ACL - arXivDaily 期刊&会议

2505.13963 2026-04-30 cs.CL cs.LG

Through a Compressed Lens: Investigating The Impact of Quantization on Factual Knowledge Recall

通过压缩镜头：探讨量化对事实知识回忆的影响

Qianli Wang, Mingyang Wang, Nils Feldhus, Simon Ostermann, Yuan Cao, Hinrich Schütze, Sebastian Möller, Vera Schmitt

机构 * Quality and Usability Lab, Technische Universität Berlin（柏林技术大学质量与可用性实验室）； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）； Saarland Informatics Campus（萨尔州信息学院）； LMU Munich（慕尼黑大学）； Bosch Center for Artificial Intelligence (BCAI)（博世人工智能中心）； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）； Centre for European Research in Trusted AI (CERTAIN)（可信人工智能欧洲研究中心）； BIFOLD – Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究院）； Technical University of Munich（慕尼黑技术大学）

AI总结研究通过量化技术对大型语言模型的事实知识回忆能力影响，发现量化导致信息损失，但部分模型在低精度下表现更优，BitSandBytes保留最多原始精度的知识回忆能力。

Comments TrustNLP @ ACL 2026; camera-ready version

2505.10924 2026-04-30 cs.CL cs.AI cs.CR cs.CV cs.SE

A Survey on the Safety and Security Threats of Computer-Using Agents: JARVIS or Ultron?

对计算机使用代理的安全性和安全威胁的综述：贾维斯或乌tron？

Ada Chen, Yongjiang Wu, Junyuan Zhang, Jingyu Xiao, Shu Yang, Jen-tse Huang, Kun Wang, Wenxuan Wang, Shuai Wang

机构 * Carnegie Mellon University（卡内基梅隆大学）； The Chinese University of Hong Kong（香港中文大学）； KAUST（卡塔尔科技大学）； Johns Hopkins University（约翰霍普金斯大学）； Nanyang Technological University（南洋理工大学）； Renmin University of China（中国人民大学）； The Hong Kong University of Science and Technology（香港科学大学）

AI总结本文综述了计算机使用代理的安全威胁，定义了安全分析适用的代理类型，分类了当前的安全威胁，提出了防御策略的分类，并总结了评估代理安全性和性能的基准、数据集和评估指标。

Comments Accepted by ACL 2026

2401.00761 2026-04-30 cs.SE cs.AI cs.CL

Identifying the Achilles' Heel: An Iterative Method for Dynamically Uncovering Factual Errors in Large Language Models

找出阿基里斯之踵：一种用于动态揭示大语言模型事实错误的迭代方法

Wenxuan Wang, Yuk-Kit Chan, Zixuan Ling, Juluan Shi, Youliang Yuan, Jen-tse Huang, Yifei Zhang, Wenxiang Jiao, Zhaopeng Tu, Michael R. Lyu

机构 * Renmin University of China（中国人民大学）； The Chinese University of Hong Kong（香港中文大学）； The Chinese University of Hong Kong, Shenzhen（香港中文大学深圳校区）； Johns Hopkins University（约翰霍普金斯大学）； Nanyang Technological University（南洋理工大学）； Xiaohongshu Inc.（小红书公司）； Tencent Inc.（腾讯公司）

AI总结本文提出HalluHunter框架，通过知识图谱和规则基NLP技术，系统揭示大语言模型的事实错误，测试表明可触发55%的问题错误。

Comments Accepted by Findings of ACL 2026