语言大模型 / LLM

Seeing to Generalize: How Visual Data Corrects Binding Shortcuts

看见以泛化：视觉数据如何纠正绑定捷径

Nicolas Buzeta, Felipe del Rio, Cristian Hinostroza, Denis Parra, Hans Lobel, Rodrigo Toro Icarte

机构 * Department of Computer Science, Pontificia Universidad Católica, Santiago, Chile（计算机科学系，天主教大学，圣地亚哥，智利） 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.LG

AI总结 视觉数据训练可增强模型在单模态任务中的推理与泛化能力，通过改变绑定策略提升分布外性能。

Comments Submitted to ICML 2026

Fine-Refine: Iterative Fine-grained Refinement for Mitigating Dialogue Hallucination

细粒度细化：用于缓解对话幻觉的迭代细化

Xiangyan Chen, Yujian Gan, Matthew Purver

机构 * Queen Mary University of London（伦敦女王学院） ； Queen’s University Belfast（贝尔法斯特女王大学） ； Institut Jožef Stefan（乔泽夫·斯蒂芬研究所） 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 Fine-Refine通过细粒度细化框架提升对话系统事实准确性，实现7.63分的提升，同时牺牲少量对话质量。

One Agent to Guide Them All: Empowering MLLMs for Vision-and-Language Navigation via Explicit World Representation

一个引导所有代理：通过显式世界表示增强多模态大语言模型用于视觉-语言导航

Zerui Li, Hongpei Zheng, Fangguo Zhao, Aidan Chan, Jian Zhou, Sihao Lin, Shijie Li, Qi Wu

机构 * Australian Institute for Machine Learning, Adelaide University（澳大利亚机器学习研究所，阿德莱德大学） ； The University of Manchester（曼彻斯特大学） ； Zhejiang University（浙江大学） ； Agency for Science, Technology and Research (A*STAR)（科技研究局（A*STAR）） 纠错

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

AI总结 通过显式世界表示增强多模态大语言模型，实现视觉-语言导航的解耦框架，提升导航性能与现实应用能力。

Rethinking Metrics for Lexical Semantic Change Detection

重新思考词义变化检测的度量方法

Roksana Goworek, Haim Dubossarsky

机构 * Queen Mary University of London（伦敦女王学院） ； The Alan Turing Institute（艾伦·图灵研究所） ； University of Cambridge（剑桥大学） 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 本文提出AMD和SAMD两种新度量方法，用于更稳健地检测词义变化，适用于不同编码器和表示空间。

Comments Accepted to the LChange 2026 Workshop, colocated with EACL 2026

Concept-Enhanced Multimodal RAG: Towards Interpretable and Accurate Radiology Report Generation

概念增强的多模态RAG：迈向可解释且准确的放射科报告生成

Marco Salmè, Federico Siciliano, Fabrizio Silvestri, Paolo Soda, Rosa Sicilia, Valerio Guarrasi

机构 * Department of Engineering（工程系） ； Research Unit of Artificial Intelligence and Computer Systems（人工智能与计算机系统研究单位） ； Università Campus Bio-Medico of Roma（罗马大学生物医学校园） ； Department of Computer, Control and Management Engineering（计算机、控制与管理工程系） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering（诊断与介入、辐射物理、生物医学工程系） ； Umeå University（乌梅拉大学） ； UniCamillus-Saint Camillus International University of Health Sciences（UniCamillus-圣卡米卢斯国际健康科学大学） 纠错

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

AI总结 概念增强的多模态RAG通过分解视觉表示为可解释的临床概念，提升放射科报告生成的可解释性和准确性。