语言大模型 / LLM - arXivDaily 专题

2603.08182 2026-04-30 cs.CL cs.AI 92%

TildeOpen LLM: Leveraging Curriculum Learning to Achieve Equitable Language Representation

TildeOpen LLM：利用课程学习实现公平的语言表示

Toms Bergmanis, Martins Kronis, Ingus Jānis Pretkalniņš, Dāvis Nicmanis, Jeļizaveta Jelinska, Roberts Rozis, Rinalds Vīksna, Mārcis Pinnis

机构 * TildeOpen LLM

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

AI总结本文提出TildeOpen LLM，通过课程学习策略平衡数据分布，提升低资源欧洲语言性能，实现语言公平性。

Comments LREC 2026

2604.26130 2026-04-30 cs.LG cs.AI 87%

reward-lens: A Mechanistic Interpretability Library for Reward Models

reward-lens: 一个用于奖励模型的机制可解释性库

Mohammed Suhail B Nadaf

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

AI总结 reward-lens库将传统生成LLM的机制可解释性工具适配至奖励模型，通过奖励头权重向量作为核心分析轴，提供多种分析工具和扩展功能，验证发现线性归因与因果修补效果存在负相关。

Comments 30 pages, 5 figures, 9 tables, including appendix. Library available at https://github.com/suhailnadaf509/reward-lens (pip install reward-lens)

2604.25931 2026-04-30 cs.CL 81%

Anchored Confabulation: Partial Evidence Non-Monotonically Amplifies Confident Hallucination in LLMs

锚定编造：部分证据非单调放大LLM中的自信幻觉

Ashish Balkishan Lathkar

机构 * Florida State University（佛罗里达州立大学）

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

AI总结研究揭示了大语言模型中一种新校准特性：提供一个确认的中间事实可非单调放大自信错误答案率。通过六个证据线证明了参数幻觉信心（PHC）概念，并在RAG路由中应用，显著提升性能。

Comments 62 pages, 5 figures. Preprint under review

2505.21072 2026-04-30 cs.CL 77%

Faithfulness-Aware Uncertainty Quantification for Fact-Checking the Output of Retrieval Augmented Generation

基于事实性的不确定性量化用于验证检索增强生成的输出

Ekaterina Fadeeva, Aleksandr Rubashevskii, Dzianis Piatrashyn, Roman Vashurin, Shehzaad Dhuliawala, Artem Shelmanov, Timothy Baldwin, Preslav Nakov, Mrinmaya Sachan, Maxim Panov

机构 * ETH Zürich（苏黎世联邦理工学院）； MBZUAI（穆斯林人工智能研究所）

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

AI总结本文提出FRANQ方法，通过不同不确定性量化技术区分事实性和检索忠实性，提升RAG输出的事实性检测准确性。

2604.22477 2026-04-30 cs.CV cs.LG 57%

Contrastive Semantic Projection: Faithful Neuron Labeling with Contrastive Examples

对比语义投影：利用对比示例实现忠实的神经元标注

Oussama Bouanani, Jim Berend, Wojciech Samek, Sebastian Lapuschkin, Maximilian Dreyer

机构 * Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所）； Technische Universität Berlin（柏林技术大学）； BIFOLD – Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所）； Centre of eXplainable Artificial Intelligence, Technological University Dublin（可解释人工智能中心，都柏林技术大学）

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

AI总结本文提出对比语义投影(CSP)，通过视觉语言模型生成候选标签并结合CLIP-like编码器进行标签分配，改进神经元标注的准确性和语义粒度。

2604.26370 2026-04-30 cs.CV cs.LG math.AT 57%

Topology-Aware Representation Alignment for Semi-Supervised Vision-Language Learning

面向拓扑的表示对齐用于半监督视觉-语言学习

Junwon You, Mihyun Jang, Sangwoo Mo, Jae-Hun Jung

机构 * KAIST（韩国科学技术院）； POSTECH