LLLMs：一项基于数据的调查，探讨大型语言模型局限性的研究进展

《ACM Computing Surveys》：LLLMs: A Data-Driven Survey of Evolving Research on Limitations of Large Language Models

大型语言模型（LLM）研究局限性从2022至2025年显著增长，ACL和arXiv相关论文分别增长五倍和八倍，其中2025年LLM研究占比超30%。主要研究问题包括推理能力不足（占比最高）、泛化、幻觉、偏见及安全风险，ACL主题分布稳定而arXiv更关注安全风险、对齐、知识编辑等新兴方向。数据集和验证方法已开源。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

大型语言模型（LLM）的研究发展迅速，同时人们对它们的局限性也日益关注。在这项调查中，我们采用自下而上的方法，对 2022 年至 2025 年初关于 LLM 限制性的研究进行了数据驱动的半自动化审查。从 250,000 篇 ACL 和 arXiv 论文中，我们通过关键词过滤、基于 LLM 的分类以及专家标签验证和主题聚类（使用 HDBSCAN+BERTopic 和 LlooM 两种方法）筛选出了 14,648 篇相关论文。我们发现，从 2022 年到 2025 年，ACL 中与 LLM 相关的论文数量增加了五倍，而 arXiv 中的相关论文数量增加了近八倍。自 2022 年以来，LLM 的研究发展更加迅速，到 2025 年时，这类论文已占 LLM 论文总数的 30% 以上。推理 是研究最多的局限性，其次是 泛化能力、幻觉现象、偏见 和 安全性。ACL 数据集中的主题分布相对稳定，而 arXiv 的主题分布则偏向 安全风险、一致性、幻觉现象、知识编辑 和 多模态。我们提供了 LLM 研究趋势的定量分析，并发布了一个带有注释的摘要数据集和经过验证的方法论，详情请访问：github.com/a-kostikova/LLLMs-Survey。

AI 摘要

AI 生成的摘要（实验性版本）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现新内容、帮助读者评估文章的相关性，并协助来自相关研究领域的读者理解文章内容。它是对作者提供的摘要的补充，作者提供的摘要仍是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击 此处 对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的摘要版本。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。