<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[c_cpp_csharp的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/c_cpp_csharp</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; c_cpp_csharp]]></copyright><item><title><![CDATA[Empowering Large Language Models with 3D Situation Awareness]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168529794</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168529794</guid><author>c_cpp_csharp</author><pubDate>Sun, 08 Nov 2026 13:00:00 +0800</pubDate><description><![CDATA[### 主要内容

1. **研究背景**：大语言模型（LLMs）在 2D 图像领域取得成功后，其在 3D 场景理解中的应用成为新趋势。但 3D 场景理解面临 3D 文本数据稀缺、现有方法忽视自我中心视角等问题。
2. **相关工作**：介]]></description><category></category></item><item><title><![CDATA[Question-Aware Knowledge Graph Prompting for Enhancing Large Language Models]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168530150</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168530150</guid><author>c_cpp_csharp</author><pubDate>Sun, 08 Nov 2026 12:00:00 +0800</pubDate><description><![CDATA[### 主要内容

1. **研究背景**：大语言模型（LLMs）在处理需要外部知识的任务（如知识密集型多选问答任务 MCQA）时存在困难。现有将知识图谱（KGs）集成到 LLMs 的方法，如直接微调、检索相关信息或使用基于 KG 的软提示]]></description><category></category></item><item><title><![CDATA[Large Language Models Are Better Logical Fallacy Reasoners with Counterargument, Explanation, and Go]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168530379</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168530379</guid><author>c_cpp_csharp</author><pubDate>Sun, 08 Nov 2026 10:00:00 +0800</pubDate><description><![CDATA[### 主要内容

1. **研究背景**：逻辑谬误检测在自然语言处理中仍处于早期阶段，大语言模型在检测逻辑谬误方面存在挑战，此前也缺乏通过提示工程或无监督方法解决该问题的尝试。
2. **研究方法**：提出一种新颖的两步提示制定过程，利用]]></description><category></category></item><item><title><![CDATA[SEO: Stochastic Experience Optimization for Large Language Models]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168530670</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168530670</guid><author>c_cpp_csharp</author><pubDate>Sun, 08 Nov 2026 09:00:00 +0800</pubDate><description><![CDATA[### 文章主要内容

1. **背景与问题**：大语言模型（LLMs）在多种任务中表现出色，但在特定任务上仍有提升空间。微调 LLMs 成本高昂，且对于闭源或仅通过 API 访问的模型不可行。虽然利用有用经验可提升 LLMs 性能，但寻找]]></description><category></category></item><item><title><![CDATA[Progressive Document-level Text Simplification via Large Language Models]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168532934</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168532934</guid><author>c_cpp_csharp</author><pubDate>Sun, 08 Nov 2026 08:00:00 +0800</pubDate><description><![CDATA[### 文章主要内容

1. **研究背景**：文本简化研究多集中于词汇和句子层面，文档级简化受关注少。大语言模型（LLMs）在文档总结任务表现好，但在文档简化任务中存在不足，常将其视为总结任务，无法满足简化要求。
2. **相关工作**：]]></description><category></category></item><item><title><![CDATA[AGGA: A Dataset of Academic Guidelines for Generative AI and Large Language Models]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533019</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533019</guid><author>c_cpp_csharp</author><pubDate>Sun, 08 Nov 2026 07:00:00 +0800</pubDate><description><![CDATA[### 文章主要内容

1. **研究背景**：生成式人工智能（GAI）和大语言模型（LLMs）在学术界的应用日益广泛，但相关政策存在不足。联合国教科文组织调查显示，不到 10% 的学校和大学制定了正式政策，因此需要综合框架平衡创新与伦理考]]></description><category></category></item><item><title><![CDATA[Enhancing Human-Like Responses in Large Language Models]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168530744</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168530744</guid><author>c_cpp_csharp</author><pubDate>Sat, 07 Nov 2026 13:00:00 +0800</pubDate><description><![CDATA[### 主要内容

1. **研究背景与目的**：大语言模型（LLMs）在自然语言处理方面取得进展，但回复往往正式、缺乏人情味。研究旨在提升 LLMs 回复的 “类人性”，使 AI 交互更具对话性、亲和力和情感共鸣，同时不影响正式任务的准确]]></description><category></category></item><item><title><![CDATA[Explicit vs. Implicit: Investigating Social Bias in Large Language Models through Self-Reflection]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168530841</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168530841</guid><author>c_cpp_csharp</author><pubDate>Sat, 07 Nov 2026 12:00:00 +0800</pubDate><description><![CDATA[### 文章主要内容

本文聚焦大语言模型（LLMs）中的显式和隐式偏差问题展开研究。首先，在方法上，借鉴社会心理学理论，通过精心设计的提示模板，利用基于模拟心理评估的方法测量隐式偏差，再引导模型对自身生成内容进行分析来评估显式偏差，实现了]]></description><category></category></item><item><title><![CDATA[ToolHop: A Query-Driven Benchmark for Evaluating Large Language Models in Multi-Hop Tool Use]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533096</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533096</guid><author>c_cpp_csharp</author><pubDate>Sat, 07 Nov 2026 09:00:00 +0800</pubDate><description><![CDATA[### 主要内容

1. **背景与问题**：多跳工具使用任务对大语言模型（LLMs）具有挑战性，现有评估多跳工具使用的研究存在不足，如依赖工具驱动的数据构建方法，无法确保工具间的相互依赖和查询的多跳推理，且缺乏可验证答案，易引入模型偏差和]]></description><category></category></item><item><title><![CDATA[Hidden Entity Detection from GitHub Leveraging Large Language Models]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533178</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533178</guid><author>c_cpp_csharp</author><pubDate>Sat, 07 Nov 2026 08:00:00 +0800</pubDate><description><![CDATA[### 文章主要内容

文章聚焦于利用大语言模型（LLMs）从 GitHub 仓库文本中自动检测数据集和软件实体，旨在解决知识图谱构建过程中相关实体识别的难题。研究分析了 LLaMA 2、Mistral 7B 及其量化模型在特定任务中的表现]]></description><category></category></item><item><title><![CDATA[LLM4SR: A Survey on Large Language Models for Scientific Research]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533254</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533254</guid><author>c_cpp_csharp</author><pubDate>Sat, 07 Nov 2026 07:00:00 +0800</pubDate><description><![CDATA[### 文章主要内容

文章围绕大语言模型（LLMs）在科学研究中的应用展开，系统探讨了其在科研各关键阶段的作用、方法、挑战及未来方向。

1. **科学假设发现**：LLMs 生成科学假设的研究源于 “基于文献的发现” 和 “归纳推理”。]]></description><category></category></item><item><title><![CDATA[Investigating Numerical Translation with Large Language Models]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533340</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533340</guid><author>c_cpp_csharp</author><pubDate>Fri, 06 Nov 2026 09:00:00 +0800</pubDate><description><![CDATA[### 主要内容

1. **研究背景**：数字翻译在金融、科技等领域至关重要，要求高度精确，但现有评估指标难以有效衡量数字翻译的准确性，相关研究较少，大语言模型（LLMs）在数字翻译方面的能力也未得到充分探索。
2. **数据集构建**：]]></description><category></category></item><item><title><![CDATA[LLM+AL: Bridging Large Language Models and Action Languages for Complex Reasoning about Actions]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533406</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533406</guid><author>c_cpp_csharp</author><pubDate>Fri, 06 Nov 2026 08:00:00 +0800</pubDate><description><![CDATA[### 主要内容

1. **研究背景**：大语言模型（LLMs）在复杂行动推理任务上存在局限，将其作为语义解析器转换自然语言为符号表示（如 Python 程序、PDDL 等）的方法也有不足。行动语言在表示行动知识和推理方面有优势，但自动化]]></description><category></category></item><item><title><![CDATA[BoostStep: Boosting mathematical capability of Large Language Models via improved single-step reason]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533605</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533605</guid><author>c_cpp_csharp</author><pubDate>Fri, 06 Nov 2026 07:00:00 +0800</pubDate><description><![CDATA[### 主要内容

1. **研究背景**：数学推理是人工智能发展中的关键任务，大语言模型（LLMs）在解决复杂数学问题时采用多步推理策略，但单步推理错误是其推理能力的瓶颈。上下文学习（ICL）可通过提供相似示例指导模型，但传统问题级 IC]]></description><category></category></item><item><title><![CDATA[LangFair: A Python Package for Assessing Bias and Fairness in Large Language Model Use Cases]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533460</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533460</guid><author>c_cpp_csharp</author><pubDate>Thu, 05 Nov 2026 13:00:00 +0800</pubDate><description><![CDATA[### 文章主要内容

1. **背景与问题**：传统机器学习公平性工具包不适用于大语言模型（LLMs）的生成性和上下文依赖特性，现有评估工具多在模型层面基于静态基准数据集评估 LLMs，未考虑提示特定风险和实际任务，无法代表系统真实性能。]]></description><category></category></item><item><title><![CDATA[Step-by-Step Mastery: Enhancing Soft Constraint Following Ability of Large Language Models]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533527</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533527</guid><author>c_cpp_csharp</author><pubDate>Thu, 05 Nov 2026 12:00:00 +0800</pubDate><description><![CDATA[### 文章主要内容

1. **研究背景**：大语言模型（LLMs）遵循多约束指令的能力至关重要，尤其是在涉及软约束时，但提升 LLMs 遵循软约束的能力尚未得到充分探索。现有研究在构建数据集、训练方法和考虑约束难度方面存在局限性。
2.]]></description><category></category></item><item><title><![CDATA[Can Large Language Models Detect Errors in Long Chain-of-Thought Reasoning?]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533679</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168533679</guid><author>c_cpp_csharp</author><pubDate>Thu, 05 Nov 2026 09:00:00 +0800</pubDate><description><![CDATA[### 主要内容

1. **研究背景**：近年来大语言模型（LLMs）发展迅速，o1-like 模型通过生成长思维链（CoT）推理步骤显著提升推理能力，但对其生成的推理链质量和有效性缺乏系统评估，且现有 LLMs 在长 CoT 推理步骤上]]></description><category></category></item><item><title><![CDATA[3D-AffordanceLLM: Harnessing Large Language Models for Open-Vocabulary Affordance Detection in 3D Wo]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168536639</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168536639</guid><author>c_cpp_csharp</author><pubDate>Thu, 05 Nov 2026 08:00:00 +0800</pubDate><description><![CDATA[### 摘要

3D 可及性检测是一个具有挑战性的问题，在各种机器人任务中有着广泛的应用。现有方法通常将检测范式制定为基于标签的语义分割任务。这种范式依赖于预定义的标签，缺乏理解复杂自然语言的能力，导致在开放世界场景中的泛化能力有限。为了解]]></description><category></category></item><item><title><![CDATA[What‘s Not Said Still Hurts: A Description-Based Evaluation Framework for Measuring Social Bias in L]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168536888</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168536888</guid><author>c_cpp_csharp</author><pubDate>Thu, 05 Nov 2026 07:00:00 +0800</pubDate><description><![CDATA[### 摘要

大语言模型（LLMs）的卓越性能往往伴随着其训练数据中所蕴含的社会偏见的无意传播。虽然现有基准通过偏见概念术语与人口统计学术语之间的直接关联来评估明显偏见，但大语言模型越来越善于避免产生有偏见的回答，从而营造出一种中立的假象]]></description><category></category></item><item><title><![CDATA[Erasing Without Remembering: Implicit Knowledge Forgetting in Large Language Models]]></title><link>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168536733</link><guid>https://blog.youkuaiyun.com/c_cpp_csharp/article/details/168536733</guid><author>c_cpp_csharp</author><pubDate>Wed, 04 Nov 2026 13:00:00 +0800</pubDate><description><![CDATA[### 摘要

在本文中，我们从一个全新的维度探索机器遗忘（machine unlearning），研究如何在大语言模型（LLMs）中保障模型的遗忘能力。我们的目标是防止已遗忘特定知识的模型回忆起任何与目标知识相关的记忆。我们首先揭示了一个]]></description><category></category></item></channel></rss>