语言大模型 / LLM

Robots That Ask For Help: Uncertainty Alignment for Large Language Model Planners

Allen Z. Ren, Anushri Dixit, Alexandra Bodrova, Sumeet Singh, Stephen Tu, Noah Brown, Peng Xu, Leila Takayama, Fei Xia, Jake Varley, Zhenjia Xu, Dorsa Sadigh, Andy Zeng, Anirudha Majumdar

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

Comments Conference on Robot Learning (CoRL) 2023, Oral Presentation

What Drives LLM Self-Reflection? A Controlled Ablation of Uncertainty Routing in Armed Conflict Forecasting

什么驱动了大语言模型（LLM）的自我反思？武装冲突预测中不确定性路由的受控消融研究

Poli Nemkova, Haeshitha Indukuri

机构 * University of North Texas（北得克萨斯大学） ； College of Computer Science and Engineering（计算机科学与工程学院） 纠错

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

AI总结 本研究通过受控消融实验发现，武装冲突预测中LLM自我反思的增益源于类型化行动路由，而非诊断支架或分类学术语，且该机制在GPT-4o上复现，增益集中于结构新颖的冲突。

Invariant Representation Learning for Source-Free Time Series Forecasting with LLM-Centric Proxy Denoising

面向无源时间序列预测的不变表示学习：以大语言模型为中心的代理去噪方法

Kangjia Yan, Chenxi Liu, Hao Miao, Xinle Wu, Yan Zhao, Chenjuan Guo, Bin Yang

机构 * East China Normal University（东华大学） ； Nanyang Technological University（南洋理工大学） ； Hong Kong Polytechnic University（香港理工大学） ； National University of Singapore（新加坡国立大学） ； University of Electronic Science and Technology of China（电子科技大学） 纠错

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

AI总结 本研究针对无源时间序列预测问题，提出以LLM为中心的TimeID框架，通过双分支不变解耦特征学习、代理去噪与知识蒸馏，在实际数据集上较最优基线平均降低MSE 10.7%、MAE 9.3%。

Comments Accepted by ICML2026

Passing Coarse Marginal Checks Can Be Cheap: Persona Mixtures and Imprecise Treatment-Response Estimates in an LLM Persona Panel

通过粗略边际检验成本可能很低：LLM角色面板中的角色混合与不精确的处理-响应估计

Yohei Nakajima

机构 * Untapped Capital（未开发资本） 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 本研究以16个轻量角色条件化GPT-4.1配置面板为对象，发现通过粗略边际检验成本较低，还揭示了p13需复制、无实时调用可验证结果等结论，未证明LLM可替代人类。

Comments 19 pages, 5 figures. Project site: https://yoheinakajima.github.io/synthetic-players/ ; code, data, registrations, review record, and zero-call replay capsule: https://github.com/yoheinakajima/synthetic-players

Imbalanced Data Clustering via Targeted Data Augmentation Using GMM and LLM

基于高斯混合模型（GMM）与大语言模型（LLM）的定向数据增强用于不平衡数据聚类

Noor Khalal, Abdallah Alaa-Eddine Djamai, Imed Keraghel, Mohamed Nadif

机构 * Centre Borelli UMR9010（博雷利中心UMR9010） ； Université Paris Cité（巴黎城市大学） ； Kernix Software（Kernix软件公司） 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 针对无监督NLP任务中不平衡数据聚类难以捕捉少数主题的问题，本文提出整合GMM与LLM的定向数据增强方法，实验表明其可保持聚类性能并提升可解释性。

Journal ref Advances in Intelligent Data Analysis: 23rd International Symposium on Intelligent Data Analysis; IDA 2025; Proceedings; pp 246-260

Categorizing Mathematical Concepts with LLM Voting Ensembles in Mathswitch

使用Mathswitch中的LLM投票集成对数学概念进行分类

Katja Berčič, Slobodan Stanojevikj

机构 * Faculty of Mathematics and Physics, University of Ljubljana（卢布尔雅那大学数学与物理系） ； Institute of Mathematics, Physics and Mechanics（数学、物理与力学研究所） 纠错

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

AI总结 提出Mathswitch项目，利用LLM投票集成过滤从Wikidata等来源导入的噪声数学概念数据，通过正控制实验评估分类效果，并分析分类分歧类型。

Comments Submitted (pre-peer-review) version. Accepted at CICM 2026; the Version of Record will appear in Springer LNAI. We'll add the DOI once the proceedings are published

Council Mode: A Heterogeneous Multi-Agent Consensus Framework for Reducing LLM Hallucination and Bias

理事会模式：一种异质多智能体共识框架，用于减少大语言模型的幻觉和偏见

Shuai Wu, Xue Li, Yanna Feng, Yufang Li, Zhijun Wang, Ran Wang

机构 * Lead Researcher（研究员） ； Research Assistant（研究员） ； Academic Advisor（学术顾问） ； Research Consultant（研究顾问） 纠错

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

AI总结 本文提出理事会模式，通过多智能体共识框架减少LLM的幻觉和偏见，实验显示在HaluEval和TruthfulQA上 hallucination率降低35.9%，质量得分提升10.2个百分点，且在偏见方面表现更优。

Comments 24 pages, 8 figures, 16 tables

5ting at SemEval-2026 Task 8: Strong End-to-End Multi-Turn RAG via LLM-Based Reranking and Faithfulness Control

5ting在SemEval-2026任务8中：基于LLM重排序和忠实性控制的强端到端多轮RAG

Thien-Qua-T-Nguyen, Chi Hoang, Nguyen Tran, Tri Le, Khanh Truong, Chinh Trong Nguyen

机构 * University of Information Technology, Ho Chi Minh City, Vietnam（信息技术大学，胡志明市，越南） ； Vietnam National University Ho Chi Minh City, Ho Chi Minh City, Vietnam（越南胡志明市国家大学，胡志明市，越南） 纠错

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

AI总结 提出5ting系统，结合BGE-M3稠密检索、FAISS索引、双查询合并检索和LLM重排序，通过角色分离生成约束于检索证据，解决多轮RAG中的上下文漂移和幻觉问题。

Hallucination as Context Drift: Synchronization Protocols for Multi-Agent LLM Systems

幻觉作为上下文漂移：多智能体LLM系统的同步协议

Carson Rodrigues

机构 * Celabe 纠错

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

AI总结 提出上下文分歧分数（CDS）和共享状态验证协议（SSVP），通过周期性交换压缩状态摘要来减少多智能体LLM系统中的幻觉，实验表明SSVP在旅行规划领域将幻觉率降低至0.463，且API调用减少58%。

Comments 11 pages, 1 figure

Probing Semantic Alignment, Lexical Invariance, and Syntactic Influence in LLM Metaphor Processing

探究大语言模型隐喻处理中的语义对齐、词汇不变性和句法影响

Fengying Ye, Shanshan Wang, Lidia S. Chao, Derek F. Wong

机构 * NLP 2 CT Lab, Department of Computer and Information Science, University of Macau（自然语言处理2CT实验室，计算机与信息科学系，澳门大学） 纠错

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

AI总结 通过几何探测、上下文替换和句法扰动三种方法，分析LLM在隐喻处理中的语义漂移、词汇稳定性及句法敏感性，揭示强行为表现可能源于异质信号。

Comments Accepted to ACL 2026

Staying with the Uncertainty: Uncertainty-Scaffolding Strategies for Artificial Moral Advisors in LLM-to-LLM Simulated Conversations

与不确定性共处：LLM对LLM模拟对话中人工道德顾问的不确定性支撑策略

Salvatore Greco, Hainiu Xu, Jacopo Domenicucci, Yulan He, Sylvie Delacroix

机构 * Centre for Data Futures, The Dickson Poon School of Law, King’s College London（数据未来中心、迪克森·普恩法学院、伦敦国王学院） ； Department of Informatics, King’s College London（信息学院、伦敦国王学院） ； LangAI, Center for Language AI Research, Tohoku University（LangAI、语言人工智能研究中心、东北大学） ； Neukom Institute for Computational Science, Dartmouth College（计算科学尼科姆研究所、达特茅斯学院） 纠错

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

AI总结 研究LLM作为人工道德顾问时，通过三种不确定性策略（视角倍增、张力保持、过程反思）与三种控制条件对比，在模拟对话中探讨如何帮助对话者“与不确定性共处”，发现不同策略在立场改变量上无差异但影响参与质量。

Quality-Diversity Evolution for Discovering Diverse Vulnerabilities in LLM Safety

用于发现LLM安全中多样漏洞的质量-多样性进化

Subhadip Mitra

机构 * Rota Labs（Rota实验室） 纠错

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

AI总结 提出基于质量-多样性进化框架（MAP-Elites）在语义层面生成可解释攻击策略，发现不同LLM的特定漏洞模式。

Comments 9 pages, 6 figures. Accepted at the ICLR 2026 Workshop on Agents in the Wild (AIWILD)

TRACES: Proactive Safety Auditing for Multi-Turn LLM Agents via Trajectory-State Modeling

TRACES: 通过轨迹状态建模实现多轮LLM智能体的主动安全审计

Jiaqian Li, Yanshu Li, Boxuan Zhang, Ruixiang Tang, Kuan-Hao Huang

机构 * Brown University（布朗大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Rutgers University（罗格斯大学） ； Texas A&M University（德克萨斯阿姆斯特朗大学） 纠错

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

AI总结 提出TRACES方法，通过观察LLM的隐藏表示学习前缀级轨迹风险状态，实现多轮工具使用环境下的主动安全审计，提升全轨迹安全预测和主动风险判别能力。

PASC: Pipeline-Aware Conformal Prediction with Joint Coverage Guarantees for Multi-Stage NLP and LLM Pipelines

PASC：面向多阶段NLP和LLM流水线的管道感知置信区间

Varun Kotte

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出PASC，一种面向多阶段NLP和LLM流水线的管道感知置信区间方法，通过联合覆盖保证提升多阶段流水线的置信区间性能。

CAMO: An Agentic Framework for Automated Causal Discovery from Micro Behaviors to Macro Emergence in LLM Agent Simulations

CAMO：一种用于从微观行为到宏观涌现的LLM代理模拟自动因果发现的框架

Xiangning Yu, Yuwei Guo, Yuqi Hou, Xiao Xue, Qun Ma

机构 * College of Intelligence and Computing, Tianjin University（天津大学智能计算学院） ； Tianjin Key Laboratory of Healthy Habitat and Smart Technology（天津健康人居环境与智能技术重点实验室） ； Laboratory of Computation and Analytics of Complex Management Systems, Tianjin University（复杂管理系统计算与分析实验室） 纠错

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

AI总结 CAMO通过分析LLM代理模拟中的微观行为，自动发现导致宏观结果的因果机制，提供可解释的因果链和干预手段，提升对社会涌现的理解。

Hallucination Detection with Small Language Models

Ming Cheung

机构 * dBeta Labs, The Lane Crawford Joyce Group（dBeta实验室，Lane Crawford Joyce集团） 纠错

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

Journal ref Hallucination Detection with Small Language Models, IEEE International Conference on Data Engineering (ICDE), Workshop, 2025

Prompt Candidates, then Distill: A Teacher-Student Framework for LLM-driven Data Annotation

Mingxuan Xia, Haobo Wang, Yixuan Li, Zewei Yu, Jindong Wang, Junbo Zhao, Runze Wu

机构 * Zhejiang University（浙江大学） ； University of Wisconsin Madison（威斯康星大学麦迪逊分校） ； William & Mary（威廉与玛丽学院） ； NetEase Fuxi AI Lab（网易伏羲人工智能实验室） 纠错

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

Comments Accepted to ACL 2025 (Main conference)

Bridging Large Language Models and Graph Structure Learning Models for Robust Representation Learning

Guangxin Su, Yifan Zhu, Wenjie Zhang, Hanchen Wang, Ying Zhang

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

Comments Graph structure learning, Graph representation learning, Large language models, Graph neural networks

Large Language Models Should Ask Clarifying Questions to Increase Confidence in Generated Code

Jie JW Wu

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

Comments 6 pages, 2 figures, 1 table. Accepted and presented at the 7th Annual Symposium on Machine Programming (MAPS 2023 Workshop, see https://mapsworkshop.github.io/). Reference: "Wu, Jie JW. Large Language Models Should Ask Clarifying Questions to Increase Confidence in Generated Code. The 7th Annual Symposium on Machine Programming (MAPS 23), December 3, 2023, San Francisco, CA, USA"

Geo-Spatial Concept Probing of Large Language Models: Abstraction, Compositionality, and Grounding

大语言模型的地理空间概念探测：抽象性、组合性与接地性

Karim Radouane, Jose G Moreno, Lynda Tamine

机构 * University of Toulouse（图卢兹大学） ； IRIT（信息科学与技术研究院（IRIT）） 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、cs.LG

AI总结 该研究针对LLMs的抽象性、组合性与接地性设计测试，构建空间概念基准并开展多模型实验，揭示当前LLMs的概念理解局限，为相关模型的优化提供洞见。

Comments Preprint

MMAligner: Safeguarding Multimodal Large Language Models through Representation Calibration

MMAligner：通过表示校准保护多模态大语言模型

Shenyi Zhang, Keyan Guo, Zihao Wang, Xuebin Li, Lingchen Zhao, Hongxin Hu, Chao Shen, Qian Wang

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

AI总结 MMAligner通过校准多模态大语言模型的表示，将不安全多模态输入的拒绝率提升至99%，仅造成不足2%的效用下降，显著优化了安全与效用的权衡。

Comments To Appear in the Proceedings of The ACM Conference on Computer and Communications Security (CCS), 2026

On the Fundamental Impossibility of Hallucination Control in Large Language Models

Michał P. Karpowicz

机构 * Samsung AI Center（三星人工智能中心） 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、cs.LG

Comments Mathematics debugged, added examples and illustrations, corrected claims, and re-edited, typos removed

Embodied Explainability and Ontological Obstacles: Why We Struggle to Explain the Answers of Large Language Models (LLMs)

具身可解释性与本体论障碍：为何我们难以解释大型语言模型（LLM）的答案

Marvin Pafla, Jesse Hoey, Kate Larson, Mark Hancock

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

AI总结 本文从具身认知角度论证可解释性是在使用中通过共享实践中的可供性创造的，揭示了解释大型语言模型时的本体论障碍，并强调可解释性应限于在情境实践中提供可供性的设计。

Comments 11 pages

Large language models selectively converge with human-shared neural semantic representations

大型语言模型与人类共享的神经语义表征选择性趋同

Chen Hong, Ximing Shao, Gangyi Feng

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

AI总结 本研究结合MEG和跨脑编码模型，比较人类与LLM在共享神经语义表征上的维度结构，发现LLM部分捕捉了人类共享语义，但与社会情感相关的维度存在偏差。

ERAlign: Energy-based Representation Alignment of GNNs and LLMs on Text-attributed Graphs

ERAlign: 文本属性图上GNN与LLM的基于能量的表示对齐

Xianlin Zeng, Fan Xia, Xiangyu Chen

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 ：LLM(title_cn,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 提出ERAlign框架，利用能量模型对齐GNN和LLM的表示，通过能量差异优化实现分布一致性，在8个数据集上取得最优性能。

Comments Accepted to ICML 2026

Multimodal Sexism Identification and Characterization using Large Language Models and Gradient Boosting

使用大语言模型和梯度提升的多模态性别歧视识别与表征

Kyriakos Chaviaras, Maria Lymperaiou, Athanasios Voulodimos

机构 * Artificial Intelligence and Learning Systems Laboratory（人工智能与学习系统实验室） ； School of Electrical and Computer Engineering（电气与计算机工程学院） ； National Technical University of Athens（雅典国家技术大学） 纠错

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

AI总结 提出基于特征工程和梯度提升回归模型的后融合管道，结合视觉、文本、人口统计、生物特征及LLM语义指标，用于识别和表征模因和短视频中的多模态性别歧视。

Representational Curvature Modulates Behavioral Uncertainty in Large Language Models

表征曲率调节大型语言模型中的行为不确定性

Jack King, Evelina Fedorenko, Eghbal A. Hosseini

机构 * Brain and Cognitive Sciences（脑与认知科学） ； 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_cn)；分类 cs.CL、cs.AI、cs.LG

AI总结 研究通过分析表征曲率与token级熵的关系，揭示了大型语言模型中行为不确定性的调节机制，发现曲率变化可影响预测熵。

TokUR: Token-Level Uncertainty Estimation for Large Language Model Reasoning

TokUR：用于大语言模型推理的令牌级不确定性估计

Tunyu Zhang, Haizhou Shi, Yibin Wang, Hengyi Wang, Xiaoxiao He, Zhuowei Li, Haoxian Chen, Ligong Han, Kai Xu, Huan Zhang, Dimitris Metaxas, Hao Wang

机构 * Rutgers University（罗格斯大学） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊） ； Red Hat AI Innovation（红帽AI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、cs.LG

AI总结 本文提出TokUR框架，通过引入低秩随机权重扰动生成令牌级不确定性分布，提升大语言模型在数学推理中的可靠性和可解释性。

Comments Accepted to International Conference on Learning Representations (ICLR) 2026

UQLM: A Python Package for Uncertainty Quantification in Large Language Models

UQLM：用于大型语言模型不确定性量化的Python包

Dylan Bouchard, Mohit Singh Chauhan, David Skarbrevik, Ho-Kyeong Ra, Viren Bajaj, Zeya Ahmad

机构 * CVS Health（CVS健康） 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、cs.LG

AI总结 UQLM是一个用于检测大型语言模型幻觉的Python工具包，通过先进的不确定性量化技术提升模型输出的可靠性。

Comments Accepted by JMLR; UQLM Repository: https://github.com/cvs-health/uqlm

Journal ref Journal of Machine Learning Research, 2026

Sparse Shift Autoencoders for Identifying Concepts from Large Language Model Activations

稀疏位移自编码器用于从大语言模型激活中识别概念

Shruti Joshi, Andrea Dittadi, Sébastien Lachapelle, Dhanya Sridhar

机构 * Mila-Qu\'ebec AI Institute \& Universit\'e de Montr\'eal ； Technical University of M\"unich ； Samsung - SAIT AI Lab, Montr\'eal 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、cs.LG

AI总结 本文提出稀疏位移自编码器，通过学习嵌入差异的稀疏表示，实现对大语言模型中概念的可识别性操控，从而提升模型的可解释性和可控性。

Comments 27 pages, 9 figures