论文解读

Seongchan Park · Hyunho Jeon · Byungsoo Kang · 3+

中心化交易所（CEX）是传统金融与数字资产市场之间的关键通道，但识别其区块链地址仍然困难。现有方法常依赖不透明的归属标签，或将交易所视为次要分类目标，对未见交易所的泛化能力考察不足。本研究利用储备证明（PoR）披露构建分类框架，涵盖来自 15 家 CEX 和五个非 CEX 类别的 3,033,857 个以太坊地址。提取 58 个链上行为特征，在留一交易所（leave-one-exchange-out）协议下比较 LightGBM 与逻辑回归（LR）。在 30 至 730 天的五个回看窗口上，LightGBM 始终优于 LR：使用选定的 17 个特征时，宏平均 PR-AUC 从 0.6611 提升至 0.9594，而 LR 在 730 天时为 0.7697。稳健性检验显示，在不同划分与留出交易所上重复特征选择和超参数优化时性能相当，交易所均衡重加权进一步提升了宏平均 PR-AUC。SHAP 分析和特征组消融表明，gas 行为、ERC-20 代币活动和内部交易是所构建数据集中的关键预测信号。这些发现支持用于区块链监控的可解释 CEX 地址筛查，同时发布的特征数据集可支持可复现的后续研究。

Alexander Loth · Martin Kappes · Marc-Oliver Pahl

人类能否分辨一篇新闻文章由人还是大语言模型（LLM）撰写？通过 JudgeGPT 平台，在连续量表上独立测量来源归因（人类 vs. 机器）与真实性判断（合法 vs. 虚假）。从 1,054 名参与者对六个 LLM 生成内容的 2,318 次判断中，报告五项发现：(1) 参与者无法可靠区分机器生成与人类撰写文本（p > .05，Welch's t 检验）；(2) 该无法区分现象在所有测试模型上均成立，包括参数低至 7B 的开源权重模型；(3) 自报领域专业知识预测判断准确率（r = .35，p < .001），而政治倾向不预测（r = -.10，n.s.）；(4) 聚类揭示出不同响应策略（“怀疑者” vs. “相信者”）；(5) 约 30 次连续评估后，因认知疲劳准确率下降。简言之，答案是否定的：人类无法可靠分辨。结果表明用户侧检测不是可行防御，需推动系统级对策如加密内容溯源。

Alexander Loth · Martin Kappes · Marc-Oliver Pahl

随着基础模型（foundation models, FMs）接近人类水平的流畅度，区分合成内容与真实内容已成为可信网络智能的关键挑战。本文提出 JudgeGPT 与 RogueGPT 双轴框架，将“真实性”与“归因”解耦，以研究人类易感性的机制。通过分析五种基础模型（包括 GPT-4 和 Llama-2）上的 918 次评估，采用结构因果模型（Structural Causal Models, SCMs）作为主要框架，构建关于检测准确率的可检验因果假设。与党派叙事相反，政治倾向与检测表现关联可忽略（r=-0.10）。相反，“假新闻熟悉度”成为候选中介变量（r=0.35），表明接触可能对人类辨别者起到对抗训练的作用。研究识别出“流畅性陷阱”：GPT-4 输出（HumanMachineScore: 0.20）绕过来源监控机制，使其与人类文本难以区分。这些发现表明，“预揭穿”干预应针对认知来源监控而非人口统计细分，以确保可信的信息生态系统。

Jordan L. Cahoon · Chloe Stanwyck · Asad Aali · 4+

临床笔记常因模板、复制粘贴及自动填充产生大量重复文本（笔记膨胀），稀释临床信号并增加大语言模型（LLM）成本。TRACE 利用电子健康记录（EHR）元数据识别模板化及复制内容，无元数据时采用基于频率的去重。在涵盖肝移植、产科及住院人群的四个队列（530 万份笔记）中，通过盲法医生审查及金标准标注评估 TRACE。对比原始与 TRACE 处理笔记在 20 项信息抽取任务及 5 年生存、产后出血、30 天再入院预测中的零样本 LLM 与嵌入分类器表现。结果显示，仅 0.3-6.6% 的移除文本被标记为作者生成，TRACE 捕获了 86% 的标注模板字符。信息抽取 F1 差异在 -0.009 至 +0.004 之间，预测 F1 差异在 -0.011 至 +0.018 之间。在斯坦福健康护理 1,000 名随机患者中，TRACE 减少 47.3% 的图表文本（7.427 亿字符），平均每位患者减少 220,167 个 token。基于 2024 年就诊量，预计三年净节省 100 万至 1358 万美元。TRACE 在保留性能的同时显著减少冗余，利用未充分利用的 EHR 元数据可降低 LLM 推理成本并扩展纵向上下文。

Alexander Nemecek · Osama Zafar · Yuqiao Xu · 2+

水印正成为 AI 内容认证的主流机制，被治理政策视为内容溯源的基础设施。然而，在文本、图像和音频模态中，水印信号强度、可检测性和鲁棒性依赖于内容本身的统计特性，这些特性在不同语言、文化视觉传统和人口群体间存在系统性差异。本文考察了这种内容依赖性如何导致模态特定的偏见路径。通过回顾各模态的主要水印基准测试，发现除一个例外外，均未报告跨语言、文化内容类型或人口群体的性能。为此，提出三个具体的多元水印基准评估维度：跨语言检测公平性、文化多样化内容覆盖以及检测指标的人口群体细分。论证水印是多元对齐流程的一部分，应遵循相同的评估标准，并指出当前强制部署水印的治理框架未要求公平性评估。主张评估必须先行于部署，应用于 AI 模型的偏见审计要求应扩展至验证层。

Nouar AlDahoul · Myles Joshua Toledo Tan · Yasir Zaki

大型语言模型(LLM)越来越多地通过人格(persona)提供信息，但纠正事实后，其表达框架能否在不同身份标签下保持一致仍不清楚。研究审计了4个LLM：GPT-5.4 mini、NVIDIA Nemotron 3 Nano、Llama 4 Scout和Claude Haiku 4.5，让它们针对经事实核查的虚假与真实标题，以6个维度评估模拟情绪，包括心境、愤怒、恐惧、自信、感知控制力和心理状态。实验1在无人格设定下评估各1,000条虚假和真实标题；实验2从两类标题中各取300条，在交叉涵盖种族、性别和年龄的12个人格下评估。真实性标签显著改变了情绪基调：序数逻辑回归与标题聚类自助推断显示，标注虚假标题后，GPT、Llama和Claude的评价由多数负面转为多数正面，例如Claude的“自信”比例从22%升至99.6%；Nemotron的变化较小且方向不一，确认真实标题仅带来轻微变化。但标签未消除人格相关差异。在跨模型和条件的84次统计显著比较中，有82次向Black人格分配了比White人格更负面的模拟情绪，无论是否提供标签均如此；在与种族无关的标题上，差异依然存在。Asian和女性人格通常也获得更多负面情绪，而年龄效应随模型和条件变化。事实纠正与人口统计一致性因此是LLM行为的两种不同属性，依赖人格的系统在敏感场景部署前应同时审计二者。

Guijia Zhang · Harry Yang

自动化研究流程日益依赖固定的 LLM 评判器对提案进行排序、筛选与修订，但这些评判器常被更新版本替换。研究通过预注册、冻结权重设计，评估 Qwen、Gemma 和 Mistral 同系列相邻版本的 3 次迁移，并在冻结的机器学习研究提案和随机信息条件下比较版本变化。新版评判器只是更严厉的常见假设并不成立：其中 2 次迁移转向更宽松，另 1 次在锚点上反向变化，但削弱了非锚点差异。版本变化不仅会改变分数位置，还会改变准则几何与分辨率；一次迁移使清晰缺陷与无缺陷样本的区分能力崩溃，导致 93% 的池内分数集中于单一数值。提供相同事实无法弥合版本差距，安慰剂对照干预显示观测到的数据包效应主要由格式而非内容驱动；全局重新校准可修复均值，却几乎无法解释对象层面的离散程度。测量模型将这些问题归纳为评判器替换可能改变原点、准则几何或分辨率。约 200 次调用的分层锚点审计可在部署前识别失效类别，冻结阈值也正确诊断了注册后发生的 2 次 API 评判器替换。研究发布 6 个预注册锁及包含 14882 次评判器调用的完整审计轨迹。