语言大模型 / LLM

Functional Entropy: Predicting Functional Correctness in LLM-Generated Code with Uncertainty Quantification

功能熵：通过不确定性量化预测LLM生成代码的功能正确性

Dylan Bouchard, Mohit Singh Chauhan, Zeya Ahmad, Ho-Kyeong Ra

机构 * CVS Health（CVS健康） 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、cs.AI、cs.LG

AI总结 针对LLM生成代码功能不正确的问题，提出基于功能等价性的不确定性量化方法（功能熵），在多个编程语言和模型上优于现有方法。

Comments Accepted at EMNLP 2026 (Main)

Tunable Tool-Call Rates in LLM Agents via Representation Steering

通过表示调控实现LLM智能体中可调节的工具调用率

Yuqi Chen, Vincent Siu, Yang Liu, Dawn Song, Chenguang Wang

机构 * UC Santa Cruz（圣克鲁兹加利福尼亚大学） ； UC Berkeley（加利福尼亚大学伯克利分校） 纠错

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

AI总结 本研究提出通过调控LLM残差流的线性方向，可在推理时无需额外训练调节工具调用率，使开放域问答准确率近翻倍，且能泛化到多种模型与工具。

Hallucination by proxy in LLM-assisted differential diagnosis

LLM辅助鉴别诊断中的代理幻觉

Bastien Le Guellec, Su-Hwan Kim, Ibrahima Niang, Aghiles Hamroun, Grégory Kuchcinski

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)

AI总结 该研究发现，亚专业经验有限的放射科医生（尤其是培训6个月以内者）易将LLM生成的虚构疾病纳入鉴别诊断，需开展AI内容批判性评估的结构化培训。

What Should a Large Language Model See? Physical Invariants as a Data Representation for PDE Discovery

大型语言模型应看到什么？物理不变量作为PDE发现的数据表示

Fan Yang, Matt Thomson

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 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.LG

AI总结 本文提出将数据解释作为大型语言模型处理时空场的阶段，以物理不变量为数据表示，在PDE发现基准中使方程恢复准确率近三倍提升，为自动化场理论构建提供实用途径。

Comments 6 pages, 1 figure

Addressing the Reasoning Gap: Mechanistic Circuit-Based Knowledge Editing in Large Language Models

基于机制电路的知识编辑在大语言模型中

Tianyi Zhao, Yinhan He, Wendy Zheng, Chen Chen

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 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

AI总结 本文提出MCircKE框架，通过识别因果电路实现精准的知识编辑，解决大语言模型在动态环境中更新知识时的推理缺口问题，提升多跳推理能力。

Comments EMNLP 2026 Findings

The "Curse of Knowledge" in LLM Query Simulation: Concept Provenance for Tracing Answer-Side Intrusion

大语言模型查询模拟中的“知识诅咒”：用于追踪答案侧侵入的概念来源

Chenglong Ma, Xinye Wanyan, Danula Hettiachchi, Ziqi Xu, Jeffrey Chan

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

AI总结 该研究针对大语言模型查询模拟中的知识诅咒问题，提出概念来源框架，可追踪答案侧侵入，实验显示其能以99%的比例消除侵入。

Comments 12 pages, 4 figures, and 2 tables. To appear in the Proceedings of the 35th ACM International Conference on Information and Knowledge Management (CIKM '26)

Q&A or Document-Based? The Effects of Interface Type on How Screen Reader Users Access Interconnected Documents

问答式还是基于文档式？界面类型对屏幕阅读器用户访问互联文档的影响

Colleen F. Cipriano, Yichun Zhao, Miguel A. Nacenta, Kotaro Hara, Jaylee Soh

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

AI总结 该研究对比问答界面（QAI）与文档界面（DI）对16名屏幕阅读器盲/低视力用户探索虚构世界的影响，发现DI更利于知识构建，但多数用户仍偏好QAI且存在认知偏差，凸显QAI访问信息空间的风险。

Comments 17 pages, 12 figures, accepted at ASSETS 2026

Virgil: Navigating Explainability for Transformer-based Language Models

Virgil：为基于Transformer的语言模型实现可解释性导航

Martino Ciaperoni, Sezer Kutluk, Benedetta Muscato, Marta Marchiori Manerba, Fosca Giannotti

机构 * Scuola Normale Superiore（高等师范学院） ； University of Turin（都灵大学） 纠错

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

AI总结 针对Transformer语言模型可解释性工具碎片化难导航的问题，提出交互式系统Virgil，依托知识库实现统一界面下工具的发现与比较，为相关人员提供可解释性导航支持。

Comments ECML PKDD 2026, Demo Track

Finding and using interpretable latents in a neutrino foundation model with sparse autoencoders

利用稀疏自编码器在中微子基础模型中寻找和使用可解释隐变量

Raphaël Bonnet-Guerrini, Johann Ioannou-Nikolaides, Inar Timiryasov, Vincenzo Piuri

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 本研究将基于稀疏自编码器的机械可解释性方法应用于中微子基础模型，识别出经验证的物理概念图谱，训练的不确定性预测头可提升20%选择效率下的中位角分辨率，证明机械可解释性可助力下游任务设计。

Evaluating Post-hoc Explanations of the Transformer-based Genome Language Model DNABERT-2

评估基于Transformer的基因组语言模型DNABERT-2的事后解释

Isabel Kurth, Paulo Yanez Sarmiento, Bernhard Y. Renard

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

AI总结 本研究调整AttnLRP并应用于DNABERT-2，通过多指标评估及与基准CNN的比较，证实该方法能生成可靠生物学解释，助力gLMs的可解释性研究。

Comments Accepted at the 4th World Conference on Explainable Artificial Intelligence, XAI-2026

Overview of SHROOM-Visions 2026: A Shared Task on Hallucination Detection in Large Vision-Language Models

SHROOM-Visions 2026概览：大型视觉语言模型幻觉检测共享任务

Raúl Vázquez, Aman Sinha, Chuyuan Li, Claudio Savelli, Eduardo Calò, Emilio Raimond, Stella Frank, Hengyu Luo, Flavio Giobergia, Vincent Segonne, Lorenzo Vaiani, Jörg Tiedemann, Timothee Mickus

机构 * University of Helsinki（赫尔辛基大学） ； Politecnico di Torino（都灵理工大学） ； Université Bretagne Sud（南布列塔尼大学） ； University of Copenhagen（哥本哈根大学） ； University Grenoble Alpes（格勒诺布尔阿尔卑斯大学） ； University of Lorraine（洛林大学） 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 本文介绍了2026年在EMNLP 2026同期举办的SHROOM-Visions共享任务，该任务针对大型视觉语言模型的幻觉检测，依托SHEEP数据集开展，吸引27支团队提交600余个系统，最优系统较基线提升30-40个百分点。

Comments To appear at UncertaiNLP 2026 @ EMNLP 2026

Trojaning the Alignment: Stealthy Backdoor Attacks against Graph Foundation Models

对齐攻击：针对图基础模型的隐蔽后门攻击

Minhua Lin, Zhicheng Gao, Yilong Wang, Hanqing Lu, Xiang Zhang, Suhang Wang

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Amazon（亚马逊） 纠错

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

AI总结 本文针对带文本属性图的图基础模型，提出STAG隐蔽特洛伊木马攻击框架，协调图触发器生成器与文本软提示实现后门攻击，经多数据集实验验证其有效性与隐蔽性。

Comments Accepted by ICDM 2026

Towards Reliable, Generalizable, and Specific In-Context Knowledge Editing via Multi-Objective Reinforcement Learning

面向可靠、可泛化且特定的上下文内知识编辑：多目标强化学习方法

Xuzhong Wang, Maiqi Jiang, Tejal Nair, Girija Bhusal, Yanfu Zhang, Haipeng Chen

机构 * College of William and Mary（威廉玛丽学院） ； Tribhuvan University（特里布文大学） 纠错

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

AI总结 针对现有上下文内知识编辑方法难以平衡可靠、泛化、特定目标的问题，提出多目标强化学习算法MO-IKE，在Llama-3.2上多项指标较以往方法显著提升。

Comments Our work proposes a multi-objective reinforcement learning algorithm that optimizes prompt construction for reliable, generalizable, and specific in-context knowledge-editing

Do Vision-Language Models Agree on the Affective Qualities of Shape? A Cross-Model Audit for Generative Design Interfaces

视觉-语言模型是否对形状的情感特质达成一致？面向生成式设计界面的跨模型审计

Luca Bux, Thiago Rios, Ingo Scholtes, Stefan Menzel

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

AI总结 本研究审计6个VLM对ShapeNet中10类3D物体的情感特质一致性，发现其一致性介于零基准与几何上限之间，据此实现UI原型指导生成式设计界面的语义控制选择。

Comments 13 pages, 5 figures, 7 tables

Segmentation-Based Attention Entropy: Detecting and Mitigating Object Hallucinations in Large Vision-Language Models

基于分割的注意力熵：在大视觉-语言模型中检测和缓解对象幻觉

Jiale Song, Jiaxin Luo, Xue-song Tang, Kuangrong Hao, Mingbo Zhao

机构 * School of Information and Intelligent Science, Donghua University, Shanghai, 201620, China（信息与智能科学学院，东华大学，上海，201620，中国） 纠错

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

AI总结 本文提出基于分割的注意力熵(SAE)，通过语义分割量化视觉注意力不确定性，设计可靠性评分和注意力调整方法，有效缓解大视觉-语言模型中的对象幻觉问题。

Comments Accepted to ACM Multimedia 2026 (MM '26)

LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation

LM-X：面向通用机器人操控的、具备进度、事件与不确定性预测能力的可解释动作建模方法

Jin Lou, Jingxuan Zhu, Andong Chen, Xupeng Wang, Yuan Xu, Yuexuan Li, Xingdong Zhu, Zhijie Zhu, Yingwei Ji, Wenpeng Nie, Jingyi Li, Liangliang Chen, Jinyan Liu, Zhiqi Song, Jidong Zhang, Hongming Li, Yuchen Zhu

机构 * Humanoid Robot (Shanghai) Co., Ltd.（人形机器人（上海）有限公司） ； E-surfing Digital Life Technology Co., Ltd., China Telecom（中国电信天翼数字生活科技有限公司） 纠错

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

AI总结 LM-X是一种面向通用机器人操控的可解释动作建模方法，通过多尺度预测信号提升操控成功率，在RoboTwin2.0等任务上显著优于现有模型。

Short Horizons and Sparse Concepts: a Mathematical View of the Readout in the J-lens

短视域与稀疏概念：J-lens读出的数学视角

Shi-Qi Yan, Kai-Xuan Ding, Chao-Hong Tan, Qian Chen, Wen Wang, Xiangang Li, Zhen-Hua Ling

机构 * Alibaba Group（阿里巴巴集团） ； USTC（中国科学技术大学） 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 本研究从数学视角分析J-lens读出的原理，明确其因果结构的稀疏性，提出改进策略以增强J-lens读出中间概念的能力。

VLM-based automatic multi-granularity graph representation of building layouts for design informatics

基于视觉语言模型的建筑布局多粒度图自动表示方法，用于设计信息学

Song Guo, Zhuoshi Chen, Maosu Li, Weimin Zhuang

机构 * Massachusetts Institute of Technology（麻省理工学院） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Tsinghua University（清华大学） 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 本研究提出基于VLM的多粒度图自动构建方法，以147份高校图书馆平面图为案例，验证其生成的图与人工标注图一致性良好，可用于设计信息学相关任务，提升建筑全生命周期设计信息利用率。

UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry

UNRIO：面向雷达-惯性里程计的不确定性感知速度学习

Jui-Te Huang, Tianshu Huang, Anthony Rowe, Michael Kaess

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 UNRIO通过直接处理雷达IQ信号预测体坐标系速度，结合Transformer架构和GRT框架，在多模式下实现不确定性估计与姿态图融合，有效提升横向运动轨迹中的里程计精度。