University of Southern California（南加州大学）

When LLMs Read Tables Carelessly: Measuring and Reducing Data Referencing Errors

当LLM粗心阅读表格时：测量并减少数据引用错误

Yuqing Yang, Qi Zhu, Zhen Han, Boran Han, Zhengyuan Shen, Shuai Wang, Vassilis N. Ioannidis, Huzefa Rangwala

机构 * University of Southern California（南加州大学） ； AWS AI Labs（AWS AI实验室） 纠错

AI总结 本研究系统评估了大型语言模型在表格任务中的数据引用错误，并提出基于批评模型的过滤与拒绝采样方法，将答案准确率提升高达12.0%。

Comments ACL 2026 (Oral)

One Retrieval to Cover Them All: Co-occurrence-Aware Knowledge Base Reorganization for Session-Level RAG

一次检索覆盖所有：基于共现感知的知识库重组用于会话级RAG

Shivam Ratnakar, Yixuan Zhu, Cecilia Cheng, Chaya Vijayakumar

机构 * University of Southern California（南加州大学） 纠错

AI总结 针对会话级信息需求，提出基于共现聚类的知识库离线重组和查询时扩展检索候选的方法，将单次查询会话覆盖率从41%提升至58%，并压缩知识库至原大小的20%。

Comments Accepted to the Towards Knowledgeable Foundation Models (KnowFM) Workshop at ACL 2026

Cross-Modal Hierarchical Fusion for from Multi-Sensor Ground Observation

跨模态分层融合用于多传感器地面观测

Xinze Zhang

机构 * University of Southern California（南加州大学） 纠错

AI总结 提出AtmoFuseNet框架，通过跨模态分层聚合、条件变分精化和相关运动估计，融合多视角天空相机、毫米波云雷达和云高仪数据，实现云微物理场和风场的4D重建。

The Geometry of Refusal: Linear Instability in Safety-Aligned LLMs

拒绝的几何：安全对齐大语言模型中的线性不稳定性

Shivam Ratnakar, Kartikeya Vats

机构 * University of Southern California（南加州大学） ； Independent Researcher（独立研究员） 纠错

AI总结 研究通过对比安全与不安全系统提示的隐藏状态，提出对比逻辑操控（CLS）框架，揭示安全对齐的线性脆弱性，并证明逻辑级干预比隐藏状态方法更有效，同时可实现双向控制。

Comments Accepted at TrustNLP 2026 (Sixth Workshop on Trustworthy Natural Language Processing, ACL 2026)

Sparse Layers are Critical to Scaling Looped Language Models

稀疏层对扩展循环语言模型至关重要

Ryan Lee, Jacob Biloki, Edward J. Hu, Jonathan May

机构 * USC Information Sciences Institute（美国南加州大学信息科学研究所） ； Netflix（netflix公司） 纠错

AI总结 研究比较了带循环和不带循环的MoE和标准Transformer，发现循环MoE模型在扩展性上优于标准模型，且循环模型在计算质量权衡中具有更好的早退性能。