跳到正文
11月10日周二
  1. arXiv · AI32

    AYO:一个用于研究儿童与LLM互动的安全且保护隐私的平台

    研究团队推出开源平台AYO,专为安全、系统地研究儿童与对话式LLM的互动而设计。 AYO提供儿童友好界面、可配置的基于年龄的安全护栏、研究人员监控及保护隐私的数据实践。 该平台支持横截面、纵向及实验性研究,旨在生成证据以指导更安全的AI系统、教育实践和相关政策。

  2. arXiv · AI35

    退伍军人心理健康危机严重度标注:LLM 是否比人类专家更一致?

    评估15个开源和10个专有LLM在退伍军人推文危机严重度标注上的一致性,LLM模型间序数一致性α达0.8336,高于人类专家的0.494。 测试8种提示变体显示专有模型与专家标注更符合且更稳定,GPT-5.6-Terra综合表现最佳,Qwen2.5-7B在识别自杀意念急性危机最强。 高一致性不必然代表符合人类判断或可靠检测罕见高危病例,LLM作为专家标注的补充需严格评估后用于高风险应用。

  3. arXiv · NLP30

    Transformer 的通信图谱:基于权重几何的全局耦合分析

    论文提出 Transformer 通信图谱,通过权重几何映射所有潜在通信通道。分析显示 70-89% 的注意力头对呈现显著非随机耦合特征。 研究恢复了归纳电路结构,并通过消融二维残差流子空间,在高达 Pythia-6.9B 的六个模型中使归纳功能失效。 作者开源了通信图谱、统计工具及干预套件,支持模型机制可解释性研究。

  4. arXiv · NLP29

    Animation2Code 基准测试:评估视频到代码生成的时序视觉推理能力

    研究团队发布 Animation2Code 基准测试,旨在评估视觉语言模型(VLMs)在视频到代码生成任务中的时序视觉推理能力。该基准包含 1,069 个网页动画视频及其对应的 HTML/CSS/JavaScript 实现,并提出了外观相似度和时序相似度两项指标。测试显示,当前最先进的 VLMs 在重建时难以保持时序一致性,即使外观相似度较高,且在微调和迭代优化设置下表现依然受限。

  5. arXiv · NLP29

    潜空间视觉推理瓶颈:数据信息不足与生成偏离

    研究发现模型在潜空间视觉推理中忽略连续潜 token,因其替换为无信息占位符后准确率不受影响。 分析表明现有数据中 oracle 潜 token 缺乏额外信息,且推理时生成的 token 偏离 oracle 表征,导致无法获益。 未来突破需依赖具备高信息量中间步骤的数据集及更精确的潜 token 预测方法。

  6. arXiv · NLP29

    Focus Matters: Attention-Value Dynamics for Efficient Hallucination Mitigation in Vision-Language Models

    针对大型视觉语言模型(LVLMs)的对象幻觉问题,研究提出基于注意力-值动态的免训练推理时干预方法。 该方法识别出视觉处理中的“聚焦”阶段,通过替换低注意力 token 的值向量来减少幻觉,同时保留真实物体证据。 实验表明该方法几乎不增加额外运行时开销,且能与现有推理时缓解方法兼容。

  7. arXiv · NLP25

    线性模型合并实现多模态数据混合的简单可扩展优化

    研究通过线性模型合并策略优化多模态大语言模型的 SFT 数据混合。该策略使用合并后的代理模型评估不同数据混合的效果。 在 14 个多模态 benchmark 上的实验表明,代理模型能一致选出接近最优的数据混合。这种方法解耦了混合搜索与高成本训练过程,提供了可扩展且高效的优化方案。

  8. arXiv · NLP29

    ChartHal:评估大视觉语言模型图表理解中幻觉的细粒度框架

    ChartHal提出了一套图表理解中的幻觉细粒度分类体系及包含1,062条人工验证样本的基准数据集。 实验显示,最先进的模型GPT-5和o4-mini在该基准上的准确率仅分别为34.46%和22.79%。 研究表明,涉及图表缺失或矛盾信息的问题最容易触发模型幻觉,凸显了开发更强健缓解策略的迫切需求。

  9. arXiv · NLP26

    安全对齐成本不均:非英语用户比英语用户承受更高的“安全代价”

    研究量化了安全对齐带来的效用损失,发现非英语用户承担的系统性“安全代价”高于英语用户。 该现象源于显性拒绝与多维度隐性差异,具体表现为小语种陷入保护弱、损失大的双重惩罚区,高资源语言为达到同等安全也需付出更大代价。 (注:原文未明确提及具体模型名称或量化benchmark分数,仅描述定性发现)

  10. arXiv · NLP28

    跨语言迁移是否真正在进步?重新审视多语言模型

    论文提出硬度调整迁移(HAT)分数,以准确衡量从源语言到低资源目标语言的泛化能力,避免混淆源语言精度提升与真实迁移能力。 研究分析 20 个多样化语言模型在 3 个主流多语言基准上的表现,发现小模型迁移并非失效,但随着模型规模增大,跨语言迁移的进步速度慢于预期。 尽管整体时间维度上取得了明确进步,该指标揭示了当前多语言模型在扩展规模时迁移能力增长的瓶颈。

  11. arXiv · NLP30

    乳腺X光VLM跨信号一致性评估

    在乳腺密度和BI-RADS分类任务中,四个视觉语言模型对图像扰动后的置信度并未降低,且选项乱序会改变多数模型的回答。 研究发现,部分模型自身陈述的推理与最终答案存在矛盾,这种不一致性无法仅通过准确率评估。该结果指出,在评估VLM时,必须结合答案、置信度和解释的一致性来判断其输出可信度。

  12. arXiv · NLP36

    视觉心理理论受限主因是感知而非推理:提出五条件分离协议

    视觉语言模型在视觉虚假信念测试中性能骤降,研究指出瓶颈在于感知而非推理。 通过五条件分离协议评估7个VLM,感知贡献比率量化视觉-文本差距;60%的虚假信念失败源于现实偏差,模型报告物体实际位置而非代理信念位置。 该论文被NeurIPS 2026接收,证实结构化视觉场景状态提取是视觉心理理论的主要障碍。

  13. arXiv · NLP48

    Micius-Flash 发布:面向工程的 27B 轻量级智能体模型

    Micius-Flash 是一款拥有 27B 参数、256K-token 上下文窗口及原生多模态输入的开源模型。 该模型通过 MOPD 技术集成半导体与硬件专家模型,在硬件代码基准中平均得分 64.2%,半导体智能体基准得分 62.4%。 研究团队开发了 Micius Harness,支持连接 EDA 工具与 KiCad,已开源以推进工程智能体发展。

  14. arXiv · NLP22

    KR A1:集成个性化语音合成与情绪感知响应的人形机器人交互原型设计

    论文提出人形机器人交互原型 KR A1,整合 Qwen2.5-3B-Instruct、OpenVoice v2 及双层情绪处理管道,面向心理健康护理场景。 采用 InsightFace 人脸识别与 FAISS 向量检索实现用户个性化交互;当前评估仅涉及语音克隆的八项声学相似度指标,未进行临床部署。 情绪识别准确率、系统延迟及临床效果尚未评估,相关测试均为开发团队非正式自测,未涉及外部参与者。

  15. arXiv · NLP28

    先处理再检索:探究视觉语言模型中模态鸿沟的起源

    研究发现视觉语言模型(VLM)中的模态鸿沟源于文本与视觉 Token 在嵌入层的语义密度差异。 具体表现为文本 Token 的语义密度显著低于视觉 Token,导致模型早期层需优先处理文本表征。 研究者证实,用语义最接近的文本 Token 替换视觉 Token 位置,可提升早期层对原视觉位置的注意力。 该机制分析为弥合模态鸿沟及改进多模态推理架构提供了坚实基础。

  16. arXiv · NLP21

    IRIS-Embed 改进指令感知语音检索的 LALM 嵌入基线

    IRIS-Embed 通过对比训练和指令感知的音频层加权,将大型音频语言模型(LALMs)适配为嵌入模型,在 INSPIRE 基准测试中显著超越基线。 最佳模型取得 62.92% 的宏平均 Recall@50,优于最强基线的 45.15%。该模型使用约 900K 真实与合成数据样本构建训练集,在 MAEB 基准上获得 9.4-19.8 点的宏平均提升,证明其在语音检索之外的泛化能力。

  17. arXiv · NLP42

    HiVe-Mem:多模态智能体中水平记忆扩展与垂直证据组合的交错框架

    HiVe-Mem 多模态记忆框架通过交错执行水平记忆扩展与垂直证据组合,在多模态记忆基准上提升任务性能。 该框架利用关系图扩展语义检索种子,并通过轻量选择器独立组合每条记忆的多种证据形式,如摘要、原始图像等。 相较于最高效的竞争基线,该框架在保持性能提升的同时,将 token 消耗降低了约 90%。

  18. arXiv · NLP38

    叙事鸿沟:LLM 能否助力跨语言导航多元叙事?

    研究提出 NarrativeBench,包含 23 种语言、460 个查询及 1,333 篇新闻,定义 6 项核心能力。 评估 14 个 LLM 发现,模型缺乏导航多元叙事能力,导致不同语言间信息获取差异显著,加剧“信息对等”缺失。 NeurIPS 2026 录用该工作,其基准为开发跨语言信息系统及提升用户信息获取自主权提供基础。

  19. arXiv · NLP26

    EmoHarness: 通过元框架演化增强多模态情绪理解

    EmoHarness 框架在 5,507 项 MME-Emotion 测试中,将小型多模态模型的识别准确率提升 7.6-13.4 分。 该框架利用转录文本和韵律描述作为可引用证据,通过元框架演化(MHE)机制,由 Builder LLM 离线优化提示词与验证代码。 转录和韵律贡献了主要提升幅度(+5.38 至 +10.71),而框架演化带来的增量在统计校正后不显著。

  20. arXiv · NLP30

    MoTo:面向公平多语言建模的混合分词器框架

    提出模块化分词框架 MoTo,为每种语言训练专用 BPE 分词器并组成统一超集词汇。 在各语言保留独立归一化与词表预算的前提下,MoTo 在 21 种类型多样语言中的 18 种取得提升,且对英语的影响极小。 该结果表明模块化子词分词是实现多语言公平建模的可行且可扩展方案。

  21. arXiv · NLP31

    LLM 病历文书冗余与诊断过度提及对下游 LLM 的影响

    LLM 生成的病历文书存在“文书膨胀”与“诊断过度提及”两类伪影,影响下游 LLM 性能。 研究覆盖 4 个模型家族的 7 个 reader 模型,发现 LLM 生成的摘要笔记会轻微降低下游病程生成质量,而注入的过度诊断会在下游输出中以不同比例复现。 结果证实需在病历中监控 AI 生成内容,并在后续 AI 处理时予以考虑。

  22. arXiv · NLP22

    CulturalCrosswords:多语言文化谜题中 LLM 答案约束与网格填充基准

    该基准评估了 LLM 在 42 种语言文化谜题中的表现,发现添加长度约束使与参考答案的一致性提高 22.8 个百分点。 测试涵盖 11 种 LLM 配置和 5 种提示变体。网格输入使兼容答案占比提升 9.7 个百分点,要求完整网格时模型间差异显著。 该基准区分了匹配单一参考答案与生成相互兼容、占据正确单元格的答案的能力。

  23. arXiv · NLP21

    多模态 LLM 遗忘学习中监督目标的重构:减少私有信息与降低分布偏移

    针对多模态大模型(MLLMs)遗忘学习中的效用平衡问题,本文指出含更多私有信息的监督目标会导致遗忘不充分,且分布偏移过大会造成效用退化。 提出 FFN-Perturbed Self-Distillation (FPD) 方法,通过扰动 FFN 激活以构造低偏移目标,在 S-MLLMUn Bench 上展示了更优的遗忘-效用权衡。

  24. 美团技术团队80

    美团正式开源 1.6 万亿参数 LongCat-2.5:多模态模型在国产算力上实现高效推理

    美团正式以 MIT 协议开源 LongCat-2.5,该原生多模态模型总参数 1.6 万亿、每个 token 激活约 480 亿参数并支持一百万上下文,面向长程智能体任务在代码开发、Visual Coding 与专业办公场景中端到端交付能力明显提升。

    推荐理由:原文详细披露了1.6万亿参数多模态模型在国产算力下的W4A4量化策略与训练细节,展示了在显存受限场景下落地万亿模型的具体工程路径。

11月9日周一