标签
提出 RIVER 框架，将 LLM 多智能体交互分解为原子主张，评估收敛、探索与保留三个信息动态维度，并在 40 个新闻生成案例上比较五种交互策略的信息流动机制。
这篇 arXiv 论文将结构化生成重新表述为一种感知歧义的推理问题，用多有效解学习框架取代单一参考答案监督，将候选输出表示为图，并通过基于图的推理，依据语义对齐和关系一致性从中进行选择，从而提高了歧义情境下的准确性和鲁棒性。
EviDial 引入了一个基准测试，在抑郁对话评估中将标签一致性与基于证据的评估分离开来。研究发现，82.8% 的参与者-症状单元缺乏充分的文本证据，而在看似正确的 LLM 预测中，69.2% 至 96.9% 实际上并没有对话内容作为支撑。
该论文提出了一种两阶段的反思式提示词优化框架，将候选池构建与验证资源分配解耦，在五个基准测试上使用Qwen3.5-9B和Llama-3.1-8B-Instruct，相比初始求解器最高提升了11.22个百分点。
本文提出了一种用于关系三元组抽取的多粒度交互网络，联合利用词与词、实体与关系以及头实体与尾实体之间的交互，以更好地处理未见过的实体。在Unseen指标下，该方法在NYT-R和WebNLG-R数据集上分别取得了3.1%和20.5%的F1提升。
论文提出 ARCS（Ambiguity Resolution Corpus for SQL），首个包含真实数据库上自然歧义的 text-to-SQL 基准，并提出"结构化消歧"范式取代自由对话澄清。实验表明歧义下 text-to-SQL 仍具挑战：GPT-6 SOTA 仅 51% 端到端执行准确率，开源模型均不超过 27%。
本文分析了6,342名医疗服务提供者向机构内部的大语言模型助手提交的127,833条真实临床查询，发现实际使用场景（主要为文书记录和知识检索）与58个公开临床基准测试所涵盖的任务构成存在显著差异，并据此指出，基准测试得分难以准确预测临床人工智能在现实场景中的表现。
这篇 arXiv 论文表明，基于 RoBERTa 的机器生成文本检测器追踪的是统计复杂性而非机器作者身份：通过 Mistral-7B 对 LLM 输出进行"人性化"处理反而提高了词汇多样性（Verb Diversity）和检测得分；该检测器在正式人类写作上的误报率高达 76.3%，且 41% 的同形字符（homoglyph）攻击可绕过检测。基于事件的隐空间检测方法则被证明对改写和字符级扰动十分脆弱。
本文实证研究了自然对话中问题的显著性与可回答性之间的关系，发现一个稳健但低的正相关关系，且弱于独白文本中的相关性，这表明对话结构的可预测性较低。
本文介绍了Coupled Usage–Sense Processes (CUSP)，一个用于分析词汇语义变化的层次化模型，通过量化词语使用中随时间变化的时间、机制和归因。
本文提出一种基于知识图谱的评估框架，用于评估大型语言模型在问答任务中的上下文理解能力，并引入一种新的相似度度量S3KG，该度量在性能上优于现有的基线方法。
本文介绍了一种基于ℓp正则化的自动秩分配方法ℓp-LoRA，该方法用于低秩适应，并在自然语言处理任务上展示了具有竞争力的性能。
本研究引入 SHAP-RTL，一个渲染层，用于校正针对右到左语言的 SHAP 和 LIME 解释可视化，解决标记序列和文本塑形等问题，同时保留原始归因值。
本文复现了一种针对印地语的分布式语义抽取式摘要方法，并在标准语料库上进行评估，发现句子位置是唯一有效的特征，且当前的印地语基准测试未能激励高级内容选择。
本文提出了一种检索策略，用于过滤大语言模型驱动的自主网络智能体中的无关HTML内容，从而提升其在WebArena等基准测试上的表现。
本文介绍了NAF-Bench，用于研究大型语言模型对指定否定语义的遵守情况。研究发现，像o4-mini这样的前沿模型表现良好，而开源模型则滞后。建议通过求解器委托或微调来改进。
本文介绍UGTPhon，一个针对用户生成文本字音转换的基准，并提出一种组合方法，通过利用标准形式提升性能。
本文提出设计原则及'AGIMUD'软件，该软件利用生成式人工智能和分布式处理，以支持在模拟动态世界中人类与多个AI智能体之间的社会情感交互。
本文介绍了Arafa，一个使用LLM生成的大规模阿拉伯语事实核查数据集，旨在解决阿拉伯语自动事实核查资源稀缺的问题。