语言大模型 / LLM

Are Multimodal Large Language Models Good Annotators for Image Tagging?

多模态大语言模型在图像标签任务中是好的标注者吗？

Ming-Kun Xie, Jia-Hao Xiao, Zhiqiang Kou, Zhongnian Li, Gang Niu, Masashi Sugiyama

机构 * RIKEN Center for Advanced Intelligence Project, Japan（日本先进人工智能研究中心） ； The University of Tokyo, Japan（东京大学） ； Southeast University, China（东南大学） ； China University of Mining（中国矿业大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；prompting(abstract)

AI总结 本文提出TagLLM框架，通过候选生成和标签歧义消除方法，有效缩小多模态大语言模型生成标注与人工标注之间的差距，提升图像标签任务的效率和性能。

KUDA: Knowledge Unlearning by Deviating Representation for Large Language Models

KUDA: 通过偏离表示进行大语言模型的知识卸载

Ce Fang, Zhikun Zhang, Min Chen, Qing Liu, Lu Zhou, Zhe Liu, Yunjun Gao

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)

AI总结 KUDA通过偏离表示方法实现大语言模型的知识卸载，有效平衡知识移除与模型实用性保留。

Comments 24 pages, 15 figures

What Makes a Good Query? Measuring the Impact of Human-Confusing Linguistic Features on LLM Performance

什么让一个查询良好？测量人类困惑语言特征对LLM性能的影响

William Watson, Nicole Cho, Sumitra Ganesh, Manuela Veloso

机构 * J.P. Morgan AI Research（摩根大通人工智能研究） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 研究通过分析查询特征对LLM幻觉的影响，揭示了特定语言特征与幻觉风险的关系，为优化查询设计提供依据。

Comments EACL 2026 Findings

XMorph: Explainable Brain Tumor Analysis Via LLM-Assisted Hybrid Deep Intelligence

XMorph: 通过LLM辅助混合深度智能进行可解释性脑肿瘤分析

Sepehr Salem Ghahfarokhi, M. Moein Esfahani, Raj Sunderraman, Vince Calhoun, Mohammed Alser

机构 * Department of Computer Science, Georgia State University（计算机科学系，佐治亚州立大学） ； TReNDS Center, Georgia State University（TReNDS中心，佐治亚州立大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；分类 cs.AI

AI总结 XMorph通过结合LLM和混合深度智能，实现了对脑肿瘤的高效可解释分类，准确率达96.0%。

Comments Accepted in ICCABS 2026: The 14th International Conference on Computational Advances in Bio and Medical Sciences

On the Explainability of Vision-Language Models in Art History

关于视觉-语言模型在艺术史中的可解释性

Stefanie Schneider

机构 * Marburg University（马尔堡大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)

AI总结 本文研究了XAI方法如何使CLIP在艺术史背景下可视化推理，通过零样本定位实验和人类可解释性研究，探讨了可解释性方法的有效性依赖于类别概念稳定性和表示可用性。

No One Size Fits All: QueryBandits for Hallucination Mitigation

并非万能一种：用于缓解幻觉的QueryBandits

Nicole Cho, William Watson, Alec Koppel, Sumitra Ganesh, Manuela Veloso

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 QueryBandits通过在线学习优化查询重写策略，有效缓解闭源模型中的幻觉问题，优于传统静态策略。

EAMET: Robust Massive Model Editing via Embedding Alignment Optimization

EAMET: 通过嵌入对齐优化实现鲁棒的大规模模型编辑

Yanbo Dai, Zhenlan Ji, Zongjie Li, Shuai Wang

机构 * Department of Computer Science and Engineering（计算机科学与工程系） 纠错

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 EAMET通过嵌入对齐优化提升大规模模型编辑的鲁棒性和效率，实现90%的编辑效果

Comments This paper was accepted to ICLR 2026

ST-EVO: Towards Generative Spatio-Temporal Evolution of Multi-Agent Communication Topologies

ST-EVO：迈向多智能体通信拓扑的生成时空演化

Xingjian Wu, Xvyuan Liu, Junkai Lu, Siyuan Wang, Xiangfei Qiu, Yang Shu, Jilin Hu, Chenjuan Guo, Bin Yang

专题命中 知识编辑与模型理解 ：LLM(abstract)；分类 cs.AI

AI总结 ST-EVO从时空视角提出多智能体通信拓扑的生成方法，通过紧凑调度器实现对话层面的通信调度，并具备自我反馈能力，实验显示其在多个基准测试中性能优越。