Modelli di Base Affidabili e Responsabili: Una Rassegna Completa
Reliable and Responsible Foundation Models: A Comprehensive Survey
February 4, 2026
Autori: Xinyu Yang, Junlin Han, Rishi Bommasani, Jinqi Luo, Wenjie Qu, Wangchunshu Zhou, Adel Bibi, Xiyao Wang, Jaehong Yoon, Elias Stengel-Eskin, Shengbang Tong, Lingfeng Shen, Rafael Rafailov, Runjia Li, Zhaoyang Wang, Yiyang Zhou, Chenhang Cui, Yu Wang, Wenhao Zheng, Huichi Zhou, Jindong Gu, Zhaorun Chen, Peng Xia, Tony Lee, Thomas Zollo, Vikash Sehwag, Jixuan Leng, Jiuhai Chen, Yuxin Wen, Huan Zhang, Zhun Deng, Linjun Zhang, Pavel Izmailov, Pang Wei Koh, Yulia Tsvetkov, Andrew Wilson, Jiaheng Zhang, James Zou, Cihang Xie, Hao Wang, Philip Torr, Julian McAuley, David Alvarez-Melis, Florian Tramèr, Kaidi Xu, Suman Jana, Chris Callison-Burch, Rene Vidal, Filippos Kokkinos, Mohit Bansal, Beidi Chen, Huaxiu Yao
cs.AI
Abstract
I modelli fondazionali, inclusi i Large Language Model (LLM), i Multimodal Large Language Model (MLLM), i modelli generativi di immagini (ovvero modelli Text-to-Image e modelli di editing di immagini) e i modelli generativi video, sono diventati strumenti essenziali con ampie applicazioni in vari domini come il diritto, la medicina, l'istruzione, la finanza, le scienze e oltre. Man mano che questi modelli vedono una diffusione crescente nel mondo reale, garantire la loro affidabilità e responsabilità è diventato cruciale per il mondo accademico, l'industria e i governi. Questa rassegna affronta lo sviluppo affidabile e responsabile dei modelli fondazionali. Esploriamo questioni critiche, inclusi pregiudizi ed equità, sicurezza e privacy, incertezza, spiegabilità e cambiamento della distribuzione. La nostra ricerca copre anche i limiti dei modelli, come le allucinazioni, nonché metodi come l'allineamento e il rilevamento di contenuti generati dall'intelligenza artificiale (AIGC). Per ogni area, esaminiamo lo stato attuale del campo e delineiamo concrete direzioni di ricerca future. Inoltre, discutiamo le intersezioni tra queste aree, evidenziando le loro connessioni e le sfide comuni. Speriamo che la nostra rassegna favorisca lo sviluppo di modelli fondazionali che siano non solo potenti, ma anche etici, affidabili, sicuri e socialmente responsabili.
English
Foundation models, including Large Language Models (LLMs), Multimodal Large Language Models (MLLMs), Image Generative Models (i.e, Text-to-Image Models and Image-Editing Models), and Video Generative Models, have become essential tools with broad applications across various domains such as law, medicine, education, finance, science, and beyond. As these models see increasing real-world deployment, ensuring their reliability and responsibility has become critical for academia, industry, and government. This survey addresses the reliable and responsible development of foundation models. We explore critical issues, including bias and fairness, security and privacy, uncertainty, explainability, and distribution shift. Our research also covers model limitations, such as hallucinations, as well as methods like alignment and Artificial Intelligence-Generated Content (AIGC) detection. For each area, we review the current state of the field and outline concrete future research directions. Additionally, we discuss the intersections between these areas, highlighting their connections and shared challenges. We hope our survey fosters the development of foundation models that are not only powerful but also ethical, trustworthy, reliable, and socially responsible.