语言大模型 / LLM

Tiny-YOLOSAM: Fast Hybrid Image Segmentation

Tiny-YOLOSAM: 快速混合图像分割

Kenneth Xu, Songhan Wu

专题命中 效率与部署 ：prompting(abstract)

AI总结 Tiny-YOLOSAM 通过结合 YOLO 检测器生成框提示和稀疏点提示，提高了图像分割的效率和效果，减少了运行时间，适用于实际全场景分割需求。

Comments 7 pages, 6 figures, 5 tables. Code available at: https://github.com/Kenneth-Xu11566/tiny-yolosam

D$^{2}$-VPR: A Parameter-efficient Visual-foundation-model-based Visual Place Recognition Method via Knowledge Distillation and Deformable Aggregation

D$^{2}$-VPR: 一种基于视觉基础模型的视觉位置识别方法，通过知识蒸馏和变形聚合实现参数高效

Zheyuan Zhang, Jiwei Zhang, Boyu Zhou, Linzhimeng Duan, Hong Chen

专题命中 效率与部署 ：foundation model(abstract)

AI总结 D$^{2}$-VPR通过知识蒸馏和变形聚合，实现视觉基础模型在视觉位置识别中的参数高效方法。

MokA: Multimodal Low-Rank Adaptation for MLLMs

MokA：多模态低秩适应用于大规模语言模型

Yake Wei, Yu Miao, Dongzhan Zhou, Di Hu

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大模型与智能治理研究重点实验室） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（下一代智能搜索与推荐工程研究中心） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 效率与部署 ：LLM(abstract)

AI总结 MokA通过多模态低秩适应提升大规模语言模型的多模态微调效率和效果。

EquaCode: A Multi-Strategy Jailbreak Approach for Large Language Models via Equation Solving and Code Completion

EquaCode：通过方程求解和代码补全的多策略对抗大语言模型

Zhen Liang, Hai Huang, Zhengkui Chen

机构 * School of Computer Science and Technology, Zhejiang Sci-Tech University, Hangzhou, China（计算机科学与技术学院，浙江科技学院，杭州，中国） 纠错

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

AI总结 EquaCode通过方程求解和代码补全提出多策略对抗方法，有效提升大语言模型的鲁棒性。

Comments This is a preprint. A revised version will appear in the Proceedings of AAAI 2026

Problems With Large Language Models for Learner Modelling: Why LLMs Alone Fall Short for Responsible Tutoring in K--12 Education

大语言模型在学习者建模中的问题：为什么仅依赖LLM无法满足K-12教育中的负责任教学

Danial Hooshyar, Yeongwook Yang, Gustav Šíř, Tommi Kärkkäinen, Raija Hämäläinen, Mutlu Cukurova, Roger Azevedo

机构 * School of Digital Technologies（数字技术学院） ； Tallinn University（塔林大学） ； Faculty of Information Technology（信息技术学院） ； University of Jyväskylä（耶夫斯凯利亚大学） ； Department of Computer Science and Engineering（计算机科学与工程系） ； Gangneung-Wonju National University（江原-Wonju国立大学） ； Czech Technical University（捷克技术大学） ； University College London（伦敦大学学院） ； School of Modeling Simulation and Training（建模模拟与培训学院） ； University of Central Florida（中央佛罗里达大学） 纠错

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

AI总结 本研究发现基于LLM的学习者建模在准确性、可靠性和时间一致性方面存在不足，DKT模型在预测学习者知识掌握方面表现更优，强调需要混合框架以实现负责任的教学。

Expert-Grounded Automatic Prompt Engineering for Extracting Lattice Constants of High-Entropy Alloys from Scientific Publications using Large Language Models

基于专家的自动提示工程：利用大语言模型从科学出版物中提取高熵合金晶格常数

Shunshun Liu, Talon R. Booth, Yangfeng Ji, Wesley Reinhart, Prasanna V. Balachandran

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

AI总结 本文提出一种基于专家反馈的自动提示优化方法，通过优化提示提升大语言模型在高熵合金晶格常数提取任务中的可靠性，并展示了该方法在多个模型上的有效性及应用效果。

Comments 26 pages, 4 figures, Supplementary Information in the Ancillary files

Harnessing Large Language Models for Biomedical Named Entity Recognition

利用大型语言模型进行生物医学命名实体识别

Jian Chen, Leilei Su, Cong Sun

机构 * Department of Data Science and Big Data Technology, Hainan University, Haikou 570228, China（数据科学与大数据技术学院，海南大学，海口570228，中国） ； Department of Mathematics, Hainan University, Haikou 570228, China（数学学院，海南大学，海口570228，中国） ； Department of Population Health Sciences, Weill Cornell Medicine, New York 10022, USA（流行病学与公共卫生科学学院，韦尔·柯尔医学中心，纽约10022，美国） 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BioSelectTune框架，通过高效的数据筛选方法提升生物医学命名实体识别的性能，实现优于现有模型的准确率。

Anka: A Domain-Specific Language for Reliable LLM Code Generation

Anka：一种用于可靠LLM代码生成的领域特定语言

Saif Khalfan Saif Al Mazrouei

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 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、cs.LG

AI总结 Anka是一种专为复杂代码生成设计的领域特定语言，通过约束语法显著减少错误，使LLM在多步骤任务中表现优于Python。

Comments 11 pages, 1 figure, 4 tables. Code and benchmarks available at https://github.com/BleBlo/Anka

Not too long do read: Evaluating LLM-generated extreme scientific summaries

不要太长了读一读：评估LLM生成的极端科学摘要

Zhuoqi Lyu, Qing Ke

机构 * Department of Data Science（数据科学系） ； City University of Hong Kong（香港城市大学） 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、cs.AI

AI总结 本文提出BiomedTLDR数据集，评估LLM生成科学摘要的性能，发现LLM更倾向于提取而非抽象，且在词汇和修辞结构上更接近原文。

Scaling Clinician-Grade Feature Generation from Clinical Notes with Multi-Agent Language Models

通过多智能体语言模型实现临床笔记中临床级特征生成的扩展

Jiayi Wang, Jacqueline Jil Vallon, Nikhil V. Kotha, Neil Panjwani, Xi Ling, Margaret Redfield, Sushmita Vij, Sandy Srinivas, John Leppert, Mark K. Buyyounouski, Mohsen Bayati

机构 * Department of Management Science and Engineering, Stanford University School of Engineering（管理科学与工程系，斯坦福大学工程学院） ； Department of Radiation Oncology, Stanford University School of Medicine（放射肿瘤学系，斯坦福大学医学院） ； Operations, Information and Technology, Stanford University Graduate Business School（运营、信息与技术，斯坦福大学商学院） ； Graduate Business School Research Hub, Stanford University Graduate Business School（商学院研究中心，斯坦福大学商学院） ； Department of Medicine (Oncology), Stanford University School of Medicine（医学系（肿瘤学），斯坦福大学医学院） ； Department of Medicine, Stanford University School of Medicine（医学系，斯坦福大学医学院） ； Department of Urology, Stanford University School of Medicine（泌尿学系，斯坦福大学医学院） ； Veterans Affairs Palo Alto Health Care System（退伍军人事务帕洛阿尔托医疗系统） ； Department of Electrical Engineering, Stanford University School of Engineering（电气工程系，斯坦福大学工程学院） 纠错

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

AI总结 本研究提出了一种多智能体语言模型系统，通过自动化临床笔记特征生成，实现了与人工方法相当的预测性能，并在不同医疗场景中展示了良好的可扩展性和可解释性。

HalluMat: Detecting Hallucinations in LLM-Generated Materials Science Content Through Multi-Stage Verification

HalluMat: 通过多阶段验证检测LLM生成的材料科学内容中的幻觉

Bhanu Prakash Vangala, Sajid Mahmud, Pawan Neupane, Joel Selvaraj, Jianlin Cheng

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

AI总结 HalluMat通过多阶段验证框架检测LLM生成的材料科学内容中的幻觉，减少30%的幻觉率并引入PHCS量化响应不一致性。

Entropy-Guided Token Dropout: Training Autoregressive Language Models with Limited Domain Data

熵引导的标记丢弃：在有限领域数据下训练自回归语言模型

Jiapeng Wang, Yiwen Hu, Yanzipeng Gao, Haoyu Wang, Shuo Wang, Hongyu Lu, Jiaxin Mao, Wayne Xin Zhao, Junyi Li, Xiao Zhang

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Tsinghua University（清华大学） ； WeChat, Tencent（微信、腾讯） ； Department of Data Science, City University of Hong Kong（香港城市大学数据科学系） 纠错

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

AI总结 本文提出熵引导的标记丢弃方法，通过正则化优化解决有限领域数据下自回归模型的性能退化问题，实验表明其在多轮训练中表现优异。

How Much Data Is Enough? Uniform Convergence Bounds for Generative & Vision-Language Models under Low-Dimensional Structure

需要多少数据？在低维结构下生成式与视觉-语言模型的统一收敛界限

Paul M. Thompson

机构 * Stevens Institute for Neuroimaging and Informatics, University of Southern California（神经影像与信息学研究所，南加州大学） 纠错

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

AI总结 研究在低维结构下生成式和视觉-语言模型的统一收敛界限，探讨数据量与模型校准之间的关系。

Comments 13 pages, 2 figures

Breaking Data Silos: Towards Open and Scalable Mobility Foundation Models via Generative Continual Learning

打破数据孤岛：通过生成持续学习实现开放和可扩展的移动基础模型

Yuan Yuan, Yukun Liu, Chonghua Han, Jie Feng, Yong Li

机构 * Center for Urban Science and Computation（城市科学与计算中心） ； Tsinghua University（清华大学） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.LG

AI总结 MoveGCL通过生成持续学习实现开放和可扩展的移动基础模型，解决数据孤岛问题，实现跨机构协作与隐私保护。

Forecasting Clinical Risk from Textual Time Series: Structuring Narratives for Temporal AI in Healthcare

从文本时间序列预测临床风险：为医疗健康领域的时序AI构建叙述

Shahriar Noroozizadeh, Sayantan Kumar, Jeremy C. Weiss

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

AI总结 本文提出从文本时间序列预测临床风险的方法，通过构建时间有序的临床数据，提升时序AI在医疗健康领域的应用效果。

Comments AAAI AI for Social Impact 2026. Shahriar Noroozizadeh, Sayantan Kumar (authors contributed equally)

Multi-Agent Framework for Threat Mitigation and Resilience in AI-Based Systems

多智能体框架用于AI系统中的威胁缓解与韧性

Armstrong Foundjem, Lionel Nganyewou Tidjon, Leuson Da Silva, Foutse Khomh

机构 * Department of Computer and Software Engineering, Polytechnique Montreal（计算机与软件工程系，蒙特利尔理工学院） 纠错

专题命中 领域大模型 ：LLM(abstract)；foundation model(abstract)；preference optimization(abstract)；分类 cs.LG

AI总结 本文提出多智能体框架，用于识别和缓解AI系统中的威胁，通过构建威胁图分析漏洞和攻击模式，提升系统韧性。

Comments 56 pages, 18 Figures, 22 Tables, TOSEM

Adversarially Robust Detection of Harmful Online Content: A Computational Design Science Approach

对抗性鲁棒的有害在线内容检测：一种计算设计科学方法

Yidong Chai, Yi Liu, Mohammadreza Ebrahimi, Weifeng Li, Balaji Padmanabhan

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

AI总结 本文提出了一种计算设计科学方法，通过LLM-SGA框架和三个新组件提升对抗鲁棒性，实现高通用性和准确性的有害内容检测。

A Voice-Enabled Virtual Patient System for Interactive Training in Standardized Clinical Assessment

一种通过语音的虚拟患者系统用于标准化临床评估的交互式训练

Veronica Bossio Botero, Vijay Yadav, Jacob Ouyang, Anzar Abbas, Michelle Worthington

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 本文提出一种基于大型语言模型的语音启用虚拟患者系统，用于提升临床人员标准化评估训练的实效性与可扩展性。

Literature Mining System for Nutraceutical Biosynthesis: From AI Framework to Biological Insight

营养保健品生物合成的文献挖掘系统：从AI框架到生物学洞察

Xinyang Sun, Nipon Sarmah, Miao Guo

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

AI总结 本文提出了一种基于AI的文献挖掘系统，用于自动识别参与营养保健品生物合成的微生物菌株，通过大语言模型和提示工程技术提升准确性，并提供微生物菌株选择和合成生物学设计的洞察。

CNSight: Evaluation of Clinical Note Segmentation Tools

CNSight：临床笔记分段工具评估

Risha Surana, Adrian Law, Sunwoo Kim, Rishab Sridhar, Angxiao Han, Peiyu Hong

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 CNSight评估了多种临床笔记分段工具，发现大型API模型在分段任务中表现最佳，尤其在句子级和自由文本分段上取得了较高的F1值，为后续的信息提取和自动化摘要等任务提供了基础。

Fake News Classification in Urdu: A Domain Adaptation Approach for a Low-Resource Language

乌尔都语虚假新闻分类：一种面向低资源语言的领域适应方法

Muhammad Zain Ali, Bernhard Pfahringer, Tony Smith

机构 * University of Waikato（怀卡托大学） 纠错

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

AI总结 本文提出了一种针对乌尔都语虚假新闻分类的领域适应方法，通过分阶段训练优化模型泛化能力，实验表明领域适应后的XLM-R在性能上优于原始模型。

Learning Multi-Modal Mobility Dynamics for Generalized Next Location Recommendation

学习多模态移动动态以实现通用的下一站推荐

Junshu Dai, Yu Wang, Tongya Zheng, Wei Ji, Qinghong Guo, Ji Cao, Jie Song, Canghong Jin, Mingli Song

机构 * Zhejiang University（浙江大学） ； Hangzhou City University（杭州市大学） ； Nanjing University（南京大学） 纠错

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

AI总结 本文提出多模态移动（M^3ob）方法，通过构建统一时空关系图和门控机制，提升位置推荐任务的泛化能力。

Can AI Recognize Its Own Reflection? Self-Detection Performance of LLMs in Computing Education

AI能否识别自己的反射？LLMs在计算教育中的自检性能

Christopher Burger, Karmece Talley, Christina Trotter

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

AI总结 本文研究了三个主流LLMs在计算教育中识别AI生成文本的能力，发现其在检测人类写作时存在显著误差，且易受欺骗性提示影响。

Comments 10 pages, 5 tables. Accepted for publication at the 59th Hawaii International Conference on System Sciences

Physicists Are Still Joking

物理学家依然在开玩笑

Igor Halperin

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

AI总结 本书通过回顾六十年的科学幽默演变，展示物理学家在不同时代对科学幽默的传承与创新。

Comments 156 pages

Training AI Co-Scientists Using Rubric Rewards

利用评分奖励训练AI合作者

Shashwat Goel, Rishi Hazra, Dulhan Jayalath, Timon Willi, Parag Jain, William F. Shen, Ilias Leontiadis, Francesco Barbieri, Yoram Bachrach, Jonas Geiping, Chenxi Whitehouse

机构 * Meta Superintelligence Labs（Meta超智能实验室） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） 纠错

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

AI总结 本文提出利用评分奖励训练AI合作者，通过自动生成研究计划并改进模型性能，实现跨领域泛化和高效训练。

Comments 11 pages in the main paper, total 119 including sample outputs in the Appendix

AKG kernel Agent: A Multi-Agent Framework for Cross-Platform Kernel Synthesis

AKG核代理：跨平台核合成的多智能体框架

Jinye Du, Quan Yuan, Zuyao Zhang, Yanzhi Yi, Jiahui Hu, Wangyi Chen, Yiyang Zhu, Qishui Zheng, Wenxiang Zou, Xiangyu Chang, Zuohe Zheng, Zichun Ye, Chao Liu, Shanni Li, Renwei Zhang, Yiping Deng, Xinwei Hu, Xuefeng Jin, Jie Zhao

机构 * Huawei Technologies Co., Ltd.（华为技术有限公司） ； Hunan University（湖南大学） 纠错

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

AI总结 AKG核代理是一种多智能体系统，通过自动化核生成、迁移和性能调优，提升跨平台核开发效率。

Low-Resource Multi-Granularity Academic Function Recognition Based on Multiple Prompt Knowledge

基于多提示知识的低资源多粒度学术功能识别

Jiawei Liu, Zi Xiong, Yi Jiang, Yongqiang Ma, Wei Lu, Yong Huang, Qikai Cheng

机构 * Wuhan University, School of Information Management（武汉大学信息管理学院） 纠错

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

AI总结 本文提出MPT方法，通过结合人工和自动提示模板，提升低资源下多粒度学术功能识别的性能，实验显示在Macro-F1得分上优于微调和半监督方法。

Comments This article has been accepted by The Electronic Library and the full article is now available on Emerald Insight

Towards Integrating Uncertainty for Domain-Agnostic Segmentation

迈向领域无关分割的不确定性整合

Jesse Brouwers, Xiaoyan Xing, Alexander Timans

机构 * UvA-Bosch Delta Lab, University of Amsterdam（阿姆斯特丹大学） 纠错

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

AI总结 本文提出UncertSAM基准测试，评估不确定性量化对分割模型在领域无关场景下的泛化能力提升效果。

Comments Public code at https://github.com/JesseBrouw/UncertSAM | published at the 2nd Workshop on Frontiers in Probabilistic Inference (NeurIPS 2025) | 12 pages, 8 figures (incl. Appendix)

MedSAM-based lung masking for multi-label chest X-ray classification

基于MedSAM的肺部掩膜用于多标签胸部X光分类

Brayden Miao, Zain Rehman, Xin Miao, Siming Liu, Jianjie Wang

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

AI总结 基于MedSAM的肺部掩膜技术通过优化空间先验提升多标签胸部X光分类的准确性和效率。

Comments 16 pages, 8 figures

Improving Large Language Model Safety with Contrastive Representation Learning

通过对比表征学习提升大语言模型安全性

Samuel Simko, Mrinmaya Sachan, Bernhard Schölkopf, Zhijing Jin

机构 * ETH Zurich（苏黎世联邦理工学院） ； MPI for Intelligent Systems（智能系统最大计划） ； University of Toronto（多伦多大学） 纠错

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

AI总结 本文提出基于对比表征学习的框架，通过三元组损失和对抗性难负样本挖掘提升大语言模型对对抗攻击的鲁棒性。

Comments EMNLP 2025 Main