语言大模型 / LLM

An Information-Theoretic Framework for Robust Large Language Model Editing

一种基于信息理论的鲁棒大语言模型编辑框架

Qizhou Chen, Chengyu Wang, Taolin Zhang, Xiaofeng He

机构 * East China Normal University（东华大学） ； Alibaba Group（阿里巴巴集团） ； Hefei University of Technology（合肥工业大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出基于信息瓶颈理论的IBKE框架，通过紧凑的潜在表示实现鲁棒的大语言模型编辑，提升知识修正的准确性和通用性。

LinkedOut: Linking World Knowledge Representation Out of Video LLM for Next-Generation Video Recommendation

LinkedOut: 从视频大语言模型中提取世界知识表示以实现下一代视频推荐

Haichao Zhang, Yao Lu, Lichen Wang, Yunzhe Li, Daiwei Chen, Yunpeng Xu, Yun Fu

机构 * Northeastern University（东北大学） ； LinkedIn（领英） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） 纠错

专题命中 知识编辑与模型理解 ：LLM(title)；large language model(abstract)；language model(abstract)；pretraining(abstract)

AI总结 LinkedOut通过从视频中提取世界知识表示，实现低延迟、多视频输入的视频推荐，无需人工标注，取得最佳性能。

Inside Out: Uncovering How Comment Internalization Steers LLMs for Better or Worse

Inside Out: 解析评论内化如何引导LLM向好或向坏发展

Aaron Imani, Mohammad Moshirpour, Iftekhar Ahmed

专题命中 知识编辑与模型理解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本研究通过分析LLM对评论的内部化过程，揭示了评论对代码补全、翻译等任务性能的影响，并发现代码摘要任务对评论概念的激活最强。

Comments Accepted in the 48th IEEE/ACM International Conference on Software Engineering (ICSE)

Feature-Selective Representation Misdirection for Machine Unlearning

特征选择性表示误导用于机器去学习

Taozhao Chen, Linghan Huang, Kim-Kwang Raymond Choo, Huaming Chen

机构 * University of Sydney（悉尼大学） ； University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 SRMU通过特征意识的激活编辑框架，实现安全驱动的模型去学习，有效抑制有害表示并保持模型效用。

OpenNER 1.0: Standardized Open-Access Named Entity Recognition Datasets in 50+ Languages

OpenNER 1.0: 50余种语言标准化开放访问命名实体识别数据集

Chester Palen-Michel, Maxwell Pickering, Maya Kruse, Jonne Sälevä, Constantine Lignos

机构 * Michtom School of Computer Science（米切姆计算机科学学院） ； Brandeis University（布兰迪大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 OpenNER 1.0提供50余种语言的标准化NER数据集，通过修正标注格式和统一表示形式，支持多语言和多本体NER研究，并展示了不同预训练模型在NER任务中的性能差异。

Comments Published in the proceedings of EMNLP 2025

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing, pages 33637-33662, Suzhou, China. Association for Computational Linguistics

AI Needs Physics More Than Physics Needs AI

AI需要物理比物理需要AI更多

Peter Coveney, Roger Highfield

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文探讨了AI与物理之间的相互影响，指出物理对AI有更多贡献，并提出通过理论严谨性与机器学习灵活性结合来发展'大AI'的路线图。

Prompt-to-Parts: Generative AI for Physical Assembly and Scalable Instructions

Prompt-to-Parts: 生成式AI用于物理装配和可扩展指令

David Noever

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 Prompt-to-Parts通过生成式AI生成物理可实现的装配指令，结合LDraw中间表示和Python库，实现复杂结构的可建造输出。

Online-PVLM: Advancing Personalized VLMs with Online Concept Learning

在线-PVLM：通过在线概念学习推进个性化VLMs

Huiyu Bai, Runze Wang, Zhuoyun Du, Yiyang Zhao, Fengji Zhang, Haoyu Chen, Xiaoyong Zhu, Bo Zheng, Xuejiao Zhao

机构 * Nanyang Technological University（南洋理工大学） ； Alibaba Group（阿里巴巴集团） ； Zhejiang University（浙江大学） ； City University of Hong Kong（香港城市大学） ； University of Oulu（奥卢大学） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.CL

AI总结 Online-PVLM通过在线概念学习框架，实现个性化VLMs的高效实时适应，并提出OP-Eval基准评估其在现实场景中的性能。

Comments Work in Progress