语言大模型 / LLM

Hallucination to Truth: A Review of Fact-Checking and Factuality Evaluation in Large Language Models

幻觉与事实：大型语言模型中事实核查与事实性评估的综述

Subhey Sadi Rahman, Md. Adnanul Islam, Md. Mahbub Alam, Musarrat Zeba, Md. Abdur Rahman, Sadia Sultana Chowa, Mohaimenul Azam Khan Raiaan, Sami Azam

机构 * Department of Computer Science and Engineering, United International University, Dhaka 1212, Bangladesh（乌姆特国际大学计算机科学与工程系） ； Department of Computer Science and Engineering, Daffodil International University, Dhaka-1341, Bangladesh（达芙尼国际大学计算机科学与工程系） ； Faculty of Science and Technology, Charles Darwin University, Casuarina, NT 0909, Australia（查尔斯·达尔文大学科学与技术学院） 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)；instruction tuning(abstract)

AI总结 本文综述了大型语言模型中事实核查与事实性评估的关键挑战及方法，强调了提升事实准确性的重要性。

Journal ref Artif. Intell. Rev. (2026)

DHI: Leveraging Diverse Hallucination Induction for Enhanced Contrastive Factuality Control in Large Language Models

DHI: 利用多样化幻觉诱导提升大语言模型对比事实性控制

Jiani Guo, Xiangke Zeng, Jie Wu, Zuchao Li

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） 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

AI总结 DHI通过多样化幻觉诱导提升大语言模型对比事实性控制，有效减少幻觉生成。

Comments ICONIP 2025

HyperJoin: LLM-augmented Hypergraph Link Prediction for Joinable Table Discovery

HyperJoin: 基于大语言模型的超图链接预测用于可连接表发现

Shiyuan Liu, Jianwei Wang, Xuemin Lin, Lu Qin, Wenjie Zhang, Ying Zhang

机构 * University of Technology Sydney（悉尼科技大学） ； University of New South Wales（新南威尔士大学） ； ACEM, Shanghai Jiao Tong University（ACEM，上海交通大学） 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

AI总结 HyperJoin通过构建超图并利用大语言模型增强的超图链接预测，提升可连接表发现的精度和召回率。

LLM Interpretability with Identifiable Temporal-Instantaneous Representation

基于可识别的时间-瞬时表示的LLM可解释性

Xiangchen Song, Jiaqi Sun, Zijian Li, Yujia Zheng, Kun Zhang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·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 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 本文提出了一种针对LLM高维概念空间的可识别时间因果表示学习框架，通过结合SAE技术，提升了LLM的可解释性。

Comments NeurIPS 2025

Explainability-Based Token Replacement on LLM-Generated Text

基于可解释性的token替换在LLM生成文本中

Hadi Mohammadi, Anastasia Giachanou, Daniel L. Oberski, Ayoub Bagheri

机构 * Department of Methodology and Statistics, Utrecht University（方法论与统计学系，乌得勒支大学） 纠错

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

AI总结 本文提出基于可解释性的token替换方法，通过集成分类器和SHAP/LIME技术，降低AI生成文本的可检测性，同时强调多模型策略在对抗token操纵中的有效性。

Towards Fair In-Context Learning with Tabular Foundation Models

朝着基于表格基础模型的公平上下文学习

Patrik Kenfack, Samira Ebrahimi Kahou, Ulrich Aïvodji

机构 * ÉTS Montréal（蒙特利尔ÉTS） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Calgary（卡尔加里大学） ； CIFAR（加拿大基础科学研究院） 纠错

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

AI总结 本文提出通过三种预处理方法提升基于表格基础模型的上下文学习公平性，实验表明基于不确定性的策略有效提高公平性指标且对预测准确性影响小。

Comments Published in Transactions on Machine Learning Research (TMLR)

Thinking with Blueprints: Assisting Vision-Language Models in Spatial Reasoning via Structured Object Representation

基于蓝图的思考：通过结构化物体表示协助视觉-语言模型进行空间推理

Weijian Ma, Shizhao Sun, Tianyu Yu, Ruiyu Wang, Tat-Seng Chua, Jiang Bian

机构 * National University of Singapore（新加坡国立大学） ； Microsoft Research, Asia（微软亚洲研究院） ； Tsinghua University（清华大学） ； University of Toronto（多伦多大学） 纠错

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

AI总结 通过结构化物体表示提升视觉-语言模型的空间推理能力，引入蓝图嵌入推理轨迹、蓝图意识奖励和反捷径数据增强技术。

Comments Preprint. Under review

Context-aware Decoding Reduces Hallucination in Query-focused Summarization

上下文感知解码减少查询导向摘要中的幻觉

Zhichao Xu

机构 * University of Utah（犹他大学） 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.CL

AI总结 本文提出上下文感知解码方法，通过减少查询导向摘要中的幻觉并保留词法模式匹配度，提升生成质量。

Comments technical report

Autoregressive Semantic Visual Reconstruction Helps VLMs Understand Better

自回归语义视觉重建有助于VLMs更好地理解

Dianyi Wang, Wei Song, Yikun Wang, Siyuan Wang, Kaicheng Yu, Zhongyu Wei, Jiaqi Wang

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； AutoLab, Westlake University（西湖大学AutoLab） ； Zhejiang University（浙江大学） ； Shanghai AI Lab（上海人工智能实验室） ； University of Southern California（美国南加州大学） 纠错

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

AI总结 自回归语义视觉重建通过提升多模态理解能力，改进了VLMs对视觉信息的把握

A Platform for Interactive AI Character Experiences

一个交互式AI角色体验的平台

Rafael Wampfler, Chen Yang, Dillon Elste, Nikola Kovacevic, Philine Witzig, Markus Gross

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出一个平台，用于创建可信的交互式AI角色，通过整合多种AI技术，实现故事驱动的对话体验。

Journal ref SIGGRAPH Conference Papers '25, August 10-14, 2025, Vancouver, BC, Canada

The Economics of Information Pollution in the Age of AI: General Equilibrium, Welfare, and Policy Design

人工智能时代的信息污染经济学：一般均衡、福利与政策设计

Yukun Zhang, Tianyang Zhang

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

AI总结 本文研究人工智能时代信息污染的经济学问题，通过一般均衡模型分析信息污染的市场失灵，并提出基于信息污染指数的适应性治理框架。