大语言模型辩论行为基准测试：针对人身攻击防御能力的研究
该研究聚焦于大语言模型在说服性对话中作为辩论智能体的表现，重点评估其在面对人身攻击（诉诸人身论证）时的应对能力。在政治等说服性对话场景中，人格可信度与命题内容同样关键。研究通过分析自然语言政治对话语料库，探究现代大模型能否复现人类在策略性运用和防御人身攻击方面的辩论水准，旨在系统评估模型在复杂对话情境中的辩论与说服能力。
DC AI 热点
全部 AI 动态
9月25日2026-09-25
基于伪造语料微调检验模型置信度与知识一致性的开源工具包技术手册
语言模型对答案的置信度通常被视为其掌握事实程度的代理指标。该技术手册介绍了一个专门用于直接检验该假设的开源工具包。研究团队通过在包含81个个位数加法虚假答案的伪造语料库上微调小型因果语言模型，并在微调前后使用统一的测量流程，定量对比模型对虚假答案与真实答案的置信度演变。手册详细阐述并论证了该评估流水线的各个构建阶段。
礼貌却未对齐：基于人类语用规范评估大语言模型的礼貌度判断
该论文评估了大语言模型在社交语用学层面是否与人类的礼貌判断相符。研究人员采用包含连续评分和三分类标注的两个英语数据集，对七个主流模型进行了测试。结果显示，模型之间的一致性显著高于模型与人类之间的一致性。策略层面的分析表明，模型与人类判断的对齐主要依赖于显式的语言线索，而在涉及建立融洽关系等隐式语用策略上仍存在理解偏差。
研究揭示思维链前缀指令或导致视觉语言模型答案解码失效
最新研究探讨了视觉语言模型（VLM）在多项选择评测中存在的解码陷阱。当评测系统追加思维链（CoT）推理提示，却在模型生成完整推理过程前直接读取答案标签的对数几率时，会导致严重的评估失真。实验显示，Qwen2.5-VL-7B在ScienceQA任务上的准确率从80.76%骤降至45.48%，且超93%的预测倾向于选择首个选项。探针测试证实隐藏层仍保留正确答案，表明失效源于不当的即时读取机制。
大模型自动批卷的成败边界：两门计算机考试的实证研究
一项来自学术界的新研究评估了大语言模型（LLM）用于高校考试自动评分的可靠性与局限。研究团队在包含570名学生的计算机视觉考试上测试了开源与闭源模型的171种配置。结果显示，最优模型的平均绝对误差达到1.64/35，甚至优于两位人类评分员之间2.61/35的分歧水平。然而实验发现模型对提示词极度脆弱：加入一句简短的“严格评分”提示，便导致17个开源模型中的14个评分严重失常，甚至有模型直接停止评分。
大模型评估研究：似然排序在规模扩展表现上不同于提示词方法
该研究探讨了大语言模型（LLM）的评估方法。在多项选择问答任务中，常规基于似然的评分与提示词方法类似均依赖任务上下文。研究团队提出了一种基于问答对构建的陈述句进行似然排序的补充评估协议。通过对95个参数量从1亿到1040亿的仅解码器模型在10个多选题数据集上的测试，系统对比并揭示了似然排序与提示词方法在模型规模扩展表现上的差异。
受控实验复检极小规模三值语言模型：基线架构设置主导性能评估结论
该研究针对微控制器级的三值（1.58-bit）权重语言模型进行了严格的受控复验。此前有研究称混合路由三值模块在6万参数规模下性能超越参数匹配的全精度Transformer达22%，并归因于归纳偏置。研究人员通过固定训练配方、多随机种子及98次测试进行复查，发现基线Transformer的具体结构形状对性能起主导作用，揭示了此前结论可能受基线设计差异误导，强调了极小模型对比的评估规范。
9月24日2026-09-24
大模型在多语言亲属称谓上“能识别却难生成”：文化特定词汇生成基准研究
当前针对大语言模型在多语言亲属关系理解上的评估多采用多项选择，实质将其简化为识别任务。该研究构建了涵盖印地语、泰米尔语和韩语三种非西方语言的亲属称谓生成基准，测试了5款开源大模型在生成与选择任务中的表现。结果显示，模型普遍存在显著能力断层：GPT OSS 120B在对应选项识别中准确率达90.67%，但在自主生成中的合格率仅为36.00%，Llama 3.3 70B等模型亦呈现相同趋势。
句子级法律解释准则分类：基于德国联邦宪法法院判决的评测基准
针对大语言模型在司法推理分析中的难点，该研究提出了一个句子级基准，用于评估大模型分类法律解释准则的能力。研究基于传统法学解释理论构建了分类标准，发布了经过句子级人工标注的德国联邦宪法法院判决数据集，并在专家手写提示词设定下，对来自三个模型家族的四款大语言模型进行了基线性能评测。
长文本问答实证研究：学习型上下文规划为何难以超越强检索基线
该论文针对长文本多项选择问答任务，系统测试了学习型上下文规划在强检索、路由、预算选择和重排序控制下的有效性。研究人员基于LongBench-v2的503道多选题目，使用Qwen2.5-7B-Instruct模型进行了对照诊断。结果显示，在18k字符的预算约束下，锚定混合检索可达到36.18%的准确率，揭示了复杂的上下文规划在面临强检索基线时的局限性与表现瓶颈。
事实核查评分提升由何驱动？针对验证模型与大语言模型的证据与答案归因研究
该论文探讨了联合事实核查评分提升背后的机制，分析在固定答案的前提下证据质量对综合评分的独立贡献。研究基于FEVEROUS基准数据集中的7,890条声明及4个DeBERTa模型检查点展开实验。结果显示，将DCUF证据替换为UnifEE证据后，严格核查评分显著提升9.61个百分点，而答案准确率仅提高1.96个百分点。该研究通过细粒度归因，揭示了高质量证据检索对联合事实核查评估指标的决定性影响。
NADI 2026：第二届多方言阿拉伯语语音处理共享任务发布
NADI 2026 是精细阿拉伯语方言识别（NADI）系列的第七届共享任务，也是第二次专注于多方言阿拉伯语语音处理的评测。本届任务包含五项核心任务与八个子任务，覆盖自动语音识别（ASR）、方言识别（SDID）、语音合成（TTS）、语音翻译（SLT）和口语理解（SLU）。该评测重点关注低带宽、混合方言、语码转换、域外及零样本等真实场景，并首次在该系列中引入了 TTS、SLT 和 SLU 赛道。
超越重叠：评估基准数据泄露对模型性能因果效应的LeakScale框架
训练数据包含评测基准只能证明存在接触，却无法量化这种接触对评测表现的具体影响程度。为此，研究人员提出了干预性评估框架 LeakScale。该框架通过构建包含私有特定信息、且无法从公开任务中推导的新可执行任务，严格控制对这些信息的访问，从而利用反事实方法量化基准数据泄露对模型评测得分造成的实际因果影响。
面向网络生成文本的字素转音素基准 UGTPhon：涵盖多语言与组合式方法
文本转语音（TTS）系统在处理网络生成文本（如缩写 ppl、imo）时，需根据规范表达而非表面拼写来推断发音。为此，研究人员推出了首个针对英语、越南语和韩语网络文本的字素转音素（G2P）基准 UGTPhon，并配套提出用于细粒度诊断的分类体系。测试显示，现有 G2P 模型及前沿大模型在此类文本上的音素错误率（PER）最高落后 66.8 点。研究团队进一步提出了一种结合规范形式证据的组合式 G2P 基线方法。
PRISM-VLM：面向紧凑型视觉语言模型的多维度判别评测基准
针对现有评测基准多沿袭前沿大模型设计、导致紧凑型视觉语言模型难以拉开区分度的问题，研究人员推出了 PRISM-VLM 评测基准。该基准围绕轻量级多模态模型的常见失效模式，从任务质量、行为鲁棒性和能力瓶颈等七个关键维度对每个评测样本进行综合打分，并将其融合为单一的 PScore 指标，从而更精确、精细地评估紧凑型多模态模型的真实表现与局限性。
Uncheatable Eval：基于动态压缩机制的语言模型防污染评估基准
针对现代大语言模型因海量预训练数据导致基准泄露、评估可靠性受损的问题，以及基座模型因指令遵循能力受限而难以通过任务型标准评估的挑战，研究人员提出了 Uncheatable Eval。该动态基准通过定期采集最新发布的文本来评估基座语言模型，以规避数据污染风险，并利用模型预测能力与文本压缩能力之间的关联设计评估机制。原摘要在方法细节处截断。