大模型对齐与安全

Sliced-Wasserstein Distribution Alignment Loss Improves the Ultra-Low-Bit Quantization of Large Language Models

切片瓦瑟斯坦分布对齐损失提高了大语言模型的超低比特量化

Deyu Cao, Yixin Yin, Samin Aref

机构 * Department of Information and Communication Engineering, The University of Tokyo（信息与通信工程系，东京大学） ； Department of Computer Science, University of Toronto（计算机科学系，多伦多大学） ； Department of Mechanical and Industrial Engineering, University of Toronto（机械与工业工程系，多伦多大学） 纠错

专题命中 幻觉与事实性 ：alignment(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 切片瓦瑟斯坦分布对齐损失通过提升超低比特量化性能，有效恢复模型准确性。

Comments Post-peer-review accepted manuscript, 17 pages including the supplementary information

Edge-AI Perception Node for Cooperative Road-Safety Enforcement and Connected-Vehicle Integration

边缘AI感知节点用于协作道路安全执法和连接车辆整合

Shree Charran R, Rahul Kumar Dubey

机构 * Indian Institute of Science (IISc)（印度科学研究院） ； Bosch Global Software Technologies Private Limited (BGSW)（博世全球软件技术私人有限公司） 纠错

专题命中 幻觉与事实性 ：safety(title,abstract)

AI总结 本文提出一种边缘AI感知节点，用于多类交通违规分析和安全事件传播，通过高精度检测和OCR处理提升执法效率，同时支持V2X协议与连接车辆协同提升道路安全。

The End of Reward Engineering: How LLMs Are Redefining Multi-Agent Coordination

奖励工程的终结：大型语言模型如何重新定义多智能体协调

Haoran Su, Yandong Sun, Congjia Yu

机构 * New York University（纽约大学） ； Lerna AI 纠错

专题命中 幻觉与事实性 ：alignment(abstract)；分类 cs.AI

AI总结 本文探讨了大型语言模型如何通过语义奖励规范和动态适应替代传统奖励工程，重新定义多智能体协调。

UNCAP: Uncertainty-Guided Neurosymbolic Planning Using Natural Language Communication for Cooperative Autonomous Vehicles

UNCAP：基于自然语言通信的不确定性引导神经符号规划

Neel P. Bhatt, Po-han Li, Kushagra Gupta, Rohan Siva, Daniel Milan, Alexander T. Hogue, Sandeep P. Chinchali, David Fridovich-Keil, Zhangyang Wang, Ufuk Topcu

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 幻觉与事实性 ：safety(abstract)；分类 cs.CL

AI总结 UNCAP通过自然语言通信和不确定性引导方法，提升多车辆协同自动驾驶系统的可扩展性和安全性。

Journal ref AAMAS 2026