University of California, San Diego（加州大学圣迭戈分校）

LLM Ghostbusters: Surgical Hallucination Suppression via Adaptive Unlearning

LLM Ghostbusters: 通过自适应反学习实现精准幻觉抑制

Joseph Spracklen, Pedram Aghazadeh, Farinaz Koushanfar, Murtuza Jadliwala

机构 * University of Texas San Antonio（德克萨斯大学圣安东尼奥分校） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 本文提出自适应反学习框架，通过混合token级目标和自适应发现循环，有效抑制LLM幻觉，减少81%的包幻觉率，同时保持编码基准性能，验证其对特定分布的针对性效果。

LatentDiff: Scaling Semantic Dataset Comparison to Millions of Images

LatentDiff: 语义数据集比较的扩展方法用于数百万张图像

James Flora, Kowshik Thopalli, Akshay R. Kulkarni, Weng-Keen Wong, Shusen Liu

机构 * School of Electrical Engineering and Computer Science, Oregon State University, Corvallis, Oregon, USA（俄勒冈州立大学电气工程与计算机科学学院） ； Lawrence Livermore National Laboratory, Livermore, California, USA（劳伦斯利弗莫尔国家实验室） ； University of California San Diego, California, USA（加州大学圣地亚哥分校） 纠错

AI总结 LatentDiff通过在预训练视觉编码器的潜在空间中结合稀疏自编码器的发散测试与密度比估计，实现语义数据集比较的高效准确，且在极小比例图像差异下仍保持鲁棒性。

Comments 17 pages, 6 figures

How Reasoning Evolves from Post-Training Data: An Empirical Study Using Chess

推理如何从训练数据中演变：使用国际象棋的实证研究

Lucas Dionisopoulos, Nicklas Majamaki, Prithviraj Ammanabrolu

机构 * Department of Computer Science and Engineering, University of California San Diego, San Diego, United States（计算机科学与工程系，加州大学圣地亚哥分校，圣地亚哥，美国） 纠错

AI总结 研究语言模型推理从监督微调到强化学习的演变，发现直接预测最佳走法的微调能提升性能，但强化学习阶段导致不一致推理，而多步轨迹训练则能获得更稳定的推理。

Comments Accepted at ICML 2026. An earlier version appeared at the NeurIPS 2025 Foundations of Reasoning in Language Models (FoRLM) Workshop (Oral)