
本文提出 Sculptor 框架,通过上下文碎片化、摘要隐藏恢复与精确搜索等 ACM 工具及动态上下文感知 RL,让 LLM 主动管理工作记忆,显著缓解长上下文中的前摄干扰。
2025-09-27 cs.AI cs.CL cs.LG
Correct-Detect: Balancing Performance and Ambiguity Through the Lens of Coreference Resolution in LLMs
Portland State University(波特兰州立大学);Miami University(迈阿密大学)
本文研究 LLM 在共指消解中的消歧与歧义检测能力,发现二者难以通过最少提示同时兼顾,并提出 CORRECT-DETECT 权衡刻画该性能冲突。
2025-10-21 cs.AI cs.CL
Predictive Minds: LLMs As Atypical Active Inference Agents
Charles University(查理大学);Gaia Consortium(盖亚联盟)
本文用主动推理理论重新概念化大语言模型,指出其缺乏行动-感知反馈回路,但预测该回路可能闭合,带来自我意识增强和通过改变世界减少预测误差的后果。
2023-11-16 cs.AI cs.CL
Select, Don't Train: The Benefits of Modular Entity Disambiguation with LLM-Based Selection
University of Amsterdam(阿姆斯特丹大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);Aarhus University(奥胡斯大学)
该研究提出将实体消歧的检索与选择解耦,基于LLM选择器对比不同检索策略,发现无需训练的BM25搭配LLM选择器在ZELDA基准上达到先进性能,还支持检测到检索失败时弃权,提升了实体消歧效果。
2026-08-31 cs.AI cs.CL cs.DB
HanjaBridge: Resolving Semantic Ambiguity in Korean LLMs via Hanja-Augmented Pre-Training
Wisenut(Wisenut公司)
提出HanjaBridge技术,通过在持续预训练中注入汉字候选以解决韩语同音词语义歧义,结合知识蒸馏防止遗忘,显著提升韩语理解并实现跨语言正向迁移。
2025-07-15 cs.AI cs.CL
Who Relies More on World Knowledge and Bias for Syntactic Ambiguity Resolution: Humans or LLMs?
Miami University(迈阿密大学);Portland State University(波特兰州立大学)
本研究通过构建MultiWho数据集,对比人类与LLM在六种语言的关系从句附着歧义解决中的表现,发现LLM僵化依赖世界知识偏见、偏好局部附着,缺乏人类语言处理的灵活性,指出需优化多语言训练以提升LLM复杂结构处理能力。
2025-03-20 cs.CL
Uncovering the Fragility of Trustworthy LLMs through Chinese Textual Ambiguity
Chalmers University of Technology(楚德斯技术大学)
研究大语言模型在处理中文歧义文本时的脆弱性,通过创建基准数据集发现模型在歧义处理上存在显著缺陷,影响实际应用。
2026-04-16 cs.AI cs.CL
SCICONVBENCH: Benchmarking LLMs on Multi-Turn Clarification for Task Formulation in Computational Science
Rensselaer Polytechnic Institute(拉特格斯理工学院);University of Texas at Arlington(德克萨斯大学阿灵顿分校);Pacific Northwest National Laboratory(太平洋西北国家实验室);National Renewable Energy Laboratory(国家可再生能源实验室)
该研究提出SCICONVBENCH基准,用于评估LLM在计算科学任务公式化中的多轮澄清能力,重点在于获取缺失信息和解决请求中的矛盾,通过结构化任务本体和基于标准的评估框架,系统测量LLM在澄清行为、对话基础性和最终规格忠实度三个维度上的表现。
2026-09-18 cs.AI physics.comp-ph
Silent Signals, Loud Impact: LLMs for Word-Sense Disambiguation of Coded Dog Whistles
Georgia Institute of Technology(佐治亚理工学院);Stanford University(斯坦福大学)
本研究提出利用LLMs实现编码狗哨的词义消歧方法,构建了含16550条高置信度示例的Silent Signals数据集,为仇恨言论检测等领域提供支撑。
2024-06-18 cs.CL cs.LG
Picturing Ambiguity: A Visual Twist on the Winograd Schema Challenge
Brock University(布鲁克大学)
本文提出WinoVis数据集和评估框架,通过GPT-4生成提示和DAAM热图分析,隔离文本到图像模型的代词消歧能力,发现Stable Diffusion 2.0准确率仅56.7%,略高于随机猜测,揭示了多模态推理的挑战。
2024-06-03 cs.AI cs.CL cs.CV
Do Large Language Models Understand Word Senses?
Babelscape;Sapienza University of Rome(罗马萨皮恩扎大学)
本文评估了大型语言模型的词义消歧能力及在三种生成设置下的词义理解能力,发现GPT-4o等模型在WSD任务中性能与专用系统相当且鲁棒性更强,生成任务准确率高达98%。
2025-09-17 cs.AI cs.CL
Small Language Model Helps Resolve Semantic Ambiguity of LLM Prompt
School of Computer Science and Engineering, University of Electronic Science and Technology of China(电子科技大学计算机科学与工程学院);Department of Electronic Engineering, Kyung Hee University(庆熙大学电子工程系)
本文提出通过显式提示消歧机制解决LLM提示的语义歧义问题,利用小语言模型高效计算提升推理性能,实验表明方法在多个基准上提升2.5点,成本仅0.02美元。
2026-04-25 cs.AI cs.CL
Causal-Guided Active Learning for Debiasing Large Language Models
Beijing Academy of Artificial Intelligence(北京人工智能研究院);Harbin Institute of Technology(哈尔滨工业大学)
针对大语言模型易受数据集偏差影响的问题,本文提出因果引导的主动学习框架CAL,利用模型自身自动识别偏差样本并归纳偏差模式,结合上下文学习实现高效去偏。
2024-08-30 cs.AI cs.CL
Enhancing Pipeline-Based Conversational Agents with Large Language Models
Accenture GmbH(埃森哲有限责任公司);University of Bremen(不来梅大学);Lloyds Banking Group(劳埃德银行集团)
本文研究在设计和运营阶段利用LLM增强基于流水线的对话智能体,提出混合方法以兼顾LLM能力与现有系统隐私及集成保障。
2023-09-07 cs.AI cs.CL cs.LG
SciRerankBench: Benchmarking Rerankers Towards Scientific Retrieval-Augmented Generation with LLMs
Computer Network Information Center, Chinese Academy of Sciences(中国科学院计算机网络信息中心);University of California, Los Angeles(加州大学洛杉矶分校);Peking University(北京大学)
针对科学领域RAG-LLMs中排序器评估空白,提出SciRerankBench基准,涵盖五学科、三类Q-C-A对,系统评估13种排序器在五个LLM家族上的性能,揭示其噪声鲁棒性、相关性消歧与事实一致性表现。
2026-10-14 cs.AI cs.CL
Enhancing Text Classification through LLM-Driven Active Learning and Human Annotation
Ontario Tech University(安大略理工大学)
针对文本分类中标注成本高的问题,提出融合LLM与人工标注的主动学习框架,按模型不确定性动态结合二者输出,在三个公开数据集上实现了降本且保优提效的效果。
2024-06-17 cs.AI cs.CL cs.LG
Disambiguation in Conversational Question Answering in the Era of LLMs and Agents: A Survey
Adobe Research(Adobe研究部);KAIST(韩国科学技术院);Adobe Inc.(Adobe公司)
本文综述了LLM和智能体时代下对话式问答中的歧义问题,系统梳理了歧义定义、消解方法分类、优缺点比较、基准数据集及未来研究方向,旨在推动更稳健可靠的LLM系统发展。
2025-09-22 cs.CL
WiC is Not WSD: A Study on LLMs and Lexical Ambiguity Resolution
University of Liverpool(利物浦大学);Amazon(亚马逊);Cardiff University(卡迪夫大学)
本研究通过对比WiC与传统WSD任务,发现提供候选词义能提升大语言模型在WiC上的表现,并指出模型错误多源于标签歧义和过度细粒度的词义区分。
2026-09-18 cs.CL
Masked IRL: LLM-Guided Reward Disambiguation from Demonstrations and Language
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
本文提出掩码逆强化学习框架,利用大语言模型结合演示和语言信息,提升机器人奖励学习的样本效率和泛化能力。
2026-03-30 cs.AI cs.RO
Neuron-Aware Active Few-Shot Learning for LLMs
University of Pittsburgh, USA(匹兹堡大学)
提出NeuFS框架,利用神经元激活模式从模型内部动态选择最具价值的少样本示例,提升大语言模型在专业领域的适应性和性能。
2026-07-03 cs.AI cs.LG
Learning to Clarify: Multi-turn Conversations with Action-Based Contrastive Self-Training
Google(谷歌);Columbia University(哥伦比亚大学)
针对LLM面对歧义时不善澄清、高质量对话数据有限的问题,提出基于DPO的ACT准在线偏好优化算法,在无动作标签的多类真实对话任务中显著提升多轮对话策略学习效果。
2025-07-27 cs.AI cs.CL cs.LG
Random Is Hard to Beat: Active Selection in online DPO with Modern LLMs
Seoul National University(首尔大学);Ewha Womans University(梨花女子大学);KAIST(韩国科学技术院);UBC(不列颠哥伦比亚大学)
本文研究了在线DPO中主动选择策略的有效性,发现即使在强先验基础上,主动选择的计算开销难以抵消简单随机采样带来的多样性优势。
2026-04-03 cs.AI cs.LG
Active Layer-Contrastive Decoding Reduces Hallucination in Large Language Model Generation
Purdue University(普渡大学);University of California, Davis(加州大学戴维斯分校)
提出主动层对比解码(ActLCD),通过强化学习策略在生成过程中动态决定何时应用对比层,在五个基准上超越现有方法,有效缓解大语言模型的长上下文幻觉问题。
2025-09-15 cs.AI cs.CL cs.LG
MAPLE: A Framework for Active Preference Learning Guided by Large Language Models
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
针对偏好学习计算负担重、缺乏可解释性等问题,提出LLM引导的贝叶斯主动偏好学习框架MAPLE,结合自然语言与传统反馈建模并优化查询选择,显著提升了样本效率与人类回答能力。
2024-12-20 cs.AI cs.CL cs.LG
When Similar Means Different: Evaluating LLMs on Arabic--Hebrew Cognates
Mohamed bin Zayed University of Artificial Intelligence(莫扎德·穆扎伊德人工智能大学)
针对阿拉伯语和希伯来语同源词、假朋友和借词,构建SemCog Bench基准(1858对词对),评估LLM跨语言语义理解,发现模型依赖表面形式相似性,在假朋友和借词上表现差,上下文帮助有限。
2026-09-01 cs.CL
Sample-Efficient Alignment for LLMs
National University of Singapore(新加坡国立大学);Sea AI Lab(Sea AI实验室);Singapore Management University(新加坡管理大学)
本研究提出基于汤普森采样的统一算法SEA,在上下文决斗老虎机框架下实现LLM在线对齐的样本高效性,实验证明其在多规模模型上优于现有主动探索方法。
2024-11-09 cs.AI cs.CL cs.LG
TopBench: A Benchmark for Implicit Predictive Reasoning in Tabular Question Answering
School of Artificial Intelligence, Nanjing University, China(人工智能学院,南京大学,中国);National Key Laboratory for Novel Software Technology, Nanjing University, China(新型软件技术国家重点实验室,南京大学,中国)
提出TopBench基准,包含779个样本和四个子任务,评估大语言模型在表格问答中识别隐式预测意图并进行可靠推理的能力,发现当前模型在意图识别上存在困难。
2026-06-18 cs.AI cs.CL cs.LG
Audit Me If You Can: Query-Efficient Active Fairness Auditing of Black-Box LLMs
Weizenbaum Institut Berlin(魏泽恩堡研究所柏林);Technische Universität Berlin(柏林技术大学);FIZ Karlsruhe(卡尔斯鲁厄FIZ);KU Leuven(鲁汶大学);Aleph Alpha(Aleph Alpha公司)
BAFA通过主动查询减少资源消耗,实现高效黑盒LLM公平性审计
2026-09-01 cs.CL cs.CY cs.LG
Efficiently Learning at Test-Time: Active Fine-Tuning of LLMs
针对最近邻检索易选冗余数据的问题,本文提出主动数据选择算法 SIFT,通过优化信息增益提升测试时微调效果,并实现按性能增益自适应分配计算资源。
2025-02-08 cs.AI cs.LG
Empowering Language Models with Active Inquiry for Deeper Understanding
Nanjing University(南京大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
本文提出 LaMAI 框架,利用主动学习技术让语言模型主动提问以澄清用户意图,在复杂数据集上将答案准确率从 31.9% 提升至 50.9%,并优于基线方法。
2024-02-06 cs.AI cs.CL