大模型对齐与安全

Hallucination Span Detection with Input-Side Evidence Alignment

结合输入侧证据对齐的幻觉跨度检测

Miyu Yamada, Yuki Arase

机构 * Institute of Science Tokyo（东京科学大学） 纠错

专题命中 幻觉与事实性 ：alignment(title,abstract)；分类 cs.CL

AI总结 针对大型语言模型生成文本的幻觉问题，提出结合输入侧证据对齐的幻觉跨度检测任务，训练编码器模型通过预测置信度检测幻觉并对齐输入证据，实验验证了方法的有效性。

From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents

从序列到结构：面向大语言模型智能体的关系型不确定性传播

Zhengzhao Ma. Boxi Cao, Yaojie Lu, Hongyu Lin, Xianpei Han, Le Sun

机构 * Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 幻觉与事实性 ：alignment(abstract)；trustworthy(abstract)；分类 cs.CL、cs.AI

AI总结 本研究针对现有LLM智能体不确定性量化方法忽略长程依赖的问题，提出RUPA框架，通过建模轨迹图的关系依赖传播不确定性，在多个基准上实现更优性能。

When Do Explanations Help In-Context Learning? A Comparative Study of Natural Language Explanation Types and Faithfulness

解释何时能帮助上下文学习？自然语言解释类型与忠实度的比较研究

Mahdi Dhaini, Adam Dejl, Juraj Vladika, Volkan Özer, Barbara Plank, Gjergji Kasneci

机构 * LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Imperial College London（伦敦帝国学院） ； Technical University of Munich（慕尼黑工业大学） ； MaiNLP lab, CIS, LMU Munich（慕尼黑大学CIS研究所MaiNLP实验室） 纠错

专题命中 幻觉与事实性 ：alignment(abstract)；分类 cs.CL、cs.AI

AI总结 该研究通过在6个基准和4个指令调优模型上的比较评估，探究不同来源与选择方式的自然语言解释对上下文学习下游性能的影响，为实际提示流程中解释的选择和报告提供了见解。

When AI Rewrites, Classifiers Relax: Uncertainty-Aware Sentiment Analysis on Sarcastic and AI-Paraphrased Social Text

当AI改写时，分类器会放松：针对讽刺文本与AI改写社交文本的不确定性感知情感分析

Shresth Shroff

机构 * Manipal University Jaipur（斋浦尔马尼帕尔大学） 纠错

专题命中 幻觉与事实性 ：alignment(abstract)；分类 cs.CL、cs.AI

AI总结 该研究针对讽刺与AI改写社交文本开展情感分析，发现AI改写文本可提升分类器准确率，提出轻量弃权包装器，推动高风险情感应用转向不确定性感知预测。

Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics

超越访问：引导式LLM支架在本科统计学自主学习中的应用

Mohammad Amanlou, Yasaman Amou-Jafari, Fereshte Bagheri, Fatemeh Boloukazari, Mehrad Liviyan, Elahe Khodaverdi Nadrabadi, Shahab Sherafat, Behnam Bahrak

机构 * School of Electrical and Computer Engineering, University of Tehran, Iran（伊朗塔里哈大学电气与计算机工程学院） ； Tehran Institute for Advanced Studies, Khatam University, Iran（伊朗卡塔姆大学泰赫兰高级研究院） 纠错

专题命中 幻觉与事实性 ：alignment(abstract)；分类 cs.AI、cs.CY

AI总结 本研究通过准实验比较无LLM、无限制LLM和引导式LLM三种条件，发现引导式LLM使用能促进以推理为导向的交互模式，提升无辅助测验表现，并改善自我评估校准，表明LLM作为教育工具需通过支架设计实现推理伙伴而非答案获取工具。

Comments 10 pages. Accepted at the 34th International Conference on Computers in Education (ICCE 2026), Asia-Pacific Society for Computers in Education (APSCE)

Visualizing Uncertainty-to-Action Composition for Human Oversight

可视化面向人工监督的不确定性-行动组合

Chisom Anyabolu, Akshat Dubey, Georges Hattab

专题命中 幻觉与事实性 ：safety(abstract)；分类 cs.AI

AI总结 该研究提出不确定性-行动绑定框架与ActionCue可视化方法，明确AI不确定性条件到人工监督响应的组合逻辑，通过多领域案例验证其有效性。

Comments 5 pages, 2 figures, IEEEVis 2026 UncertaintyVis workshop

Multi-Granularity Sentiment Integration for LLM-Based Multimodal Sentiment Analysis

面向基于大语言模型（LLM）的多模态情感分析的多粒度情感集成

Shanshan Lin, Yuesheng Wu, Chao Chen, Yizhe Yang, Zhihao Chen, Zexian Yang, Xiangwen Liao

机构 * Fuzhou University（福州大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Jiangxia University（江夏大学） 纠错

专题命中 幻觉与事实性 ：alignment(abstract)；分类 cs.LG

AI总结 该研究提出MGSI多粒度情感集成框架，通过多尺度编码、文本引导对齐等优化，提升基于LLM的多模态情感分析性能，在四个公开基准上效果优于冻结LLM基线。

Comments Accepted to NLPCC 2026

Beyond Accuracy: Assessing Calibration of Geospatial Foundation Models and Their Sensitivity to Distribution Shifts

超越准确率：评估地理空间基础模型的校准度及其对分布偏移的敏感性

Nils Lehmann, Jakob Gawlikowski, Burak Ekim, Isaac Corley, Xiao Xiang Zhu

机构 * Technical University of Munich (TUM)（慕尼黑工业大学） ； German Aerospace Center (DLR)（德国航空航天中心） ； Massachusetts Institute of Technology (MIT)（麻省理工学院） ； Taylor Geospatial（泰勒地理空间公司） 纠错

专题命中 幻觉与事实性 ：alignment(abstract)

AI总结 该研究指出GeoFMs仅用准确率排序的不足，分析其校准度与分布偏移敏感性，发现EO预训练模型更易过度自信，提出需多条件多指标评估以缩小实际部署差距。