语言大模型 / LLM

The Geometry of Refusal in Large Language Models: Concept Cones and Representational Independence

大语言模型中的拒绝几何学：概念锥与表征独立性

Tom Wollschläger, Jannes Elstner, Simon Geisler, Vincent Cohen-Addad, Stephan Günnemann, Johannes Gasteiger

机构 * School of Computation, Information \& Technology ； Munich Data Science Institute, Technical University of Munich ； Google Research ； Now at Google Research 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、cs.LG

AI总结 本研究提出基于梯度的表征工程方法，揭示大语言模型拒绝行为的复杂空间结构及多维概念锥，证明多个独立机制驱动拒绝行为。

Copy-Paste to Mitigate Large Language Model Hallucinations

通过复制粘贴缓解大语言模型的幻觉

Yongchao Long, Xian Wu, Yingying Zhang, Xianbin Wen, Yuxi Zhou, Shenda Hong

机构 * Department of Computer Science, Tianjin University of Technology（天津理工大学计算机学院） ； National Institute of Health Data Science, Peking University（北京大学国家健康数据科学研究院） ； Tencent Jarvis Lab（腾讯Jarvis实验室） 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.AI

AI总结 通过复制粘贴方法提升大语言模型上下文忠实性，减少幻觉并提高测试性能。

Comments Accepted to ICLR 2026

Accuracy-Delay Trade-Off in LLM Offloading via Token-Level Uncertainty

在LLM卸载中通过令牌级不确定性实现精度-延迟权衡

Yumin Kim, Hyeonsu Lyu, Minjae Lee, Hyun Jong Yang

机构 * Dept. of Electrical and Computer Engineering, Seoul National University, Seoul, Korea（电子与计算机工程系，首尔国立大学，首尔，韩国） ； Institute of New Media and Communications, Seoul National University, Seoul, South Korea（新媒体与通讯研究所，首尔国立大学，首尔，韩国） 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 本文提出了一种基于令牌级不确定性的卸载框架，通过贪心算法在保持准确性的同时减少延迟，实现了LLM在移动边缘计算中的精度-延迟权衡。

Comments This paper has been accepted at 2025 IEEE Globecom Workshop: WS02-GAIMC: Mutual Facilitation of Generative Artificial Intelligence and Mobile Communications

Generative AI voting: fair collective choice is resilient to LLM biases and inconsistencies

生成式AI投票：公平的集体选择对LLM偏见和不一致具有韧性

Srijoni Majumdar, Edith Elkind, Evangelos Pournaras

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 生成式AI投票通过比例选票聚合方法实现公平决策，缓解低参与度和选民疲劳问题。

Comments 24 pages, 5 figures

Next Concept Prediction in Discrete Latent Space Leads to Stronger Language Models

在离散潜在空间中进行下一步概念预测可使语言模型更强大

Yuliang Liu, Yunchong Song, Yixuan Wang, Kewen Ge, Alex Lamb, Qipeng Guo, Kai Chen, Bowen Zhou, Zhouhan Lin

机构 * LUMIA Lab（LUMIA实验室） ； School of Artificial Intelligence（人工智能学院） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Department of Electronic Engineering（电子工程系） ； College of Artificial Intelligence（人工智能学院） ； Tsinghua University（清华大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 通过在离散潜在空间中进行下一步概念预测，ConceptLM在预训练任务中实现了更强大的语言模型性能。

TruthPrInt: Mitigating Large Vision-Language Models Object Hallucination Via Latent Truthful-Guided Pre-Intervention

TruthPrInt: 通过潜在真实引导预干预缓解大视觉-语言模型对象幻觉

Jinhao Duan, Fei Kong, Hao Cheng, James Diffenderfer, Bhavya Kailkhura, Lichao Sun, Xiaofeng Zhu, Xiaoshuang Shi, Kaidi Xu

机构 * Drexel University（德雷塞尔大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； LLNL（劳伦斯利弗莫尔国家实验室） ； Lehigh University（莱斯大学） 纠错

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

AI总结 TruthPrInt通过学习真相方向并引导解码过程，有效缓解大视觉-语言模型中的对象幻觉问题。

Comments 15 pages, 9 figures, the first two authors contributed equally, Accepted by ICCV 2025

How Do Language Models Understand Tables? A Mechanistic Analysis of Cell Location

语言模型如何理解表格？对单元格定位的机制分析

Xuanliang Zhang, Dingzirui Wang, Keyan Xu, Qingfu Zhu, Wanxiang Che

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 本研究通过分析语言模型处理表格的机制，揭示了单元格定位的三阶段流程，包括语义绑定、坐标定位和信息提取，并展示了模型如何通过离散分隔符计数和线性子空间编码实现表格理解。

Training Language Models to Explain Their Own Computations

训练语言模型以解释其自身的计算

Belinda Z. Li, Zifan Carl Guo, Vincent Huang, Jacob Steinhardt, Jacob Andreas

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

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

AI总结 研究通过训练语言模型解释自身计算，发现其能有效生成内部机制的自然语言描述，为可解释性方法提供新途径。

Comments 23 pages, 8 tables, 7 figures. Code and data at https://github.com/TransluceAI/introspective-interp

Specialization after Generalization: Towards Understanding Test-Time Training in Foundation Models

专精于泛化：关于基础模型中测试时训练的理解

Jonas Hübotter, Patrik Wolf, Alexander Shevchenko, Dennis Jüni, Andreas Krause, Gil Kur

机构 * ETH Zürich（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） 纠错

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

AI总结 本文提出基础模型在测试时训练通过专精于泛化以提升性能，通过实验验证了这一机制在分布内任务中的有效性。

Comments ICLR 2026 Oral at CCFM @ NeurIPS 2025

High Fidelity Textual User Representation over Heterogeneous Sources via Reinforcement Learning

通过强化学习实现高保真的异构源文本用户表示

Rajat Arora, Ye Tao, Jianqiang Shen, Ping Liu, Muchen Wu, Qianqi Shen, Benjamin Le, Fedor Borisyuk, Jingwei Wu, Wenjing Zhang

机构 * LinkedIn Corporation（领英公司） ； Rutgers, The State University of New Jersey（罗格斯大学） 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、cs.AI、cs.LG

AI总结 本文提出基于强化学习的框架，通过隐含用户参与信号和规则奖励，实现统一且可解释的用户文本表示，提升大规模就业平台的个性化效果。

TDGNet: Hallucination Detection in Diffusion Language Models via Temporal Dynamic Graphs

TDGNet: 通过时间动态图检测扩散语言模型中的幻觉

Arshia Hemmat, Philip Torr, Yongqiang Chen, Junchi Yu

机构 * Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； 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 ：language model(title,abstract)；分类 cs.CL

AI总结 TDGNet通过时间动态图框架，利用演进的token级注意力图进行学习，实现对扩散语言模型中幻觉的高效检测。

CodeCircuit: Toward Inferring LLM-Generated Code Correctness via Attribution Graphs

CodeCircuit: 通过归因图推断LLM生成代码的正确性

Yicheng He, Zheng Zhao, Zhou Kaiyu, Bryan Dai, Jie Fu, Yonghui Yang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； IQuest Research（IQuest研究） 纠错

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

AI总结 CodeCircuit通过归因图分析LLM内部结构，推断生成代码的正确性，验证内部动态信号的预测能力。

PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling

PhysicsAgentABM: 基于物理的生成基于主体的建模

Kavana Venkatesh, Yinhan He, Jundong Li, Jiaming Cui

机构 * University of Virginia（弗吉尼亚大学） 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.LG

AI总结 PhysicsAgentABM通过结合符号推理与神经网络，实现基于物理的生成式主体建模，提升大规模模拟的准确性和校准性。

Mapping the Design Space of User Experience for Computer Use Agents

映射计算机使用代理的用户体验设计空间

Ruijia Cheng, Jenny T. Liang, Eldon Schoop, Jeffrey Nichols

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

AI总结 本文通过两阶段研究，提出了计算机使用代理用户体验设计的分类学，并通过实验证明了设计领域之间的联系及用户需求的多样性。

Journal ref n 31st International Conference on Intelligent User Interfaces (IUI'26), March 23-26, 2026, Paphos, Cyprus. ACM, New York, NY, USA, 17 pages

Towards Open-Ended Discovery for Low-Resource NLP

面向低资源NLP的开放性发现

Bonaventure F. P. Dossou, Henri Aïdasso

机构 * McGill University（麦吉尔大学） ； Mila Quebec AI Institute（魁北克人工智能研究所） ； École de technologie supérieure (ÉTS)（高等技术学院） 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.CL、cs.AI

AI总结 本文呼吁转向互动性语言发现，通过人机协作动态学习低资源语言，推动参与式共适应学习。

Comments Proceedings of the 2nd Workshop on Uncertainty-Aware NLP (UncertaiNLP) at EMNLP 2025

Improved cystic hygroma detection from prenatal imaging using ultrasound-specific self-supervised representation learning

改进的产前影像中囊性水瘤检测：利用超声特定的自监督表示学习

Youssef Megahed, Robin Ducharme, Inok Lee, Inbal Willner, Adrian D. C. Chan, Mark Walker, Steven Hawken

机构 * organization= Department of Systems ； Computer Engineering, Carleton University , city= Ottawa , state= Ontario , country= Canada ； organization= Department of Methodological ； Implementation Research, Ottawa Hospital Research Institute , city= Ottawa , state= Ontario , country= Canada ； organization= Department of Acute Care Research, Ottawa Hospital Research Institute , city= Ottawa , state= Ontario , country= Canada ； organization= Children's Hospital of Eastern Ontario Research Institute , city= Ottawa , state= Ontario , country= Canada ； organization= Better Outcomes Registry \& Network Ontario, Children’s Hospital of Eastern , city= Ottawa , state= Ontario , country= Canada ； organization= Department of Obstetrics ； Gynecology, University of Ottawa , city= Ottawa , state= Ontario , country= Canada ； organization= School of Epidemiology ； Public Health, University of Ottawa , city= Ottawa , state= Ontario , country= Canada ； organization= Department of Obstetrics, Gynecology \& Newborn Care, The Ottawa Hospital , city= Ottawa , state= Ontario , country= Canada ； Global Health Office, University of Ottawa , city= Ottawa , state= Ontario , country= Canada ； organization= Department of Clinical Science ； Translational Medicine, University of Ottawa , city= Ottawa , state= Ontario , country= Canada 纠错

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

AI总结 本研究提出利用超声特定自监督学习方法，改进产前超声图像中囊性水瘤的检测，显著提升准确率和AUC指标。

Comments 13 pages, 6 figures, 2 tables

ToMigo: Interpretable Design Concept Graphs for Aligning Generative AI with Creative Intent

ToMigo：可解释的设计概念图用于对齐生成式AI与创意意图

Lena Hegemann, Xinyi Wen, Michael A. Hedderich, Tarmo Nurmi, Hariharan Subramonyam

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

AI总结 ToMigo通过设计概念图实现生成式AI与创意意图的对齐，提供可解释的交互方式提升用户控制力。

Comments 18 pages, 10 figures, 2 tables

The Value of Variance: Mitigating Debate Collapse in Multi-Agent Systems via Uncertainty-Driven Policy Optimization

方差的价值：通过不确定性驱动的策略优化缓解多智能体系统中的辩论崩溃

Luoxi Tang, Yuqiao Meng, Joseph Costa, Yingxue Zhang, Muchao Ye, Zhaohan Xi

机构 * Department of Computer Science, Binghamton University, Binghamton, NY, USA（宾夕法尼亚州立大学计算机科学系） ； University of Iowa, Iowa City, IA, USA（爱荷华大学） 纠错

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

AI总结 本文提出了一种基于不确定性驱动的策略优化方法，通过量化多智能体系统中的不确定性来缓解辩论崩溃问题，提升决策准确性和系统一致性。

Improving Reconstruction of Representation Autoencoder

提升表示自编码器的重建性能

Siyu Liu, Chujie Qin, Hubery Yin, Qixin Yan, Zheng-Peng Duan, Chen Li, Jing Lyu, Chun-Le Guo, Chongyi Li

机构 * VCIP, CS, Nankai University（南开大学计算机科学与技术学院） ； WeChat Vision, Tencent Inc.（腾讯公司） 纠错

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

AI总结 LV-RAE通过增强语义特征与低级信息，提升潜在扩散模型的重建保真度和生成质量。

Winner Team Mia at TextVQA Challenge 2021: Vision-and-Language Representation Learning with Pre-trained Sequence-to-Sequence Model

TextVQA挑战2021获胜团队Mia：基于预训练序列到序列模型的视觉-语言表示学习

Yixuan Qiao, Hao Chen, Jun Wang, Shanshan Zhao, Yihao Chen, Xianbin Ye, Ziliang Li, Xianbiao Qi, Peng Gao, Guotong Xie

机构 * SFE Deeplearning Platform Ping An Health Technology Beijing China（平安健康科技北京分公司） ； Peking University Beijing China（北京大学） ； Visual Computing Group Ping An Property & Casualty Insurance Company Shenzhen China（平安财产保险股份有限公司视觉计算组） ； Jinan University Guangzhou China（暨南大学） ； Central University of Finance and Economics Beijing China（中央财经大学） ； Ping An Health Cloud Company Limited Shenzhen China（平安健康云有限公司） ； Ping An International Smart City Technology Co Ltd Shenzhen China（平安国际智慧城市科技有限公司） 纠错

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

AI总结 TextVQA挑战2021中，Mia团队利用预训练序列到序列模型T5，通过融合多模态信息和优化预训练任务，提升视觉-语言推理能力。

Comments Winner of TextVQA 2021

HistoMet: A Pan-Cancer Deep Learning Framework for Prognostic Prediction of Metastatic Progression and Site Tropism from Primary Tumor Histopathology

HistoMet：一种跨癌症深度学习框架，用于从原发肿瘤组织病理学预测转移进展和转移部位

Yixin Chen, Ziyu Su, Lingbin Meng, Elshad Hasanov, Wei Chen, Anil Parwani, M. Khalid Khan Niazi

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

AI总结 HistoMet通过双模块预测流程，利用预训练的病理学视觉-语言模型，实现了从原发肿瘤组织病理学中预测转移进展和转移部位的稳健预测。