语言大模型 / LLM

On the Salience of Low-Probability Tokens for AI-Generated Text Detection: A Multiscale Uncertainty Perspective

低概率标记对AI生成文本检测的显著性：多尺度不确定性视角

Yikai Guo, Bin Wang, Xilai Fan, Wenjun Ke, Haoran Luo

机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 针对AI生成文本检测中模板标记主导和点估计脆弱的问题，提出基于低概率标记的多尺度不确定性估计器Uncertainty及其改进版Uncertainty++，在多个数据集和LLM上验证了有效性、泛化性和鲁棒性。

Comments Accepted by ICML 2026 main conference

FLaG: Fine-Grained Latent Grouping for Hallucination Detection

FLaG：用于幻觉检测的细粒度潜在分组

Wentao Ye, Liyao Li, Zhiqing Xiao, Muzhi Zhu, Jiaqi Hu, Zhanming Shen, Xiaomeng Hu, Sean Du, Haobo Wang

机构 * Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 提出FLaG框架，通过能量路由机制将实例软关联到多个潜在证据组，并利用对数边际聚合组合组条件可靠性信号，以捕获异构幻觉模式，实现无需修改底层模型的高效幻觉检测。

The Role of Ambiguity in Error Prediction via Uncertainty Quantification

不确定性量化中模糊性在错误预测中的作用

Ieva Raminta Staliūnaitė, James Bishop, Andreas Vlachos

机构 * University of Cambridge（剑桥大学） ； The Alan Turing Institute（艾伦·图灵研究所） 纠错

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、cs.AI、cs.LG

AI总结 通过解耦输入模糊性与不确定性信号，利用门控专家和选择性预测提升大语言模型在问答任务中的错误预测性能。

Comments 8 pages not including references and appendices, 3 figures

Hallucination is a Consequence of Space-Optimality: A Rate-Distortion Theorem for Membership Testing

幻觉是空间最优性的结果：成员测试的率失真定理

Anxin Guo, Jingwei Li

机构 * Computer Science Department, Northwestern University（西北大学计算机科学系） ； Department of IEOR, Columbia University（哥伦比亚大学工业工程与运筹学系） 纠错

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、cs.AI、cs.LG

AI总结 通过将幻觉形式化为成员测试问题，建立率失真定理，证明在有限容量下信息论最优策略必然导致对某些非事实的高置信度，从而产生幻觉。

Comments ICML 2026

Spatial Representation Learning Beyond Pixels: Unifying Raster Data and Vector Semantics for Human-Centric Geospatial Foundation Models

超越像素的空间表示学习：统一栅格数据和向量语义以构建以人为中心的地理空间基础模型

Steffen Knoblauch, Hao Li, Gengchen Mai, Konstantin Klemmer, Song Gao, WenWen Li

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

AI总结 本文提出统一栅格感知与向量推理的联合空间表示学习范式，旨在解决当前地球观测基础模型仅依赖栅格模态、忽略向量数据中丰富结构化信息的局限性。

RA-LWLM: Retrieval-Augmented In-Context Localization with Wireless Foundation Models

RA-LWLM：基于检索增强的上下文无线定位基础模型

Guangjin Pan, Hui Chen, Hei Victor Cheng, Henk Wymeersch

机构 * Department of Electrical Engineering, Chalmers University of Technology（查尔姆斯理工大学电子工程系） ； Department of Electrical and Computer Engineering, Aarhus University（阿鲁斯大学电子与计算机工程系） 纠错

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

AI总结 提出RA-LWLM框架，通过将场景特定信息外化到指纹数据库，实现无需训练的跨场景无线定位，利用冻结的无线基础模型编码器、检索模块和基于Transformer的上下文学习模块预测用户位置。

Comments 13 pages, 9 figures. This work has been submitted to the IEEE for possible publication

On the Uncertainty Quantification Ability of Tabular Foundation Models

关于表格基础模型的不确定性量化能力

Tyler R. Johnson, Kian Ben-Jacob, Nima Negarandeh, Oriol Vendrell-Gallart, Ramin Bostanabad

机构 * Department of Mechanical and Aerospace Engineering, University of California, Irvine（加州大学欧文分校机械与航空航天工程系） ； Department of Civil and Environmental Engineering, University of California, Irvine（加州大学欧文分校土木与环境工程系） 纠错

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

AI总结 通过对比TabPFN与高斯过程在回归任务上的实证研究，揭示了显式先验与学习先验之间的权衡：TabPFN在复杂高维问题中表现优异，而高斯过程在数据稀缺时提供更优的预测精度和不确定性量化。

Comments 12 pages, 2 figures, 2 tables

Understanding the Self-Reflection Mechanisms of LLMs through Biased Attitude Associations

理解大语言模型通过偏见态度关联的自我反思机制

Jingshen Zhang, Bo Wang, Boci Yang, Dongming Zhao, Ruifang He, Yuexian Hou, Zifei Yu

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

AI总结 提出 ReBias-Lens 框架，通过价态波动指标分析大语言模型自我反思如何重新配置偏见态度关联，发现层间平滑化减少整体偏见但局部偏见顽固放大。

Correcting Gradient-Based Circuit Localization via Interaction-Aware Backpropagation

通过交互感知反向传播修正基于梯度的电路定位

Joakim Edin, Casper L. Christensen, Róbert Csordás, Tuukka Ruotsalo, Zhengxuan Wu, Maria Maistro, Jing Huang, Lars Maaløe

机构 * Corti ； Stanford University（斯坦福大学） ； Copenhagen University（哥本哈根大学） ； LUT University（拉普兰大学） 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.LG

AI总结 针对现有电路定位方法忽略组件交互导致重要性误估的问题，提出GIM技术，通过在反向传播中显式建模特征交互，在机械可解释性基准的电路定位任务上达到最优性能。

Revisiting Ripple Effects in Knowledge Editing through Pressure-Aware Joint Neighborhood Optimization

重新审视知识编辑中的涟漪效应：通过压力感知联合邻域优化

Haoben Huang, Shuxin Liu, Ou Wu, Di Gao

机构 * Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（杭州高等研究院，中国科学院大学） 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 针对大语言模型单次编辑引发的涟漪效应，提出联合邻域优化框架，通过压力感知协调和语义预执行门控联合优化可编辑侧与保留侧的耦合压力，在RippleEdits上传播与保留指标提升至少7.0%。

AnyEdit++: Adaptive Long-Form Knowledge Editing via Bayesian Surprise

AnyEdit++: 基于贝叶斯惊讶的自适应长文本知识编辑

Bowen Tian, Caixue He, Jiemin Wu, Jingying Wang, Wenshuo Chen, Zexi Li, Yutao Yue

机构 * University of Science and Technology of China（中国科学技术大学） 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 提出AnyEdit++框架，通过基于贝叶斯惊讶的自适应分割机制Bayes-Chunk，实现结构感知的长文本知识编辑，在数学推理、代码生成和叙事任务上优于现有方法。

Comments Accepted by ICML 2026

TriLens: Per-Layer Logit-Lens Entropy for White-Box Hallucination Detection

TriLens: 基于逐层Logit-Lens熵的白盒幻觉检测

Bohan Yang, Yijun Gong, Zhi Zhang, Ge Zhang, Wenpeng Xing, Meng Han

机构 * Binjiang Institute of Zhejiang University（浙江大学滨海学院） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港 Baptist大学） ； Zhejiang University（浙江大学） ； GenTel.io ； Great Bay University（Great Bay大学） 纠错

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

AI总结 提出TriLens方法，通过在每个Transformer层读取多头自注意力、前馈网络和残差流的logit-lens输出熵，构建紧凑的3L维轨迹，有效检测大语言模型幻觉。

From Features to Actions: Explainability in Traditional and Agentic AI Systems

从特征到行动：传统与智能体AI系统中的可解释性

Sindhuja Chaduvula, Jessee Ho, Kina Kim, Aravind Narayanan, Ahmed Y. Radwan, Mahshid Alinoori, Muskan Garg, Dhanesh Ramachandram, Shaina Raza

机构 * Vector Institute for Artificial Intelligence（向量人工智能研究所） ； Independent Researcher（独立研究者） ； Mayo Clinic（梅奥诊所） 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 本文比较了基于归因的解释与基于轨迹的诊断在静态和智能体设置中的效果，发现归因方法无法可靠诊断智能体轨迹中的执行级故障，而轨迹级可解释性更能定位行为故障。

CURP: Codebook-based Continuous User Representation for Personalized Generation with LLMs

CURP: 基于码本的连续用户表示用于大语言模型的个性化生成

Liang Wang, Xinyi Mou, Xiaoyou Liu, Xuanjing Huang, Zhongyu Wei

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； School of Computer Science, Fudan University（复旦大学计算机科学学院） 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

AI总结 提出CURP框架，通过双向用户编码器和离散原型码本提取多维用户特征，实现少量可训练参数的即插即用个性化生成，在变体生成任务上优于强基线。

MM-Snowball: Evaluating and Mitigating Hallucination Snowballing in Multimodal Multi-Turn Dialogue

MM-Snowball：多模态多轮对话中的幻觉雪崩评估与缓解

Yue Jiang, Xue Jiang, Lihua Zhang, Zhiqiang Wang, Yuhang Lu, Peng Wang, Bo Han, Feng Zheng, Dingkang Yang

机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Southern University of Science and Technology（南方科技大学） ； TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 团体） ； MM Lab, CUHK（CUHK 多模态实验室） ； RAMS Lab, Huawei Technologies Co., Ltd.（华为技术有限公司 RAMS 实验室） 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 针对多模态大模型在多轮对话中因初始错误累积导致幻觉雪崩的问题，提出首个细粒度诊断基准MM-Snowball，并设计无训练的冲突感知视觉校正方法CAVR，通过表示级刷新视觉锚定和logit级修正输出分布来缓解雪崩效应。

Comments Accepted by The International Conference on Machine Learning (ICML 2026)

Construction of Historical Knowledge Graphs Based on BERT and Graph Neural Networks

基于BERT和图神经网络的历史知识图谱构建

Ping Li, Bartlomiej Brzozka

机构 * Shandong Management University（山东管理大学） ； Maria Curie-Sklodowska University（玛丽·居里-斯洛多夫斯卡大学） 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 本文提出结合BERT和图神经网络的高层架构，从历史文本中提取实体和关系，构建知识图谱，在精度、召回率和F1分数上优于传统方法和深度学习基线。

Comments 9 pages, 4 figures

Large Electron Model: A Universal Ground State Predictor

大型电子模型：一种通用的基态预测器

Timothy Zaklama, Max Geier, Liang Fu

机构 * Massachusetts Institute of Technology（麻省理工学院） ； Department of Physics（物理系） 纠错

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

AI总结 提出Large Electron Model，一种基于Fermi Sets架构的神经网络模型，通过在整个哈密顿参数流形上生成变分波函数，准确预测二维谐振势中相互作用电子的基态，并泛化到未见耦合强度和粒子数，为材料发现提供了基于变分原理的基座模型方法。

Comments 8+7 pages, 5+6 figures, 1+1 tables

Trustworthy AI Suffers from Invariance Conflicts and Causality is The Solution

可信人工智能面临不变性冲突，因果性是解决方案

Ruta Binkyte, Ivaxi Sheth, Zhijing Jin, Mohammad Havaei, Bernhard Schölkopf, Mario Fritz

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） 纠错

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

AI总结 本文通过将可信AI目标重新解释为数据生成过程变化下的不相容不变性要求，论证因果性是理解和平衡性能与多个可信目标之间权衡的必要框架。

Journal ref Proceedings of the 43rd International Conference on Machine Learning, Seoul, South Korea. PMLR 306, 2026

Segment-driven Structural Induction and Semantic Alignment for Heterogeneous Tabular Representation

面向异构表格表示的片段驱动结构归纳与语义对齐

Woojun Jung, Susik Yoon

机构 * Department of Computer Science \& Engineering, Korea University, Seoul, South Korea 纠错

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

AI总结 提出NAVI框架，通过掩码片段建模和熵驱动片段对齐，利用片段级结构归纳与语义对齐实现异构表格的表示学习。

Contrastive Representation Regularization for Vision-Language-Action Models

视觉-语言-动作模型的对比表示正则化

Taeyoung Kim, Jimin Lee, Myungkyu Koo, Dongyoung Kim, Kyungmin Lee, Changyeon Kim, Younggyo Seo, Jinwoo Shin

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 提出机器人状态感知对比损失（RS-CL），通过对比学习对齐VLM表示与机器人本体感受状态，提升VLA模型在机器人操作任务中的性能。

Comments ICML 2026

Grounding or Guessing? Visual Signals for Detecting Hallucinations in Sign Language Translation

基于视觉线索检测手语翻译中的幻觉：是依据视觉信息还是猜测？

Yasser Hamidullah, Koel Dutta Chowdhury, Yusser Al Ghussin, Shakib Yazdani, Cennet Oguz, Josef van Genabith, Cristina España-Bonet

机构 * German Research Center for Artificial Intelligence (DFKI GmbH)（德国人工智能研究中心（DFKI GmbH）） ； Saarland Informatics Campus（萨尔兰州信息学校园） ； Barcelona Supercomputing Center (BSC-CNS)（巴塞罗那超级计算中心（BSC-CNS）） 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 针对手语翻译中模型依赖语言先验而非视觉输入导致幻觉的问题，提出一种基于特征敏感性和反事实信号的令牌级可靠性度量，用于量化视觉信息利用程度，并在两个基准上验证其预测幻觉率、跨数据集泛化及与文本信号结合提升风险评估的效果。

Comments Published at ICLR2026 Code available at \url{https://github.com/yhamidullah/hallucination-slt}

Mapping Whisper Representations to Human ECoG Responses with Interpretable Time-Resolved Neural Encoding

将Whisper表示映射到人类ECoG响应：可解释的时间分辨神经编码

Matteo Ciferri, Tommaso Boccato, Michal Olak, Matteo Ferrante, Nicola Toschi

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

AI总结 通过时间分辨神经编码器结合语音嵌入与循环时间模型及软注意力，研究Whisper内部表示如何预测颅内ECoG响应，发现中间层与神经活动对应最强，且高分辨率ECoG受益于时间结构化建模。

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

Effects of Varying LLM Access on Essay Writing Behavior

不同LLM访问权限对论文写作行为的影响

Julia Christenson, Karin de Langis, Shirley Anugrah Hayati, Dongyeop Kang

机构 * University of Minnesota（明尼苏达大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 通过控制LLM访问权限（无访问、有限访问、无限访问）的随机实验，发现有限访问能保持学生作者信心和写作策略，而无限访问降低创意表达。

Comments BEA (Building Educational Applications) Workshop 2026

Characterizing Students' LLM Usage Behaviors and Their Association with Learning in Critical Thinking Tasks

表征学生在批判性思维任务中的LLM使用行为及其与学习的关联

Minju Park, Ivan Orozco Vasquez, Cristina Conati

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)

AI总结 通过分析研究型课程中学生在无限制条件下使用LLM完成学术论文阅读与批判任务的行为数据，提出基于学生主动性的LLM使用类型分类，并考察使用频率和类型对期中考试成绩的影响。

Comments EDM 2026

Mitigating Hallucinations in Large Language Models Via Decoder Layer Skipping

通过解码器层跳跃减轻大型语言模型中的幻觉

Hanze Li, Jinhao You, Yichen Guo, Kai Tang, Shuangyang Xie, Xiande Huang

机构 * De Artificial Intelligence Lab（德人工智能实验室） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(summary_cn,abstract_cn)；分类 cs.AI

AI总结 本文提出DeLask框架，通过动态跳过易产生幻觉的解码器层，利用梯度下降的等价性检测并抑制错误信号，从而减轻LLM幻觉并提升可靠性。

Comments 5 pages

Both Topology and Text Matter: Revisiting LLM-guided Out-of-Distribution Detection on Text-attributed Graphs

拓扑与文本同样重要：重新审视基于LLM的文本属性图分布外检测

Yinlin Zhu, Di Wu, Xu Wang, Guocong Quan, Miao Hu

机构 * Sun Yat-sen University（中山大学） ； Shandong University（山东大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；prompting(abstract)；分类 cs.LG

AI总结 针对文本属性图分布外检测中拓扑与文本信息利用不足的问题，提出LG-Plug框架，通过对齐拓扑与文本表示并利用聚类迭代LLM提示生成共识驱动的OOD样本，有效提升检测性能。

Comments Accepted by SIGKDD 2026

LLM Consortium for Software Design Refinement: A Controlled Experiment on Multi-Agent Collaboration Topologies

LLM联盟用于软件设计精化：多智能体协作拓扑的受控实验

Nagarjuna Kanamarlapudi, Praveen K

机构 * LLM Consortium for Software Design Refinement（软件设计精炼LLM联盟） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.AI

AI总结 通过受控实验评估12种多智能体LLM协作拓扑在软件架构设计中的表现，发现结构对抗变体（v4b）和跨模型评审（v2）排名前二，并行合并因令牌饥饿和弗兰肯斯坦效应表现最差。

Comments 12 pages, 9 figures, 5 tables

When Identity Overrides Incentives: Representational Choices as Governance Decisions in Multi-Agent LLM Systems

当身份压倒激励：多智能体LLM系统中的表征选择作为治理决策

Viswonathan Manoranjan, Snehalkumar `Neil' S. Gaikwad

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)

AI总结 通过四智能体战略博弈实验，发现角色身份分配会抑制基于报酬的行为，使均衡选择偏移高达90个百分点，表明表征选择是决定系统输出的治理决策。

Comments Accepted to ACM FAccT 2026

LLM-Enabled Automated Algorithm Design for Multiuser Fluid Antenna Communications

面向多用户流体天线通信的LLM自动化算法设计

Gan Zheng, Fei Liu, Qingfu Zhang

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)

AI总结 针对流体天线系统中端口选择这一大规模组合优化问题，提出利用大语言模型自动设计优化算法（包括改进遗传算法和从头设计启发式算法AutoPort），以最大化最小信干噪比，实现接近最优的性能。

Comments This paper has been accepted in IEEE Transactions on Wireless Communications

Practice Less, Explain More: LLM-Supported Self-Explanation Improves Explanation Quality on Transfer Problems in Calculus

少练习，多解释：LLM 支持的自我解释提高了微积分迁移问题的解释质量

Eason Chen, Xinyi Tang, Yvonne Zhao, Meiyi Chen, Meryam Elmir, Elizabeth McLaughlin, Mingyu Yuan, Yumo Wang, Shyam Agarwal, Jared Cochrane, Jionghao Lin, Tongshuang Wu, Ken Koedinger

专题命中 其他LLM ：LLM(title,title_cn)

AI总结 通过对比无自我解释、菜单式自我解释和LLM支持的开放式自我解释三种条件，发现开放式自我解释在迁移问题（尤其是NEI问题）上显著提高了解释质量，尽管练习数量较少。

Comments 9 pages, 2 figures. Accepted at AIED 2026. Camera-ready version with updated references