语言大模型 / LLM

An Exploratory Study of Bayesian Prompt Optimization for Test-Driven Code Generation with Large Language Models

基于大语言模型的测试驱动代码生成中贝叶斯提示优化的探索性研究

Shlok Tomar, Aryan Deshwal, Ethan Villalovoz, Mattia Fazzini, Haipeng Cai, Janardhan Rao Doppa

专题命中 预训练与数据 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)

AI总结 本文提出BODE-GEN方法，通过贝叶斯优化优化提示以提高大语言模型生成代码的准确性，实验表明其在代码生成准确性上优于固定提示和手动提示工程。

Comments 20 pages, 13 figures

Integrating Large Language Models and Knowledge Graphs to Capture Political Viewpoints in News Media

将大型语言模型与知识图谱结合以捕捉新闻媒体中的政治观点

Massimiliano Fadda, Enrico Motta, Francesco Osborne, Diego Reforgiato Recupero, Angelo Salatino

专题命中 预训练与数据 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出利用大型语言模型和知识图谱结合的方法，提升新闻媒体中政治观点的识别与分类性能。

From Pretraining to Privacy: Federated Ultrasound Foundation Model with Self-Supervised Learning

从预训练到隐私：具有自监督学习的联邦超声基础模型

Yuncheng Jiang, Chun-Mei Feng, Jinke Ren, Jun Wei, Zixun Zhang, Yiwen Hu, Yunbi Liu, Rui Sun, Xuemei Tang, Juan Du, Xiang Wan, Yong Xu, Bo Du, Xin Gao, Guangyu Wang, Shaohua Zhou, Shuguang Cui, Zhen Li

机构 * FNii-Shenzhen, The Chinese University of Hong Kong, Shenzhen（深圳FNii，香港中文大学（深圳）） ； School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（科学与工程学院，香港中文大学（深圳）） ； West China Hospital of Sichuan University, Chengdu（四川大学华西医院） ； School of Computer Science, University College Dublin, Ireland（计算机科学学院，都柏林大学（爱尔兰）） ； College of Computer Science and Software Engineering, Shenzhen University, Shenzhen（计算机科学与软件工程学院，深圳大学） ； South China Hospital, Health Science Center, Shenzhen University, Shenzhen（南方医院，深圳大学健康科学中心） ； School of Computer Science, Nanjing University of Posts and Telecommunications, Nanjing（计算机科学学院，南京邮电大学） ； Affiliated Hospital of North Sichuan Medical College, Sichuan（北川医学院附属医院） ； North Sichuan Medical College, Sichuan（北川医学院） ； Shenzhen Research Institute of Big Data, Shenzhen（深圳大数据研究院） ； Bio-Computing Research Center, Harbin Institute of Technology, Shenzhen（生物计算研究中心，哈尔滨工业大学（深圳）） ； School of Computer Science, Wuhan University, Wuhan（计算机科学学院，武汉大学） ； Computer Science Program, Computer, E（计算机科学项目，计算机） 纠错

专题命中 预训练与数据 ：foundation model(title,abstract)；pretraining(title)；分类 cs.AI

AI总结 UltraFedFM通过联邦学习和自监督学习，构建了一个隐私保护的超声基础模型，实现了在多种疾病诊断和病变分割上的高准确率，超越了中级医师水平，达到了专家级表现。

Comments npj digital medicine(2025)

Quantifying Return on Security Controls in LLM Systems

对LLM系统中安全控制的回报进行量化

Richard Helder Moulton, Austin O'Brien, John D. Hastings

专题命中 预训练与数据 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出了一种量化LLM系统安全控制回报的方法，通过模拟攻击和风险评估，比较了ABAC、NER删除和NeMo Guardrails三种安全措施的效果，发现ABAC显著降低风险，RoC达到9.83。

Comments 13 pages, 9 figures, 3 tables

SeBERTis: A Framework for Producing Classifiers of Security-Related Issue Reports

SeBERTis：一个用于生成安全相关问题报告分类器的框架

Sogol Masoumzadeh, Yufei Li, Shane McIntosh, Dániel Varró, Lili Wei

机构 * Electrical \& Computer Engineering McGill University Montréal, Canada ； Cheriton School of Computer Science University of Waterloo Waterloo, Canada ； 2cm Computer \& Information Science 2cm Linköping University 2cm Linköping, Sweden 2cm ； 2cm Electrical \& Computer Engineering 2cm McGill University 2cm Montréal, Canada 2cm 纠错

专题命中 预训练与数据 ：LLM(abstract)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 SEBERTIS通过训练深度神经网络分类器，有效提升安全相关问题的检测精度，显著优于现有方法。

Comments This is the author pre-print. The manuscript has been accepted for publication at SANER 2026!

dots.ocr: Multilingual Document Layout Parsing in a Single Vision-Language Model

dots.ocr: 一种单一视觉-语言模型中的多语言文档布局解析

Yumeng Li, Guang Yang, Hao Liu, Bowen Wang, Colin Zhang

机构 * hi lab（hi实验室） ； Xiaohongshu Inc（小红书公司） 纠错

专题命中 预训练与数据 ：language model(title,abstract)

AI总结 dots_ocr是一种单一视觉-语言模型，通过联合学习多语言文档布局解析的三个核心任务，实现了统一框架下的高效性能提升。

SynthSeg-Agents: Multi-Agent Synthetic Data Generation for Zero-Shot Weakly Supervised Semantic Segmentation

SynthSeg-Agents: 多智能体合成数据生成用于零样本弱监督语义分割

Wangyu Wu, Zhenhong Chen, Xiaowei Huang, Fei Ma, Jimin Xiao

机构 * Xi'an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； University of Liverpool（利物浦大学） ； Microsoft（微软公司） 纠错

专题命中 预训练与数据 ：LLM(abstract)；large language model(abstract)；language model(abstract)

AI总结 SynthSeg-Agents利用大型语言模型生成合成数据，无需现实图像即可实现零样本弱监督语义分割。

Toward expert-level motivational interviewing for health behavior improvement with LLMs

迈向利用大语言模型的专家级激励访谈以改善健康行为

Run-ze Hu, Yang Yang, Yi-hang Yang, Jing-qi Kong, Jia-hui Luo, Wen-yu Yang, Jing Chen, Jing-yao Liu, Hui-qun Zeng, Lei Zhang, Zheng Liu

专题命中 预训练与数据 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本研究通过开发和评估基于大语言模型的激励访谈系统，探索了利用AI促进健康行为改变的可行性，展示了微调后模型在激励访谈技术上的表现。

Comments 26 pages, 3 figures

Leveraging Foundational Models and Simple Fusion for Multi-modal Physiological Signal Analysis

利用基础模型和简单融合进行多模态生理信号分析

Youssef Ghallab, Omar Iraqy, Mohamed Kandil, Mohamed Ashraf, Saadeldine Eletter, Morougue Ghazal, Ayman Khalafallah, Nagwa El-Makky

机构 * Computer and Communication Engineering Department, Alexandria University（亚历山大大学计算机与通信工程系） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI、cs.LG；foundation model(comments)

AI总结 本文提出利用基础模型和简单融合方法，通过双掩码策略和对称编码器提升多模态生理信号分析的性能，实现情绪识别的高精度结果。

Comments Published at NeurIPS 2025 Workshop on Foundation Models for the Brain and Body

You Never Know a Person, You Only Know Their Defenses: Detecting Levels of Psychological Defense Mechanisms in Supportive Conversations

你无法了解一个人，你只能了解他们的防御：在支持性对话中检测心理防御机制的层次

Hongbin Na, Zimu Wang, Zhaoming Chen, Peilin Zhou, Yining Hua, Grace Ziqi Zhou, Haiyang Zhang, Tao Shen, Wei Wang, John Torous, Shaoxiong Ji, Ling Chen

机构 * University of Technology Sydney（悉尼技术大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； University of Utah（犹他大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Harvard University（哈佛大学） ； The University of Sydney（悉尼大学） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； University of Turku（图尔库大学） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.CL

AI总结 本文提出PsyDefConv语料库和DMRS Co-Pilot流程，用于检测支持性对话中心理防御机制的层次，通过标注和实验验证其有效性。

Comments Under Review