语言大模型 / LLM

B-cos LM: Efficiently Transforming Pre-trained Language Models for Improved Explainability

B-cos LM：高效地将预训练语言模型转换以提高可解释性

Yifan Wang, Sukrut Rao, Ji-Ung Lee, Mayank Jobanputra, Vera Demberg

机构 * Saarland University（萨尔兰大学） ； Max Planck Institute for Informatics（马克斯·普朗克信息研究所） ； Saarland Informatics Campus（萨尔兰计算机科学校区） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出B-cos LM，通过结合B-cos转换和任务微调，提高预训练语言模型的可解释性与效率。

Comments TMLR 12/2025

LapFM: A Laparoscopic Segmentation Foundation Model via Hierarchical Concept Evolving Pre-training

LapFM：通过分层概念演化的预训练构建腹腔镜分割基础模型

Qing Xu, Kun Yuan, Yuxiang Luo, Yuhao Zhai, Wenting Duan, Nassir Navab, Zhen Chen

机构 * School of Computer Science, University of Lincoln, UK（英国林肯大学计算机科学学院） ； University of Nottingham, UK（英国诺丁汉大学） ； University of Nottingham Ningbo China, China（中国宁波诺丁汉大学） ； University of Strasbourg, France（法国斯特拉斯堡大学） ； Technical University of Munich, Germany（德国慕尼黑技术大学） ； Graduate School of Information, Production and Systems, Waseda University, Japan（日本早稻田大学信息、生产与系统研究生院） ； Department of Gastrointestinal Surgery, The Second Qilu Hospital, Shandong University, China（中国山东大学第二齐鲁医院胃肠外科） ； School of Engineering and Physical Science, University of Lincoln, Lincoln LN6 7TS, UK（英国林肯大学工程与物理科学学院） ； Yale University, New Haven, CT 06510, USA（美国耶鲁大学） 纠错

专题命中 知识编辑与模型理解 ：foundation model(title,abstract)

AI总结 LapFM通过分层概念演化预训练方法，构建了基于腹腔镜手术图像的大型基准，实现了对复杂手术场景的高效分割和泛化能力。

Uncertainty Quantification for LLMs through Minimum Bayes Risk: Bridging Confidence and Consistency

通过最小贝叶斯风险进行大语言模型的不确定性量化：连接置信度与一致性

Roman Vashurin, Maiya Goloburda, Albina Ilina, Aleksandr Rubashevskii, Preslav Nakov, Artem Shelmanov, Maxim Panov

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·泽亚德人工智能大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出通过最小贝叶斯风险连接模型置信度与输出一致性，改进大语言模型的不确定性量化方法。

Scale-invariant and View-relational Representation Learning for Full Surround Monocular Depth

尺度不变与视图关系的表示学习用于全环绕单目深度估计

Kyumin Hwang, Wonhyeok Choi, Kiljoon Han, Wonjoon Choi, Minwoo Choi, Yongcheon Na, Minwoo Park, Sunghoon Im

机构 * Department of Electrical Engineering & Computer Sciences, Daegu Gyeongbuk Institute of Science and Technology (DGIST)（电子工程与计算机科学系，大邱庆北科学技术大学） ； Department of Autonomous Driving Perception Technology Vanguard Team, Hyundai Motor Company（自动驾驶感知技术先锋团队，现代汽车公司） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 本文提出了一种结合尺度不变与视图关系的知识蒸馏方法，用于提升全环绕单目深度估计的性能与效率。

Comments Accepted at IEEE Robotics and Automation Letters (RA-L) 2026