AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
多智能体推理的预测地图：一种用于LLM通信拓扑的后继表示谱
机构 * University of Arizona（亚利桑那大学）
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.AI、cs.LG
AI总结 本文提出基于后继表示谱的结构诊断方法，用于评估多智能体LLM通信拓扑的性能，通过分析谱半径、谱间隙和条件数等指标，预测拓扑在漂移、共识和扰动鲁棒性方面的表现。
重新思考超越余弦相似度的大型语言模型层相关性
机构 * Pontificia Universidad Católica de Chile（天主教智利大学） ； National Center for Artificial Intelligence (CENIA)（人工智能国家中心） ； Universidad de Chile（智利大学）
专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract_cn)；分类 cs.CL、cs.LG
AI总结 本文指出余弦相似度不适合作为评估层移除影响的指标，提出基于模型准确率下降的实际指标，以更准确地评估层重要性，改进模型压缩策略。
Comments Published at ICLR 2026
Journal ref Proceedings of the International Conference on Learning Representations (ICLR), 2026
非线性干预大语言模型
机构 * Department of Linguistics, Seoul National University, Republic of Korea（韩国首尔国立大学语言系）
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、cs.AI、cs.LG
AI总结 本文提出非线性干预方法，用于处理大语言模型中非线性特征，通过隐式特征干预提升拒绝绕过性能。
多语言知识编辑中合并方法的融合：一项实证探索
机构 * Department of Computer Science and Engineering, POSTECH（POSTECH计算机科学与工程系） ； Designovel Co., Ltd.（Designovel公司） ； LLSOLLU ； Graduate School of Artificial Intelligence, POSTECH（POSTECH人工智能研究生院）
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、cs.LG
AI总结 本文探讨了多语言知识编辑中向量合并方法的有效性，分析了TSVM在减少多语言干扰方面的表现，并发现权重缩放因子和秩压缩比对性能有显著影响。
通过激活修补探索大语言模型中的地理相对空间
机构 * School of Geography, Geology and the Environment, University of Leicester, UK（地理、地质与环境学院，莱斯特大学，英国） ； Department of Mathematics, Computer Science and Physics, University of Udine, Italy（数学、计算机科学与物理系，乌迪内大学，意大利）
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 研究大语言模型处理地理相对空间的机制，通过激活修补技术揭示其内部运作，提升地理应用的安全性与可靠性。
当证据冲突时：检索增强式生物医学问答中的不确定性与顺序效应
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 本文评估了六个开源LLM在不同证据条件下的表现，发现证据冲突导致模型准确性下降，并提出冲突感知的置疑评分以提升鲁棒性。
Comments Accepted by BioNLP 2026
EEG基础模型从人类大脑信号中捕捉了什么？
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Tongji University（同济大学） ； University of Houston（休斯顿大学）
专题命中 知识编辑与模型理解 ：foundation model(title,abstract)；pretraining(abstract)；分类 cs.AI
AI总结 研究探讨EEG基础模型如何从原始信号中学习，并通过实验验证其表示与特征工程基线的对齐情况，揭示了模型学习、使用及解释性方面的关键发现。
在语言模型中寻找可解释的提示特定电路
机构 * Department of Computer Science（计算机科学系） ； Boston University（波士顿大学） ； Faculty of Computing & Data Sciences（计算与数据科学学院）
专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.AI、cs.LG
AI总结 本文提出ACC++方法，用于识别语言模型中可解释的提示特定电路，通过分析注意力机制揭示模型行为，展示电路在不同任务中的可解释性及语言相关性。
大型语言模型应显式表达不确定性
机构 * University of California, Berkeley（加州大学伯克利分校） ； Virginia Tech（弗吉尼亚理工大学）
专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；post-training(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文研究通过训练使模型在回答时显式表达不确定性，以减少过度自信的错误，提升回答质量，并通过检索增强生成技术改进最终响应。
当答案偏离问题：通过问题-答案正交分解进行幻觉检测
机构 * Shanghai Jiao Tong University（上海交通大学）
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QAOD框架，通过正交分解回答表示以抑制领域变化，结合双策略实现领域内检测与跨领域泛化，提升检测鲁棒性。
LoVeC：强化学习用于长文生成中的更可靠的 verbalized 自信度
机构 * University of Cambridge（剑桥大学）
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LoVeC，一种基于强化学习的方法，通过在长文生成过程中实时附加数值自信度评分，提升事实性生成的可靠性。实验表明，该方法在多个长文问答数据集上实现了更好的校准和跨领域泛化能力，且效率显著高于传统自一致性方法。
Comments ACL 2026 Main
SAEs中速率-失真-多义性权衡
机构 * EPFL（瑞士联邦理工学院） ； Institute of Science and Technology Austria（奥地利科学技术研究所）
专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.LG
AI总结 本文研究了SAEs中准确重建输入、高效编码和可解释性之间的矛盾，发现限制SAEs为单义性必然导致速率和失真增加，且多义性由训练数据分布决定。
GeoViSTA：用于多模态环境表示的地理视觉-表格变压器
机构 * Department of Electrical and Computer Engineering, Rice University（理海大学电气与计算机工程系） ； Center for Cardiovascular Computational and Precision Health, Department of Cardiology, DeBakey Heart and Vascular Center, Houston Methodist（休斯顿方法主义医疗中心心血管计算与精准健康中心、心内科部门、德贝基心脏和血管中心）
专题命中 知识编辑与模型理解 ：foundation model(abstract)；pretraining(abstract)；分类 cs.LG
AI总结 GeoViSTA通过融合栅格影像与表格数据，构建统一的地理嵌入表示，提升对环境、社会和健康问题的推理能力。
超球面能量正则化的序列模型编辑
机构 * Columbia University（哥伦比亚大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Zhejiang University（浙江大学） ； University of Science and Technology of China（中国科学技术大学）
专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 本文提出SPHERE方法，通过超球面能量正则化提升模型在序列编辑中的稳定性与知识保留能力，实验表明其在编辑性能上优于基线方法16.41%。
Comments Accepted by ICLR 2026. The code is available at https://github.com/PlusLabNLP/SPHERE. Project page: https://www.qingyuanliu.net/sphere_projectpage/
AudioMosaic：基于对比学习的音频表示学习
机构 * School of Computing and Information Systems, The University of Melbourne, Australia（墨尔本大学计算机与信息系统学院） ； Baskin School of Engineering, University of California, Santa Cruz, USA（加州大学圣克鲁兹分校工程学院） ； Institute of Trustworthy Embodied AI, Fudan University, China（复旦大学可信具身人工智能研究所）
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 AudioMosaic通过结构化时频掩码构建正样本对，提升音频表示学习效果，实现跨数据集和声学条件的强迁移能力，优于生成方法。
Comments ICML2026
穿透大脑：通过fMRI解码视觉刺激的新见解
机构 * Dartmouth College（达特茅斯学院） ； Yale University（耶鲁大学） ； Emory University（埃默里大学） ； New York University（纽约大学） ； UNC Charlotte（北卡罗来纳大学柴郡分校） ； Virginia Tech（弗吉尼亚理工大学）
专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.AI
AI总结 研究通过fMRI信号重建视觉刺激，发现文本空间比视觉或联合文本图像空间更接近神经活动结构，并提出PRISM模型利用结构化文本空间提升重建效果。
DAPL: 文本基于人物搜索中正负描述的整合
机构 * Sichuan University（四川大学） ； Renmin University of China（中国人民大学）
专题命中 知识编辑与模型理解 ：language model(abstract)
AI总结 DAPL通过整合正负描述提升文本基于人物搜索中视觉-语言模型的解释准确性，结合DIAC和SIAM学习，引入DTS损失以平衡视觉与文本嵌入的粗细粒度对齐，提升匹配精度和鲁棒性。
Journal ref 2025 IEEE International Conference on Multimedia and Expo (ICME)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈