语言大模型 / LLM

The Lattice Representation Hypothesis of Large Language Models

大语言模型的晶格表示假说

Bo Xiong

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出大语言模型的晶格表示假说，通过嵌入几何将概念层次和逻辑运算统一到线性表示中，实验表明LLM嵌入编码概念晶格及其逻辑结构。

Comments Published at ICLR 2026

The Origins of Stochasticity: Comprehensive Investigations on Uncertainty Quantification for Large Language Models

随机性的起源：大型语言模型不确定性量化的综合研究

Xiang-Jun Ou, Shuang Liang, Xin-Yu Hu, Rong-Hao Huang, Jing Wang, Shao-Qun Zhang

机构 * National Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； School of Intelligent Science and Technology（智能科学与技术学院） 纠错

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

AI总结 提出细粒度不确定性分类法，将LLM不确定性归因于输入、参数、标记和解码过程，并评估21种UQ方法，发现基于共识的方法（Deg和EigV）表现最佳，且模型规模与不确定性负相关。

Scenario-based Probing and Steering Cultural Values in Large Language Models--Extended Version

基于场景的大型语言模型文化价值观探测与引导——扩展版

Trung Duc Anh Dang, Tung Kieu, Sarah Masud

机构 * University of Copenhagen（哥本哈根大学） ； Aalborg University（奥尔堡大学） 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(summary_cn,abstract_cn)；prompting(abstract)

AI总结 提出基于场景的行为困境方法，通过令牌级概率和激活引导探测并调整LLM在英格尔哈特-韦尔泽尔文化轴上的潜在价值观，发现不同文化维度的引导存在耦合效应。

Comments 18 pages

Analyzing the Correlation Between Hallucinations and Knowledge Conflicts in Large Language Models

分析大型语言模型中幻觉与知识冲突之间的相关性

Lucrezia Laraspata, Giovanna Castellano, Gennaro Vessio

机构 * University of Bari Aldo Moro（巴里阿尔多莫罗大学） 纠错

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

AI总结 通过探针技术分析LLM内部表示，发现幻觉激活模式不能完全归因于知识冲突，但探针可提升模型可解释性。

Mechanistic Diagnostics of Spatial Lexical Bias in Multimodal Large Language Model Spatial Reasoning

多模态大语言模型空间推理中空间词汇偏差的机制诊断

Chuang Ma, Qianying Liu, Tomoyuki Obuchi, Fei Cheng, Wang Yang, Sudong Cai, Shuyuan Zheng, Akiko Aizawa, Sadao Kurohashi

机构 * Kyoto University（京都大学） ； NII LLMC（日本国立信息与通信技术研究所语言模型中心） ； RIKEN AIP（日本理化学研究所先进理工研究所） ； Case Western Reserve University（凯斯西储大学） ； The Hong Kong Polytechnic University（香港理工大学） ； The University of Osaka（大阪大学） ； University of Tokyo（东京大学） 纠错

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

AI总结 本文发现多模态大语言模型存在空间词汇偏差，即添加空间关系词会吸引模型选择该选项，并通过机制可解释性工具揭示偏差主要源于语言侧而非视觉侧，最后提出轻量级LLM-only DPO更新可有效缓解偏差。

Semantic-Enhanced Time-Series Forecasting via Large Language Models

通过大语言模型增强的语义时间序列预测

Hao Liu, Xiaoxing Zhang, Chun Yang, Xiaobin Zhu

机构 * University of Science and Technology Beijing（北京科技大学） ； Yizhi, China Telecom（中国电信义智） 纠错

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

AI总结 本文提出SE-LLM，通过嵌入时间序列的周期性和异常特征增强语义空间，提升LLM对时间序列分析的潜力，同时改进长短期依赖建模以降低计算开销。

Comments 22 pages,6 figures

Identifying Query-Relevant Neurons in Large Language Models for Long-Form Texts

在大型语言模型中识别与查询相关的神经元以生成长文本

Lihu Chen, Adam Dejl, Francesca Toni

机构 * Imperial College（帝国学院） 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(summary_cn,abstract_cn)；prompting(abstract)

AI总结 本文提出QRNCA框架，用于识别LLM中与查询相关的神经元，通过多选问答任务评估其有效性，并展示在不同领域中的局部知识区域。

Comments AAAI 2025 Main Track

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence, 39(22), 23595-23604. 2025

From Actions to Understanding: Conformal Interpretability of Temporal Concepts in LLM Agents

从行为到理解：LLM代理中时间概念的符合可解释性

Trilok Padhi, Ramneet Kaur, Krishiv Agarwal, Adam D. Cobb, Daniel Elenius, Manoj Acharya, Colin Samplawski, Alexander M. Berenbeim, Nathaniel D. Bastian, Susmit Jha, Ugur Kursuncu, Anirban Roy

机构 * Georgia State University（佐治亚州立大学） ； Computer Science Lab, SRI（SRI计算机科学实验室） ； Army Cyber Institute（陆军网络学院） ； United States Military Academy（美国军事学院） ； University of Florida（佛罗里达大学） 纠错

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 本文提出通过符合视角解释LLM代理时间概念演变的框架，结合逐步奖励建模与符合预测，识别时间概念的潜在方向，实验表明这些概念可线性分离，为LLM代理提供可靠故障检测和干预方法。

Comments Accepted at the Mechanistic Interpretability Workshop, 43rd International Conference on Machine Learning, Seoul, South Korea, 2026

Attractor States Emerge in Multi-Turn LLM Conversations

多轮LLM对话中吸引子状态的出现

Ting-Wen Ko, Jonas Geiping

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

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.LG

AI总结 研究多轮LLM对话中是否出现吸引子行为，通过自对弈和混合对弈辩论发现模型特定的吸引子不对称地影响对话伙伴的风格和立场。

Toxic HallucinAItions: Perturbing Prompts and Tracing LLM Circuits

有毒幻觉：扰动提示与追踪LLM电路

Soorya Ram Shimgekar, Agam Goyal, Amruta Parulekar, Joshua Chen, Yian Wang, Navin Kumar, Hari Sundaram, Eshwar Chandrasekharan, Koustuv Saha

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nimblemind 纠错

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 研究有毒语言扰动对LLM事实可靠性的影响，发现有毒词汇降低准确率并增加不确定性，通过归因图分析揭示内部机制。

Predictive Maps of Multi-Agent Reasoning: A Successor-Representation Spectrum for LLM Communication Topologies

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

Ethan Parks, Dalal Alharthi

机构 * University of Arizona（亚利桑那大学） 纠错

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。

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 纠错

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

Contrastive Attribution in the Wild: An Interpretability Analysis of LLM Failures on Realistic Benchmarks

野外对比归因：对LLM在真实基准上失败的可解释性分析

Rongyuan Tan, Jue Zhang, Zhuozhao Li, Qingwei Lin, Saravan Rajmohan, Dongmei Zhang

机构 * Southern University of Science and Technology（南方科技大学） ； Microsoft（微软） 纠错

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 本文研究了对比归因作为分析LLM在现实场景中失败的实用工具，通过对比错误输出与正确替代输出的logit差异，揭示了归因方法在不同数据集、模型规模和训练检查点上的表现，展示了其在某些失败案例中的有效性及局限性。

Comments 45 pages, 16 figures, 16 tables

Textual Bayes: Quantifying Prompt Uncertainty in LLM-Based Systems

文本贝叶斯：量化基于LLM系统的提示不确定性

Brendan Leigh Ross, Noël Vouitsis, Atiyeh Ashari Ghomi, Rasa Hosseinzadeh, Ji Xin, Zhaoyan Liu, Yi Sui, Shiyi Hou, Kin Kwan Leung, Gabriel Loaiza-Ganem, Jesse C. Cresswell

机构 * Layer 6 AI 纠错

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 本文通过贝叶斯视角量化LLM系统提示的不确定性，提出MHLP算法结合提示优化与MCMC方法，提升预测准确性和不确定性量化性能。

Comments ICLR 2026

Faithfulness Serum: Mitigating the Faithfulness Gap in Textual Explanations of LLM Decisions via Attribution Guidance

Faithfulness Serum：通过归因引导缓解文本解释中LLM决策的忠实性差距

Bar Alon, Itamar Zimerman, Lior Wolf

机构 * Blavatnik School of Computer Science, Tel Aviv University（塔尔瓦夫大学比拉维克计算机科学学院） 纠错

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 本文通过归因引导方法提升LLM决策解释的忠实性，验证了现有解释的epistemic忠实性不足，并展示了改进方法在多个模型和基准上的有效性。

Comments 24 pages, multiple figures (e.g., at least 6 main figures), includes experiments across several benchmarks (MMLU, CommonsenseQA, SciQ, ARC, OpenBookQA); code available on GitHub

Two Pathways to Truthfulness: On the Intrinsic Encoding of LLM Hallucinations

通往真实性的两条路径：关于LLM幻觉内在编码的研究

Wen Luo, Guangyue Peng, Wei Li, Shaohang Wei, Feifan Song, Liang Wang, Nan Yang, Xingxing Zhang, Jing Jin, Furu Wei, Houfeng Wang

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（信息处理国家重点实验室，计算机科学学院，北京大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

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 本文探讨LLM幻觉的内在编码机制，通过两种信息路径揭示真实性信号的来源，发现其与知识边界和内部表示密切相关，并提出改进幻觉检测的应用。

Comments Accepted to the ACL 2026 Main Conference

Can "consciousness" be observed from large language model (LLM) internal states? Dissecting LLM representations obtained from Theory of Mind test with Integrated Information Theory and Span Representation analysis

Jingkai Li

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

Comments Published as a journal paper at: https://doi.org/10.1016/j.nlp.2025.100163

Journal ref Natural Language Processing Journal 12C (2025) 100163

LLM-KT: Aligning Large Language Models with Knowledge Tracing using a Plug-and-Play Instruction

Ziwei Wang, Jie Zhou, Qin Chen, Min Zhang, Bo Jiang, Aimin Zhou, Qinchun Bai, Liang He

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

LLM-Align: Utilizing Large Language Models for Entity Alignment in Knowledge Graphs

Xuan Chen, Tong Lu, Zhichun Wang

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

Large Language Models as Software Components: A Taxonomy for LLM-Integrated Applications

Irene Weber

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

Uni3D-LLM: Unifying Point Cloud Perception, Generation and Editing with Large Language Models

Dingning Liu, Xiaoshui Huang, Yuenan Hou, Zhihui Wang, Zhenfei Yin, Yongshun Gong, Peng Gao, Wanli Ouyang

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

Comments 10 pages, 6 figures

Tiny Enough to Break In: Agentic Remote Access Trojans Powered by Small Language Models

小到足以突破：由小型语言模型驱动的智能体远程访问木马

Yuhan You, Suhas Adavelly, Victoria Lovelace, Cameron Berryman, Joel Sadler, Daniel Graham

专题命中 知识编辑与模型理解 ：SLM(summary_cn,abstract)；language model(title,abstract)；small language model(title,abstract)

AI总结 该研究提出由小型语言模型（SLM）驱动的智能体远程访问木马（agentic RAT），经实验验证其架构可行，虽操作可靠性不足，但预示着AI驱动自主网络威胁的近现实风险。

Comments 6 pages, 5 figures, 1 table. Formatted in Springer LNCS style

Mitigating Package Hallucinations in Large Language Models via Model Editing

通过模型编辑缓解大型语言模型中的包幻觉

Shuhan Liu, Yukai Zhao, Xing Hu, Kui Liu, Xiaohu Yang, Xin Xia

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

AI总结 提出BOUND框架，通过定位与包幻觉相关的模块并应用边界感知的LoRA适配器编辑，有效降低LLM在包推荐、代码生成等任务中的包幻觉率，同时保持有效包推荐。

Hallucination to Truth: A Review of Fact-Checking and Factuality Evaluation in Large Language Models

幻觉与事实：大型语言模型中事实核查与事实性评估的综述

Subhey Sadi Rahman, Md. Adnanul Islam, Md. Mahbub Alam, Musarrat Zeba, Md. Abdur Rahman, Sadia Sultana Chowa, Mohaimenul Azam Khan Raiaan, Sami Azam

机构 * Department of Computer Science and Engineering, United International University, Dhaka 1212, Bangladesh（乌姆特国际大学计算机科学与工程系） ； Department of Computer Science and Engineering, Daffodil International University, Dhaka-1341, Bangladesh（达芙尼国际大学计算机科学与工程系） ； Faculty of Science and Technology, Charles Darwin University, Casuarina, NT 0909, Australia（查尔斯·达尔文大学科学与技术学院） 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)；instruction tuning(abstract)

AI总结 本文综述了大型语言模型中事实核查与事实性评估的关键挑战及方法，强调了提升事实准确性的重要性。

Journal ref Artif. Intell. Rev. (2026)

Improving Large Language Models with Concept-Aware Fine-Tuning

Michael K. Chen, Xikun Zhang, Jiaxing Huang, Dacheng Tao

机构 * Nanyang Technological University（南洋理工大学） 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)；pretraining(abstract)

PCAP-LM: An LLM-Native Text Representation for TLS Bulk Traffic Analysis

PCAP-LM：一种用于TLS批量流量分析的LLM原生文本表示

Xavier Marjou, Lucas Tamic, Ilan Jaffeux-Cheniout

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

AI总结 该研究针对LLM分析TLS流量时的上下文窗口溢出问题，提出PCAP-LM表示，实现812倍压缩，在取证问答任务中准确率达99.3%，但存在TCP重传24%漏检等局限。

Comments 6 pages

The Epi-LLM Framework: probing LLM behavioral priors through epidemiological agent-based models

Epi-LLM框架：通过流行病学基于智能体的模型探究LLM行为先验

Petra Ferencz, Ava Keeling, Tobias O'Keefe, Lorenzo Stigliano, Francesco Di Lauro, Andres Colubri, Jasmina Panovska-Griffiths

机构 * Big Data Institute, Li Ka Shing Center for Health Information and Discovery, University of Oxford, Oxford, United Kingdom（大数据研究所、李嘉诚健康信息与发现中心、牛津大学、牛津、英国） ； Leverhulme Centre for Demographic Science, Nuffield Department of Population Health, University of Oxford, Oxford, United Kingdom（勒弗赫姆人口科学中心、努尔菲尔德人口健康系、牛津大学、牛津、英国） ； Pandemic Sciences Institute, Nuffield Department of Medicine, University of Oxford, Oxford, United Kingdom（流行病学科学研究所、努尔菲尔德医学系、牛津大学、牛津、英国） ； Department of Genomics and Computational Biology, UMass Chan Medical School, United States（基因组与计算生物学系、UMass Chan医学学校、美国） ； Broad Institute of Harvard and MIT, United States（哈佛大学和麻省理工学院Broad研究所、美国） ； The Queen’s College, University of Oxford, Oxford, United Kingdom（女王学院、牛津大学、牛津、英国） 纠错

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

AI总结 提出Epi-LLM框架，整合基于智能体的建模、真实流行病游戏和大语言模型，模拟疫情中智能体行为，发现LLM智能体减少峰值感染，感知健康严重性是隔离行为最强预测因子，且LLM架构影响疫情动态。

Comments Submitted to American Journal of Epidemiology

LLM and Human Modes of Representation

LLM与人类的表征模式

Shalom Lappin

机构 * Shalom Lappin 纠错

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

AI总结 研究比较大型语言模型（LLM）与人类在语言知识和现实推理中的表征差异，发现LLM在语言任务上表现优异但处理方式不同，且在推理任务中学习与泛化效率低于人类。

SCOPE: Sequential Conformal Probing for Reliable OOD Rejection in LLM Services

SCOPE: 用于LLM服务中可靠OOD拒绝的顺序共形探测

Zhuoyun Li, Boxuan Wang, Changshun Wu, Xiaowei Huang, Yi Dong

机构 * School of Computer Science and Informatics, University of Liverpool, United Kingdom（英国利物浦大学计算机科学与信息学院） 纠错

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

AI总结 提出SCOPE框架，通过选择可读隐藏层、构建共形门控和超鞅e过程，在LLM服务中实现带理论保证的OOD拒绝，实验表明优于标准最终层检测器。

Closing the Prior-Posterior Loop: Self-Reflective Molecular Design with Analysis-Driven LLM Iteration

闭合先验-后验循环：基于分析驱动LLM迭代的自反性分子设计

Junyi Gong, Zijie Qiu, Ben Zhong Tang

机构 * Faculty of Chemistry, Shenzhen MSU-BIT University（深圳MSU-BIT大学化学学院） ； School of Science and Engineering, Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）科学与工程学院） ； Department of Chemistry, Hong Kong University of Science and Technology（香港科技大学化学系） 纠错

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

AI总结 提出一种自反性分子设计框架，用第一性原理计算的完整物化理由替代标量反馈，使LLM从随机采样器转变为因果推理器，在HOMO-LUMO能隙任务中实现0.0003 eV偏差和100%成功率。

Comments 3 tables, 4 figures