语言大模型 / LLM

Mechanistic Circuit-Based Knowledge Editing in Large Language Models

基于机制电路的知识编辑在大语言模型中

Tianyi Zhao, Yinhan He, Wendy Zheng, Chen Chen

机构 * University of Virginia（弗吉尼亚大学） 纠错

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

AI总结 本文提出MCircKE框架，通过识别因果电路实现精准的知识编辑，解决大语言模型在动态环境中更新知识时的推理缺口问题，提升多跳推理能力。

Distance Is All You Need: Radial Dispersion for Uncertainty Estimation in Large Language Models

距离就是一切：径向分散性用于大语言模型中的不确定性估计

Manh Nguyen, Sunil Gupta, Hung Le

机构 * Applied Artificial Intelligence Initiative, Deakin University, Australia（迪肯大学应用人工智能研究所） 纠错

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

AI总结 本文提出Radial Dispersion Score（RDS），一种无需训练的简单不确定性度量方法，通过测量嵌入空间中样本生成的径向分散性，有效检测大语言模型中的幻觉问题。

From Hallucination to Structure Snowballing: The Alignment Tax of Constrained Decoding in LLM Reflection

从幻觉到结构雪球效应：约束解码在LLM反思中的对齐税

Hongxu Zhou

机构 * Saarland University（萨尔大学） 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

AI总结 研究探讨了在开放式推理任务中，约束解码通过强制结构反思是否能避免错误传播，发现反而引发结构雪球效应，并揭示了约束解码的对齐税问题。

CLaRE-ty Amid Chaos: Quantifying Representational Entanglement to Predict Ripple Effects in LLM Editing

在混乱中保持清晰：量化表征纠缠以预测LLM编辑中的涟漪效应

Manit Baser, Alperen Yildiz, Dinil Mon Divakaran, Mohan Gurusamy

机构 * National University of Singapore（新加坡国立大学） ； A*STAR Institute for Infocomm Research (A*STAR I2 R)（新加坡科技研究局资讯通信研究院） 纠错

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

AI总结 本文提出CLaRE技术，通过量化事实间的纠缠关系，识别LLM编辑中的潜在涟漪效应，提升模型编辑的稳定性和效率。

Comments Accepted to ACL 2026 Findings

From Concept to Practice: an Automated LLM-aided UVM Machine for RTL Verification

从概念到实践：一种自动化的LLM辅助UVM机器用于RTL验证

Junhao Ye, Yuchen Hu, Ke Xu, Dingrong Pan, Qichun Chen, Jie Zhou, Shuai Zhao, Xinwei Fang, Xi Wang, Nan Guan, Zhe Jiang

机构 * School of Integrated Circuits, Southeast University（东南大学集成电路学院） ； National Center of Technology Innovation for EDA（国家EDA技术创新中心） ； College of Economics, Shenzhen University（深圳大学经济学院） ； School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； Department of Computer Science, University of York（约克大学计算机科学系） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） 纠错

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

AI总结 本文提出UVM^2框架，利用大语言模型自动生成并优化UVM测试平台，显著降低手动工作量，提升验证效率与覆盖率。

Comments Accepted by the IEEE/ACM International Conference on Computer-Aided Design (ICCAD) 2025. This version includes the camera-ready manuscript

RCP: Representation Consistency Pruner for Mitigating Distribution Shift in Large Vision-Language Models

RCP：一种用于缓解大视觉-语言模型中分布偏移的表示一致性剪枝方法

Jianwei Zhang, Chaoning Zhang, Sihan Cao, Wang Liu, Pengcheng Zheng, Jiaxin Huang, Caiyan Qin, Yalan Ye, Wei Dong, Yang Yang

机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； Machine Learning Department, Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学机器学习系） ； School of Robotics and Advanced Manufacture, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）机器人与先进制造学院） 纠错

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

AI总结 本文提出RCP框架，通过累积视觉token剪枝与延迟修复机制，有效缓解大视觉-语言模型中的分布偏移问题，实验表明可剪除高达88.9%的视觉token并减少85.7%的FLOPs，同时保持较低的精度损失。

From Retinal Evidence to Safe Decisions: RETINA-SAFE and ECRT for Hallucination Risk Triage in Medical LLMs

从视网膜证据到安全决策：RETINA-SAFE和ECRT在医疗大语言模型幻觉风险分层中的应用

Zhe Yu, Wenpeng Xing, Meng Han

机构 * Binjiang Institute of Zhejiang University（浙江大学滨江研究院） ； Communication University of Zhejiang（浙江传媒学院） ； Zhejiang University（浙江大学） 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.AI

AI总结 本文提出RETINA-SAFE和ECRT框架，通过视网膜分级记录构建证据基准，解决医疗LLM中证据不足或冲突导致的幻觉风险分层问题，提升风险评估的准确性和可解释性。

LAG-XAI: A Lie-Inspired Affine Geometric Framework for Interpretable Paraphrasing in Transformer Latent Spaces

LAG-XAI：一种受李群启发的仿射几何框架用于Transformer潜在空间中的可解释性改写

Olexander Mazurets, Olexander Barmak, Leonid Bedratyuk, Iurii Krak

机构 * Khmelnytskyi National University（赫梅利尼茨基国立大学） ； Taras Shevchenko National University of Kyiv（基辅塔拉斯·舍甫琴科国立大学） ； V.M. Glushkov Institute of Cybernetics of NAS of Ukraine（乌克兰国家科学院V.M.格卢什科夫控制论研究所） 纠错

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

AI总结 本文提出LAG-XAI框架，通过仿射变换建模改写过程，揭示潜在空间中的几何结构，实验显示其在分类任务中具有较高的AUC值，并在检测LLM幻觉中表现出色。

Mechanistic Knobs in LLMs: Retrieving and Steering High-Order Semantic Features via Sparse Autoencoders

大语言模型中的机制调节：通过稀疏自编码器检索和引导高阶语义特征

Ruikang Zhang, Shuo Wang, Qi Su

机构 * Peking University（北京大学） 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.CL、cs.AI

AI总结 本文提出基于稀疏自编码器的框架，通过对比特征检索管道和生成验证，实现对高阶语言行为相关语义内部特征的引导，展示了在Big Five人格特质案例中的精准双向调控效果。

Enhancing Hallucination Detection via Future Context

通过未来上下文增强幻觉检测

Joosung Lee, Cheonbok Park, Hwiyeol Jo, Jeonghoon Kim, Joonsuk Park, Kang Min Yoo

机构 * NAVER CLOUD（NAVER云） ； NAVER AI Lab（NAVER人工智能实验室） ； KAIST（韩国科学技术院） ； University of Richmond（里士满大学） 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.CL、cs.AI

AI总结 本文提出通过采样未来上下文来增强幻觉检测，结合多种采样方法提升检测性能。

Comments Findings of ACL 2026

SUMMIR: A Hallucination-Aware Framework for Ranking Sports Insights from LLMs

SUMMIR: 一种针对LLM生成体育洞察的幻觉感知排序框架

Nitish Kumar, Sannu Kumar, S Akash, Manish Gupta, Ankith Karat, Sriparna Saha

机构 * Indian Institute of Technology Patna（印度理工学院巴特那分校） ； Microsoft（微软） 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SUMMIR框架，通过多模型验证和用户兴趣排序，提升体育新闻洞察的准确性和相关性。

Automating Manual Tasks through Intuitive Robot Programming and Cognitive Robotics

通过直观的机器人编程和认知机器人自动化手动任务

Bijan Kavousian, Petar Tesic, Oliver Petrovic, Christian Brecher

机构 * Laboratory for Machine Tools and Production Engineering (WZL) of RWTH Aachen University（亚琛工业大学机床与生产工程实验室（WZL）） 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 本文提出了一种基于人类自然交互的直观机器人用户编程方法，利用大语言模型和计算机视觉将自然语言和手势转化为机器人程序，并通过澄清问题和视觉反馈确保程序的安全性和透明性。

Comments This submission contains both an English translation and the original German version. The German version was originally published in the Proceedings of the 71st GfA Conference (2025)

Journal ref Proceedings of the 71st GfA Conference, Aachen, Germany, GfA-Press, 2025, pp. 812-817

The Illusion of Latent Generalization: Bi-directionality and the Reversal Curse

潜在泛化的幻觉：双向性与反转诅咒

Julian Coda-Forno, Jane X. Wang, Arslan Chaudhry

机构 * TUM, Helmholtz Munich（慕尼黑工业大学, 亥姆霍兹慕尼黑中心） ； Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 本文研究了自回归语言模型在反向顺序检索中的失败现象，比较了双向监督目标与传统掩码语言模型在四个基准测试中的表现，发现反向准确性依赖于明确将源实体作为预测目标的训练信号，而非单一方向无关的表示。

Comments ICLR 2026 Workshop on Representational Alignment (Re-Align)

Journal ref ICLR 2026

TRANSPORTER: Transferring Visual Semantics from VLM Manifolds

TRANSPORTER：从VLM流形转移视觉语义

Alexandros Stergiou

机构 * University of Twente, NL（荷兰特温特大学） 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TRANSPORTER方法，通过logits-to-video任务生成视频，揭示VLM预测背后的规则，为模型可解释性提供新方向。

Comments Accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026, Project page: https://alexandrosstergiou.github.io/TRANSPORTER