Betrouwbare en Verantwoorde Fundamentmodellen: Een Uitgebreide Verkenning

Reliable and Responsible Foundation Models: A Comprehensive Survey

February 4, 2026

Auteurs: 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

Samenvatting

Fundamentele modellen, waaronder Large Language Models (LLM's), Multimodale Large Language Models (MLLM's), beeldgeneratieve modellen (zoals tekst-naar-beeldmodellen en beeldbewerkingsmodellen) en videogeneratieve modellen, zijn essentiële instrumenten geworden met brede toepassingen in diverse domeinen zoals recht, geneeskunde, onderwijs, financiën, wetenschap en daarbuiten. Naarmate deze modellen in toenemende mate in de praktijk worden ingezet, is het waarborgen van hun betrouwbaarheid en verantwoordelijkheid cruciaal geworden voor academische wereld, industrie en overheid. Dit overzichtsartikel behandelt de betrouwbare en verantwoorde ontwikkeling van fundamentele modellen. Wij onderzoeken kritieke kwesties, waaronder bias en eerlijkheid, veiligheid en privacy, onzekerheid, verklaarbaarheid en distributieverschuiving. Ons onderzoek bestrijkt tevens modelbeperkingen, zoals hallucinaties, evenals methoden zoals alignment en detectie van door kunstmatige intelligentie gegenereerde inhoud (AIGC). Voor elk gebied bespreken we de huidige stand van zaken en schetsen we concrete toekomstige onderzoeksrichtingen. Daarnaast bespreken we de raakvlakken tussen deze gebieden, waarbij we hun verbanden en gedeelde uitdagingen belichten. Wij hopen dat ons overzicht de ontwikkeling bevordert van fundamentele modellen die niet alleen krachtig zijn, maar ook ethisch, betrouwbaar, robuust en maatschappelijk verantwoord.

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.