语言大模型 / LLM

CodeSimpleQA: Scaling Factuality in Code Large Language Models

CodeSimpleQA: 在代码大语言模型中提升事实性

Jian Yang, Wei Zhang, Yizhi Li, Shawn Guo, Haowen Wang, Aishan Liu, Ge Zhang, Zili Wang, Zhoujun Li, Xianglong Liu, Weifeng Lv

机构 * Beihang University（北航大学） ； Manchester（曼彻斯特） ； M-A-P ； StepFun 纠错

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

AI总结 CodeSimpleQA通过构建双语基准测试和后训练框架，提升代码大语言模型在编程知识事实准确性上的表现。

Verb Mirage: Unveiling and Assessing Verb Concept Hallucinations in Multimodal Large Language Models

动词幻觉：揭示和评估多模态大语言模型中的动词概念幻觉

Zehao Wang, Xinpeng Liu, Yudonglin Zhang, Xiaoqian Wu, Zhou Fang, Yifan Fang, Junfu Pu, Cewu Lu, Yong-Lu Li

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

AI总结 本文首次揭示多模态大语言模型中的动词概念幻觉问题，并提出基于丰富动词知识的调优方法以有效缓解该问题。

Comments Accepted by AAAI-26

LLM-CAS: Dynamic Neuron Perturbation for Real-Time Hallucination Correction

LLM-CAS: 动态神经元扰动用于实时幻觉修正

Jensen Zhang, Ningyuan Liu, Yijia Fan, Zihao Huang, Qinglin Zeng, Kaitong Cai, Jian Wang, Keze Wang

机构 * Sun Yat-sen University（中山大学） ； Snap Inc（Snap公司） 纠错

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

AI总结 LLM-CAS通过动态神经元扰动实现实时幻觉修正，提升大型语言模型的事实准确性。

Comments Accepted at AAAI 2026

Explainable and Fine-Grained Safeguarding of LLM Multi-Agent Systems via Bi-Level Graph Anomaly Detection

通过双层图异常检测实现LLM多智能体系统的可解释性与细粒度防护

Junjun Pan, Yixin Liu, Rui Miao, Kaize Ding, Yu Zheng, Quoc Viet Hung Nguyen, Alan Wee-Chung Liew, Shirui Pan

机构 * School of Information and Communication Technology, Griffith University, Australia（格里菲斯大学信息与通信技术学院） ； School of Artificial Intelligence, Jilin University, China（吉林大学人工智能学院） ； Department of Statistics and Data Science, Northwestern University, USA（西北大学统计与数据科学系） 纠错

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

AI总结 本文提出XG-Guard框架，通过双层图异常检测实现对LLM多智能体系统中恶意智能体的可解释性与细粒度检测。

Comments 14 pages, 3 tables, 5 figures

Vocabulary-free Fine-grained Visual Recognition via Enriched Contextually Grounded Vision-Language Model

无需词汇的细粒度视觉识别 via 增强的上下文感知视觉语言模型

Dmitry Demidov, Zaigham Zaheer, Omkar Thawakar, Salman Khan, Fahad Shahbaz Khan

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） 纠错

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

AI总结 本文提出E-FineR方法，无需词汇实现细粒度视觉识别，提供高可解释性和在零样本和少样本分类中的高性能。

Comments Accepted to ICCV 2025

Towards Closed-Loop Embodied Empathy Evolution: Probing LLM-Centric Lifelong Empathic Motion Generation in Unseen Scenarios

迈向闭环式具身共情进化：探索以LLM为中心的终身共情动作生成在未见场景中的能力

Jiawen Wang, Jingjing Wang Tianyang Chen, Min Zhang, Guodong Zhou

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

AI总结 本文提出L^2-EMG任务，旨在通过情感解耦和场景适应挑战提升LLM在未见场景中的共情动作生成能力。

Watch Closely: Mitigating Object Hallucinations in Large Vision-Language Models with Disentangled Decoding

Watch Closely: 通过解耦解码缓解大视觉-语言模型中的物体幻觉

Ruiqi Ma, Yu Yan, Chunhong Zhang, Minghao Yin, XinChao Liu, Zhihong Jin, Zheng Hu

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； The University of Hong Kong（香港大学） 纠错

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

AI总结 通过解耦解码方法，无需训练即可缓解大视觉-语言模型中的物体幻觉问题，提升模型的视觉性能和准确性。

GTMA: Dynamic Representation Optimization for OOD Vision-Language Models

GTMA：面向视觉-语言模型的动态表示优化

Jensen Zhang, Ningyuan Liu, Keze Wang

机构 * Sun Yat-sen University（中山大学） 纠错

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

AI总结 GTMA通过动态表示优化提升视觉-语言模型在分布外任务中的性能，有效解决模态不对称问题，提升零样本和少样本准确率15-20%。

Comments Under submission

Memelang: An Axial Grammar for LLM-Generated Vector-Relational Queries

Memelang：一种用于LLM生成向量关系查询的轴性语法

Bri Holt

专题命中 知识编辑与模型理解 ：LLM(title,abstract)

AI总结 Memelang是一种紧凑的查询语言，通过轴性语法实现LLM生成的向量关系查询的结构化生成，支持坐标稳定引用、变量绑定和隐式上下文传递，以提高查询效率。

GraphShaper: Geometry-aware Alignment for Improving Transfer Learning in Text-Attributed Graphs

GraphShaper: 图形感知对齐以提高文本属性图形中的迁移学习

Heng Zhang, Tianyi Zhang, Yuling Shi, Xiaodong Gu, Yaomin Shen, Haochen You, Zijian Zhang, Yilei Yuan, Jin Huang

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

AI总结 GraphShaper通过多几何专门化框架提升文本属性图中迁移学习的性能，实现9.47%和7.63%的准确率提升。

Comments This submission has been withdrawn by the authors due to a fundamental error in the methodology that affects the validity of the main results

Configuration Work: Four Consequences of LLMs-in-use

使用大型语言模型的配置工作：四种后果

Gabriel Alcaras, Donato Ricci

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

AI总结 本文研究了LLMs在日常工作中如何通过配置工作重塑任务，揭示了四种关键后果：活动离散化、工作杂乱、实践适应性及工作纹理淡化。

How Reliable are Causal Probing Interventions?

因果探测干预的可靠性如何？

Marc Canby, Adam Davies, Chirag Rastogi, Julia Hockenmaier

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

AI总结 研究通过定义完整性与选择性的权衡，评估因果探测方法的可靠性，发现非线性干预更可靠，且更完整的方法对LLM影响更大。

Comments In Proceedings of IJCNLP-AACL, 2025

Activations as Features: Probing LLMs for Generalizable Essay Scoring Representations

激活作为特征：探测LLMs用于通用化作文评分表示

Jinwei Chi, Ke Wang, Yu Chen, Xuanye Lin, Qiang Xu

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

AI总结 本文通过分析LLMs中间层激活，探索其在跨提示作文评分中的判别能力，发现激活能有效适应不同评分标准，提升作文评分的通用性。

RomanLens: The Role Of Latent Romanization In Multilinguality In LLMs

RomanLens: 潜在罗曼化在LLMs多语言性中的作用

Alan Saji, Jaavid Aktar Husain, Thanmay Jayakumar, Raj Dabre, Anoop Kunchukuttan, Ratish Puduppully

机构 * Nilekani Centre at AI4Bharat（AI4Bharat 奈尔肯中心） ； Singapore University of Technology and Design（新加坡科技设计大学） ； Indian Institute of Technology Madras（印度理工学院马德拉斯分校） ； National Institute of Information and Communications Technology（信息与通信技术国家研究所） ； Indian Institute of Technology Bombay（印度理工学院孟买分校） ； Microsoft（微软） ； IT University of Copenhagen（哥本哈根IT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、cs.AI

AI总结 RomanLens研究了罗曼化在LLMs多语言处理中的潜在作用，发现中间层常以罗曼化形式表示目标词，并通过实验表明罗曼化有助于语言转换。

Comments 19 pages, 19 figures

Journal ref Findings of the Association for Computational Linguistics: ACL 2025, pages 26410-26429, Vienna, July 2025

SmartSight: Mitigating Hallucination in Video-LLMs Without Compromising Video Understanding via Temporal Attention Collapse

SmartSight: 通过时间注意力崩溃缓解视频大语言模型中的幻觉而不影响视频理解

Yiming Sun, Mi Zhang, Feifei Li, Geng Hong, Min Yang

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

AI总结 SmartSight通过时间注意力崩溃技术，在不牺牲视频理解能力的前提下，有效降低视频大语言模型的幻觉问题。

Comments AAAI26 accepted

Kronecker Factorization Improves Efficiency and Interpretability of Sparse Autoencoders

克罗内克分解提升稀疏自编码器的效率与可解释性

Vadim Kurochkin, Yaroslav Aksenov, Daniil Laptev, Daniil Gavrilov, Nikita Balagansky

机构 * T-Tech 纠错

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

AI总结 KronSAE通过克罗内克分解减少计算开销，同时引入mAND提升稀疏自编码器的可解释性与性能。

Solomonoff-Inspired Hypothesis Ranking with LLMs for Prediction Under Uncertainty

受索洛蒙效应启发的基于大语言模型的假设排名用于预测中的不确定性

Josh Barber, Rourke Young, Cameron Coombe, Will Browne

机构 * Queensland University of Technology (QUT)（昆士兰理工大学） 纠错

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

AI总结 本文提出一种基于大语言模型的索洛蒙启发方法，通过简洁性和预测适应性加权假设，以提高在不确定性下的预测可靠性。

Comments 10 pages, ACRA 2025, Submitted, Accepted and Presented

Neural Decoding of Overt Speech from ECoG Using Vision Transformers and Contrastive Representation Learning

基于视觉变换器和对比学习的皮层电图信号外显语音解码

Mohamed Baha Ben Ticha, Xingchen Ran, Guillaume Saldanha, Gaël Le Godais, Philémon Roussel, Marc Aubert, Amina Fontanell, Thomas Costecalde, Lucas Struber, Serpil Karakas, Shaomin Zhang, Philippe Kahane, Guillaume Charvet, Stéphan Chabardès, Blaise Yvert

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

AI总结 本文提出基于视觉变换器和对比学习的ECoG信号语音解码方法，通过编码器-解码器架构实现流式语音重建，首次在完全植入式皮层记录系统中展示语音解码的可行性。

Confidence Calibration in Vision-Language-Action Models

视觉-语言-动作模型中的置信度校准

Thomas P Zollo, Richard Zemel

机构 * Columbia University（哥伦比亚大学） 纠错

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

AI总结 本文提出通过提示集合和动作-wise Platt缩放技术，改进视觉-语言-动作模型的置信度校准，以提升机器人行为的可靠性和性能。

Comments 38 pages, 19 figures; additional experiments with VLA variants

OW-Rep: Open World Object Detection with Instance Representation Learning

OW-Rep: 开放世界目标检测中的实例表示学习

Sunoh Lee, Minsik Jeon, Jihong Min, Junwon Seo

机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； Agency for Defense Development（国防发展局） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 OW-Rep通过引入实例表示学习，提升开放世界目标检测中未知目标的检测精度和语义嵌入质量，增强下游任务表现。

Comments Accepted to WACV 2026. Our project website can be found at https://sunohlee.github.io/OW-Rep/