2026年9月9日
| 主题 | 检索期刊 | 收录论文数 |
|---|---|---|
| AI大模型 | IEEE TASLP、TACL、IEEE TCC | 4 |
| 供应链金融 | IEEE TEM、Journal of Business Research、TFSC | 4 |
| 品牌 | British Journal of Management、Journal of Cleaner Production | 2 |
| 合计 | 9本 | 10篇 |
注：本轮共检索9本期刊、收录10篇2025-2026年文献，均为去重后未检索期刊，优先覆盖ABS3+/UTD/FT50/SSCI或SCI二区以上来源。Journal of Organizational Behavior（品牌主题）本轮未检索到直接相关文献，品牌文献来自BJM与JCP。
本文对1B至7B规模的大语言模型在持续指令微调中的灾难性遗忘现象展开实证考察，覆盖领域知识、推理与阅读理解多维度，发现该规模区间内模型越大遗忘越严重，同时持续微调可缓解性别等语言偏见，通用指令微调有助于减轻后续微调中的遗忘。
灾难性遗忘（CF）是机器学习中的一种现象，指模型在习得新知识以在目标任务中获得满意表现时，遗忘先前学习的信息。随着大语言模型展现出卓越性能，探究其在持续指令微调中是否存在CF颇具意义。本研究从领域知识、推理与阅读理解三个视角，实证评估了持续指令微调过程中LLM知识的遗忘现象。实验表明，1B至7B参数规模的LLM普遍存在灾难性遗忘；令人意外的是，在该规模区间内，随着模型规模增大，遗忘程度反而加剧，这可能源于更大模型最初更优的性能。该发现在Qwen-2.5-Inst（3B至14B）的实验中同样得到印证。对比仅解码器模型BLOOMZ与编码器-解码器模型mT0，BLOOMZ遗忘较少且保留知识更多。有趣的是，持续微调还能缓解性别偏见等语言偏见。此外，研究还发现通用指令微调有助于减轻LLM此后微调中的遗忘现象。
提出REAL采样方法，构建THF模型预测逐token幻觉风险：通过不同规模LLM外推“无限大语言模型”的渐近熵作为校准基准，当模型熵高于基准（过于不确定）时收紧核采样p阈值抑制幻觉，否则放宽p阈值提升多样性，在FactualityPrompts基准上同时显著提升7B模型的忠实性与多样性。
大语言模型的解码方法通常难以在保证忠实性与维持多样性之间取得平衡。本文提出REAL（从渐近线估计残差熵）采样，用于预测LLM逐步的幻觉可能性：当LLM可能产生幻觉时，REAL降低核采样（nucleus sampling）的p阈值；否则升高p阈值以提升多样性。为在无监督条件下预测逐步幻觉可能性，作者构建了THF（token级幻觉预测）模型，通过一系列不同规模LLM外推“无限大语言模型”的渐近熵，预测下一token的内在不确定性：当LLM熵高于渐近熵（即比应有水平更不确定）时，THF模型预测高幻觉风险，对应REAL采样中更低的p阈值。在FactualityPrompts基准上，基于70M THF模型的REAL采样可同时显著提升7B LLM的忠实性与多样性；与对比解码结合后，REAL采样优于13种采样方法，生成的文本比贪婪采样更忠实、比p=0.5核采样更多样。
针对LLM评估过度聚焦任务能力而忽视生成语言多样性的问题，构建覆盖词汇、句法与语义三维度的语言多样性测评框架，对多款先进LLM进行全面基准测评并深入分析句法多样性，揭示模型设计、开发与部署选择对输出语言多样性的影响。
大语言模型的开发与评估主要聚焦于其任务解决能力，近期模型在某些领域甚至超越人类表现。然而，这一关注往往忽略了机器生成语言在词汇选择、句法结构与意义表达上是否达到人类水平的多样性，引发对语言生成根本问题是否已被充分解决的疑问。鉴于LLM生成或辅助生成的在线内容激增令人担忧，本文强调考察模型对人类语言丰富性保存的重要性。作者构建了一套覆盖词汇、句法与语义多维度的LLM评估框架，据此对多款先进LLM在各多样性维度进行基准测评，并对句法多样性展开深入分析。最后，聚焦故事生成这一创造性任务，分析LLM的设计、开发与部署选择如何影响其输出语言多样性。
提出信噪比引导的潜扩散模型SNR-LDM，以去噪时间步与信道信噪比之间物理可解释的映射重新参数化扩散过程，使去噪轨迹适配信道状态，配合多模态引导与单步解析反演方案，实现动态无线信道下高质量低时延的生成式AI服务部署。
生成式AI服务（从云端合成到端侧内容创作）的普及日益受制于在动态无线信道上高效通信的需求。然而，在网络边缘部署这些模型面临两大根本挑战：模型与物理信道条件之间耦合弱，以及扩散推理的计算时延过高。现有方法常将扩散视为在固定噪声水平训练、以抽象时间步索引的静态模块，缺乏物理含义，在时变信道下表现欠佳。为此，本文提出信噪比引导的潜扩散模型（SNR-LDM）：以去噪时间步与信道SNR之间物理可解释的映射重新参数化扩散过程，使去噪轨迹与信道状态对齐，实现信噪比自适应推理；引入融合文本与视觉提示的多模态引导以增强语义保真；并开发两种推理方案——面向最高重建质量的动态多步过程与面向超低时延的单步解析反演，使资源受限边缘设备上的部署成为可能。实验表明，该模型在重建质量、语义保真与推理效率上均显著优于现有方法。
采用系统性文献综述方法，聚焦供应链金融（SCF）这一资本流工具对采购与供应链管理（PSCM）的驱动作用，将SCF驱动的PSCM发展归纳为卖方驱动、买方驱动与第三方驱动三种模式，揭示融资风险与成本如何改变借贷双方决策并最终推动PSCM发展。
采购与供应链管理（PSCM）是供应链管理的子领域，聚焦采购流程。相关研究虽强调物流、商品流与信息流在该流程中的重要性并进行了深入研究，但关于PSCM资本流管理的研究较少，尤其缺乏系统性文献综述。本文采用系统性文献综述方法，聚焦常见互补资本流工具——供应链金融（SCF）在驱动PSCM中的作用。首先，基于SCF运作中的信用风险焦点，将SCF驱动的PSCM发展系统归纳为卖方驱动、买方驱动与第三方驱动三种模式；其次，在上述模式中聚焦SCF对定价、数量、质量与时机四大主要决策的影响机制，通过在三类模式下聚类主要决策发现，SCF运作中的融资风险与成本会改变贷方决策（如贷款利率、信贷周期等），进而改变买方决策（如价格、数量等），最终驱动PSCM发展。该综述确立了SCF作为PSCM积极驱动力的地位，揭示了资本流在采购与供应链管理中的双重角色。
提出由大语言模型增强、无需编程技能的文本挖掘工作流，利用互联网来源的文本信息高效分析供应链金融业务，并以中国新能源公交市场为案例验证，其效率与实用性优于传统方法，尤其适用于供应链金融服务中的非编程人员。
在人工智能与金融科技时代，提高财务分析效率对于金融服务提供商至关重要。本文提出一种新型的、由大语言模型增强的文本挖掘工作流，利用互联网来源的文本信息，在无需编程技能的情况下高效分析供应链金融业务。研究以中国新能源公交市场为案例——该领域因政府激励与可持续城市交通的推动而快速增长——使用招标网站数据与财务报表数据开展研究。实验结果表明，该LLM增强工作流优于传统方法，展现出更高的效率与实用性，尤其适用于供应链金融服务领域的非编程人员。
基于中国上市公司微观数据与双重差分模型，发现社会信用体系试点政策通过降低代理成本与改善信息披露两条渠道显著促进企业商业信用融资，且该效应在非国有企业与盈利能力较弱企业中更强，凸显诚信文化与信用环境对新兴市场非正式融资的重要作用。
本文基于中国上市公司微观数据，采用双重差分模型考察社会信用环境改善对企业商业信用融资的影响。研究结果表明，信任与信用环境的提升促进了企业商业信用获取。作者识别出两条合理的作用渠道：试点政策不仅降低了企业代理成本，还改善了企业信息披露，从而帮助企业获得更多商业信用；且这些机制在非国有企业与盈利能力较弱的企业中更强。截面结果表明，社会信用环境对企业商业信用融资的正向效应在不同地区、行业类型与企业特征之间表现出显著的不对称性。本研究强调了诚信文化与信用环境对新兴市场非正式融资的重要性，丰富了关于影响公司金融的外部制度因素的文献。
基于数字商业生态系统框架，提出供应链金融生态系统健康（SCFEH）新视角，将数字转型与供应链学习纳入框架考察其对创新能力的驱动作用；基于199家供应链金融企业的SEM分析显示，数字技术能力与使用显著提升供应链学习绩效，进而促进SCFEH，揭示数字技术采纳经由供应链学习与生态系统健康催生创新。
数字技术采纳的快速发展已推动供应链金融演化为互联互通的SCF生态系统，催生新的创新能力。本研究以数字商业生态系统（DBE）框架与SCF生态基础特征为依据，提出供应链金融生态系统健康（SCFEH）作为考察SCF情境下创新的新视角，并将数字转型（DT）与供应链学习（SCL）两大关键驱动因素整合进SCFEH框架，探讨其对创新能力的培育作用。结合专家见解与大量文献梳理，识别出33个测量题项：DT九个、SCL十一个、SCFEH十三个。基于199家SCF相关企业的数据，采用结构方程模型（SEM）揭示这些关系。结果表明，数字技术能力（DTC）与数字技术使用（DTU）显著提升SCF生态系统中的供应链学习绩效；DTU与SCL均直接促进SCFEH，且SCL在DTU对SCFEH的影响中起中介与强化作用。研究展示了数字技术采纳如何通过促进供应链学习与生态系统健康来赋能创新能力，为SCF创新文献做出贡献，并为企业在数字经济中提升SCF管理能力提供可操作洞见。
通过三项研究构建员工品牌资产（EBBE）动态发展模型，识别出品牌建设、品牌同化、品牌亲和与品牌践行四个依次递进且相互依存的模块，实证检验其对员工绩效与客户反馈的影响，并验证模型的结构效力与动态性，首次将EBBE视为复杂动态过程进行研究。
品牌往往是公司最珍贵的资产。虽然可从不同利益相关者视角审视这一无形资产，但多数品牌资产研究以客户与企业为中心，常忽视员工的重要性。本研究基于三项研究提出动态模型，通过聚焦其发展过程与结果，充分认识员工品牌资产（EBBE）的复杂性。研究一基于21名员工访谈与相关文献，提出EBBE由品牌建设、品牌同化、品牌亲和与品牌践行四个依次递进且相互依存的模块构成；研究二使用420名员工的调查数据，借助模糊集定性比较分析支撑EBBE发展模型及其命题，展示其对员工绩效与客户反馈等关键结果的影响；研究三基于美国员工新样本与按任职时长重采样的数据集验证EBBE模型及其动态性质，检验其结构效力、动态特征与解释能力。这是首项将EBBE视为复杂动态过程的研究，揭示其发展机理，并通过强调员工作为关键利益相关者引导组织进行品牌管理。
基于230名18至35岁摩洛哥青年消费者的问卷数据与PLS-SEM分析，发现绿色品牌形象显著提升绿色口碑与可持续购买意向，绿色口碑起中介作用，而反知识削弱绿色品牌形象的直接效应、却增强同侪绿色沟通对购买意向的说服力。
本研究旨在探讨绿色品牌形象（GBI）对年轻消费者绿色购买意向（GPI）的影响，重点考察在可持续时尚情境下绿色口碑（GWOM）的中介作用与反知识（CK）的调节作用。研究采用定量方法，通过在线问卷收集230名18至35岁青年消费者的数据，并使用PLS-SEM进行分析。结果表明，GBI显著提升GWOM与GPI；GWOM对GPI影响强烈，并在GBI与GPI之间起中介作用。有趣的是，研究显示CK在可持续消费行为中起显著调节作用：一方面削弱绿色品牌形象的直接影响，另一方面增强同侪驱动的绿色沟通对购买意向的说服力；CK同时调节GBI经由GWOM对绿色购买意向的间接效应。研究强调，绿色品牌建设必须辅以强有力的客户参与策略与有效的信息失序治理，方能促进可持续消费。