• Mario Sanz-Guerrero（Johannes Gutenberg University Mainz, Germany）：《Large Language Models Are Overconfident in Their Own Responses》 LLM Calibration Mario Sanz-Guerrero团队研究发现，指令微调损害了大型语言模型的校准能力，聊天模板通过“所有权偏差”进一步加剧问题。实验显示，模型对自身答案的置信度比用户提供的相同答案最高高出26%，这一发现为提升LLM的可靠性提供了关键方向。链接来源: arXiv👍👎

• Julian McAuley（University of California San Diego）：《Agentic Chain-of-Thought Steering for Efficient and Controllable LLM Reasoning》 Agentic Chain-of-Thought Steering 加州大学圣地亚哥分校团队提出ACTS方法，将推理引导形式化为马尔可夫决策过程，通过控制器代理自适应引导冻结推理器。该方法在多个基准测试中显著节省标记符，同时保持完整思考性能，实现准确性与效率的灵活权衡，有效解决了LLM推理效率与可控性问题。链接来源: arXiv👍👎