语言大模型 / LLM

Supervised Fine Tuning of Large Language Models for Domain Specific Knowledge Graph Construction:A Case Study on Hunan's Historical Celebrities

为构建特定领域知识图谱对大型语言模型进行监督微调：以湖南历史名人案例研究

Junjie Hao, Chun Wang, Ying Qiao, Qiuyue Zuo, Qiya Song, Hua Ma, Xieping Gao

机构 * College of Information Science and Engineering（信息科学与工程学院） ； Hunan Provincial Key Laboratory of Philosophy and Social Sciences of Yuelushan Cultural and Digital Communication (Artificial Intelligence and International Communication AIIC)（湖南省级哲学社会科学岳麓文化与数字传播重点实验室（人工智能与国际传播AIIC）） ； College of Computer Science and Electronic Engineering（计算机科学与电子工程学院） 纠错

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本研究通过监督微调提升大型语言模型在湖南历史名人领域知识提取能力，验证了参数高效方法在低资源环境下的有效性。

Task-Aligned Tool Recommendation for Large Language Models

面向大型语言模型的任务对齐工具推荐

Hang Gao, Yongfeng Zhang

机构 * Rutgers University（罗切斯特大学） 纠错

专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出了一种以精度为导向的工具推荐方法，旨在为大型语言模型提供定制化的工具集，以提高解决复杂问题的效率。

Comments IJCNLP-AACL 2025 Main

Continual Alignment for SAM: Rethinking Foundation Models for Medical Image Segmentation in Continual Learning

持续对齐用于SAM：重新思考面向持续学习的医学图像分割的基础模型

Jiayi Wang, Wei Dai, Haoyu Wang, Sihan Yang, Haixia Bi, Jian Sun

机构 * Xi’an Jiaotong University（西安交通大学） ； School of Information and Communications Engineering, Xi’an Jiaotong University（信息与通信工程学院） ； School of Mathematics and Statistics, Xi’an Jiaotong University（数学与统计学学院） 纠错

专题命中 领域大模型 ：foundation model(title)

AI总结 CA-SAM通过引入对齐层，实现了在持续学习中高效适应医学图像分割，提升性能并减少计算开销。

Designing Domain-Specific Agents via Hierarchical Task Abstraction Mechanism

通过层次化任务抽象机制设计领域专用代理

Kaiyu Li, Jiayu Wang, Zhi Wang, Hui Qiao, Weizhan Zhang, Deyu Meng, Xiangyong Cao

机构 * Xi’an Jiaotong University（西安交通大学） ； China Telecom Shaanxi Branch（中国电信陕西分公司） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 本文提出层次化任务抽象机制，设计领域专用代理EarthAgent，通过任务结构对齐提升复杂地理空间分析的规划能力。

Comments Page: https://earth-insights.github.io/EarthAgent

MindShot: A Few-Shot Brain Decoding Framework via Transferring Cross-Subject Prior and Distilling Frequency Domain Knowledge

MindShot: 一种通过跨受试者先验知识转移和频域知识蒸馏的少样本脑解码框架

Shuai Jiang, Zhu Meng, Haiwen Li, Delong Liu, Fei Su, Zhicheng Zhao

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Beijing Key Laboratory of Network System（北京网络系统与网络文化重点实验室） 纠错

专题命中 领域大模型 ：pretraining(abstract)

AI总结 MindShot通过跨受试者先验知识转移和频域知识蒸馏，实现少样本脑解码，提升解码适应性和效率。

Comments Accepted by KBS