语言大模型 / LLM

Double Triangle Annotation: A Scalable Human-in-the-Loop Framework for High-Precision Historical Document Annotation

双三角形标注：一种可扩展的人机协同高精度历史文档标注框架

Yi Ren

机构 * École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出双三角形标注框架，通过两层人机协同和跨模型共识自动完成大部分标注工作，实现高精度历史文档结构化信息提取。

Comments 12 pages, 4 figures. ACL ARR 2026 March submission

Guess the Unified Model: How Much Can We Recover from Generated Images?

猜猜统一模型：从生成的图像中我们能恢复多少？

Jasin Cekinmez, Ryo Mitsuhashi, Addison J. Wu, Yida Yin

机构 * Princeton University（普林斯顿大学） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 本文研究统一模型生成图像的可分离性，通过七个模型的大量图像实验，发现模型归因高度可行，且语义内容对可分离性有贡献但非主导信号。

ECG-R1: Protocol-Guided and Modality-Agnostic MLLM for Reliable ECG Interpretation

ECG-R1: 协议引导且模态无关的可靠心电图解读多模态大语言模型

Jiarui Jin, Haoyu Wang, Xingliang Wu, Xiaocheng Fang, Xiang Lan, Zihan Wang, Deyun Zhang, Bo Liu, Yingying Zhang, Xian Wu, Hongyan Li, Shenda Hong

机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； National Institute of Health Data Science, Peking University（北京大学健康数据科学国家研究院） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） ； Tianjin Institute of Cardiology, the Second Hospital of Tianjin Medical University（天津医科大学第二医院心内科） ； National University of Singapore（新加坡国立大学） ； Jarvis Lab, Tencent（腾讯 Jarvis实验室） ； HeartVoice Medical Technology（HeartVoice医疗科技） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出ECG-R1，通过协议引导数据生成、模态解耦架构和强化学习，实现可靠的心电图解读。

Comments Accepted to ICML 2026

TaBIIC2: Interactive Building of Ontological Taxonomies using Weighted Self-Organizing Maps

TaBIIC2：使用加权自组织映射交互式构建本体分类

Mathieu d'Aquin

机构 * LORIA, CNRS, Université de Lorraine（LORIA研究所、法国国家科学研究中心、洛林大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出一种工具，通过加权自组织映射聚类方法，支持用户逐步交互式地从表格数据中构建概念分类，并定义概念的内涵，平衡了纯手动分析与自动方法。

Generating Legal Commentaries from Case Databases via Retrieval, Clustering, and Generation

通过检索、聚类和生成从案例数据库中生成法律评论

Max Prior, Niklas Wais, Matthias Grabmair

机构 * Technical University of Munich（慕尼黑技术大学） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.CL

AI总结 提出一个全自动流水线，利用检索、聚类和生成方法，从法院判决中自动生成法律评论，无需人工教义框架。

When Skills Don't Help: A Negative Result on Procedural Knowledge for Tool-Grounded Agents in Offensive Cybersecurity

当技能无济于事：关于程序性知识在进攻性网络安全中工具型智能体的负面结果

Samuel Jacob Chacko, James Hugglestone, Chashi Mahiul Islam, Xiuwen Liu

机构 * Florida State University（佛罗里达州立大学） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 本文通过重新分析一项控制实验，发现当环境反馈带宽高时，技能（Skills）对智能体性能的边际效益消失甚至产生负面影响，并提出了可证伪的假设。

Comments Accepted as a poster at ACM CAIS 2026 AgentSkills Workshop

A Two-Dimensional Framework for AI Agent Design Patterns: Cognitive Function and Execution Topology

AI智能体设计模式的二维框架：认知功能与执行拓扑

Jia Huang, Joey Tianyi Zhou

机构 * Agency for Science, Technology and Research (A*STAR)（科技研究局（A*STAR）） ； Centre for Frontier AI Research (CFAR)（前沿人工智能研究中心（CFAR）） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 提出一个结合认知功能（7类）和执行拓扑（6种结构）的二维分类框架，识别28种命名模式，并通过跨领域分析得出模式选择的五条经验法则。

Comments 10 pages, 6 tables, 28 named patterns

sciwrite-lint: Verification Infrastructure for the Age of Science Vibe-Writing

sciwrite-lint：科学氛围写作时代的验证基础设施

Sergey V Samsonau

机构 * Authentic Research Partners（真实研究伙伴） ； Princeton, NJ（新泽西州普林斯顿） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.CL

AI总结 针对AI辅助写作导致的引用幻觉问题，提出基于软件工程lint范式的引用验证工具sciwrite-lint，在研究者本地运行，快速检查引用存在性、元数据准确性、撤回状态和主张支持，并评估引用链完整性。

Comments Code: https://github.com/authentic-research-partners/sciwrite-lint

Decompose-and-Refine: Structured Legal Question Answering with Parametric Retrieval

分解与精炼：基于参数化检索的结构化法律问答

Jihyung lee, Hyounghun Kim, Gary Lee

机构 * Graduate School of Artificial Intelligence, POSTECH, Republic of Korea（延世大学人工智能研究生院，韩国POSTECH） ； Department of Computer Science and Engineering, POSTECH, Republic of Korea（POSTECH计算机科学与工程系，韩国POSTECH） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出Decompose-and-Refine (DaR)框架，通过逐步分解复杂法律问题为原子子问题并生成与法规对齐的参数化查询，以解决多跳法律问答中的检索准确性和幻觉问题。

Harnessing AtomisticSkills for Agentic Atomistic Research

利用原子技能实现代理原子研究

Bowen Deng, Bohan Li, Matthew Cox, Hoje Chun, Juno Nam, Artur Lyssenko, Sathya Edamadaka, Jurgis Ruza, Xiaochen Du, Nofit Segal, Jesus Diaz Sanchez, Mingrou Xie, Ty Perez, Yu Yao, Miguel Steiner, Sauradeep Majumdar, Charles B. Musgrave, Anirban Chandra, Abhirup Patra, Detlef Hohl, Connor W. Coley, Ju Li, Rafael Gómez-Bombarelli

机构 * Department of Materials Science ； Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Department of Chemical Engineering, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Department of Chemistry, Kookmin University, Seoul 02707, Republic of Korea ； Harvard University, Department of Chemistry ； Department of Chemistry, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Department of Nuclear Science ； Shell Information Technology International Inc., Texas 77082, United States ； Shell International Exploration \& Production Inc., Texas 77079, United States 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 提出AtomisticSkills框架，通过分层分解科学工作流为技能和工具，使通用AI编码代理能够进行原子级研究，并在多个科学任务中验证其能力。

A Multi-Probe Audit of Clinical-Interview Depression Detection Benchmarks

临床访谈抑郁症检测基准的多探针审计

Takehiro Ishikawa, Jon Duke

机构 * College of Computing, Georgia Institute of Technology（佐治亚理工学院计算机学院） ； Georgia Tech Research Institute, Georgia Institute of Technology（佐治亚理工学院研究 institute） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.CL

AI总结 通过四个互补探针审计临床访谈抑郁症检测基准，发现评估协议缺陷、排行榜不可靠、跨域泛化弱以及文本与音频模态对症状密度的敏感性差异。

Multi-Persona Debate System for Automated Scientific Hypothesis Generation

用于自动科学假设生成的多角色辩论系统

Jaeha Oh, Byungchan Kim, Ju Li, Yang Jeong Park, Jin-Sung Park

机构 * Department of Materials Science & Engineering, Ajou University（材料科学与工程系，阿乔大学） ； Department of Energy Systems Research, Ajou University（能源系统研究系，阿乔大学） ； Department of Nuclear Science and Engineering, Massachusetts Institute of Technology（核科学与工程系，麻省理工学院） ； Department of Materials Science and Engineering, Massachusetts Institute of Technology（材料科学与工程系，麻省理工学院） ； Department of Materials Science and Engineering, Ulsan National Institute of Science and Technology（材料科学与工程系，乌山国家科学与技术研究院） ； Graduate School of Artificial Intelligence, Ulsan National Institute of Science and Technology（人工智能研究生院，乌山国家科学与技术研究院） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出多角色辩论系统（MPDS），结合文献检索、长上下文大语言模型推理、语料驱动角色归纳和结构化多智能体辩论，自动生成科学假设，在电池材料研究中验证其有效性。

Comments 31 pages with 7 main figures, 4 supplementary figures and 1 supplementary table

Beyond Explainable AI (XAI): An Overdue Paradigm Shift and Post-XAI Research Directions

超越可解释人工智能（XAI）：一个迟来的范式转变与后XAI研究方向

Saleh Afroogh, Syed Ishtiaque Ahmed, Petra Ahrweiler, David Alvarez-Melis, Mansur Maturidi Arief, Emilia Barakova, Falco J. Bargagli-Stoffi, Erdem Biyik, Hanjie Chen, Xiang 'Anthony' Chen, Robert Alan Clements, Keeley Crockett, Amit Dhurandhar, Fethiye Irmak Dogan, Mollie Dollinger, Motahhare Eslami, Aldo A Faisal, Arya Farahi, Melanie F. Pradier, Saadia Gabriel, Diego Garcia-Olano, Marzyeh Ghassemi, Shaona Ghosh, Hatice Gunes, Ehsan Hajiramezanali, Stefan Haufe, Biwei Huang, Angel Hwang, Md Tauhidul Islam, Junfeng Jiao, Amir-Hossein Karimi, Saber Kazeminasab, Anastasia Kuzminykh, William La Cava, Brian Y. Lim, Xiaofeng Liu, Mohammad R. K. Mofrad, Alicia Parrish, Maria Perez-Ortiz, Shriti Raj, Swabha Swayamdipta, Salmonn Talebi, Kush R. Varshney, Mihaela Vorvoreanu, Lily Weng, Alice Xiang, Yiming Xu, Ding Zhao, Jieyu Zhao

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)

AI总结 本文跨学科审视可解释人工智能（XAI）方法，指出其经验与概念局限，并提出一个四管齐下的范式转变，包括交互式AI、AI认识论、用户感知AI和以模型为中心的可解释性，作为后XAI研究方向。

AstroRAG -- A Pagerank-Based Retrieval-Augmented Generation Pipeline for Question Answering in Astronomy

AstroRAG -- 一种基于PageRank的检索增强生成管道用于天文学问答

Zhifeng Wang, Jason Jingshi Li, Kaihao Zhang, Ramesh Sankaranarayana

机构 * Australian National University（澳大利亚国立大学） ； Learning Machines Pty Ltd 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)

AI总结 提出AstroRAG，一种基于PageRank的检索增强生成管道，通过两阶段检索（MMR和PR重排序）在严格token预算下选择紧凑互支持的上下文，无需训练且保护隐私，在天文学QA基准上使Mistral-7B准确率和F1分数达到79.49%，性能近乎翻倍。

Comments Accepted to IEEE CAI 2026

Temporal Concept Drift in Legal Judgment Prediction: Neural Baselines Across Three Epochs of Ukrainian Court Decisions

法律判决预测中的时间概念漂移：跨越乌克兰法院判决三个时期的神经基线

Volodymyr Ovcharov

专题命中 领域大模型 ：pretraining(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 通过微调四种Transformer编码器在乌克兰法院三个时期（战前、混合战争、全面入侵）的判决上，研究法律语言的时间漂移，发现前向性能严重下降（最多27.2个百分点），法律领域预训练不能提升绝对性能但能减轻漂移，时序持续学习可消除灾难性遗忘。

Comments 17 pages, 6 tables, 5 figures. Dataset: https://huggingface.co/datasets/overthelex/ukrainian-court-decisions

Beyond AI Delegation: A Prompt Pattern Framework for Productive Struggle and Evaluative Judgement in Secure Coding Education

超越AI委托：安全编码教育中生产性挣扎与评价性判断的提示模式框架

Philipp Haindl, Oliver Eigner, Peter Kieseberg

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)

AI总结 本文通过设计科学研究，从计算机科学文献中综合并调整了九种提示工程模式，映射到生产性挣扎和评价性判断两个教学构念，为安全编码课程设计了一个框架，使教师能够精细控制学生与AI的互动，保留学生的推理角色。

Visualizing the Invisible: Generative Visual Grounding Empowers Universal EEG Understanding in MLLMs

可视化不可见：生成式视觉定位赋能多模态大语言模型的通用脑电图理解

Jun-Yu Pan, Yansen Wang, Enze Zhang, Bao-Liang Lu, Wei-Long Zheng, Dongsheng Li

机构 * Shanghai Jiao Tong University（上海交通大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

专题命中 领域大模型 ：foundation model(abstract)；分类 cs.AI

AI总结 提出生成式视觉定位（GVG）框架，通过脑电图到图像的生成模型作为视觉翻译器，为多模态大语言模型提供结构化视觉上下文，以增强非视觉脑电图的理解和临床状态解释。

A World Model of Radiologist Reading for Medical Image Representation Learning

放射科医生阅读的世界模型用于医学图像表示学习

Yiwei Li, Zihao Wu, Huaqin Zhao, Yifan Zhou, Chao Cao, Dajiang Zhu, Tianming Liu, Lin Zhao

机构 * University of Georgia（佐治亚大学） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； New Jersey Institute of Technology（新泽西理工学院） 纠错

专题命中 领域大模型 ：pretraining(abstract)；分类 cs.AI

AI总结 提出GazeWorld，一种将图像视为世界、放射科医生注视序列视为轨迹的医学成像世界模型，通过自回归预测注视补丁表示和空间补全未访问区域，在多个基准上实现最先进的诊断准确率和零样本性能。

MedSAM-CA: A CNN-Augmented ViT with Attention-Enhanced Multi-Scale Fusion for Medical Image Segmentation

MedSAM-CA：一种用于医学图像分割的CNN增强型ViT与注意力增强多尺度融合方法

Peiting Tian, Xi Chen, Haixia Bi, Fan Li

专题命中 领域大模型 ：foundation model(abstract)

AI总结 提出MedSAM-CA，通过卷积注意力增强边界细化网络和注意力增强特征融合块，在低资源条件下微调预训练MedSAM模型，实现高精度医学图像分割。

Comments Withdrawn by the authors because the current version requires substantial revision in the description of the experimental settings and data preprocessing procedures. The manuscript should not be cited in its current form

Context Aware Grounded Teacher for Source Free Object Detection

上下文感知的接地教师用于无源目标检测

Tajamul Ashraf, Rajes Manna, Partha Sarathi Purkayastha, Tavaheed Tariq, Janibul Bashir

机构 * Department of Computer Vision（计算机视觉系） ； MBZUAI ； Microsoft Research India（微软印度研究院） ； GAASH Research Lab（GAASH研究实验室） ； NIT Srinagar（斋普尔理工学院） 纠错

专题命中 领域大模型 ：foundation model(abstract)

AI总结 针对无源目标检测中类别不平衡导致的上下文偏差和噪声伪标签问题，提出一种基于关系上下文模块和语义增强的偏差感知框架Grounded Teacher，通过关系正则化和语义增强提升少数类检测性能。

Comments Accepted in International Journal of Computer Vision (IJCV); Project Webpage: https://tajamul21.github.io/Grounded_Teacher/

Tacit Signal Infrastructure: Towards AI Systems that Model Expert Sensing Over Time

隐性信号基础设施：迈向随时间建模专家感知的AI系统

Annie Yuan

专题命中 领域大模型 ：prompting(abstract)

AI总结 本文提出隐性信号基础设施，通过长期认知操作和认知运营管理器，使AI系统能够建模专家随时间变化的隐性感知，从而超越显性知识处理。

Comments 17 pages, 2 figures

Breaking the Chains of Probability: Neutrosophic Logic as a New Framework for Epistemic Uncertainty in Large Language Models

打破概率的锁链：中智逻辑作为大型语言模型中认知不确定性的新框架

Maikel Yelandi Leyva-Vázquez, Florentin Smarandache

机构 * Universidad Bolivariana del Ecuador, Coordinación Académica de Posgrado（巴尔干大学厄瓜多尔分校，研究生院） ； Universidad de Guayaquil（瓜亚基尔大学） ； Universidad Bernardo O’Higgins（伯纳多·奥希金斯大学） ； Mathematics, Physics, and Natural Sciences Division, University of New Mexico（新墨西哥大学数学、物理和自然科学系） 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(summary_cn,abstract_cn)；prompting(abstract)

AI总结 本文提出使用中智逻辑（Truth、Indeterminacy、Falsity三个独立维度）替代传统概率框架，通过实验发现该框架能更丰富地表示LLM的内部状态，并在35%的评估中自发出现超真状态，为透明、可靠和伦理感知的AI系统提供关键步骤。

Comments Published in Neutrosophic Sets and Systems, Vol. 99 (2026). Author's preprint version. Open code and data available at: github.com/mleyvaz/neutrosophic-llm-logic

Journal ref Neutrosophic Sets and Systems, Vol. 99, 2026

Omissive Bias in Religious Representation: Benchmarking LLM Answers to Everyday Ethical Decision-making

宗教表征中的省略偏见：评估LLM在日常伦理决策中的回答

David Wingate, Sheryl Carty, Joshua Coates, Daniel Feldman, Nancy Fulda, Larry Howell, Brett Israelson, Dallin Jacobs, Jonathan Karr, John Paul Kimes, Elisabeth Kincaid, Paul Martens, Gavin Mobley, Suzana Pinheiro, Lindsay Slemboski, Peter Whiting

机构 * Brigham Young University ； Baylor University ； University of Notre Dame ； Yeshiva University 纠错

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

AI总结 通过构建AllFaith宗教表征基准，评估LLM在回答日常伦理问题时是否提及宗教，发现模型普遍存在省略宗教框架的偏见，尤其在个人实际情境中更为明显。

Towards Inclusive Toxic Content Moderation: Addressing Vulnerabilities to Adversarial Attacks in Toxicity Classifiers Tackling LLM-generated Content

迈向包容性有害内容审核：解决面向LLM生成内容的有害性分类器对抗攻击的脆弱性

Shaz Furniturewala, Arkaitz Zubiaga

机构 * Center for Data Science, New York University（纽约大学数据科学中心） ； Queen Mary University of London（伦敦大学女王学院） 纠错

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

AI总结 针对LLM生成内容的有害性分类器易受对抗攻击的问题，提出基于机制可解释性的方法识别并抑制脆弱电路，提升模型鲁棒性并揭示人口统计学层面的公平性差距。

Second Guess: Detecting Uncertainty Through Abstention and Answer Stability in Small Language Models

Second Guess: 通过弃权和答案稳定性检测小型语言模型的不确定性

Ashwath Vaithinathan Aravindan, Mayank Kejriwal

机构 * University of Southern California（南加州大学） ； Information Sciences Institute（信息科学研究所） 纠错

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

AI总结 提出一种轻量级、无参数的提示技术Second Guess，通过添加“我不知道”选项并观察答案稳定性，在多项选择问答中实现弃权，有效检测小型语言模型的不确定性。

MultiHaluDet: Multilingual Hallucination Detection via LLM Hidden State Probing

MultiHaluDet: 通过LLM隐藏状态探测实现多语言幻觉检测

Riasad Alvi, Nurul Labib Sayeedi, Md. Faiyaz Abdullah Sayeedi

机构 * United International University（国际联合大学） ； BRAC University（布拉克大学） 纠错

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

AI总结 提出MultiHaluDet框架，通过探测冻结LLM的全隐藏状态轨迹，结合多尺度注意力和自注意力池化的混合架构，以及校准的经典分类器集成，实现跨语言的高精度幻觉检测，在英语基准上达到98.55% AUROC，并展现出对高、中、低资源语言的强泛化能力。

Comments MeLLM @ ACL 2026

Uncovering Autoregressive LLM Knowledge of Thematic Fit in Event Representation

揭示自回归LLM在事件表示中主题适配性的知识

Safeyah Khaled Alshemali, Daniel Bauer, Yuval Marton

机构 * Imperial College London（伦敦帝国学院） ； Columbia University（哥伦比亚大学） ； University of Washington（华盛顿大学） 纠错

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

AI总结 通过多种提示设计、输入上下文操作、推理和输出形式，研究自回归大语言模型是否具有一致且可表达的事件参数主题适配性知识，并在基准测试上取得新最优结果。

Comments Significant update with massive changes: all experiments rerun with current LLMs; includes new probability estimate analysis and expanded results in Sections 4 and 5. The paper has been accepted to CoNLL-2026

Representation Without Control: Testing the Realization Effect in Language Models

无控制的表征：测试语言模型中的实现效应

Ciarán Walsh, Emilio Barkett

机构 * Columbia University（哥伦比亚大学） 纠错

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

AI总结 通过提示行为、线性读出和因果控制三个层面，测试语言模型是否表现出类似人类的实现效应，发现潜在读出成功但因果控制无效，表明三者不自动共存。

Proactive for Uncertainty: Cause-Aware Error Diagnosis and Interactive Clarification for Spoken Dialogue Systems

主动应对不确定性：面向口语对话系统的因果感知错误诊断与交互式澄清

Yizhou Peng, Ziyang Ma, Changsong Liu, Yi-Wen Chao, Xie Chen, Eng Siong Chng

机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Shanghai Jiao Tong University, China（上海交通大学，中国） 纠错

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

AI总结 本文提出一种因果感知的错误恢复范式，通过细粒度检测器解耦ASR中的感知、理解和删除错误，使LLM能够执行多轮针对性澄清策略，从而显著降低词错误率并提升下游任务性能。

From Simulation to Enaction: Post-trained language models recognize and react to their own generations

从模拟到行动：后训练语言模型识别并回应自身生成

Asvin G., Jack Lindsey

机构 * Institute for Advanced Study, Princeton（普林斯顿高级研究院） ； Anthropic 纠错

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

AI总结 本文发现后训练语言模型能够识别自身生成（on-policy）并降低输出熵，通过内部表示输入意外性来调节，且显式识别与隐式识别机制不同。

Comments Anthropic fellows project mentored by Jack Lindsey