跳到正文
11月17日周二
  1. arXiv · NLP41

    从事实到角色:通过混合专家模型实现 LLM 中可解释的角色遗忘

    研究提出角色扮演遗忘任务,旨在选择性遗忘目标角色的风格与知识,同时保留非目标角色的语言能力。 提出 RoleMoE 混合专家框架,通过专业化损失和解耦损失映射独立专家子空间,提升角色分离与结构可解释性。 实验在多个 LLM 骨干上表明 RoleMoE 能精确可控地遗忘角色,且代码和数据集已公开。

  2. arXiv · NLP35

    心理健康文本分类中感知泄漏的校准决策级融合

    研究利用262,276条Reddit记录评估异构Transformer融合框架,选定模型组合达成0.844 macro-F1,较最佳单模型提升0.021。 审计发现50.2%记录存在训练集谱系重叠,故采用谱系不相交划分。去重驱动词移除导致58%的拯救案例失效。 谱系审计可检测词汇过滤遗漏的依赖,校准揭示集成行为盲区。

  3. arXiv · NLP38

    OmitEHR:基于历史临床摘要的LLM生成病历漏项检测

    OmitEHR提出无参考标准漏项检测器,在5000例住院记录中,其预测临床关键句性能优于含LLM评判基线。 该工具每摘要处理耗时17.7-19.5秒,成本$0.03-$0.13,比LLM逐句评分快1.6-1.7倍、便宜5.6-6.7倍。 盲审确认其每摘要平均识别5.6个临床意义漏项,高于全LLM管线的3.3个。

  4. arXiv · NLP35

    稀疏潜基视角重访优质上下文子集选择:RES算法在LLM推理中的应用研究

    研究提出残差解释搜索(RES)作为稀疏重构诊断程序,用于选择少样本演示子集。RES在56个模型-数据集组合中的34个上优于MMR,情感任务优势最明显,但相关性检索在模板推理基准上表现更佳。 目标模型中间层表示更利于相似度检索,最后层则更适合残差和多样性选择。研究支持依据表示条件判断上下文子集质量的观点,而非追求普适最优选择器。

  5. arXiv · NLP30

    Omni-Workspace:全模态 AI 助手多模态工作区任务基准

    Omni-Workspace 包含 380 个深度研究风格任务,涵盖四种多模态工作区类型和两个难度等级,用于评估全模态智能体。 18 个代表性模型评估显示,最佳模型平均分仅为 65.93,暴露出多模态上下文膨胀和任务状态漂移等长程执行局限。 该基准推动了全模态智能体在复杂任务自主完成方面的评估与发展。

  6. arXiv · NLP26

    可言语化工作区中角色-填充绑定测试:前沿语言模型缺乏绑定结构

    基于可言语化工作区的运行时对齐监视器无法捕获模型的角色-填充绑定结构。实验在 Qwen3.6-27B 和 Gemma-3 系列模型上验证,线性探针在工作区读取角色时表现低于随机对照组。 这意味着该监视器会遗漏模型自身所表征的角色分配,且消融实验仅在 Gemma-3-27B-IT 上显示出绑定损伤。

  7. arXiv · NLP33

    CosyVoice 2 中基于跨 Token 迁移的非语言文本转语音数据效率研究

    在 CosyVoice 2 框架下,少量笑声数据搭配其他非语言声音(如咳嗽)可显著提升生成效果。仅用 200 条笑声样本加 3,200 条咳嗽样本,笑声端到端 F1 从 0.170 升至 0.529,超过 1,600 条纯笑声样本的 0.495。 该研究发现跨 Token 迁移在低资源非语言声音生成中具有互补价值。 这一结论为缓解非语言数据稀缺问题提供了新的技术路径。

  8. arXiv · NLP22

    神经激活空间中概念子的几何特性分析

    研究者推导了中心池化概念子可精确分解为平均极滤波器、均值分离更新和协方差形状更新的几何理论。 在五个语言模型的情绪、政治倾向等实验中,双极拟合比单极拟合更一致地提升两极证据强度。 研究发现概念子尺寸与逐层探针性能正相关,双极拟合在放大对立两极目标时表现更优。

  9. arXiv · NLP25

    GPBam: 面向德国公法考试的检索感知基准

    GPBam 包含 81 个德国公法案例及 200 部法规背诵任务,用于联合评估法律检索与长文本生成。 在无检索条件下,32 个模型得分介于 4.81 至 76.42 分之间;引入检索后,最佳提升幅度为 4.1 分。 该基准已发表于 JURIX 2026 会议,旨在量化法律意见对检索质量的需求。

  10. arXiv · NLP27

    错误却自信:测量大语言模型幻觉、过度自信及身份条件行为

    summary_zh: 针对五个开源模型的研究显示,面对指代不明的问题,模型错误率从39.1%升至52.0%,但仅75.3%的错误答案包含不确定性表达。 在指代缺失时模型寻求澄清的比例为33.7%,专业领域问题失败率更高;性别代词遵循职业刻板印象,用户身份声明使答案长度增加约45%。

  11. arXiv · NLP35

    CAPS 框架:通过标准激活偏好合成实现可归因的偏好数据生成

    研究提出标准激活偏好合成(CAPS)框架,通过双重信号评分和归因过滤器,从显式质量标准中生成可归因的偏好数据。 使用 2 万条通用合成偏好对,CAPS 在 IFEval、IFBench 等基准上超越 3.5 万条人工标注数据;在法律任务中,基于公开法条使 Qwen3-8B/14B 提升 4.9 至 6.6 分。 该方法展示了显著的数据效率和领域迁移能力,并构建了 CAPS-Legal 偏好数据集。

  12. arXiv · NLP33

    Beyond Binary Audits: Does Guideline Grounding Mitigate Decision-Space Framing in LLM Opioid Prescribing?

    新工具 Q-Pain++ 通过固定临床内容并独立变异风险因素与剂量选项粒度进行 LLM 阿片类药物处方审计。在原本不变的病例中添加中间剂量选项,显著降低了大多数模型与专家标注剂量的匹配度。 通过检索引入围手术期指南可平均减少这种框架效应,但无法消除它,且单个模型的决策会因检索段落顺序改变而变化。研究代码及相关资源将在 GitHub 开源,14 页论文包含 6 图 6 表。

  13. arXiv · NLP20

    基于六阶段价值链分析的Dread暗网欺诈生态系统结构

    本研究通过分析Dread论坛67,976篇帖子和305,048条评论,绘制了地下欺诈生态系统的六阶段价值链。 研究揭示了少量"桥梁者"用户维持了生态系统的结构凝聚力,同时发现生成式AI在知识构建阶段饱和但在操作阶段渗透率低。 该网络分析框架为执法部门提供了针对性的高影响干预手段。

  14. arXiv · NLP23

    EmoTrace:基于递归轨迹分解的情感支持对话生成方法

    EmoTrace 提出一种递归轨迹分解生成方法,解决现有模型在长程对话中情感支持连贯性不足的问题,在标准基准测试中显著提升策略规划与回复生成效果。 该方法将对话轮次建模为包含寻求者状态、支持者策略等因子的结构化增量,通过价值引导与轨迹条件化机制优化生成过程。 多轮对话中的保留结构化轨迹在扩展对话中产生复合收益,为持续性情感对齐提供了稳健机制。

  15. arXiv · NLP34

    Skill Transfer: 将强模型 Agent 技能适配至弱模型

    提出 Skill Transfer 方法,在固定技能能力上限和模型参数的前提下,通过抽象强/弱轨迹为类型化执行结构并计算图编辑距离(GED)来诊断修复技能,使弱 Agent 能有效执行原本由强模型隐式补全步骤的技能。该方法在三个基准测试和两个模型族上显著提升了未修改技能的通过率,并优于其他技能进化基线,且能正向迁移至强 Agent 及分布外任务。

  16. arXiv · NLP25

    多语言证据下事实核查 LLM 的鲁棒性评估

    针对多语言事实核查场景,研究构建包含英语、德语等 190 条声明的数据集,测试模型在证据缺失或误导下的表现。 实验表明,误导性编辑使 Llama 3.1 8B 的英语准确率从 80.00% 跌至 16.84%,且低资源语言性能下降更显著;机器翻译可部分恢复差距,但裁判评分衰减慢于准确率,显示自动评估低估了性能退化。 研究警告不应在嘈杂多语言证据上部署 LLM 事实核查,并开源了数据集与评估代码。

  17. arXiv · NLP20

    哪种数学上下文支持目标对齐的猜想生成?一项配对消融研究

    该研究通过配对消融设计,分析了定义、对象等六种数学上下文组件对生成目标对齐猜想的影响。实验涵盖 12 篇论文中的 61 个定理,共生成 793 个猜想,发现各上下文组件具有互补性。 局部数学对象提供了最强的独立信号,而移除结构约束和条件会导致目标对齐程度显著下降。研究结果表明确保相关对象识别与允许声明约束的信息结合是生成目标对齐猜想的关键。

  18. arXiv · NLP29

    利用公开健康论坛构建高效医疗问答系统的指南

    summary_zh: 该研究提出一种方法,利用公开在线健康论坛构建无偏见、注重隐私的医疗问答数据集,并采用主题引导语义建模(TGSM)实现自动化标注。 基于检索器-读者架构,研究通过微调 BioBERT 等模型提升性能,实验结果证明其显著优于现有基准,为构建高效医疗问答系统提供了可复制框架。

  19. arXiv · NLP34

    医学 LLM 评估中的自我偏好:裁判并非 impartial

    研究显示 LLM 裁判在医学评估中存在自我偏好,8 个模型在 13,760 次判断中均倾向于给自身生成的答案更高排名或分数。在 Real-POCQi 测试中,合并后的 Answer Rank Bias 为 +1.22 位置,揭示生成者身份仅使该偏倚平均减少 0.094 位置。临床 AI 部署应使用多模型裁判小组以增强评估公正性。

  20. arXiv · NLP21

    SEMPA框架通过双角色对抗辩论提升医疗药物推荐安全性

    SEMPA是一个无需训练的Agentic框架,在MIMIC-IV数据集上药物推荐的F1分数达到0.7295,药物相互作用率降至0.0172。 该框架结合分子感知检索与语义锚点约束,使F1分数比最强监督基线提升57.7%,药物相互作用率降低77.5%。 六类基座模型实验证实增益源自框架本身而非特定模型,已被EMNLP 2026接收。

  21. arXiv · NLP29

    SUM:一种可控且可扩展的金融证券市场模拟模型

    提出名为 SUM 的语义效用模型,将群体级语义感知与个体级效用决策分离,解决了现有提示词代理中连续特征控制失效及推理成本随代理数量增长的问题。 在 A 股限价订单簿市场实验中,SUM 表现出比基于提示词的代理更稳定的单调行为控制,并显著降低了随种群扩大而产生的重复语言模型推理成本。 闭环模拟复现了市场方向性响应、波动率持续性、差异化投资风格及持续的财富异质性。

  22. arXiv · NLP20

    LLM智能体在经济环境中的安全评测:提出首个基准EconSafeBench

    研究团队提出首个LLM智能体经济安全评测基准EconSafeBench,包含828个案例和30期动态交互。 该基准覆盖5类经济场景和4类安全违规,匹配评估用户请求、其他参与者压力及自身绩效目标三种压力源。 对8个LLM模型的静态评测显示整体违规率介于8.5%至40.6%之间,证明在部署至高风险经济环境前需强化安全对齐与严格评测。

  23. arXiv · NLP20

    CoT2Graph:通过学习 Chain-of-Thought 的结构化表示理解大语言模型推理失败

    研究提出 CoT2Graph 框架,将 Chain-of-Thought 表示为有向依赖图并借助图神经网络分析推理质量。 该框架通过归因方法识别结构模式,基于图的信号比树结构方法高 2.5%、比长度基线高 7.8% 地预测答案正确性,并提升 Best-of-N 选择效果。 该工作已被 EMNLP 2026 Findings 接收,论证了从序列级评估转向结构化分析的必要性。

  24. arXiv · NLP28

    Many Paths to the Same Mistake: 生成同一学生错误背后的多样化推理路径

    本文提出一种生成-过滤管线,通过前向一致性指标验证错误推理路径能否还原学生的实际错误答案,并利用LLM评估其现实性。 该研究发现,多数大语言模型难以在推理过程中维持错误逻辑,而小型监督微调模型能有效捕捉这些发散路径。 这项工作为高保真错误轨迹生成提供了框架,推进了非合作型用户模拟。

  25. arXiv · NLP20

    arXiv: 提出首个多轮对话投资建议检测框架

    研究人员提出首个多轮对话投资建议检测框架,针对 LLM 金融助手的隐性建议风险。 该方法采用模块化合成数据生成管线,通过 LLM-as-a-Judge 进行评估,结果显示上下文建议检测比顺序案例更具挑战性。 这项工作为高风险合规领域可扩展的护栏开发奠定了基础。

  26. arXiv · NLP23

    前沿 LLM 在医学本体实体链接中的幻觉剖析

    研究发现前沿大语言模型在将临床文本映射到 SNOMED CT 时存在严重幻觉,导致其目前不适用于自主临床编码。研究指出限制模型使用真实提及片段会加剧而非缓解幻觉,并提出了包含废弃代码和跨本体错误在内的幻觉类型分类体系。 结果显示通用 LLM 性能显著低于专门的零样本实体链接方法,凸显了在临床部署前需要建立健壮的验证机制。