Loading...
本文聚焦于利用大型语言模型（LLMs）实现财务审计中监管合规性的自动验证，旨在解决传统审计中人工验证合规性的低效问题。研究对比了开源LLMs（如Llama-2系列）与专有LLMs（如OpenAI的GPT系列）在合规性检测中的性能，使用了普华永道（PwC）提供的两个自定义数据集（基于国际财务报告准则IFRS和德国商法HGB），并分析了不同提示词设计对模型表现的影响。开源模型Llama-270B在检测不合规（真阴性）方面表现优异，超过所有专有模型；
Generating Search Explanations using Large Language Models
搜索结果中，方面导向的解释通常是置于检索到的文档旁的简洁文本片段，作为解释帮助用户高效定位相关信息。尽管大型语言模型（LLMs）在一系列问题上已展现出卓越性能，但它们生成搜索结果解释的潜力尚未被探索。本研究通过利用编码器-解码器和仅解码器两种类型的大型语言模型生成搜索结果解释，填补了这一空白。生成的解释始终比多种基线模型生成的解释更准确、更合理。
LLM4MEA: Data-free Model Extraction Attacks on Sequential Recommenders via Large Language Models
近年来的研究表明，序列推荐系统容易受到模型提取攻击（MEAs）的影响。模型提取攻击通过收集推荐系统的响应来复制其功能，实现未授权部署，并带来严重的隐私和安全风险。现有模型提取攻击中的数据无关攻击因数据选择采用随机采样，导致合成数据与真实世界分布不匹配，难以有效暴露推荐系统的漏洞。为克服这一局限，我们提出了LLM4MEA——一种利用大型语言模型（LLMs）驱动的代理生成数据的新型模型提取方法。
EFS: Evolutionary Factor Searching for Sparse Portfolio Optimization Using Large Language Models
稀疏投资组合优化是量化金融中的一个基础且具有挑战性的问题，因为传统方法严重依赖历史回报统计和静态目标，难以适应动态的市场状态。为解决这一问题，我们提出了进化因子搜索（EFS），这是一种新颖的框架，它利用大型语言模型（LLMs）实现阿尔法因子的自动生成与进化，以用于稀疏投资组合构建。通过将资产选择问题重构为基于LLM生成因子引导的top-m排序任务，EFS融入了进化反馈循环，基于性能迭代优化因子池。
The Pluralistic Moral Gap: Understanding Judgment and Value Differences between Humans and Large ...
本文聚焦大型语言模型（LLMs）与人类道德判断的差异，通过构建真实世界道德困境数据集，系统分析了二者在道德判断分布和价值观表达上的“多元道德差距”，并提出了缩小该差距的方法。数据集构建：创建了包含1618个真实世界道德困境的“道德困境数据集（MDD）”，每个困境均配有人类的二元判断（行为是否可接受）和自由文本理由，覆盖不同共识水平（从高度分歧到完全一致）。LLMs与人类道德判断对齐分析：比较LLMs与人类的判断分布发现，LLMs仅在人类共识高时与人类对齐较好；
Seed&Steer: Guiding Large Language Models with Compilable Prefix and Branch Signals for Unit Test...
单元测试在软件开发生命周期中起着至关重要的作用。近年来，基于大型语言模型（LLM）的方法取得了显著进展，极大地改进了自动化测试生成，引起了学术界和工业界的广泛关注。本文从一个新的视角重新审视基于LLM的单元测试生成，将前缀生成和断言生成解耦。为了刻画它们各自的挑战，我们定义了初始化复杂度，并采用环路复杂度来衡量前缀生成和断言生成的难度，结果表明前者主要影响编译成功与否，而后者则影响测试覆盖率。为解决这些挑战，我们提出了Seed&Steer，一种结合传统单元测试技术与大型语言模型能力的两阶段方法。
A Versatile Pathology Co-pilot via Reasoning Enhanced Multimodal Large Language Model
本文提出了一种名为的多模态大型语言模型（MLLM），旨在解决计算病理学中现有模型推理能力有限、任务适应性单一的问题。该模型能够同时处理区域感兴趣（ROI）级别和全切片图像（WSI）级别的任务，包括分类、检测、分割和视觉问答（VQA）等，并在72项任务中表现出优于现有模型的性能。尺度依赖的监督微调（Scale-DependentSupervisedFine-Tuning）：根据任务尺度（ROI或WSI）动态调整图像分辨率和token数量，优化视觉-语言对齐。
A Comprehensive Evaluation on Quantization Techniques for Large Language Models
本文聚焦大语言模型（LLMs）的后训练量化（PTQ）技术，旨在解决现有量化方法因组件复杂、实验配置不一致导致的难以公平比较的问题，并深入分析量化方法的理论关联。核心框架：将现有量化方法分解为两个关键步骤——量化前转换（通过移位、缩放、旋转等预处理减少异常值影响，使数据分布更适合量化）和量化误差缓解（通过自补偿、低秩分支补偿等技术抵消量化引入的误差）。实验评估：在统一配置下（如W4A4精度、相同模型和任务），评估了不同量化组件的组合效果，包括优化的旋转与缩放、GPTQ与低秩补偿的结合等。
RetroDFM-R: Reasoning-Driven Retrosynthesis Prediction with Large Language Models via Reinforceme...
本文提出了一种名为RETRODFM-R的推理驱动型大型语言模型（LLM），专门用于化学逆合成预测。逆合成规划是有机合成和药物发现的核心环节，但现有方法在适用性和可解释性上存在局限。RETRODFM-R通过三阶段训练范式（持续预训练、冷启动推理蒸馏、大规模强化学习）整合化学领域知识与先进推理能力，结合可验证的化学奖励机制，显著提升了预测准确性和可解释性。实验结果显示，RETRODFM-R在USPTO-50K基准数据集上的top-1准确率达到65.0%，超过现有最先进方法；
An Uncertainty-Driven Adaptive Self-Alignment Framework for Large Language Models
大型语言模型（LLMs）在指令遵循和通用推理方面已取得显著进展。然而，在没有人类标注的情况下，实现与人类意图和安全规范的高质量对齐仍是一项根本性挑战。本文提出了一种不确定性驱动的自适应自对齐（UDASA）框架，旨在以全自动方式改进LLM的对齐效果。UDASA首先为每个输入生成多个响应，并从语义、事实性和价值对齐三个维度量化输出不确定性。基于这些不确定性分数，该框架构建偏好对，并根据不确定性差异将训练样本分为保守、中等和探索三个阶段，随后分阶段对模型进行优化。
SLoW: Select Low-frequency Words! Automatic Dictionary Selection for Translation on Large Languag...
世界上有7000多种语言，而当前的大型语言模型（LLMs）仅支持数百种语言。基于字典的提示方法能够增强这些模型的翻译能力，但大多数方法会使用所有可用的字典，这可能成本很高。相反，在token消耗和翻译性能之间进行权衡会更具灵活性。本文提出了一项名为“自动字典选择（ADS）”的新任务。该任务的目标是自动选择使用哪些字典来增强翻译效果。我们提出了一种新颖且有效的方法，称为“选择低频词！（SLoW）”，该方法会选择那些包含更低频率词汇的字典。
DIFFA: Large Language Diffusion Models Can Listen and Understand
本文介绍了DIFFA，这是首个基于扩散模型的大型音频-语言模型（LargeAudio-LanguageModel,LALM），旨在实现语音语言理解。DIFFA的核心设计是将冻结的扩散语言模型与轻量级双适配器架构结合，以连接语音理解和自然语言推理能力。第一阶段通过语音识别（ASR）目标，利用LibriSpeech数据集（960小时）对齐语义表示；第二阶段通过大语言模型自动生成的合成音频-字幕对（127小时），学习指令遵循能力。
Hybrid and Unitary Fine-Tuning of Large Language Models: Methods and Benchmarking under Resource ...
大型语言模型（LLMs）的微调因其规模和内存需求，仍是一个计算瓶颈。本文全面评估了参数高效微调（PEFT）技术，包括LoRA、BOFT、LoRA-GA和uRNN，并提出了一种新颖的混合策略，该策略动态融合BOFT的正交稳定性与LoRA-GA的梯度对齐快速收敛特性。通过基于梯度范数计算每层自适应更新，该混合方法在多种任务上实现了更优的收敛效率和泛化能力。此外，本文首次探索了将酉循环神经网络（uRNN）原理适配于基于Transformer的LLMs，通过结构化酉约束增强梯度稳定性。
A3D-MoE: Acceleration of Large Language Models with Mixture of Experts via 3D Heterogeneous Integ...
本文针对细粒度混合专家（MoE）架构的大型语言模型（LLMs）推理效率问题，提出了一种名为A3D-MoE的3D异构集成系统，旨在解决MoE架构面临的三大挑战：runtime工作负载变化导致的GEMV-GEMM比率不稳定（降低硬件利用率）、注意力操作与MoE操作无法融合（增加延迟和降低利用率）、DRAM访问能耗高且带宽需求大。A3D-MoE通过四项核心技术实现优化：1）3D异构集成系统，利用先进垂直集成技术提升内存带宽，减少片上网络（NoC）开销和能耗；
iPLAN: Redefining Indoor Wireless Network Planning Through Large Language Models
高效的室内无线网络（IWN）规划对于提供高质量的5G室内服务至关重要。然而，由于室内环境（IEs）与IWN需求之间的复杂相互作用，传统的元启发式和基于人工智能的规划方法面临重大挑战。在本文中，我们提出了一种基于大语言模型的室内无线网络规划框架（iPLAN），该框架将多模态室内环境表示整合到由大语言模型（LLM）驱动的优化器中，以改进IWN规划。首先，我们确立了LLMs作为优化器的角色，概述了室内环境的嵌入技术，并介绍了iPLAN的两个核心应用：（i）基于既有室内环境的IWN规划；
OpenNav: Open-World Navigation with Multimodal Large Language Models
预训练大型语言模型（LLMs）已展现出强大的常识推理能力，在机器人导航和规划任务中具有广阔前景。然而，尽管近年来取得了一定进展，如何弥合语言描述与开放世界中实际机器人动作之间的差距（而非仅调用有限的预定义运动原语）仍是一个亟待解决的挑战。本研究旨在使机器人能够解析和分解复杂的语言指令，最终生成一系列轨迹点，以完成涉及开放集指令和开放集物体的多样化导航任务。我们观察到，多模态大型语言模型（MLLMs）在处理自由形式语言指令时表现出强大的跨模态理解能力，具备稳健的场景感知能力。
Large language models provide unsafe answers to patient-posed medical questions
本文是一项由医师主导的红队研究，旨在评估大型语言模型（LLMs）对患者提出的医疗问题的回答安全性。研究选取了四个公开可用的聊天机器人（Anthropic的Claude、Google的Gemini、OpenAI的GPT-4o、Meta的Llama3-70B），基于新构建的HealthAdvice数据集（包含222个涉及内科、女性健康、儿科的初级保健领域患者咨询类医疗问题），对888条聊天机器人回复进行了定量和定性分析。
Debating Truth: Debate-driven Claim Verification with Multiple Large Language Model Agents
本文针对复杂声明的事实核查问题，提出了一种基于多智能体辩论的框架DebateCV。该框架受现实世界事实核查实践（如PolitiFact的“星室会议”）启发，通过两个持对立立场的辩论者（支持与反驳声明）进行多轮论证，由仲裁者评估论证并最终给出带依据的裁决。为解决真实辩论驱动的事实核查数据稀缺问题，研究提出了一种基于合成数据的后训练策略：利用零样本DebateCV生成合成辩论数据，引入“校正者”修正仲裁者的错误裁决及依据，再通过辩论驱动的监督微调（D-SFT）和直接偏好优化（D-DPO）对仲裁者进行训练。
The Moral Gap of Large Language Models
本文聚焦大型语言模型（LLMs）在道德基础检测任务中的表现，通过系统对比最先进的LLMs（如ClaudeSonnet4、GPT-o1-mini等）与微调的Transformer模型（如DeBERTa、RoBERTa），评估两者在Twitter（MFTC）和Reddit（MFRC）数据集上的性能。研究采用ROC、PR、DET曲线等多维度评估指标，发现LLMs存在显著性能差距：即使经过提示工程优化，仍表现出高假阴性率，对道德内容（尤其是“忠诚”“神圣”等维度）的检测存在系统性漏检；
SCOPE: Stochastic and Counterbiased Option Placement for Evaluating Large Language Models
大型语言模型（LLMs）在多选题任务中可能通过利用选项位置或标签的固有偏差获得虚高分数，而非展现真正的理解能力。本研究提出SCOPE，一种旨在以数据集无关的方式测量和缓解此类选择偏差的评估框架。通过重复使用缺乏语义内容的空提示，SCOPE估计每个模型独特的位置偏差分布。然后，它根据逆偏差分布重新分配答案位置，从而平衡“幸运率”（即随机选中正确答案的概率）。此外，它防止语义相似的干扰项与答案相邻，从而阻断基于表面proximity线索的近误猜测。
