Zhejiang University（浙江大学）

From Passive Response to Proactive Correction: Enhancing LLM Robustness Against Input Fact Perturbations

从被动响应到主动修正：增强大语言模型（LLM）对输入事实扰动的鲁棒性

Ping Wang, Xiangguo Sun, Bingbing Xu, Guocong Li, Xiaofeng Meng

机构 * Renmin University of China（中国人民大学） ； Southeast University（东南大学） ； Zhejiang University（浙江大学） 纠错

AI总结 针对LLM易受输入事实误导产生错误响应的问题，提出三阶段框架DEDUCE，结合新数据集与指标，在多基准上提升了Qwen、LLaMA等系列模型的鲁棒性与错误修正能力。

Comments Accepted to the Main Conference of EMNLP 2026

SeVeR: Selective Visual Exposure and Retrieval for 3D Medical Image Question Answering

SeVeR：面向3D医学图像问答的选择性视觉暴露与检索

Yaojun Hu, Danyang Tu, Yang Liu, Jiajin Zhang, Wei Fang, Zhiqiang Liu, Chunlai Dong, Yingda Xia, Haochao Ying, Jian Wu, Ling Zhang

机构 * DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Hupan Lab（湖畔实验室） ； School of Public Health, Zhejiang University（浙江大学公共卫生学院） 纠错

AI总结 针对3D医学图像问答中多序列视觉冗余问题，提出SeVeR框架，引入BreMRIs-VQA基准，通过压缩体积为原型并检索互补证据，实现性能提升且减少视觉标记使用。

V-Link: Recovering Lost Visual Representations in Action DiT for Vision-Language-Action Models

V-Link：为视觉-语言-动作模型恢复动作DiT中丢失的视觉表征

Yehao Lu, Jiarui Yang, Yuning Su, Yufeng Xie, Yu Zhong, Yazhou Zhang, Haiyu Lan, Kaixiang Lu, Peiwen Lin, Chuang Wang, Zequn Qin, Enyu Li, Xi Li

机构 * Zhejiang University（浙江大学） ； AGIBOT ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Simon Fraser University（西蒙菲莎大学） 纠错

AI总结 本研究针对VLA模型中动作专家访问视觉信息不足的问题，提出V-Link方法，通过注入空间与语义查询提升动作DiT性能，在多个机器人操作基准及现实任务中均取得显著成功率提升。

Groundhog Bit-Flip Attack: Seeding Infinite Generation Loops in Mixture-of-Experts LLMs through Bit Flips

土拨比特翻转攻击：通过比特翻转在混合专家大语言模型中植入无限生成循环

Huakang Lin, Tiancheng Zheng, Mingxuan Sun, Tianhong Xu, Fan Zhang, Yunsi Fei, Ruyi Ding

机构 * Louisiana State University（路易斯安那州立大学） ； Northeastern University（东北大学） ； Zhejiang University（浙江大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； Southeast University（东南大学） 纠错

AI总结 本研究提出首个针对混合专家大语言模型的土拨比特翻转攻击，通过翻转路由层相关比特，可使平均输出膨胀率达5912%，揭示了MoE架构的鲁棒性漏洞。

Comments 9 pages, 3 figures; Accepted at EMNLP 2026