标签
该论文提出 PERPL 框架，通过 LLM 模拟读者的相对偏好来学习个性化事实核查解释改写，在保持事实忠实性的同时优于更大的通用 LLM。
该论文提出了 SHAM-Bench，一个统一的片段级幻觉检测基准，按照统一的 schema 和评测协议汇总了涵盖六项 NLG 任务的 6,461 条人工标注样本。研究发现，微调的检测器在分布偏移下性能下降，而基于提示的推理方法泛化能力更强。论文同时开放了数据集、代码和公开排行榜。
提出一个领域无关的框架，利用大型语言模型为时间序列预测生成基于事实的自然语言解释，通过约束到可验证证据来减少幻觉。在金融和货运定价案例研究中进行了评估。
PHITSBench是一个基于执行得分的基准测试，用于评估AI模型从自然语言生成PHITS辐射输运输入文件的能力，涵盖编辑、修复和完整生成任务。使用GPT-5.4进行的实验表明，虽然领域知识能提升性能，但在正确配置物理可观测量方面仍存在显著挑战。
本文提出了一种方法，通过将端到端生成的任务型对话建模为约束满足问题（CSP），来自动检测其中的不一致性，在识别幻觉或不一致响应方面实现了高准确率。
本文提出COBART方法，通过前缀控制令牌对BART进行微调，生成可控制长度并优化点击率（CTR）的广告标题，相较于之前的基线，ROUGE-L提升25.82%，预估CTR提升5.82%。
提出了一种使用强化学习在掩码语言模型上生成电子商务广告标题的方法，性能优于基线模型和人工提交的标题。
Pitwall 是一个生产系统，通过将声明分解为类型化的事实断言，并针对校准的蒙特卡洛比赛模拟器逐一验证每个断言，从而生成忠实的自然语言一级方程式策略简报，确保无幻觉输出。
本文提出了动态填充锚点（DIA），一种适用于扩散大语言模型的免训练方法。该方法通过动态估计终止锚点位置来强制执行格式约束（如可解析的 JSON、推理模板），同时避免了固定跨度方法的僵硬性。实验表明，DIA 在 GSM8K 和 MATH 基准测试上取得了显著的零样本性能提升。
提出FF-BPSN，一种前向聚焦双向伪孪生网络，使用两个Transformer解码器进行目标导向主动对话中的对话路径规划，在DuRecDial基准上达到最优性能。
通过模拟残疾人士视角的社交媒体帖子，研究大语言模型如何呈现残疾，发现LLM常常产生过于正面的刻板印象，未能真实反映实际体验。
本文介绍了 DiffScore，这是一个基于掩码大型扩散语言模型（Masked Large Diffusion Language Models）的文本评估框架，通过利用掩码重建来解决自回归评分中的位置偏差问题。
FACTS 引入了一种用于查询聚焦表格总结的智能体工作流，生成结合 SQL 查询和 Jinja2 模板的可复用离线模板，实现快速、准确且隐私合规的总结，无需暴露敏感数据。该方法通过避免昂贵的微调和 token 限制问题，同时保持跨共享模式表格的可扩展性，优于现有基准方法。