语言大模型 / LLM

LLM-Rosetta: A Hub-and-Spoke Intermediate Representation for Cross-Provider LLM API Translation

LLM-Rosetta: 一个用于跨提供商LLM API翻译的枢纽-辐射中间表示

Peng Ding

机构 * University of Chicago（芝加哥大学） 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.AI

AI总结 LLM-Rosetta通过枢纽-辐射中间表示捕捉共享语义核心，实现跨提供商LLM API双向转换，支持流式传输和状态管理，覆盖主要商业提供商，具备高效率和中立性。

CIR+CVN: Bridging LLM Semantic Understanding and Petri-Net Verification for Concurrent Programs

CIR+CVN：连接LLM语义理解与Petri网验证以实现并发程序

Kaiwen Zhang, Guanjun Liu

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

AI总结 本文提出CIR+CVN框架，通过LLM生成并发抽象模型，结合Petri网验证并发程序，实现迭代调试与修复，提升并发程序的可靠性。

Every Response Counts: Quantifying Uncertainty of LLM-based Multi-Agent Systems through Tensor Decomposition

每种回应都重要：通过张量分解量化基于大语言模型的多智能体系统不确定性

Tiejin Chen, Huaiyuan Yao, Jia Chen, Evangelos E. Papalexakis, Hua Wei

机构 * Arizona State University（亚利桑那州立大学） ； University of California, Riverside（加利福尼亚大学河滨分校） 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.CL、cs.AI、cs.LG

AI总结 本文提出MATU框架，通过张量分解量化多智能体系统中的不确定性，解决多步推理、通信路径变化和拓扑多样性等挑战，提供通用可靠性评估。

Comments Accept to ACL 26

Structured Uncertainty guided Clarification for LLM Agents

结构不确定性引导的LLM代理澄清

Manan Suri, Puneet Mathur, Nedim Lipka, Franck Dernoncourt, Ryan A. Rossi, Dinesh Manocha

机构 * University of Maryland, College Park（马里兰大学帕克分校） ； Adobe Research（Adobe研究院） 纠错

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

AI总结 本文提出结构不确定性框架，通过量化潜在问题的澄清价值，提升LLM代理在模糊任务中的推理效率和训练效率，展示了其在SAGE-Agent和ClarifyBench中的有效性。

Uncertainty-Aware Transformers: Conformal Prediction for Language Models

具有不确定性的转换器：语言模型的置信预测

Abhiram Vellore, Niraj K. Jha

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

AI总结 本文提出CONFIDE框架，通过置信预测提升语言模型的可解释性和准确性，在BERT-tiny上测试准确率提升4.09%，并在资源受限和高风险任务中表现出鲁棒性和可解释性。

HaloProbe: Bayesian Detection and Mitigation of Object Hallucinations in Vision-Language Models

HaloProbe: 基于贝叶斯的方法检测和缓解视觉-语言模型中的物体幻觉

Reihaneh Zohrabi, Hosein Hasani, Akshita Gupta, Mahdieh Soleymani Baghshah, Anna Rohrbach, Marcus Rohrbach

机构 * Multimodal AI Lab, Technical University of Darmstadt（达姆施塔特工业大学多模态人工智能实验室） ； Department of Computer Engineering, Sharif University of Technology（谢里夫理工大学计算机工程系） 纠错

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

AI总结 本文提出HaloProbe框架，通过结合外部描述统计和内部解码信号，有效检测和缓解视觉-语言模型中的物体幻觉，实验表明其比现有干预方法更有效且保持了模型的实用性。

Mitigating Hallucination in Large Vision-Language Models via Adaptive Attention Calibration

通过自适应注意力校准缓解大视觉-语言模型中的幻觉

Mehrdad Fazli, Bowen Wei, Ahmet Sari, Ziwei Zhu

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

AI总结 本文提出CAAC框架，通过解决空间感知偏差和模态偏差，提升大视觉-语言模型在长文本生成中的准确性和视觉对齐性。

Revitalizing Black-Box Interpretability: Actionable Interpretability for LLMs via Proxy Models

重振黑盒可解释性：通过代理模型实现LLM的可操作可解释性

Junhao Liu, Haonan Yu, Zhenyu Yan, Xin Zhang

机构 * Key Lab of High Confidence Software Technologies (Peking University), Ministry of Education（高可信软件技术教育部重点实验室（北京大学）） ； School of Computer Science, Peking University（北京大学计算机学院） 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.AI、cs.LG

AI总结 本文提出一种低成本代理框架，利用高效模型近似昂贵LLM的决策边界，通过统计验证局部对齐，实现可操作的可解释性，提升LLM优化效率。

Comments Accepted to ACL 2026 Main Conference

3D-VCD: Hallucination Mitigation in 3D-LLM Embodied Agents through Visual Contrastive Decoding

3D-VCD：通过视觉对比解码缓解3D-LLM具身代理中的幻觉

Makanjuola Ogunleye, Eman Abdelrahman, Ismini Lourentzou

机构 * Virginia Tech（弗吉尼亚理工大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文提出3D-VCD，一种用于缓解3D具身代理幻觉的视觉对比解码框架，通过构造扭曲的3D场景图来提升 grounded 推理能力，实验表明其在3D-POPE和HEAL基准上有效。

Comments 8 pages, 6 figures, Accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

Neurons Speak in Ranges: Breaking Free from Discrete Neuronal Attribution

神经元以范围说话：摆脱离散神经元归因

Muhammad Umair Haider, Hammad Rizwan, Hassan Sajjad, Peizhong Ju, A. B. Siddique

机构 * University of Kentucky（肯塔基大学） ； Dalhousie University（达尔豪斯大学） 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、cs.LG

AI总结 研究发现大语言模型中神经元具有多义性，提出NeuronLens框架通过范围归因提升模型可解释性和可控性。

Journal ref Transactions on Machine Learning Research, ISSN 2835-8856, 2026. https://openreview.net/forum?id=AukyIhfBuW

Dictionary-Aligned Concept Control for Safeguarding Multimodal LLMs

字典对齐的概念控制用于保护多模态大语言模型

Jinqi Luo, Jinyu Yang, Tal Neiman, Lei Fan, Bing Yin, Son Tran, Mubarak Shah, René Vidal

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Amazon（亚马逊） ； University of Central Florida（中佛罗里达大学） 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、cs.LG

AI总结 本文提出字典对齐的概念控制框架，通过定制概念字典和稀疏自编码器实现对多模态大语言模型激活的精细控制，提升安全性的同时保持通用能力。

Comments Accepted in CVPR 2026. Project page: https://peterljq.github.io/project/daco

Evidential Transformation Network: Turning Pretrained Models into Evidential Models for Post-hoc Uncertainty Estimation

证据转换网络：将预训练模型转换为证据模型以进行事后不确定性估计

Yongchan Chun, Chanhee Park, Jeongho Yoon, Jaehyung Seo, Heuiseok Lim

机构 * Korea University（高丽大学） ； Konkuk University（建国大学） 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、cs.LG

AI总结 本文提出ETN，一种轻量级模块，将预训练模型转换为证据模型，以提升不确定性估计，同时保持精度并增加极小计算开销。

Comments Accepted to CVPR 2026 (Highlight)

Noise-Aware In-Context Learning for Hallucination Mitigation in ALLMs

面向噪声的上下文学习用于ALLMs中的幻觉抑制

Qixuan Huang, Khalid Zaman, Masashi Unoki

机构 * Japan Advanced Institute of Science and Technology（日本先端科学技术大学院大学） 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 本文提出噪声感知上下文学习方法，通过构建噪声先验库和引入噪声示例作为上下文先验，减少生成模型的幻觉问题，并建立音频描述任务的幻觉基准，实验表明该方法有效降低幻觉率。

Revisiting Anisotropy in Language Transformers: The Geometry of Learning Dynamics

重新审视语言变换器中的各向异性：学习动态的几何学

Raphael Bernas, Fanny Jourdan, Antonin Poché, Céline Hudelot

机构 * Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） 纠错

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

AI总结 本文研究语言变换器中的各向异性现象，通过几何论证分析频率偏向采样对曲率可见性的影响，并通过实验验证激活方向在梯度能量和各向异性中的作用。

Robust 4D Visual Geometry Transformer with Uncertainty-Aware Priors

具有不确定性感知先验的鲁棒4D视觉几何变换器

Ying Zang, Yidong Han, Chaotao Ding, Yuanqi Hu, Deyi Ji, Qi Zhu, Xuanfu Li, Jin Ma, Lingyun Sun, Tianrun Chen, Lanyun Zhu

机构 * Zhejiang University（浙江大学） ； Huzhou University（湖州师范学院） ； Huawei（华为） ； Tongji University（同济大学） 纠错

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

AI总结 本文提出一种框架，通过建模重建过程中的不确定性，分离动态和静态成分，采用熵引导子空间投影、局部一致性驱动几何净化和不确定性感知多视角一致性机制，提升动态场景重建的准确性与效率。