University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）

CLEAR: Continuous Latent Adapter Routing for Utility-Preserving LLM Safety Alignment

CLEAR：用于保持效用的大语言模型安全对齐的连续潜在适配器路由

Chengxiao Wang, Enyi Jiang, Xiaojing Liao, Sanmi Koyejo

机构 * Stanford University（斯坦福大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Siebel School of Computing and Data Science, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校西贝尔计算与数据科学学院） ； Computer Science, Stanford University（斯坦福大学计算机科学系） 纠错

AI总结 本研究提出CLEAR框架，通过轻量型隐藏状态门控控制安全低秩适配器的激活强度，在降低LLM有害输出的同时，减少了全局安全调优带来的效用损失，实现了安全与效用的更好平衡。

CAS: Conformalized Agentic Search via Adaptive Retrieval and Policy Weighting

CAS：通过自适应检索与策略加权实现的保形智能体搜索

Zixi Zhu, Jiayuan Su, Jian Zhang, Yu Lin, Hongwei Wang

机构 * Zhejiang University（浙江大学） ； ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC学院） ； Tencent Inc.（腾讯公司） 纠错

AI总结 本研究针对搜索智能体RL微调的可靠性问题，提出CAS框架，通过自适应检索与策略加权结合CP技术，提升推理准确率并减少冗余搜索，构建高可靠高效智能体范式。

Comments 21 pages, including figures, tables, and appendix

Exploratory As-Analyzed No-Detection of Culturally-Marked Predicate-Triggered PII Amplification in a Synthetic-English RAG Probe: A Predicate-Resource-Confounded Audit

针对合成英语RAG探针中文化标记谓词触发的PII放大的分析性无检测探索：谓词资源混淆审计

Yanhang Li, Zhichao Fan, Zexin Zhuang

机构 * Northeastern University（东北大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Southern Methodist University（南卫理公会大学） 纠错

AI总结 该研究通过对四种文化的合成英语PII语料库开展RAG系统审计，发现无刻板印象驱动的PII放大，因样本效力及探针混淆问题，仅报告无检测结果而非无效应证据。

Hear2Act: Benchmarking When Prosody Should Change What an Assistant Does

Hear2Act：对韵律应何时改变助手行为的基准测试

Xinyi Liu, Hooshang Nayyeri, Dilek Hakkani-Tur, Emine Yilmaz, Joo-Kyung Kim, Yifei Zhang, Charith Peris, Hari Thadakamalla

机构 * Amazon（亚马逊公司） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University College London（伦敦大学学院） 纠错

AI总结 该研究推出 Hear2Act 基准，评估发现词汇证据不足时韵律对助手决策很重要，具备音频能力的 LLM 能从语音恢复信息但需显式中间表示才能可靠转化为行动。

Human-Level Text-to-SQL via Reinforcement Learning on Verified Data, Without Pipeline Engineering

ReViSQL：实现人水平的文本到SQL

Yuxuan Zhu, Tengjun Jin, Yoojin Choi, Daniel Kang

机构 * UIUC（伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出ReViSQL框架，通过高质量训练数据提升SQL推理能力，首次在BIRD基准上达到人水平准确率，且在不同模型规模下均表现优异。