语言大模型 / LLM

Visual Attention Drifts,but Anchors Hold:Mitigating Hallucination in Multimodal Large Language Models via Cross-Layer Visual Anchors

视觉注意力漂移，但锚点仍有效：通过跨层视觉锚点缓解多模态大语言模型的幻觉

Chengxu Yang, Jingling Yuan, Chuang Hu, Jiawei Jiang

机构 * School of Computer Science and Artificial Intelligence, Wuhan University of Technology（武汉理工大学计算机科学与人工智能学院） ； School of Computer Science, Wuhan University（武汉大学计算机学院） 纠错

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

AI总结 本文提出CLVA方法，通过跨层视觉锚点缓解多模态大语言模型的幻觉问题，强调中间层视觉锚点的重要性，无需额外训练，有效抑制深度层注意力漂移。

Probing the Lack of Stable Internal Beliefs in LLMs

探测大型语言模型中稳定内部信念的缺乏

Yifan Luo, Kangping Xu, Yanzhen Lu, Yang Yuan, Andrew Chi-Chih Yao

机构 * IIIS, Tsinghua University（清华大学交叉信息研究院） ； Shanghai Qizhi Institute（上海期智研究院） 纠错

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

AI总结 本研究探讨了LLM在多轮交互中维持隐含一致性的能力，发现其隐含目标易随对话变化，需引入机制以锚定长期目标，以提升对话系统中的人格建模效果。

Comments Accepted by NeurIPS 2025 Workshop Mexico City PersonaNLP

Algorithmic Consequences of Particle Filters for Sentence Processing: Amplified Garden-Paths and Digging-In Effects

粒子滤波器在句子处理中的算法后果：增强的花园路径效应和深入效应

Amani Maina-Kilaas, Roger Levy

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

AI总结 本文探讨粒子滤波器模型在句子处理中的影响，发现其能放大花园路径效应，并通过重采样产生实时深入效应，揭示了结构歧义对处理难度的因果影响。

Comments 10 pages, 4 figures; replacement adds minor clarification and directs readers toward relevant work

Does Structured Intent Representation Generalize? A Cross-Language, Cross-Model Empirical Study of 5W3H Prompting

结构化意图表示是否具有泛化性？一项跨语言、跨模型的5W3H提示经验研究

Peng Gang

机构 * Huizhou Lateni AI Technology Co., Ltd.（惠州拉特尼人工智能科技有限公司） ； Huizhou University（惠州大学） 纠错

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

AI总结 本文通过跨语言和跨模型的实验，探讨结构化意图表示的泛化能力，发现AI辅助写作工具生成的5W3H提示在目标对齐上与手动创建的提示无显著差异，且能减少跨模型输出方差。

Comments 28 pages, figures, tables, and appendix. Follow-up empirical study extending prior work on PPS and 5W3H structured prompting to cross-language, cross-model, and AI-assisted authoring settings

Interpretable Zero-shot Referring Expression Comprehension with Query-driven Scene Graphs

可解释的零样本指代表达理解与查询驱动的场景图

Yike Wu, Necva Bolucu, Stephen Wan, Dadong Wang, Jiahao Xia, Jian Zhang

机构 * Faculty of Engineering and IT, University of Technology Sydney（悉尼科技大学工程与信息技术学院） ； Data61, Commonwealth Scientific and Industrial Research Organisation（澳大利亚联邦科学与工业研究组织 Data61） 纠错

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

AI总结 本文提出SGREC方法，通过查询驱动的场景图作为结构化中介，结合视觉语言模型和大语言模型，实现可解释的零样本指代表达理解，在多个基准测试中取得优异成绩。

Comments Accepted by T-MM

A Mentalistic Interface for Probing Folk-Psychological Attribution to Non-Humanoid Robots

一种用于探测非人类机器人folk-psychological归因的界面

Giulio Pisaneschi, Pierpaolo Serio, Estelle Gerbier, Andrea Dan Ryals, Lorenzo Pollini, Mario G. C. A. Cimino

机构 * Delft University of Technology（代尔夫特理工大学） 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.AI

AI总结 本文提出一个实验平台，研究人类对非人类机器人意图状态的归因。通过模拟机器人、真实任务环境和基于大语言模型的解释层，探讨语言和框架如何影响机器人中的意图立场。

Comments Preprint submitted to IEEE. 8 pages, 21 figures

Seeing to Ground: Visual Attention for Hallucination-Resilient MDLLMs

视觉注意：用于抗幻觉的MDLLMs

Vishal Narnaware, Animesh Gupta, Kevin Zhai, Zhenyi Wang, Mubarak Shah

机构 * Institute of Artificial Intelligence, University of Central Florida（中佛罗里达大学人工智能研究所） 纠错

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

AI总结 本文提出VISAGE框架，通过校准解码器目标来减少多模态幻觉，通过空间熵分析提升视觉基础性。

Cleaning the Pool: Progressive Filtering of Unlabeled Pools in Deep Active Learning

清池：深度主动学习中未标记池的渐进过滤

Denis Huseljic, Marek Herde, Lukas Rauch, Paul Hahn, Bernhard Sick

机构 * University of Kassel（卡塞尔大学） 纠错

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

AI总结 本文提出REFINE方法，通过结合多种主动学习策略，提升模型在不同数据集和任务中的性能，实验表明其优于单一策略和现有集成方法。

Comments Accepted at CVPR 2026

From Weights to Concepts: Data-Free Interpretability of CLIP via Singular Vector Decomposition

从权重到概念：通过奇异向量分解实现CLIP的数据无关可解释性

Francesco Gentile, Nicola Dall'Asen, Francesco Tonini, Massimiliano Mancini, Lorenzo Vaquero, Elisa Ricci

机构 * University of Trento（特伦托大学） ； University of Pisa（比萨大学） ； Fondazione Bruno Kessler（布鲁诺·凯撒基金会） 纠错

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

AI总结 本文提出SITH框架，通过奇异向量分解分析CLIP视觉Transformer的权重空间，利用COMP算法实现细粒度概念解释，提升模型可解释性和下游性能。

Comments Accepted @ CVPR 2026. Project page: https://frangente.github.io/SITH/

Hallucination to Consensus: Multi-Agent LLMs for End-to-End JUnit Test Generation

幻觉到共识：多智能体LLM用于端到端JUnit测试生成

Qinghua Xu, Guancheng Wang, Lionel Briand, Kui Liu

专题命中 知识编辑与模型理解 ：LLM(abstract)

AI总结 本文提出CANDOR框架，通过多智能体协作生成Java单元测试，利用共识策略减少幻觉并提升Oracle准确性，实验表明其在代码覆盖率和突变得分上优于现有方法。

A Method to Simultaneously Facilitate All Jet Physics Tasks

一种同时促进所有喷流物理任务的方法

Vinicius Mikuni, Benjamin Nachman

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

AI总结 本文提出OmniLearn方法，通过训练特定喷流分类任务的机器学习模型，提升其他喷流物理任务的精度、速度和准确性，适用于多种数据集和碰撞系统。

Comments 12 pages, 7 figures

Journal ref Phys.Rev.D 111 (2025) 5, 054015