语言大模型 / LLM

Limits to Predicting Online Speech Using Large Language Models

大型语言模型在预测在线言论上的局限性

Mina Remeli, Moritz Hardt, Robert C. Williamson

机构 * Max-Planck Institute for Intelligent Systems, Tübingen（马克斯·普朗克智能系统研究所，图宾根） ； Tübingen AI Center（图宾根人工智能中心） ； University of Tübingen（图宾根大学） 纠错

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

AI总结 本文研究了大型语言模型在预测在线用户生成内容时的局限性，发现使用用户自身历史记录的模型表现更优，且20%的所学内容涉及@提及和标签。

Comments Updated Figure 1, added demographic analysis

Evolving Personalities in Chaos: An LLM-Augmented Framework for Character Discovery in the Iterated Prisoners Dilemma under Environmental Stress

混沌中的性格演变：一种结合大语言模型的框架用于在环境压力下的迭代囚徒困境中发现角色

Oguzhan Yildirim

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

AI总结 本文提出一种结合大语言模型的框架，在环境压力下通过迭代囚徒困境发现可解释的角色原型，提升策略的鲁棒性和可解释性。

Comments 10 pages, 5 figures. Project assignment; exploratory study on LLM-based adaptive agents

Improving Financial Forecasting with a Synergistic LLM-Transformer Architecture: A Hybrid Approach to Stock Price Prediction

通过协同LLM-Transformer架构提升金融预测：一种股票价格预测的混合方法

Sayed Akif Hussain, Chen Qiu-shi, Syed Amer Hussain, Syed Atif Hussain, Asma Komal, Muhammad Imran Khalid

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

AI总结 本文提出混合LLM-Transformer架构，通过融合文本和数值数据提升股票价格预测精度，实验证明模型在噪声环境下具有更强的鲁棒性和可解释性。

Comments 14 pages, 6 Figures, 3 Tables

Do You Get the Hint? Benchmarking LLMs on the Board Game Concept

你得到提示了吗？对大型语言模型的棋盘游戏概念基准测试

Ine Gevers, Walter Daelemans

机构 * CLiPS, University of Antwerp（CLiPS，安特卫普大学） 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 本文通过棋盘游戏Concept测试LLMs的演绎推理能力，发现人类易解而LLMs表现不佳，尤其在低资源语言中更差。

When the Coffee Feature Activates on Coffins: An Analysis of Feature Extraction and Steering for Mechanistic Interpretability

当咖啡特征在棺材上激活：对特征提取和转向用于机制可解释性的分析

Raphael Ronge, Markus Maier, Frederick Eberhardt

机构 * Department of Philosophy of Nature and Technology（自然哲学与技术系） ； Munich School of Philosophy（慕尼黑哲学学院） ； Division of the Humanities and Social Sciences（人文与社会科学系） ； California Institute of Technology（加州理工学院） 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.LG

AI总结 本文分析了通过稀疏自编码器提取特征和控制模型输出的方法，指出其在机制可解释性中的局限性和可靠性问题，强调需转向更可靠的预测与控制。

Comments 33 pages (65 with appendix), 1 figure

JPU: Bridging Jailbreak Defense and Unlearning via On-Policy Path Rectification

JPU: 通过在线策略路径校正弥合对抗防御与遗忘

Xi Wang, Songlei Jian, Shasha Li, Xiaopeng Li, Zhaoye Li, Bin Ji, Baosheng Wang, Jie Yu

机构 * National University of Defense Technology（国防科技大学） 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.AI

AI总结 JPU通过动态挖掘在线策略对抗样本，校正动态对抗路径以提升模型对抗攻击的鲁棒性。

Comments 14 pages, 6 figures, under review;

Physical Transformer

物理变换器

Tao Xu, Zhixin Hu, Li Luo, Momiao Xiong

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

AI总结 物理变换器结合几何表示和物理动态，通过层次化结构提升推理稳定性与长周期准确性，推动物理基础的AI发展。

Comments 38 pages, 2 figures

The Vibe-Check Protocol: Quantifying Cognitive Offloading in AI Programming

Vibe-Check协议：量化AI编程中的认知卸载

Aizierjiang Aiersilan

机构 * The George Washington University（乔治·华盛顿大学） 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.AI

AI总结 本文提出Vibe-Check协议，通过量化指标评估Vibe Coding在软件工程教学中的效果，探讨其对技能保留和概念理解的影响。

RAL2M: Retrieval Augmented Learning-To-Match Against Hallucination in Compliance-Guaranteed Service Systems

RAL2M：检索增强的学习-匹配以对抗幻觉在合规保障服务系统中

Mengze Hong, Di Jiang, Jiangtao Wen, Zhiyang Su, Yawen Li, Yanjie Sun, Guan Wang, Chen Jason Zhang

机构 * Hong Kong Polytechnic University（香港理工大学） ； New York University Shanghai（纽约大学上海分校） ； Hong Kong University of Science and Technology（香港科技大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 RAL2M通过检索增强的学习-匹配框架，利用众智消除生成幻觉，提升合规保障服务系统的响应可靠性。

Compositional Discrete Latent Code for High Fidelity, Productive Diffusion Models

组合式离散潜在代码用于高保真、高效的扩散模型

Samuel Lavoie, Michael Noukhovitch, Aaron Courville

机构 * Mila, Université de Montréal（蒙特利尔大学） 纠错

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

AI总结 本文提出离散潜在代码（DLC）以提升扩散模型的生成保真度，通过组合性实现分布外样本生成，并展示其在图像生成和文本到图像生成中的应用。

Comments Published at NeurIPS, 22 pages, 7 tables, 12 figures, code and models available

Intervene-All-Paths: Unified Mitigation of LVLM Hallucinations across Alignment Formats

干预所有路径：统一缓解跨对齐格式的大型视觉-语言模型幻觉

Jiaye Qian, Ge Zheng, Yuchen Zhu, Sibei Yang

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； ShanghaiTech University（上海科技大学） 纠错

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

AI总结 本文提出一种统一干预框架，通过分析不同路径间的相互作用，有效缓解跨对齐格式的LVLM幻觉问题。

Comments Accepted to NeurIPS 2025, Project Page: https://github.com/SooLab/AllPath

HEXAR: a Hierarchical Explainability Architecture for Robots

HEXAR：机器人中的分层可解释性架构

Tamlin Love, Ferran Gebellí, Pradip Pramanick, Antonio Andriella, Guillem Alenyà, Anais Garrell, Raquel Ros, Silvia Rossi

机构 * Institut de Robòtica i Informàtica Industrial (CSIC-UPC)（机器人与信息工业研究所（CSIC-UPC）） ； PAL Robotics（PAL机器人技术公司） ； University of Naples Federico II（那不勒斯费德里科二世大学） ； Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC）） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract)

AI总结 HEXAR通过分层可解释性架构提升机器人系统的透明度和可解释性，有效提高根因识别和运行效率。

Comments 8 pages, 6 figures

Aligning Text, Images, and 3D Structure Token-by-Token

对齐文本、图像和3D结构逐个标记

Aadarsh Sahoo, Vansh Tibrewal, Georgia Gkioxari

机构 * California Institute of Technology（加州理工学院） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract)

AI总结 本文提出统一的LLM框架，实现文本、图像和3D结构的对齐，通过结构化3D场景模态提升3D场景理解与重建能力。

Comments Project webpage: https://glab-caltech.github.io/kyvo/