Oracle（甲骨文）

Text Corpora as Concept Fields: Black-Box Hallucination and Novelty Measurement

文本语料作为概念场：黑箱幻觉与新颖性度量

Nicholas S. Kersting, Vittorio Castelli, Chieh Ting Yeh, Xinzhu Wang, Saad Taame, Khaoula Allak

机构 * Oracle Corporation（Oracle公司） 纠错

AI总结 本文提出文本语料的概念场，通过句子嵌入空间中连续句子的delta差异估计局部漂移场。引入向量序列数据库存储嵌入与序列位置及下一delta元数据，用于评估候选句子转换的同意分数。在联邦法规和古腾堡计划上验证了该方法在幻觉检测和新颖性检测中的有效性。

Comments 30 pages, 10 figures, 17 tables; additional analysis in appendix added

Routesplain: Towards Faithful and Intervenable Routing for Software-related Tasks

Routesplain：面向软件相关任务的可信赖且可干预的路由方法

Adam Štorek, Vikas Upadhyay, Marianne Menglin Liu, Daniel W. Peterson, Anshul Mittal, Sujeeth Bharadwaj, Fahad Shah, Sujith Ravi, Dan Roth

机构 * Columbia University（哥伦比亚大学） ； Oracle AI 纠错

AI总结 Routesplain是首个面向软件相关任务的LLM路由工具，通过提取可解释概念路由，在8项软件任务上的16种LLM中，其性能优于单个模型且不逊于黑盒基线，可提升响应质量并降低成本。

Comments Accepted to COLM 2026

GraphER: An Efficient Graph-Based Enrichment and Reranking Method for Retrieval-Augmented Generation

GraphER: 一种高效的基于图的增强和重排序方法用于检索增强生成

Ruizhong Miao, Yuying Wang, Rongguang Wang, Chenyang Li, Tao Sheng, Sujith Ravi, Dan Roth

机构 * Oracle AI 纠错

AI总结 GraphER通过利用数据组织结构捕捉超越语义相似性的接近关系，构建查询时的图结构并应用图排序技术，提升检索完整性，无需额外图基础设施，兼容标准向量存储。

A Novel XAI-Enhanced Quantum Adversarial Networks for Velocity Dispersion Modeling in MaNGA Galaxies

一种用于MaNGA星系速度弥散建模的新型可解释人工智能（XAI）增强量子对抗网络

Sathwik Narkedimilli, N V Saran Kumar, Aswath Babu H, Manjunath K Vanahalli, Manish M, Aik Beng Ng, Vinija Jain, Aman Chadha

机构 * Oracle Financial Services Software Ltd.（Oracle金融服务软件有限公司） ； Indian Institute of Information Technology Dharwad（德瓦德信息学院） ； NVIDIA ； Google AI（谷歌人工智能） ； Apple AI（苹果人工智能） 纠错

AI总结 该研究针对量子机器学习精度、鲁棒性与可解释性难以平衡的问题，提出XAI增强的量子对抗网络，经实验验证其在MaNGA星系速度弥散建模中表现稳定，可推动量子机器学习应用发展。

Decomposed Prompting Does Not Fix Knowledge Gaps, But Helps Models Say "I Don't Know"

分解式提示无法弥补知识差距，但有助于模型说“我不知道”

Dhruv Madhwal, Lyuxin David Zhang, Dan Roth, Tomer Wolfson, Vivek Gupta

机构 * Arizona State University（亚利桑那州立大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Oracle AI 纠错

AI总结 研究大语言模型在闭卷问答中识别知识局限的问题，评估三种提示方式在不同模型规模和多跳问答基准下的影响，利用提示方式间的分歧信号实现无训练弃权策略，提升模型可靠性。

Comments Camera-ready version. Published in Findings of ACL 2026. Code and data: https://github.com/dhruvmadhwal/disagreement-based-abstention

Sink-Token-Aware Pruning for Fine-Grained Video Understanding in Efficient Video LLMs

面向高效视频大语言模型的sink-token感知剪枝：用于细粒度视频理解

Kibum Kim, Jiwan Kim, Kyle Min, Yueqi Wang, Jinyoung Moon, Julian McAuley, Chanyoung Park

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国高级科学技术研究院） ； Oracle ； University of California, San Diego（加州大学圣地亚哥分校） ； Electronics and Telecommunications Research Institute (ETRI)（电子电信研究院） 纠错

AI总结 本文提出Sink-Token-aware Pruning方法，通过识别并抑制semantically uninformative tokens，提升细粒度视频理解性能，在多种基准测试中表现优异。

Comments ECCV 2026