University of Pennsylvania（宾夕法尼亚大学）

IUQ: Interrogative Uncertainty Quantification for Long-Form Large Language Model Generation

IUQ：长文本大语言模型生成的疑问性不确定性量化

Haozhi Fan, Jinhao Duan, Kaidi Xu

机构 * University of Pennsylvania（宾夕法尼亚大学） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； City University of Hong Kong（香港城市大学） 纠错

AI总结 本文提出IUQ框架，通过跨样本一致性与内样本忠实度量化长文本生成的不确定性，验证了其在不同模型上的优越性能。

Comments Accepted by ACL (main) 2026

Uncertainty Quantification in LLM Agents: Foundations, Emerging Challenges, and Opportunities

大语言模型代理中的不确定性量化：基础、新兴挑战与机遇

Changdae Oh, Seongheon Park, To Eun Kim, Jiatong Li, Wendi Li, Samuel Yeh, Xuefeng Du, Hamed Hassani, Paul Bogdan, Dawn Song, Sharon Li

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Nanyang Technological University（南洋理工大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Southern California（南加州大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

AI总结 本文探讨了大语言模型代理中不确定性量化的基础、挑战及未来方向，提出新的框架并分析了现实场景中的技术难题。

Comments ACL 2026 Main Conference

Inertia in Moral and Value Judgments of Large Language Models

大语言模型中的道德与价值观判断中的惯性

Bruce W. Lee, Yeongheon Lee, Hyunsoo Cho

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Ewha Womans University（成均馆大学） 纠错

AI总结 研究发现大语言模型在不同角色设定下仍保持一致的价值取向，存在道德和价值观维度的惯性倾向，揭示了模型内部的偏见和价值偏好。

Comments ACL 2026

Negative Momentum for Convex-Concave Optimization

凸-凹优化中的负动量

Henry Shugart, Shuyi Wang, Jason M. Altschuler

机构 * UPenn（宾夕法尼亚大学） ； Yale（耶鲁大学） 纠错

AI总结 本文研究了凸-凹优化中负动量的收敛性，证明了其在通用性和快速收敛性上的优势，扩展了动量方法的应用范围。

SeekerGym: A Benchmark for Reliable Information Seeking

SeekerGym：一个评估可靠信息检索的基准

Remy Kim, Minseung Lee, Shuo Li, Osbert Bastani

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Curation Labs ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 SeekerGym旨在评估AI代理检索信息的完整性，通过文档检索任务测试代理对信息完整性的量化能力，实验显示现有模型在Wikipedia和ML调研论文上分别检索出42.5%和29.2%的段落，仍有改进空间。

Interdisciplinary Workshop on Mechanical Intelligence: Summary Report

机械智能跨学科研讨会：总结报告

Victoria A. Webster-Wood, Nicholas Gravish, Amir Alavi, Andres F Arrieta, Sarah Bergbreiter, Anthony Bloch, Laura Blumenschein, C. Chase Cao, Aja Mia Carter, Paolo Celli, Tony Chen, Margaret Coad, Mark Cutkosky, Michael Dickey, Brian Do, Robert Full, Mahdi Haghshenas-Jaryani, Kaushik Jayaram, Aaron Johnson, Eva Kanso, Emma Lejeune, Chen Li, Suyi Li, Jeffrey Lipton, Rob MacCurdy, Matt McHenry, Jean-Michel Mongeau, Todd Murphey, Mark Plecnik, Jordan Raney, Ryan D. Sochol, Hannah Stuart, Zeynep Temel, Michael Tolley, Barry Trimmer, T. J. Wallin, Kon-Well Wang, Wenzhong Yan, Mark Yim, Wenlong Zhang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pittsburgh（匹兹堡大学） ； Purdue University（Purdue 大学） ； University of Michigan（密歇根大学） ； Tufts University（塔夫茨大学） ； Oregon State University（俄勒冈州立大学） ； Case Western Reserve University（凯斯西储大学） ； John’s Hopkins University（约翰·霍普金斯大学） ； Boston University（波士顿大学） ； University of Southern California（南加州大学） ； University of California at Berkeley（加州大学伯克利分校） ； Penn State University（宾夕法尼亚州立大学） ； Northeastern University（东北大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Colorado Boulder（科罗拉多大学 Boulder 分校） ； New Mexico State University（新墨西哥州立大学） ； University of Notre Dame（诺丁汉大学） ； Stanford University（斯坦福大学） 纠错

AI总结 本报告总结了2024年机械智能跨学科研讨会的成果，探讨了机械结构自身通过响应性、适应性、记忆和学习编码智能的现象，以及其与计算智能的区别。

eCP: Equivariant Conformal Prediction with pre-trained models

eCP：基于预训练模型的等变符合预测

Nikolaos Bousias, Lars Lindemann, George Pappas

机构 * GRASP Laboratory, Department of Electrical & Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系GRASP实验室） ； Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Automatic Control Laboratory, ETH Zürich（苏黎世联邦理工学院自动控制实验室） 纠错

AI总结 本文提出eCP方法，通过结合几何信息和预训练模型，改进符合预测的不确定性区域，提升高置信度下的预测精度。