语言大模型 / LLM

Verbalizing LLM's Higher-order Uncertainty via Imprecise Probabilities

通过不精确概率实现LLM的高阶不确定性 verbalizing

Anita Yang, Krikamol Muandet, Michele Caprio, Siu Lun Chau, Masaki Adachi

机构 * Lattice Lab ； Toyota Motor Corporation（丰田汽车公司） ； Department of Computer Science（计算机科学系） ； University of Tokyo（东京大学） ； Rational Intelligence Lab（理性智能实验室） ； CISPA Helmholtz Center for Information Security（CISPA 欧洲信息安全中心） ； University of Manchester（曼彻斯特大学） ； Manchester Centre for AI Fundamentals（曼彻斯特人工智能基础中心） ； EPIC Lab（EPIC实验室） ； College of Computing & Data Science（计算与数据科学学院） ； 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(title,title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本文提出基于不精确概率的新型提示方法，用于更准确地提取LLM的高阶不确定性，以提升其不确定性和决策支持能力。

GPTKB 2.0: Direct Construction of Disambiguated Knowledge Bases from Large Language Models

GPTKB 2.0：从大语言模型直接构建消歧知识库

Yujia Hu, Tuan-Phong Nguyen, Simon Razniewski

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、cs.AI

AI总结 针对从大语言模型构建知识库存在的重复与混淆问题，提出GPTKB 2.0方法，实现百万级消歧实体与三元组的知识库构建，为LLM原生知识库研究提供新方案。

Comments 19 pages, 4 figures

CaliDist: Calibrating Large Language Models via Behavioral Robustness to Distraction

CaliDist: 通过抗干扰行为鲁棒性校准大型语言模型

Mohammad Anas Jawad, Cornelia Caragea

机构 * Cornelia Caragea（卡伦·卡雷亚） ； Mohammad Anas Jawad（穆罕默德·安斯·贾瓦德） 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、cs.LG

AI总结 提出CaliDist方法，通过测量和惩罚模型对语义干扰的敏感性来校准LLM，在7个NLU基准上平均将ECE从23%降至7%。

Neuron-Anchored Rule Extraction for Large Language Models via Contrastive Hierarchical Ablation

基于对比分层消融的大语言模型神经元锚定规则提取

Francesco Sovrano, Gabriele Dominici, Marc Langheinrich

机构 * Università della Svizzera italiana（瑞士意大利大学） 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、cs.LG

AI总结 提出MechaRule方法，通过定位稀疏激动剂激活将规则提取锚定在LLM电路中，利用自适应组测试和置信引导剪枝，以极低代价高召回率识别关键神经元，并在算术和越狱任务中验证其有效性。

Comments Accepted for publication at KDD'2026

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

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

Behavior and Representation in Open-Weight Large Language Models for Combinatorial Optimization: From Feature Extraction to Algorithm Selection

大语言模型在组合优化中的行为与表示：从特征提取到算法选择

Francesca Da Ros, Luca Di Gaspero, Kevin Roitero

机构 * University of Udine（乌迪大学） 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,abstract_cn)；prompting(abstract)

AI总结 本研究探讨了大语言模型在组合优化中的内部表示能力，通过直接查询和探测分析，评估其提取特征和预测最佳求解器的效果。

Comments Accepted for publication in Computers & Operations Research. Code and data are available on Zenodo: https://doi.org/10.5281/zenodo.21891840

LLM4Delay: Flight Delay Prediction via Cross-Modality Adaptation of Large Language Models and Aircraft Trajectory Representation

LLM4Delay：通过大语言模型与飞机轨迹表示的跨模态适应进行航班延误预测

Thaweerath Phisannupawong, Joshua Julian Damanik, Han-Lim Choi

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） 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,abstract_cn)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出LLM4Delay框架，通过整合文本航空信息和轨迹数据，提升航班延误预测精度，展示出文本与轨迹数据互补的优势。

InverseScope: Scalable Activation Inversion for Interpreting Large Language Models

InverseScope：用于解释大语言模型的可扩展激活反演

Yifan Luo, Zhennan Zhou, Bin Dong

机构 * School of Mathematical Science, Peking University（北京大学数学科学学院） ； School of Science, Westlake University（西湖大学理学院） ； Beijing International Center for Mathematical Research（北京国际数学研究中心） ； New Cornerstone Science Laboratory, Peking University（北京大学新基石科学实验室） 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,abstract_cn)；分类 cs.AI、cs.LG

AI总结 研究大语言模型内部表征解释难题，提出InverseScope框架，通过输入反演解释神经激活，用新颖架构提高采样效率，揭示模型表征空间结构，可扩展到14B参数模型并推广到分布外输入。

Comments 12 pages

Teaching Foundation Models to Read mmWave: Pose-Guided Kinematic Representation for Human Behavior Understanding

教基础模型阅读毫米波：用于人类行为理解的姿态引导运动学表示

Duo Zhang, Zhehui Yin, Zhiyun Yao, Haotong Qin, Xusheng Zhang, Hongliu Yang, Jianyu Sun, Junzhe Wang, Zizhou Fan, Michele Magno, Daqing Zhang

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

AI总结 本研究提出雷达-语言模型mmMind，利用同步3D姿态监督训练，结合时空雷达编码器与LLM，构建含17.9小时数据的mmMind-Bench，在多项任务上优于现有基线。

Comments 16 pages, 7 figures

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

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

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

Citation Grounding Measures the Oracle: Graph Coverage Determines Reported LLM Hallucination Rates in Law

引用溯源：通过法律引用图检测和减少LLM引用幻觉

Volodymyr Ovcharov

机构 * LEX AI LLC 纠错

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

AI总结 提出引用溯源（CG）指标，利用乌克兰法院判决的引用图（1.008亿判决，5.02亿边）检测LLM法律引用幻觉，并通过CG-DPO方法（基于真实判决构建偏好对）减少幻觉，在100个法律查询上CG为0.791-0.873，幻觉率13-21%。

Comments 21 pages, 4 figures, 5 tables. Substantially revised: title, framing and several v1 results changed. Adds a coverage sweep and a separability analysis; corrects the DPO configuration, the density-accuracy correlation and the qualitative examples. Code and data: https://huggingface.co/datasets/overthelex/citation-grounding-eval

One Word at a Time: Incremental Completion Decomposition Breaks LLM Safety

逐词进行：增量完成分解打破LLM安全

Samee Arif, Naihao Deng, Zhijing Jin, Rada Mihalcea

机构 * University of Michigan（密歇根大学） ； University of Toronto（多伦多大学） 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

AI总结 本文提出增量完成分解（ICD）策略，通过逐词生成恶意请求相关词来突破LLM安全机制，评估多种变体在多个基准测试中表现优异，并理论解释其有效性。

When Agents Disagree With Themselves: Behavioral Consistency as an Uncertainty Signal for LLM Agents

当智能体与自身意见相左：测量基于LLM的智能体的行为一致性

Aman Mehta

机构 * Aman Mehta 纠错

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

AI总结 研究发现基于LLM的智能体在相同任务上运行结果不一致，且这种不一致与任务成功率密切相关，通过监控行为一致性可提升智能体可靠性。

Comments Accepted at the ICML 2026 Workshop on Statistical Frameworks for Uncertainty in Agentic Systems. 12 pages, 9 figures

Large language models replicate and predict human cooperation across experiments in game theory

大型语言模型在博弈论实验中复制并预测人类合作行为

Andrea Cera Palatsi, Samuel Martin-Gutierrez, Ana S. Cardenal, Max Pellert

机构 * Department for Computational Social Sciences and Humanities, Barcelona Supercomputing Center（巴塞罗那超级计算中心计算社会科学与人文学系） ； Grupo de Sistemas Complejos, Universidad Politécnica de Madrid（马德里理工大学复杂系统研究组） ； School of Law and Political Science, Universitat Oberta de Catalunya（加泰罗尼亚开放大学法律与政治科学学院） 纠错

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

AI总结 本研究通过复制大规模博弈实验，发现Llama模型能高保真复现人类合作模式，而Qwen更接近纳什均衡，并揭示了Llama的注意力机制与人类行为对齐的机理。

The Trilemma of Truth in Large Language Models

大型语言模型中真理的三难困境

Germans Savcisens, Tina Eliassi-Rad

机构 * Khoury College of Computer Sciences Northeastern University（东北大学科里学院） ； Network Science Institute Northeastern University（东北大学网络科学研究所） ； Santa Fe Institute（圣菲研究所） 纠错

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

AI总结 针对大型语言模型知识真实性探测方法的缺陷，提出结合多实例学习与共形预测的sAwMIL框架，实现真、假及不确定三类分类，揭示真理与虚假的非对称编码及第三种信号的存在。

Comments The main text is 9 pages long (plus 3 pages of references); supplementary material (60 pages) is included in the same PDF

Jacobian Scopes: token-level causal attributions in LLMs

Jacobian Scopes: LLM中的令牌级因果归因

Toni J. B. Liu, Baran Zadeoğlu, Nicolas Boullé, Raphaël Sarfati, Gurbir Arora, Christopher J. Earls

机构 * Cornell University（康奈尔大学） ； Imperial College London（伦敦帝国理工学院） ； Goodfire AI 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

AI总结 提出Jacobian Scopes，一种基于梯度的令牌级因果归因方法，用于解释LLM预测，揭示政治偏见、翻译策略和上下文学习机制。

Comments 25 pages, 16 figures

LLM-Conditioned Synthesis of Pathological Gaits via Structured Gait-Language Representations

基于结构化步态-语言表示的LLM条件病理步态合成

Mritula Chandrasekaran, Sanket Kachole, Jarek Francik, Dimitrios Makris

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Toronto（多伦多大学） ； MIT Media Lab（麻省理工学院媒体实验室） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)

AI总结 提出一种多模态LLM引导框架，通过结构化文本描述合成病理步态3D数据，利用运动标记化、病理感知语言条件、LLM语义增强和语言到步态生成，改善下游分类性能。

Comments Accepted at CVPR MOMA Workshop 2026 and selected for spotlight presentation at the workshop

One Leak Away: How Pretrained Model Exposure Amplifies Jailbreak Risks in Finetuned LLMs

一个泄漏：预训练模型暴露如何放大微调LLM中的劫持风险

Yixin Tan, Zhe Yu, Rui Wen, Jun Sakuma

机构 * Institute of Science Tokyo（东京科学研究所） ； Riken AIP（理化学研究所AIP） 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.AI

AI总结 本研究揭示了预训练模型暴露如何放大微调LLM的劫持风险，提出PGP攻击方法，证明了预训练到微调过程中存在的安全漏洞。

Comments This paper has been accepted to the ACM SIGSAC Conference on Computer and Communications Security (ACM CCS)

Word Recovery in Large Language Models Enables Character-Level Tokenization Robustness

在大语言模型中实现词恢复增强了字符级分词的鲁棒性

Zhipeng Yang, Shu Yang, Lijie Hu, Di Wang

机构 * Zhipeng Yang（杨志鹏） ； Shu Yang（杨舒） ； Lijie Hu（胡丽杰） ； Di Wang（王迪） 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

AI总结 本研究通过机制可解释性发现词恢复是大语言模型处理字符级输入的关键机制，增强了分词鲁棒性。

Stress Testing Concept Erasure with Large Language Model Agents

用大语言模型智能体对概念擦除进行压力测试

Yuyang Xue, Feng Chen, Zhihua Liu, Edward Moroshko, Jingyu Sun, Steven McDonagh, Sotirios A. Tsaftaris

机构 * School of Engineering, University of Edinburgh（爱丁堡大学工程学院） ； The University of Manchester（曼彻斯特大学） ； The University of Melbourne（墨尔本大学） 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

AI总结 研究针对概念擦除评估面临的验证挑战，提出STACE框架，利用大语言模型智能体迭代生成并验证压力测试假设，通过一套指标评估性能效率，经实验证明该框架在多方面表现优异且可拓展到其他领域。

Understanding Fortunetelling with Large Language Models in China: User Practices, Perceptions, and Impacts on Beliefs and Decisions

理解中国大语言模型的算命现象：用户实践、认知及其对信念和决策的影响

Xueer Lin, Chenyu Li, Shuai Ma, Yuhan Lyu, Zhenhui Peng

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

AI总结 研究中国用户用大语言模型算命的情况，通过分析社交媒体帖子和访谈用户，发现用户把它当情感支持工具，结果少改信念决策，但引发思维模式转变和小行为调整，探讨了从中获益的意义。

Comments Accepted at ICWSM 2027

Improving Code Understanding in Large Language Models through Concept-Aware Consistency Learning

通过概念感知一致性学习提高大语言模型中的代码理解能力

Xiaoning Ren, Qiang Hu, Wei Ma, Chongyang Liu, Yan Li, Yao Zhang, Lingxiao Jiang, Yongqiang Lyu, Yinxing Xue

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

AI总结 研究针对大语言模型对基本编程概念理解浅的问题，引入结合概念感知调整的反事实代码增强框架，经多模型和基准综合评估，证明此方法能引导大语言模型增强概念理解，有效提升其在代码相关任务中的表现。

Comments To appear at IJCAI 2026

On Solomonoff Induction in Large Language Models and the Limits of Self-Improving: The Singularity Is Not Near Without Symbolic Model Synthesis

在大型语言模型中自我改进的极限：没有符号模型合成，奇点并不临近

Hector Zenil

机构 * Algorithmic Dynamics Lab（算法动力实验室） ； Department of Biomedical Computing（生物医学计算系） ； School of Biomedical Engineering and Imaging Sciences（生物医学工程与成像科学学院） ； King’s Institute for AI（国王人工智能研究所） ； King’s College London（伦敦国王学院） ； Oxford Immune Algorithmics（牛津免疫算法公司） ； Oxford University Innovation（牛津大学创新中心） ； London Institute for Healthcare Engineering（伦敦医疗工程研究所） 纠错

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

AI总结 研究指出大型语言模型在缺乏外部信号时自我改进会退化，提出神经符号整合方法以突破这一限制。

Comments 31 pages. Update: DPI and Levin's non-growth is not violated explanation when it comes to finite learners

Probing the Difficulty Perception Mechanism of Large Language Models

探究大语言模型的难度感知机制

Sunbowen Lee, Qingyu Yin, Chak Tou Leong, Jialiang Zhang, Yicheng Gong, Shiwen Ni, Min Yang, Xiaoyu Shen

机构 * Institute of Digital Twin, EIT（数字孪生研究所，EIT） ； Wuhan University of Science and Technology（武汉科技大学） ； Zhejiang University（浙江大学） ； Hong Kong Polytechnic University（香港理工大学） ； Shenzhen Institutes of Advanced Technology, CAS（深圳先进技术研究院，中国科学院） 纠错

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

AI总结 研究大语言模型内部评估问题难度的能力，通过线性探测和定位特定注意力头实现难度感知建模，经消融实验验证，为用LLMs作自动难度注释器提供支持，揭示token级差异，表明难度感知有结构组织，提供新方向。

Generalization of Fine-Tuned Uncertainty Communication and Metacognition in Large Language Models

微调后大语言模型的不确定性沟通与元认知的泛化

Mark Steyvers, Catarina Belem, Padhraic Smyth

机构 * Department of Cognitive Sciences, University of California, Irvine, United States（认知科学系，加州大学伊文斯顿分校，美国） ； Department of Computer Science, University of California, Irvine, United States（计算机科学系，加州大学伊文斯顿分校，美国） 纠错

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

AI总结 研究通过监督微调提升大语言模型不确定性沟通能力，发现领域内校准和判别改善，但任务间迁移有限，多任务训练可促进泛化。

Hyperdimensional Probe: Decoding LLM Representations via Vector Symbolic Architectures

超维探针：通过向量符号架构解码大语言模型表示

Marco Bronzini, Carlo Nicolini, Bruno Lepri, Jacopo Staiano, Andrea Passerini

机构 * University of Trento（特伦托大学） ； Ipazia S.p.A.（Ipazia公司） ； Fondazione Bruno Kessler (FBK)（布鲁诺·凯塞勒基金会） 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)；分类 cs.CL、cs.AI、cs.LG

AI总结 研究旨在解码大语言模型表示，提出超维探针，结合符号表示与神经探测，利用向量符号架构和超向量代数统一先前方法，能深入提取输入特征并支持输出分析，实验表明其可在多场景提取语义信息，推进了语义理解。

Comments CODE: https://github.com/Ipazia-AI/hyperprobe