语言大模型 / LLM

Click it or Leave it: Detecting and Spoiling Clickbait with Informativeness Measures and Large Language Models

点击或留下它：利用信息度量和大语言模型检测和破坏点击诱饵

Wojciech Michaluk, Tymoteusz Urban, Mateusz Kubita, Soveatin Kuntur, Anna Wroblewska

机构 * Faculty of Mathematics and Information Science（数学与信息科学学院） 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、cs.AI

AI总结 本文提出结合Transformer嵌入和语言学特征的点击诱饵检测方法，通过XGBoost模型在信息度量基础上达到91%的F1分数，提升预测透明度和可解释性。

Simplifying Outcomes of Language Model Component Analyses with ELIA

用ELIA简化语言模型组件分析的结果

Aaron Louis Eidt, Nils Feldhus

机构 * Technische Universität Berlin（柏林技术大学） ； Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫茨研究所） ； BIFOLD – Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所） 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)；分类 cs.CL、cs.AI、cs.LG

AI总结 ELIA通过交互式界面和AI生成的自然语言解释，简化了语言模型组件分析，帮助非专家理解复杂模型。

Comments EACL 2026 System Demonstrations. GitHub: https://github.com/aaron0eidt/ELIA

Anthropomimetic Uncertainty: What Verbalized Uncertainty in Language Models is Missing

拟人化不确定性：语言模型中言语不确定性所缺失的内容

Dennis Ulmer, Alexandra Lorson, Ivan Titov, Christian Hardmeier

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 本文探讨了语言模型中言语不确定性缺失的问题，提出拟人化不确定性的概念，旨在通过模仿人类语言行为提升模型的可信度和人机协作效果。

AI Hallucination from Students' Perspective: A Thematic Analysis

从学生视角看AI幻觉：一项主题分析

Abdulhadi Shoufan, Ahmad-Azmi-Abdelhamid Esmaeil

机构 * Department of Computer and Information Engineering, Center for Cyber Physical Systems, Khalifa University（计算机与信息工程系，跨物理系统中心，哈利法大学） ； Department of Psychology, University Malaysia Sabah（心理学系，马来西亚Sabah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)；prompting(abstract)

AI总结 本研究通过主题分析探讨学生对AI幻觉的认知与应对策略，揭示学生在检测幻觉时的依赖策略及对幻觉成因的误解，强调需在AI素养教育中加强验证意识和准确思维模型。

ConformalNL2LTL: Translating Natural Language Instructions into Temporal Logic Formulas with Conformal Correctness Guarantees

ConformalNL2LTL：通过符合正确性保证将自然语言指令转换为时序逻辑公式

David Smith Sundarsingh, Jun Wang, Jyotirmoy V. Deshmukh, Yiannis Kantaros

机构 * Department of Electrical and Systems Engineering, Washington University in St Louis（华盛顿大学圣路易斯分校电子与系统工程系） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系） 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、cs.LG

AI总结 ConformalNL2LTL通过主辅模型协作和符合预测，将自然语言指令转换为时序逻辑公式并保证正确性。

Vichara: Appellate Judgment Prediction and Explanation for the Indian Judicial System

Vichara：印度司法系统上诉判决预测与解释

Pavithra PM Nair, Preethu Rose Anish

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 Vichara通过结构化方法预测和解释印度司法系统中的上诉判决，利用大型语言模型在两个数据集上取得优异表现，尤其在可解释性方面表现突出。

Journal ref AI and Law @ AAAI 2026

Unveiling Decision-Making in LLMs for Text Classification : Extraction of influential and interpretable concepts with Sparse Autoencoders

揭示文本分类中大语言模型的决策过程：使用稀疏自编码器提取影响性且可解释的概念

Mathis Le Bail, Jérémie Dentan, Davide Buscaldi, Sonia Vanier

机构 * LIX (École Polytechnique, IP Paris, CNRS)（LIX（巴黎理工学院，IP巴黎，CNRS）） ； LIPN (Sorbonne Paris Nord)（LIPN（巴黎-索邦大学北校区）） 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 本文提出ClassifSAE模型，通过稀疏自编码器提升文本分类中特征的因果性和可解释性。

Detecting Contextual Hallucinations in LLMs with Frequency-Aware Attention

基于频率感知注意力的LLM幻觉检测

Siya Qi, Yudong Chen, Runcong Zhao, Qinglin Zhu, Zhanghao Hu, Wei Liu, Yulan He, Zheng Yuan, Lin Gui

机构 * Department of Informatics, King's College London, UK（伦敦国王学院信息学院） ； Department of Statistics, University of Warwick, UK（沃里克大学统计系） ； School of Computer Science, The University of Sheffield, UK（谢菲尔德大学计算机科学学院） ； The Alan Turing Institute, UK（艾伦·图灵研究所） 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 本文提出一种基于频率感知注意力的轻量级幻觉检测方法，通过分析生成过程中注意力的高频成分，有效识别幻觉token，提升了LLM在上下文生成中的可靠性。

Comments 25 pages, 10 figures

GIFT: A Framework Towards Global Interpretable Faithful Textual Explanations of Vision Classifiers

GIFT: 一种面向视觉分类器全局可解释忠实文本解释的框架

Éloi Zablocki, Valentin Gerard, Amaia Cardiel, Eric Gaussier, Matthieu Cord, Eduardo Valle

机构 * Université Grenoble Alpes（法国格勒诺布尔大学） ； Sorbonne Université（巴黎索邦大学） 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 GIFT提出一种框架，通过生成局部反事实并转化为文本解释，实现视觉分类器的全局可解释和忠实性。

Comments TMLR 2026 (featured certification)

Tethered Reasoning: Decoupling Entropy from Hallucination in Quantized LLMs via Manifold Steering

tethered Reasoning: 通过流形引导解耦熵与幻觉在量化大语言模型中

Craig Atkinson

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 HELIX 通过几何引导解耦量化大语言模型中的熵与幻觉，通过引导隐藏状态轨迹到预计算的诚实性流形，提高高温度下的输出质量与多样性。

Comments 16 pages, 6 tables

ROCKET: Residual-Oriented Multi-Layer Alignment for Spatially-Aware Vision-Language-Action Models

ROCKET：基于残差的多层对齐用于空间感知的视觉-语言-动作模型

Guoheng Sun, Tingting Du, Kaixi Feng, Chenxiang Luo, Xingguo Ding, Zheyu Shen, Ziyao Wang, Yexiao He, Ang Li

机构 * University of Maryland, College Park ； University of Wisconsin, Madison ； City University of Hong Kong ； St.\ Paul's School 纠错

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

AI总结 ROCKET通过共享投影器和稀疏激活方案实现多层对齐，提升3D空间理解能力，在LIBERO等任务中达到98.5%的高成功率。