幻觉与越狱的一致性
（ICLR 2026在投） 原标题是《从幻觉到越狱：重新思考大型基础模型的脆弱性》 作者提出一个统一的理论框架，将越狱行为建模为 token 级别的最优化，将幻觉现象建模为注意力级别的最优化。 在此框架下，作者建立了两个关键命题： (1) 相似损失收敛——在优化目标特定输出时，两种漏洞的损失函数表现出相似的收敛特性 (2) 注意力重分配中的梯度一致性——两者均表现出由共享注意力动态驱动的一致梯度
性能提升的幻觉：为什么对比解码无法缓解多模态大模型中的对象幻觉问题？
（NIPS 2025） 作者认为，目前的一些对比解码方法在POPE等基准测试上观察到的性能提升是一种假象 ，并非真正解决了幻觉问题。
频域特征对多模态大模型的幻觉影响
（arxiv 3月）Mitigating Object Hallucinations in MLLMs via Multi-Frequency Perturbations目前仍缺乏研究探讨视觉特征在频域中对多模态大模型（MLLMs）的作用。甚至尚未有先验工作探索其在 MLLMs 中的物体幻觉现象中的作用。 作者实验，无论“高频”还是“低频”被移除，模型的幻觉比例都会显著增加。这表明这两种信息
ChunkLLM：A Lightweight Pluggable Framework for Accelerating LLMs Inference
（arxiv 2025）2510.02361 ChunkLLM 不仅在短文本基准上达到与基线相当的性能，同时在长上下文基准上仍保持 98.64% 的性能，并维持48.58% 的关键值缓存保留率。特别地，在处理 120K 长文本时，ChunkLLM相较于原始 Transformer 实现了最高达 4.48× 的加速比。 现有方法的局限性： 线性注意力（Linear Attention）（如Mamb