语言大模型 / LLM

Sparse Auto-Encoders and Holism about Large Language Models

稀疏自编码器与大型语言模型的整体性

Jumbly Grindrod

机构 * University of Reading（雷丁大学） 纠错

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

AI总结 本文探讨LLM是否暗示了语义整体性，通过稀疏自编码器发现的可解释潜在特征挑战了传统整体性观点，最终论证整体性仍具说服力。

Large Language Models for Missing Data Imputation: Understanding Behavior, Hallucination Effects, and Control Mechanisms

大型语言模型在缺失数据填补中的应用：理解行为、幻觉效应与控制机制

Arthur Dantas Mangussi, Ricardo Cardoso Pereira, Ana Carolina Lorena, Pedro Henriques Abreu

机构 * Computer Science Division, Aeronautics Institute of Technology（航空技术研究所计算机科学系） ； Technology Institute, Federal University of São Paulo（圣保罗联邦大学技术学院） ； University of Coimbra, CISUC/LASI – Centre for Informatics and Systems of the University of Coimbra, Department of Informatics Engineering（科英布拉大学） 纠错

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

AI总结 本文研究了大型语言模型在表格数据集缺失数据填补中的鲁棒性，通过零样本提示工程方法，对比了五种常用LLM与六种先进填补基线方法，发现LLM在真实数据集表现优异，但计算成本高，而传统方法在合成数据集更优。

Sample Transform Cost-Based Training-Free Hallucination Detector for Large Language Models

基于样本转换成本的无训练hallucination检测器用于大型语言模型

Zeyang Ding, Xinglin Hu, Jicong Fan

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

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

AI总结 本文提出基于最优传输距离的hallucination检测方法，通过计算token嵌入之间的Wasserstein距离矩阵，得到AvgWD和EigenWD两个指标，用于无训练检测大型语言模型的hallucination问题。

Comments 24 pages, 5 figures, 5 tables

How Confident Is the First Token? An Uncertainty-Calibrated Prompt Optimization Framework for Large Language Model Classification and Understanding

第一个token的可信度如何？一种用于大型语言模型分类和理解的不确定性校准提示优化框架

Wei Chen, Guoyang Ju, Yuanyuan Qi

机构 * China Jiliang University（中国嘉兴大学） 纠错

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

AI总结 本文提出LSFU指标和UCPOF框架，通过校准提示优化提升模型性能，实验显示在少样本基准上准确率提升6.03%，超越全RAG方法，并降低检索触发率50.66%。

Comments 27 pages,16 figures

Understanding Moral Reasoning Trajectories in Large Language Models: Toward Probing-Based Explainability

理解大型语言模型中的道德推理轨迹：迈向基于探测的可解释性

Fan Huang, Haewoon Kwak, Jisun An

机构 * Indiana University Bloomington（印第安纳大学布卢明顿分校） 纠错

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

AI总结 研究探讨了大型语言模型在道德决策中的推理轨迹，通过分析六个模型和三个基准，发现道德推理涉及多框架 deliberation，提出MRC指标以衡量模型一致性。

Persona-Conditioned Risk Behavior in Large Language Models: A Simulated Gambling Study with GPT-4.1

具有人格条件的风险行为在大语言模型中的表现：基于GPT-4.1的模拟赌博研究

Sankalp Dubedy

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文通过模拟赌博实验研究GPT-4.1在不同社会经济人格下的风险行为，发现其行为符合卡尼曼和特沃斯基的前景理论预测，揭示了大语言模型潜在的认知偏差。

Comments 21 pages, 13 figures, 9 tables. Independent research. Submitted to arXiv for open dissemination

Distributional Semantics Tracing: A Framework for Explaining Hallucinations in Large Language Models

分布语义追踪：一种解释大语言模型幻觉的框架

Gagan Bhatia, Somayajulu G Sripada, Kevin Allan, Jacobo Azcona

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

AI总结 本文提出分布语义追踪框架，通过解码残差流状态构建语义图谱，揭示大语言模型幻觉源于表征漂移，通过轻量因果追踪验证假设，实验显示其解释效果优于基线方法。

Prompt-Dependent Ranking of Large Language Models with Uncertainty Quantification

基于不确定性的大语言模型提示依赖排序

Angel Rodrigo Avelar Menendez, Yufeng Liu, Xiaowu Dai

机构 * Department of Statistics and Data Science, UCLA（统计与数据科学系，加州大学洛杉矶分校） ； Department of Statistics, University of Michigan（统计系，密歇根大学） ； Department of Statistics and Data Science, and of Biostatistics, UCLA（统计与数据科学系及生物统计学系，加州大学洛杉矶分校） 纠错

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

AI总结 本文提出了一种基于提示依赖的排名推断框架，通过统计有效的不确定性保证，改进大语言模型的排名决策。

Click it or Leave it: Detecting and Spoiling Clickbait with Informativeness Measures and Large Language Models

点击或留下它：利用信息度量和大语言模型检测和破坏点击诱饵

Wojciech Michaluk, Tymoteusz Urban, Mateusz Kubita, Soveatin Kuntur, Anna Wroblewska

机构 * Faculty of Mathematics and Information Science（数学与信息科学学院） 纠错

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

AI总结 本文提出结合Transformer嵌入和语言学特征的点击诱饵检测方法，通过XGBoost模型在信息度量基础上达到91%的F1分数，提升预测透明度和可解释性。

Copy-Paste to Mitigate Large Language Model Hallucinations

通过复制粘贴缓解大语言模型的幻觉

Yongchao Long, Xian Wu, Yingying Zhang, Xianbin Wen, Yuxi Zhou, Shenda Hong

机构 * Department of Computer Science, Tianjin University of Technology（天津理工大学计算机学院） ； National Institute of Health Data Science, Peking University（北京大学国家健康数据科学研究院） ； Tencent Jarvis Lab（腾讯Jarvis实验室） 纠错

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

AI总结 通过复制粘贴方法提升大语言模型上下文忠实性，减少幻觉并提高测试性能。

Comments Accepted to ICLR 2026

Probing Neural Topology of Large Language Models

探测大型语言模型的神经拓扑

Yu Zheng, Yuan Yuan, Yue Zhuo, Yong Li, Gabriel Kreiman, Tomaso Poggio, Paolo Santi

机构 * Massachusetts Institute of Technology（麻省理工学院） ； New York University（纽约大学） ； Tsinghua University（清华大学） ； Harvard Medical School（哈佛医学院） 纠错

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

AI总结 本研究提出图探测方法，通过分析LLM神经拓扑揭示其语言生成性能，发现拓扑信息比激活信息更丰富，可提升模型效率和可靠性。

Efficient Knowledge Probing of Large Language Models by Adapting Pre-trained Embeddings

通过适应预训练嵌入高效探测大语言模型的知识

Kartik Sharma, Yiqiao Jin, Rakshit Trivedi, Srijan Kumar

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 PEEK通过适应预训练嵌入模型，高效探测大语言模型的知识，准确率达90%，揭示了事实表示的底层结构。

Race, Ethnicity and Their Implication on Bias in Large Language Models

种族、族裔及其在大语言模型中的偏见影响

Shiyue Hu, Ruizhe Li, Yanjun Gao

机构 * University of Colorado Anschutz（科罗拉多大学安施茨分校） ； University of Colorado Boulder（科罗拉多大学博尔德分校） ； University of Aberdeen（阿伯丁大学） 纠错

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

AI总结 研究探讨了种族和族裔在大语言模型中的表示和偏见机制，通过实验发现人口信息在模型内部的分布差异，并提出干预方法以减少偏见影响。

Comments Work in process

Towards Explainable Traffic Flow Prediction with Large Language Models

面向大语言模型的可解释交通流预测

Xusen Guo, Qiming Zhang, Junyue Jiang, Mingxing Peng, Meixin Zhu, Hao, Yang

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Johns Hopkins University（约翰霍普金斯大学） ； Department of Civil and System Engineering（土木与系统工程系） 纠错

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

AI总结 本文提出xTP-LLM模型，利用大语言模型生成可解释的交通流预测，首次将LLM应用于交通预测的可解释性研究。

Comments 31pages, 16 figures

Journal ref Communications in Transportation Research, vol. 4, 100150, 2024

Correcting misinformation on social media with a large language model

利用大型语言模型纠正社交媒体上的虚假信息

Xinyi Zhou, Ashish Sharma, Amy X. Zhang, Tim Althoff

机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington（保罗·G·阿伦计算机科学与工程学院，华盛顿大学） ； Computer Science Department, Boise State University（计算机科学系，博伊西州立大学） ； Microsoft Corporation（微软公司） 纠错

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

AI总结 MUSE通过结合视觉语言模型和网络检索，有效纠正社交媒体上的虚假信息，优于GPT-4和社交媒体用户回复。

Comments 52 pages

Limits to Predicting Online Speech Using Large Language Models

大型语言模型在预测在线言论上的局限性

Mina Remeli, Moritz Hardt, Robert C. Williamson

机构 * Max-Planck Institute for Intelligent Systems, Tübingen（马克斯·普朗克智能系统研究所，图宾根） ； Tübingen AI Center（图宾根人工智能中心） ； University of Tübingen（图宾根大学） 纠错

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

AI总结 本文研究了大型语言模型在预测在线用户生成内容时的局限性，发现使用用户自身历史记录的模型表现更优，且20%的所学内容涉及@提及和标签。

Comments Updated Figure 1, added demographic analysis

Learning to Compress: Unlocking the Potential of Large Language Models for Text Representation

学习压缩：解锁大型语言模型在文本表示中的潜力

Yeqin Zhang, Yizheng Zhao, Chen Hu, Binxing Jiao, Daxin Jiang, Ruihang Miao, Cam-Tu Nguyen

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

AI总结 本文提出通过上下文压缩作为预训练任务来提升大型语言模型的文本表示能力，实验表明其在多种任务中优于传统方法。

Comments Accepted by AAAI'26

An Information-Theoretic Framework for Robust Large Language Model Editing

一种基于信息理论的鲁棒大语言模型编辑框架

Qizhou Chen, Chengyu Wang, Taolin Zhang, Xiaofeng He

机构 * East China Normal University（东华大学） ； Alibaba Group（阿里巴巴集团） ； Hefei University of Technology（合肥工业大学） 纠错

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

AI总结 本文提出基于信息瓶颈理论的IBKE框架，通过紧凑的潜在表示实现鲁棒的大语言模型编辑，提升知识修正的准确性和通用性。

A Monad-Based Clause Architecture for Artificial Age Score (AAS) in Large Language Models

基于单调的子句架构用于大型语言模型中的人工年龄评分（AAS）

Seyma Yaman Kayadibi

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

AI总结 本文提出基于单调的子句架构，利用AAS作为核心，通过数学定理和数值实验，为大型语言模型提供透明的约束和分析框架。

Comments 42 pages, 6 toy simulation Python implementations, 20 monad clauses instantiated across six system bundles (ontology, dynamics, representation and consciousness, harmony and reason, body and organisation, teleology)

Do different prompting methods yield a common task representation in language models?

不同的提示方法是否会在语言模型中产生共同的任务表示？

Guy Davidson, Todd M. Gureckis, Brenden M. Lake, Adina Williams

机构 * FAIR at Meta（Meta 的 FAIR 部门） ； New York University（纽约大学） ； Princeton University（普林斯顿大学） 纠错

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

AI总结 研究通过函数向量分析不同提示方法对语言模型任务表示的影响，发现不同提示形式导致不同的任务机制，支持结合指令和演示的实践。

Comments 10 pages, 4 figures; presented at NeurIPS 2025

Hallucinate Less by Thinking More: Aspect-Based Causal Abstention for Large Language Models

通过更多思考减少幻觉：基于方面的因果回避用于大语言模型

Vy Nguyen, Ziqi Xu, Jeffrey Chan, Estrid He, Feng Xia, Xiuzhen Zhang

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

AI总结 本文提出基于方面的因果回避方法，通过分析LLM知识的内部多样性，实现早期回避以减少幻觉。

Comments Accepted to AAAI 2026 (Main Technical Track)

Conformal Information Pursuit for Interactively Guiding Large Language Models

Kwan Ho Ryan Chan, Yuyan Ge, Edgar Dobriban, Hamed Hassani, René Vidal

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

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

A Dual Large Language Models Architecture with Herald Guided Prompts for Parallel Fine Grained Traffic Signal Control

Qing Guo, Xinhang Li, Junyu Chen, Zheng Guo, Xiaocong Li, Lin Zhang, Lei Li

机构 * School of Artificial Intelligence, Beijing University of Posts（人工智能学院，北京邮电大学） ； Beijing Big Data Center（北京大数据中心） ； Eastern Institute of Technology（东部技术研究所） 纠错

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

SIMBA UQ: Similarity-Based Aggregation for Uncertainty Quantification in Large Language Models

Debarun Bhattacharjya, Balaji Ganesan, Junkyu Lee, Radu Marinescu, Katsiaryna Mirylenka, Michael Glass, Xiao Shou

机构 * IBM Research（IBM研究院） ； Zalando ； Baylor University（贝勒大学） 纠错

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

Comments 15 pages including appendix, Findings of EMNLP 2025

Iconicity in Large Language Models

Anna Marklová, Jiří Milička, Leonid Ryvkin, Ľudmila Lacková Bennet, Libuše Kormaníková

机构 * Department of Linguistics（语言学系） ； Charles University（查尔斯大学） ； Department（部门） ； Claude Bernard University Lyon（克莱尔·伯纳德大学里昂） ； Department of General Linguistics（一般语言学系） ； Palacký University Olomouc（帕拉茨基大学奥洛穆克） 纠错

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

Comments Supplementary information: https://osf.io/ywjrk/

Confidence-Aware Routing for Large Language Model Reliability Enhancement: A Multi-Signal Approach to Pre-Generation Hallucination Mitigation

Nandakishor M

机构 * AI Safety Research（人工智能安全研究） ； Convai Innovations（Convai创新） 纠错

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

ConceptViz: A Visual Analytics Approach for Exploring Concepts in Large Language Models

Haoxuan Li, Zhen Wen, Qiqi Jiang, Chenxiao Li, Yuwei Wu, Yuchen Yang, Yiyao Wang, Xiuqi Huang, Minfeng Zhu, Wei Chen

机构 * State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD与CG国家重点实验室） 纠错

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

Sparse-Autoencoder-Guided Internal Representation Unlearning for Large Language Models

Tomoya Yamashita, Akira Ito, Yuuki Yamanaka, Masanori Yamada, Takayuki Miura, Toshiki Shibahara

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

Concept Unlearning in Large Language Models via Self-Constructed Knowledge Triplets

Tomoya Yamashita, Yuuki Yamanaka, Masanori Yamada, Takayuki Miura, Toshiki Shibahara, Tomoharu Iwata

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

DSCC-HS: A Dynamic Self-Reinforcing Framework for Hallucination Suppression in Large Language Models

Xiao Zheng

机构 * School of Computing and Technology（计算机学院） ； China University of Petroleum（中国石油大学） ； Qingdao（青岛） 纠错

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