语言大模型 / LLM

Human-Level and Beyond: Benchmarking Large Language Models Against Clinical Pharmacists in Prescription Review

人类水平与超越：在处方审查中对大型语言模型与临床药师进行基准测试

Yan Yang, Mouxiao Bian, Peiling Li, Bingjian Wen, Ruiyao Chen, Kangkun Mao, Xiaojun Ye, Tianbin Li, Pengcheng Chen, Bing Han, Jie Xu, Kaifeng Qiu, Junyan Wu

机构 * SUN YAT-SEN MEMORIAL HOSPITAL（中山纪念医院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Washington（华盛顿大学） 纠错

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

AI总结 RxBench通过系统评估大型语言模型在处方审查中的表现，揭示其能力与局限，并推动更可靠的临床工具开发。

Misalignment of LLM-Generated Personas with Human Perceptions in Low-Resource Settings

在低资源环境下，LLM生成的人设与人类感知的错位

Tabia Tanzin Prama, Christopher M. Danforth, Peter Sheridan Dodds

机构 * Computational Story Lab（计算故事实验室） ； Vermont Complex Systems Institute（佛罗里达复杂系统研究所） ； Vermont Advanced Computing Center（佛罗里达高级计算中心） ； Department of Mathematics and Statistics（数学与统计学系） ； Department of Computer Science University of Vermont（佛罗里达大学计算机科学系） ； Santa Fe Institute（圣菲研究所） 纠错

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

AI总结 本研究发现，在低资源环境中，LLM生成的人设在共情和可信度方面显著劣于人类，需通过现实数据验证以确保其可靠性。

Mirror, Mirror on the Wall -- Which is the Best Model of Them All?

镜中镜——哪一个模型才是最好的？

Dina Sayed, Heiko Schuldt

机构 * Databases and Information Systems Research Group University of Basel, Switzerland（数据库与信息系统研究组巴塞尔大学） 纠错

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；foundation model(abstract)；分类 cs.CL

AI总结 本文提出了一种模型选择方法论，通过分析排行榜和基准来帮助选择最适合特定用途的模型。

AdvisingWise: Supporting Academic Advising in Higher Education Settings Through a Human-in-the-Loop Multi-Agent Framework

AdvisingWise: 通过人机协同的多智能体框架支持高等教育中的学术指导

Wendan Jiang, Shiyuan Wang, Hiba Eltigani, Rukhshan Haroon, Abdullah Bin Faisal, Fahad Dogar

机构 * Tufts University（塔夫茨大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 AdvisingWise通过多智能体框架和人类监督，提升高等教育中的学术指导效率与个性化水平。

Comments 18 pages, 6 figures

Mechanisms of Symbol Processing for In-Context Learning in Transformer Networks

Transformer网络中上下文学习符号处理的机制

Paul Smolensky, Roland Fernandez, Zhenghao Herbert Zhou, Mattia Opper, Adam Davies, Jianfeng Gao

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

AI总结 本文提出了一种基于生产系统语言PSL的转换器架构，用于提升转换器在符号处理中的能力，展示了其在抽象符号任务中的应用和图灵通用性。

Journal ref Journal of Artificial Intelligence Research, 84(23) 2025

Towards responsible AI for education: Hybrid human-AI to confront the Elephant in the room

迈向负责任的教育AI：混合人类-人工智能以应对教育领域的关键问题

Danial Hooshyar, Gustav Šír, Yeongwook Yang, Eve Kikas, Raija Hämäläinen, Tommi Kärkkäinen, Dragan Gašević, Roger Azevedo

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

AI总结 本文探讨教育AI中的关键问题，提出神经符号AI作为解决这些问题的混合方法，以实现负责任的AI系统。

Data-Semantics-Aware Recommendation of Diverse Pivot Tables

具有数据语义的多样化数据透视表推荐

Whanhee Cho, Anna Fariha

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)

AI总结 SAGE通过数据语义意识模型和可扩展贪心算法，实现高维数据集的多样化数据透视表推荐，提升推荐的洞察力和可解释性。

Comments Accepted to SIGMOD 2026

PopSim: Social Network Simulation for Social Media Popularity Prediction

PopSim: 基于社交网络的社交媒体流行度预测仿真

Yijun Liu, Wu Liu, Xiaoyan Gu, Allen He, Weiping Wang, Yongdong Zhang

专题命中 领域大模型 ：large language model(abstract)；language model(abstract)

AI总结 PopSim通过基于大语言模型的多智能体仿真，有效模拟UGC传播动态，提升社交媒体流行度预测的准确性。

ADORE: Autonomous Domain-Oriented Relevance Engine for E-commerce

ADORE：面向电商的自主领域导向相关性引擎

Zheng Fang, Donghao Xie, Ming Pang, Chunyuan Yuan, Xue Jiang, Changping Peng, Zhangang Lin, Zheng Luo

机构 * JD.COM Beijing China（京东公司） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.CL、cs.AI

AI总结 ADORE通过规则意识、错误类型感知和关键属性增强的创新，实现电商搜索中高效且认知对齐的相关性建模。

Comments Accepted by SIGIR 2025

Revisiting Theory of Contrastive Learning for Domain Generalization

重新审视对比学习在领域泛化中的理论

Ali Alvandi, Mina Rezaei

机构 * Munich Center for Machine Learning（慕尼黑机器学习中心） ； Department of Computer Science, Sharif University of Technology（技术学院计算机科学系） ； Department of Statistics, LMU Munich（慕尼黑大学统计系） 纠错

专题命中 领域大模型 ：pretraining(abstract)；分类 cs.LG

AI总结 本文重新审视对比学习在领域泛化中的理论，提出新的泛化界限以考虑领域偏移和领域泛化的双重不匹配问题，并推导出学习表示在平均分类任务上的性能保证。

Comments 19 pages

UCAgents: Unidirectional Convergence for Visual Evidence Anchored Multi-Agent Medical Decision-Making

UCAgents: 视觉证据锚定的多智能体医学决策收敛

Qianhan Feng, Zhongzhen Huang, Yakun Zhu, Xiaofan Zhang, Qi Dou

机构 * The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 领域大模型 ：language model(abstract)；分类 cs.AI

AI总结 UCAgents通过结构化证据审计和单向收敛机制，在医疗视觉问答中提升准确率并降低计算成本，平衡视觉证据揭示与文本干扰避免。

CAIRNS: Balancing Readability and Scientific Accuracy in Climate Adaptation Question Answering

CAIRNS：在气候适应问答中平衡可读性与科学准确性

Liangji Kong, Aditya Joshi, Sarvnaz Karimi

机构 * University of New South Wales（新南威尔士大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.CL

AI总结 CAIRNS通过结构化提示和混合评估器，在无需微调或强化学习的情况下，实现了可读、可验证且领域相关的气候适应问答。

Comments Short Paper; Under Review at The WebConf 2026 (single-blind submission)

The brain-AI convergence: Predictive and generative world models for general-purpose computation

脑与人工智能的融合：面向通用计算的预测性和生成性世界模型

Shogo Ohmae, Keiko Ohmae

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

AI总结 本文探讨脑与AI在世界模型计算中的共同机制，揭示预测性与生成性模型如何实现通用计算及类人智能。

Comments 22 pages, 4 figures. Related to our earlier preprint "The brain versus AI" (arXiv:2411.16075) but a distinct article. The earlier work surveyed broad brain-AI parallels; here we focus on world-model-based computation and convergent evolution between the brain and AI, especially large language models

Beyond N-grams: A Hierarchical Reward Learning Framework for Clinically-Aware Medical Report Generation

超越n-gram：一种面向临床意识的医疗报告生成层次奖励学习框架

Yuan Wang, Shujian Gao, Jiaxiang Liu, Songtao Jiang, Haoxiang Xia, Xiaotian Zhang, Zhaolu Kang, Yemin Wang, Zuozhu Liu

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文提出HiMed-RL框架，通过层次化奖励学习提升医疗报告生成的临床质量与事实准确性。

Comments 10 pages, 4 figures

On the Problem of Consistent Anomalies in Zero-Shot Anomaly Detection

关于零样本异常检测中一致异常问题的研究

Tai Le-Gia

机构 * Department of Mathematics Graduate School（数学系研究生院） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 本研究提出CoDeGraph框架，解决零样本异常检测中的一致异常问题，并扩展至3D医学影像，实现无需训练的零样本检测。

Comments PhD Dissertation

Detect Anything 3D in the Wild

在野外检测任意3D对象

Hanxue Zhang, Haoran Jiang, Qingsong Yao, Yanan Sun, Renrui Zhang, Hao Zhao, Hongyang Li, Hongzi Zhu, Zetong Yang

机构 * OpenDriveLab at Shanghai AI Laboratory（上海人工智能实验室开放驾驶实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学） ； CUHK MMLab（香港大学多模态实验室） ； Tsinghua University（清华大学） ； GAC R&D Center（广汽研发中心） 纠错

专题命中 领域大模型 ：foundation model(abstract)

AI总结 DetAny3D通过结合2D基础模型知识和3D解释器，实现了在任意相机配置下检测任意新物体的3D检测基础模型。