该论文首次将大视觉语言模型（LVLM）中的物体幻觉溯源至视觉编码器，指出统计偏差、固有偏差和脆弱性三个关键问题。为解决这些问题，提出了无需训练的框架 SHIELD，通过三种策略缓解幻觉：重加权视觉令牌以降低统计偏差、引入噪声衍生令牌对抗固有偏差、采用对抗攻击与对比解码应对脆弱性。在多个基准和 LVLM 家族上的实验表明，SHIELD 有效减少了物体幻觉，并保持了强大的通用性能，代码已开源。
IncidentMind 是一个面向生产级AI故障自主根因分析的令牌预算多智能体系统。它通过MCP将Slack、Confluence和Jira预同步至HydraDB时序知识图谱，使所有智能体查询简化为单次图谱遍历。三层推理策略（同步时使用minilm-l6，智能体使用量化Llama-3-14B，仅当置信度低于85%时调用GPT-4o-mini）将单次事件成本从1.50美元降至0.003美元。结构化令牌预算将50,000条原始日志令牌压缩至1,050条（缩减98%）。在847个生产事件的评估中，IncidentMind实现了91%的修复准确率，并将平均检测时间从4.2小时缩短至3分钟。
自回归语言模型的推理并非完全由固定权重决定，漂移、幻觉等不稳定现象源于结构化的轨迹动力学。通过梯度扰乱进行的因果隔离实验表明，轨迹几何构成一个控制场，而状态依赖反馈（例如在不更新参数的情况下切换两个冻结模型）是实现稳定性的必要且充分条件。固定设定点控制因控制摩擦而失败，所提出的边界感知动态算子混合方法（Band DOM）在约79%的推理步骤中无需控制输入即可实现稳定。研究还发现一个根本性局限：动态稳定性与语义一致性是解耦的，稳定后的轨迹在保持几何平滑的同时，超过85%的试验发生模态切换，揭示了推理动力学的动能/势能分解。
本文识别了传统可观测性无法察觉的五种生产AI系统特有的故障模式。提出了一种集成Prometheus、Grafana和OpenObserve的可观测性架构。定义了检索质量、向量数据库健康度、LLM推理性能和端到端流水线延迟四个层面的指标。该框架已在每日处理200万次查询的生产环境中得到验证，将此前无法检测的事件的平均检测时间最高降低了97%。
深度学习模型在分布外数据上常表现出盲目的自信心，原因在于其认知不确定性量化能力不足。本文综述了概率电路（PC）这一易处理的概率建模框架，该框架通过施加平滑性、可分解性和确定性等结构约束，无需重新训练即可在多项式时间内精确计算边缘、条件和矩查询。文章探讨了概率电路在严格不确定性量化方面的优势，并强调了其在高维问题中实现易处理 UQ 的潜力。