UpSafe℃： Upcycling for Controllable Safety in Large Language Models
（ICLR 2026）分数：4 4 4 6
Do Not Merge My Model！ Safeguarding Open-Source LLMs Against Unauthorized Model Merging
（AAAI 2026） 创新性很强，理论性很强的一篇论文。是不是可以拿个Oral。
非文本的上下文学习
《VECTOR-ICL: IN-CONTEXT LEARNING WITH CONTINUOUS VECTOR REPRESENTATIONS》（ICLR 2025） 《Can LLMs Reason Over Non-Text Modalities in a Training-Free Manner? A Case Study with In-Context Representation Lea
借助主动检索增强缓解大型视觉语言模型的幻觉问题
TOMM，CCF-B类，三区 方法主动触发检索置信度感知 (Confidence-aware)：基于输出token的置信度 。如果置信度低于阈值则触发。实验证明这种方法不稳定 。 图像感知 (Image-aware)：比较模型对“原始图像”和“加噪图像”的回答概率差异 。 问题感知 (Question-aware)：（本文最终采用的方法） “问题感知”详解： 此方法的核心是评估模型在多大程度上
模型后面的层是否无用？
大模型的扩展始终强调深度增加，实证证据表明模型性能随着层数增加而提高——尽管收益递减。早年的深度学习也强调深度比宽度更重要，且深度能提高模型性能。 但是也有不少文章（比如博客之前写过的一些）指出，后面的层会扼杀模型原有的能力。 模型后面的层究竟执行什么样的任务？ 这次进行四篇论文的串读。一篇ICLR2025，一篇NIPS workshop，两篇arxiv。
缓解多模态幻觉通过注意力引导的集成解码
（ICLR 2025）《Do You Keep an Eye on What I Ask? Mitigating Multimodal Hallucination via Attention-Guided Ensemble Decoding》 代码
大模型天生具有某些能力
（ICLR 2025）两篇串起来阅读。 《MLLMs Know Where to Look: Training-Free Perception of Small Visual Details with Multimodal LLMs》 &《MLLM CAN SEE? DYNAMIC CORRECTION DECODING FOR HALLUCINATION MITIGATION》
AGLA：Mitigating Object Hallucinations in Large Vision-Language Models with Assembly of Global and Local Attention
（ CVPR 2025） 引入了一种图像提示匹配方案，该方案从图像中捕获与提示相关的局部特征，从而获得输入图像的增强视图，其中突出显示与提示相关的内容，同时抑制不相关的干扰。