语言大模型 / LLM

The Bottom-up Evolution of Representations in the Transformer: A Study with Machine Translation and Language Modeling Objectives

Elena Voita, Rico Sennrich, Ivan Titov

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

Comments EMNLP 2019 (camera-ready)

Language Modelling Makes Sense: Propagating Representations through WordNet for Full-Coverage Word Sense Disambiguation

Daniel Loureiro, Alipio Jorge

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

Comments Accepted to ACL 2019. Code and data: https://github.com/danlou/lmms

Tabula nearly rasa: Probing the Linguistic Knowledge of Character-Level Neural Language Models Trained on Unsegmented Text

Michael Hahn, Marco Baroni

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

Comments Accepted by Transactions of the Association for Computational Linguistics

Hierarchical Representation in Neural Language Models: Suppression and Recovery of Expectations

Ethan Wilcox, Roger Levy, Richard Futrell

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

Comments Proceedings of BlackboxNLP 2019, ACL, Florence, Italy

Probing Biomedical Embeddings from Language Models

Qiao Jin, Bhuwan Dhingra, William W. Cohen, Xinghua Lu

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

Comments NAACL-HLT 2019 Workshop on Evaluating Vector Space Representations for NLP (RepEval)

The emergence of number and syntax units in LSTM language models

Yair Lakretz, German Kruszewski, Theo Desbordes, Dieuwke Hupkes, Stanislas Dehaene, Marco Baroni

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

Comments To appear in Proceedings of NAACL, Minneapolis, MN, 2019

Topically Driven Neural Language Model

Jey Han Lau, Timothy Baldwin, Trevor Cohn

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

Comments 11 pages, Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (ACL 2017) (to appear)

Journal ref In Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (ACL 2017), pp. 355--365

Improving Language Modeling using Densely Connected Recurrent Neural Networks

Fréderic Godin, Joni Dambre, Wesley De Neve

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

Comments Accepted at Workshop on Representation Learning, ACL2017

Hierarchical Neural Language Models for Joint Representation of Streaming Documents and their Content

Nemanja Djuric, Hao Wu, Vladan Radosavljevic, Mihajlo Grbovic, Narayan Bhamidipati

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

Comments 24th International World Wide Web Conference

Polyglot Neural Language Models: A Case Study in Cross-Lingual Phonetic Representation Learning

Yulia Tsvetkov, Sunayana Sitaram, Manaal Faruqui, Guillaume Lample, Patrick Littell, David Mortensen, Alan W Black, Lori Levin, Chris Dyer

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

Comments Proceedings of NAACL 2016; 10 pages

Parameterized Neural Network Language Models for Information Retrieval

Benjamin Piwowarski, Sylvain Lamprier, Nicolas Despres

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

Phrase Based Language Model For Statistical Machine Translation

Jia Xu, Geliang Chen

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

Comments 5 pages. This version of the paper was submitted for review to EMNLP 2013. The title, the idea and the content of this paper was presented by the first author in the machine translation group meeting at the MSRA-NLC lab (Microsoft Research Asia, Natural Language Computing) on July 16, 2013

Reporting and Reviewing LLM-Integrated Systems in HCI: Challenges and Considerations

在人机交互中报告和审查集成大语言模型的系统：挑战与考虑

Karla Felix Navarro, Eugene Syriani, Ian Arawjo

专题命中 知识编辑与模型理解 ：LLM(title,abstract)

AI总结 本文探讨了在人机交互中报告和审查集成大语言模型系统时的挑战，指出信任规范受大语言模型行为不确定性和夸大宣传影响，并提出作者与评审者在标准应用上的不一致及情境依赖的提示报告问题。

Comments 18 pages, 1 figure, 2 tables. For proposed reporting guidelines, see https://ianarawjo.github.io/Guidelines-for-Reporting-LLM-Integrated-Systems-in-HCI/

Multi-Modal Interpretability for Enhanced Localization in Vision-Language Models

Muhammad Imran, Yugyung Lee

机构 * Computer Science, School of Science and Engineering, University of Missouri - Kansas City（计算机科学系，科学与工程学院，密苏里大学-堪萨斯城分校） 纠错

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

Comments 8 pages, 6 figures, 3 tables

Journal ref Non-Archival track - The First Workshop on Multimodal Knowledge and Language Modeling IJCAI 2025 Workshop, August 16, 2025 IJCAI 2025 Workshop, August 16, 2025 Room 516B, Palais des congrès, Montreal, Canada

Motion Prompting: Controlling Video Generation with Motion Trajectories

Daniel Geng, Charles Herrmann, Junhwa Hur, Forrester Cole, Serena Zhang, Tobias Pfaff, Tatiana Lopez-Guevara, Carl Doersch, Yusuf Aytar, Michael Rubinstein, Chen Sun, Oliver Wang, Andrew Owens, Deqing Sun

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

Comments CVPR 2025 camera ready. Project page: https://motion-prompting.github.io/

PG-Attack: A Precision-Guided Adversarial Attack Framework Against Vision Foundation Models for Autonomous Driving

Jiyuan Fu, Zhaoyu Chen, Kaixun Jiang, Haijing Guo, Shuyong Gao, Wenqiang Zhang

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

Comments First-Place in the CVPR 2024 Workshop Challenge: Black-box Adversarial Attacks on Vision Foundation Models

RAGSentinel: Certifiable Geometric Consensus for Robust Retrieval-Augmented Generation

RAGSentinel：用于鲁棒检索增强生成的可验证几何共识

Yueyang Quan, Anjun Gao, Yufei Xia, Minghong Fang, Zhuqing Liu

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.AI、cs.LG

AI总结 研究针对RAG系统的中毒攻击漏洞，提出无训练无标签的RAGSentinel防御方法，通过几何共识过滤中毒文档，实验显示其能低攻高保准且抗自适应攻击。

Comments To appear in EMNLP 2026 (Main Conference)

Search-G1: Grounded Search Agents via Representation-Based Intrinsic Rewards

Search-G1：基于表征内在奖励的接地搜索智能体

Ruoxi Cheng, Haoxuan Ma, Hongyi Zhang, Junming Zhang, Ranjie Duan, Qiaolin Xia, Hao Wang, Yu Lu, Haibo Shi, Xingjun Ma

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

AI总结 该研究提出Search-G1框架，通过两个经干预校准的读数构成的表征内在奖励，改善了搜索增强语言智能体的接地性与搜索成本的权衡，在多基准和模型规模上验证了其有效性。

When Reranking Hurts: Uncertainty-Based Gating for Few-Shot Reranking

当重排序有害时：基于不确定性的门控机制用于少样本重排序

Orian Dabod, Amir DN Cohen, Gabriel Stanovsky

机构 * The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； OriginAI 纠错

专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract_cn)；分类 cs.CL、cs.AI

AI总结 针对少样本选择中重排序可能降低性能的问题，提出无训练门控重排序方法，基于模型不确定性决定是否重排序，在8个LLM上降低15%-80%计算成本并提升平均性能达2%。

Beyond In-Domain Detection: SpikeScore for Cross-Domain Hallucination Detection

超越领域检测：SpikeScore用于跨领域幻觉检测

Yongxin Deng, Zhen Fang, Sharon Li, Ling Chen

机构 * University of Technology Sydney（技术科技大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

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

AI总结 本文提出SpikeScore方法，通过量化多轮对话中的不确定性波动，实现跨领域幻觉检测的高效识别与高泛化性能。

Journal ref In Proceedings of the Fourteenth International Conference on Learning Representations (ICLR 2026)

Enhancing AI Interpretability with Localised Architectures

通过局部化架构增强AI可解释性与安全性

Ian Seet, Jonas Bozenhard, Simon Ostermann

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

AI总结 针对大型生成式AI模型可解释性差、计算成本高的问题，提出局部化机器学习架构，通过降低带宽、提高节点表达能力来提升可解释性和效率，并评估了多种硬件实现方案的适用性。

Zero Hallucination, by Construction: Hallucination-Aware Layered Oversight for Trustworthy Enterprise AI

通过构建实现零幻觉：用于可信企业人工智能的幻觉感知分层监督

Bogdan Raduta, Horia Velicu, Alexandru Preda, Serban Chiricescu

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

AI总结 研究企业AI因幻觉难以被信任的问题时，提出HALO架构，通过六层防御将幻觉视为可控制故障模式，详细介绍各层并关注基于证据的置信度，以实现可信企业AI，在索赔提取工作负载上进行了架构说明。

Comments 12 pages, 2 figures

Autonomous mechanistic discovery of colorectal cancer vulnerabilities via multi-scale AI swarms

通过多尺度人工智能群体自主进行结直肠癌脆弱性的机制发现

Christopher Baker, Tianyu Ren, Karen Rafferty, Hui Wang, Simon McDade

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.AI、cs.LG

AI总结 研究旨在解决自动化科学发现中语言模型与生物物理的认知差距。通过多尺度自主发现引擎Octopus，结合大语言模型群体和算法物理引擎，针对结直肠癌转录组进行无监督扫描，发现IGF2是5-氟尿嘧啶耐药脆弱性，建立了可验证的生物医学发现范式。

Mechanistic Interpretability of Cognitive Complexity in LLMs via Linear Probing using Bloom's Taxonomy

通过线性探针利用布洛姆分类法探讨大语言模型中认知复杂性的机制可解释性

Bianca Raimondi, Maurizio Gabbrielli

机构 * University of Bologna（博洛尼亚大学） 纠错

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

AI总结 本研究通过线性探针利用布洛姆分类法，证明大语言模型中认知复杂性可通过线性可访问子空间表示，揭示模型在处理提示时早期解决认知难度的机制。

Comments Preprint. Under review

YUKTI: From Natural-Language Situations to Robust, Verifiable Decisions An Uncertainty-Typed Proposition IR, Assumption-Robust Pareto Frontiers, and a Regret Certificate

YUKTI：从自然语言情境到稳健、可验证的决策——一种不确定性类型的命题IR、假设稳健帕累托前沿和遗憾证书

Suyash Mishra

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

AI总结 研究从自然语言情境生成稳健决策，核心方法是用类型命题图表示，经多求解器及分布帕累托交接耦合，并引入ARPF等。主要贡献是证明rho与决策遗憾关系，增加可追溯性，合成数据基础，通过多种验证方式展示方法有效性。

Comments 19 Pages , 21 figures

From Judgments to Issues: Structured Extraction of Legal Reasoning with Citation-Hallucination Control

从判决到问题：具有引用幻觉控制的法律推理结构化提取

Giovanni Piccioli, Alessia Fidelangeli, Piera Santin, Pierpaolo Vivo

机构 * Quantitative and Digital Law Laboratory（量化与数字法律实验室） ； CIRSFID - Alma AI, Faculty of Law University of Bologna（CIRSFID - 阿尔玛AI，博洛尼亚大学法学院） ； Robert Schuman Centre European University Institute（罗伯特·施曼中心欧洲大学研究所） 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

AI总结 提出自动化流程，将意大利税务法庭判决分解为法律问题，基于IRAC框架和法律三段论提取结构化XML表示，用通用模型并结合幻觉检测过滤器处理大量判决，经专家验证，为下游应用提供起点。

Comments 33 pages, 2 figures

Faithful by Construction: Claim-Anchored Attribution for Multi-Document Summarization

通过构造忠实：面向多文档摘要的基于主张的归因

Shuo Guan

机构 * UBS AG（瑞银集团） 纠错

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

AI总结 提出CAMS框架，通过提取原子主张、聚类、选择并重写为摘要，实现细粒度、多源可追溯的归因，显著提升忠实度和引用精度。

The Geometry of Refusal: Linear Instability in Safety-Aligned LLMs

拒绝的几何：安全对齐大语言模型中的线性不稳定性

Shivam Ratnakar, Kartikeya Vats

机构 * University of Southern California（南加州大学） ； Independent Researcher（独立研究员） 纠错

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

AI总结 研究通过对比安全与不安全系统提示的隐藏状态，提出对比逻辑操控（CLS）框架，揭示安全对齐的线性脆弱性，并证明逻辑级干预比隐藏状态方法更有效，同时可实现双向控制。

Comments Accepted at TrustNLP 2026 (Sixth Workshop on Trustworthy Natural Language Processing, ACL 2026)

Low-cost concept-based localized explanations: How far can we get with training-free approaches?

低成本基于概念的可解释性：无训练方法能走多远？

Darian Fernández-Gutiérrez, Rafael Bello, Marilyn Bello, Natalia Díaz-Rodríguez

机构 * Dept. of Computer Science and Artificial Intelligence, University of Granada (UGR)（计算机科学与人工智能系，格拉纳达大学（UGR）） 纠错

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

AI总结 本文提出零样本概念命名协议，利用中等规模多模态大模型对局部区域进行概念标注，无需训练即可实现62%-88%的物体级精确匹配，为低成本可解释AI提供新思路。

Comments 6 pages, 2 figures, 4 tables. Accepted at the 2026 IEEE International Conference on Artificial Intelligence (CAI), 8-10 May 2026, Granada, Spain. Code: https://github.com/darianfgUgr/CoNa

Journal ref 2026 IEEE International Conference on Artificial Intelligence (CAI), Granada, Spain, 2026, pp. 1405-1410

Exposing the Illusion of Erasure in Knowledge Editing for LLMs

揭露大语言模型知识编辑中的擦除幻象

Advik Raj Basani, Anshuman Chhabra

机构 * Birla Institute of Technology and Science, Goa（比拉理工学院与科学学院，果阿校区） ； University of South Florida（南佛罗里达大学） 纠错

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

AI总结 本文从对抗性诱发角度揭示知识编辑并未真正擦除旧知识，而是将其重新分布并抑制表达，且易受间接提示和对抗攻击，证明知识编辑算法本质上可被绕过。

Comments Preprint, 26 pages + 22 figures