语言大模型 / LLM

Breaking Bad: Interpretability-Based Safety Audits of State-of-the-Art LLMs

打破坏：基于可解释性的最新LLM安全审计

Krishiv Agarwal, Ramneet Kaur, Colin Samplawski, Manoj Acharya, Anirban Roy, Daniel Elenius, Brian Matejek, Adam D. Cobb, Susmit Jha

机构 * NuSCI Research Group, Computer Science Laboratory, SRI（NuSCI研究组、计算机科学实验室、SRI） 纠错

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

AI总结 本文提出基于可解释性的 jailbreaking 审计方法，评估了八种最新开源LLM的安全性，发现Llama-3模型易受攻击，而GPT-oss-120B表现稳健，Qwen和Phi模型结果混杂，揭示了可解释性工具在安全审计中的有效性及潜在风险。

Sensitivity Uncertainty Alignment in Large Language Models

大语言模型中的敏感性不确定性对齐

Prakul Sunil Hiremath, Harshit R. Hiremath

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SUA框架，用于分析大语言模型在对抗性和模糊输入下的失败原因，通过敏感性与不确定性对齐提升模型可靠性。

Comments 24 pages, 4 tables, 2 figures

Who Defines Fairness? Target-Based Prompting for Demographic Representation in Generative Models

谁定义了公平性？面向生成模型的基于目标的提示方法用于人口特征表示

Marzia Binta Nizam, James Davis

机构 * University of California, Santa Cruz（加州大学圣克ruz分校） 纠错

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

AI总结 本文提出一种轻量级框架，在推理阶段通过提示级干预减轻生成模型中的代表性偏见，允许用户选择多种公平性定义，通过审计目标符合度和肤色分布来评估公平性。

ChatGPT as a Time Capsule: The Limits of Price Discovery

ChatGPT 作为时间胶囊：价格发现的局限性

Sebastian Lehner, Alejandro Lopez-Lira

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

AI总结 本文研究ChatGPT等冻结大语言模型如何提取预截止公开文本信息，用于预测股票回报，发现其与分析师修正和股价变化正相关，且预测性随时间 horizon 增加而增强。

Empowering NPC Dialogue with Environmental Context Using LLMs and Panoramic Images

通过LLMs和全景图像增强NPC对话的环境上下文

Grega Radež, Ciril Bohak

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

AI总结 本文提出利用LLMs和计算机视觉技术增强游戏NPC的环境感知能力，通过语义分割生成环境结构化数据，提升NPC对玩家行为的响应性和沉浸感。

Slot Machines: How LLMs Keep Track of Multiple Entities

老虎机：大语言模型如何跟踪多个实体

Paul C. Bogdan, Jack Lindsey

机构 * Anthropic Fellows Program（Anthropic 合作者计划） 纠错

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

AI总结 研究探讨了大语言模型如何在上下文中绑定多个实体及其属性，通过多槽探针方法揭示当前实体与前一实体的表示机制，发现当前实体槽用于事实检索，而前一实体槽支持关系推理，但存在信息与实际使用之间的差距。

Strategic Polysemy in AI Discourse: A Philosophical Analysis of Language, Hype, and Power

人工智能话语中的战略多义性：语言、炒作与权力的哲学分析

Travis LaCroix, Fintan Mallory, Sasha Luccioni

机构 * Durham University（杜伦大学） 纠错

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

AI总结 本文探讨人工智能话语中语言的策略性使用，分析术语如'幻觉'、'思考链'等的多义性如何影响机构和话语实践，揭示语言作为社会技术机制塑造AI发展与治理的作用。

Comments Accepted in the Ninth Annual ACM Conference on Fairness, Accountability, and Transparency (ACM FAccT) 2026