Multi-component Causal Tracing in Large Language Models
大型语言模型中的多组件因果追踪
机构 * Rensselaer Polytechnic Institute（拉特拉姆技术学院） ； IBM Research（IBM研究院）
AI总结 本文提出一个统一框架，通过软干预和度量转换高效识别对目标性能指标最关键的多组件子集，优于现有基线方法。
Comments Accepted to ACL 2026 main conference
期刊&会议
ACL
Annual Meeting of the Association for Computational Linguistics · 会议 · Natural Language Processing
UniversalRAG: Retrieval-Augmented Generation over Corpora of Diverse Modalities and Granularities
UniversalRAG: 在多样模态和粒度的语料库上实现检索增强生成
机构 * KAIST（韩国科学技术院）
AI总结 本文提出UniversalRAG，一种能够处理多种模态和粒度的检索增强生成框架，通过动态路由机制和多粒度组织，提升跨模态知识检索的有效性，实验表明其在多个模态基准上的优越性。
Comments ACL 2026. Project page : https://universalrag.github.io
CuMA: Aligning LLMs with Sparse Cultural Values via Demographic-Aware Mixture of Adapters
CuMA: 通过人口统计感知的适配器混合使大语言模型与稀疏文化价值观对齐
机构 * Southeast University（东南大学） ； ByteDance Inc.（字节跳动公司） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education, China（新一代人工智能技术及其交叉应用重点实验室（东南大学），中华人民共和国教育部，中国）
AI总结 提出CuMA框架，通过人口统计感知路由将冲突梯度分离到专家子空间，解决密集模型在多文化对齐中的均值崩溃问题，在WorldValuesBench等基准上取得最优性能。
Comments ACL 2026 Main
Towards Mitigating Hallucinations in Large Vision-Language Models by Refining Textual Embeddings
通过细化文本嵌入缓解大型视觉语言模型中的幻觉
机构 * University of Maryland（马里兰大学） ； Dolby Laboratories（杜比实验室） ； Capital One
AI总结 针对大型视觉语言模型因过度依赖文本先验而忽视视觉线索导致的幻觉问题，提出一种简单有效的视觉特征融入方法，通过学习视觉信息化的文本嵌入来平衡注意力分布，显著降低幻觉并提升多模态推理能力。
Comments Accepted at The 64th Annual Meeting of the Association for Computational Linguistics
