语言大模型 / LLM

Scalable Scientific Interest Profiling Using Large Language Models

利用大语言模型实现可扩展的科学兴趣画像

Yilun Liang, Gongbo Zhang, Edward Sun, Betina Idnay, Yilu Fang, Fangyi Chen, Casey Ta, Yifan Peng, Chunhua Weng

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 本文利用大语言模型生成科学兴趣画像，通过MeSH术语和摘要两种方法对比，发现MeSH基于的画像在可读性和准确性上表现更优，但与人类写作存在概念选择差异。

Journal ref Journal of Biomedical Informatics 172, 104949 (2025)

LLM-Enhanced Reinforcement Learning for Time Series Anomaly Detection

基于大语言模型的强化学习用于时间序列异常检测

Bahareh Golchin, Banafsheh Rekabdar, Danielle Justo

机构 * dept. Computer Science Portland State University（计算机科学系波特兰州立大学） ； dept. Computer Science Smith College（计算机科学系史密斯学院） 纠错

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

AI总结 本文提出结合大语言模型与强化学习的统一框架，通过奖励塑造、动态奖励缩放和主动学习提升时间序列异常检测的准确性和效率。

Towards Trustworthy LLM-Based Recommendation via Rationale Integration

通过推理整合实现可信的基于大语言模型的推荐

Chung Park, Taesan Kim, Hyeongjun Yun, Dongjoon Hong, Junui Hong, Kijung Park, MinCheol Cho, Mira Myong, Jihoon Oh, Min sung Choi

机构 * SK Telecom（SK电信） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；instruction tuning(abstract)；分类 cs.AI

AI总结 本文提出基于大语言模型的推荐系统，通过生成逻辑严谨的理由提升推荐的可解释性和性能。

Comments Accepted at RS4SD'25 (CIKM'25 Workshop)

LeafTutor: An AI Agent for Programming Assignment Tutoring

LeafTutor: 一个用于编程作业辅导的AI代理

Madison Bochard, Tim Conser, Alyssa Duran, Lazaro Martull, Pu Tian, Yalong Wu

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 LeafTutor利用大型语言模型为编程作业提供逐步指导，展示了AI辅导在提升STEM教育学习中的潜力。

Unpacking Generative AI in Education: Computational Modeling of Teacher and Student Perspectives in Social Media Discourse

解析生成式AI在教育中的应用：社会媒体 discourse 中教师和学生视角的计算建模

Paulina DeVito, Akhil Vallala, Sean Mcmahon, Yaroslav Hinda, Benjamin Thaw, Hanqi Zhuang, Hari Kalva

机构 * Department of Electrical Engineering and Computer Science, Florida Atlantic University（电气工程与计算机科学系，佛罗里达亚特兰大大学） 纠错

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

AI总结 本研究利用生成式AI技术分析教育领域中教师和学生在社交媒体上的观点差异，通过模块化框架揭示其在个性化学习和学术诚信方面的不同关注点。

Comments This is the original preprint version, not the final paper. The final, published version is copyrighted by IEEE and is available at: https://doi.org/10.1109/TCSS.2025.3630587

Empowering Source-Free Domain Adaptation via MLLM-Guided Reliability-Based Curriculum Learning

通过MLLM引导的可靠性基于课程学习增强源无关领域适应

Dongjie Chen, Kartik Patwari, Zhengfeng Lai, Xiaoguang Zhu, Sen-ching Cheung, Chen-Nee Chuah

机构 * University of California, Davis（加州大学戴维斯分校） ； University of Kentucky（肯塔基大学） 纠错

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

AI总结 通过MLLM引导的可靠性基于课程学习增强源无关领域适应，提出一种新的框架，利用多个冻结的MLLMs的稳健监督蒸馏到目标模型，实现稳定且噪声感知的训练。

TAG-HGT: A Scalable and Cost-Effective Framework for Inductive Cold-Start Academic Recommendation

TAG-HGT：一种可扩展且成本效益高的诱导冷启动学术推荐框架

Zhexiang Li

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

AI总结 TAG-HGT通过神经符号框架实现高效冷启动学术推荐，提升召回率并大幅降低推理成本。

Comments 8pages

Patient-Zero: Scaling Synthetic Patient Agents to Real-World Distributions without Real Patient Data

Patient-Zero: 通过无需真实患者数据实现对真实世界分布的合成患者代理扩展

Yunghwei Lai, Ziyue Wang, Weizhi Ma, Yang Liu

机构 * Dept. of Comp. Sci. & Tech., Institute for AI, Tsinghua University（计算机科学与技术系，人工智能学院，清华大学） ； Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院，清华大学） 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 Patient-Zero通过无需真实患者数据的合成方法，实现了对真实世界分布的高效模拟，提升了医疗数据质量和交互保真度，且在临床任务中表现出显著的性能优势。

Agentic AI for Intent-Based Industrial Automation

基于意图的工业自动化代理AI

Marcos Lima Romero, Ricardo Suyama

机构 * Center for Engineering, Modeling（工程、建模中心） ； Applied Social Sciences Federal University of ABC - UFABC（应用社会科学联邦大学-UFABC） 纠错

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

AI总结 本文提出基于意图的工业自动化代理AI框架，通过自然语言表达目标并分解为可执行组件，实现人本、可持续的自动化系统。

Comments Preprint - Submitted to 16th IEEE/IAS International Conference on Industry Applications - INDUSCON 2025

Tree of Preferences for Diversified Recommendation

偏好树用于多样化推荐

Hanyang Yuan, Ning Tang, Tongya Zheng, Jiarong Xu, Xintong Hu, Renhong Huang, Shunyu Liu, Jiacong Hu, Jiawei Chen, Mingli Song

机构 * Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Hangzhou City University（杭州市大学） ； Nanyang Technological University（南洋理工大学） 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 本文提出基于偏好树的多样化推荐方法，利用LLMs揭示用户未探索偏好，提升推荐多样性与相关性。

FUSE : Failure-aware Usage of Subagent Evidence for MultiModal Search and Recommendation

FUSE : 多模态搜索与推荐中子代理证据的故障感知使用

Tushar Vatsa, Vibha Belavadi, Priya Shanmugasundaram, Suhas Suresha, Dewang Sultania

机构 * Adobe Inc.（Adobe公司） 纠错

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

AI总结 FUSE通过上下文压缩策略提升多模态搜索与推荐性能，实现93.3%的意图准确率和99.4%的召回率。

Comments ICDM MMSR 2025: Workshop on Multimodal Search and Recommendations

Making AI Functional with Workarounds: An Insider's Account of Invisible Labour in Organisational Politics

用补救措施使AI功能化：组织政治中隐形劳动的 insider 透视

Shang Chieh Lee, Bhuva Narayan, Simon Buckingham Shum, Stella Ng, A. Baki Kocaballi

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

AI总结 本文通过分析组织政治中的隐形劳动，探讨GenAI在高等教育中实施过程中因技术限制与组织冲突而产生的补救措施及其社会技术整合作用。

Comments Accepted for publication at the Australasian Conference on Information Systems (ACIS) 2025. The final peer-reviewed version is available at: http://hdl.handle.net/10453/190882

Journal ref Australasian Conference on Information Systems (ACIS) 2025

Large Empirical Case Study: Go-Explore adapted for AI Red Team Testing

大规模实证研究：为AI红队测试适应的Go-Explore

Manish Bhatt, Adrian Wood, Idan Habler, Ammar Al-Kahfah

机构 * Amazon（亚马逊公司） ； Dropbox（Dropbox公司） ； Cisco（思科公司） 纠错

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

AI总结 该研究通过Go-Explore评估GPT-4o-mini的安全性，发现种子方差和领域知识对测试结果影响显著，单种子比较不可靠，多种子平均能降低方差，奖励塑造导致探索崩溃和假阳性。

ORPR: An OR-Guided Pretrain-then-Reinforce Learning Model for Inventory Management

ORPR：一种基于OR的预训练后再强化学习模型用于库存管理

Lingjie Zhao, Xue Yu, Yongzhi Qi, Hao Hu, Jianshen Zhang, Yingzheng Ma, Shuyu Han, Wei Qi, Zuo-Jun Max Shen

机构 * Department of Industrial Engineering, Tsinghua University（清华大学工业工程系） ； Supply Chain Tech Team Y, JD.com（京东供应链技术团队） ； Faculty of Engineering and Faculty of Business and Economics, The University of Hong Kong（香港大学工程学院和商学院） 纠错

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

AI总结 本文提出一种基于OR的预训练后再强化学习模型，通过结合领域知识和结构化优化逻辑，提升库存管理的决策效率与成本效益。

AI-exposed jobs deteriorated before ChatGPT

暴露于AI的工作在发布ChatGPT之前就恶化了

Morgan R. Frank, Alireza Javadian Sabet, Lisa Simon, Sarah H. Bana, Renzhe Yu

机构 * Department of Informatics and Networked Systems, University of Pittsburgh（匹兹堡大学信息学与网络系统系） ； Digital Economy Lab, Stanford University（斯坦福大学数字经济实验室） ； AI Economy Institute, Microsoft（微软人工智能经济研究所） ； Revelio Labs（Revelio实验室） ； Argyros College of Business and Economics, Chapman University（查普曼大学商学院与经济学学院） ； Teachers College, Columbia University（哥伦比亚大学师范学院） ； Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 研究发现AI暴露职业的就业风险在ChatGPT发布前就上升，且受教育背景影响第一份工作薪酬和求职时间。

HAPNet: Toward Superior RGB-Thermal Scene Parsing via Hybrid, Asymmetric, and Progressive Heterogeneous Feature Fusion

HAPNet：通过混合、不对称和渐进式异构特征融合实现更优的RGB-热场景解析

Jiahang Li, Peng Yun, Yang Xu, Ye Zhang, Mingjian Sun, Qijun Chen, Ilin Alexander, Rui Fan

机构 * College of Electronic and Information Engineering, Tongji University（同济大学电子与信息工程学院） ； Department of Computer Science and Engineering, Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系） ； MSU-BIT-SMBU Joint Research Center of Applied Mathematics, Shenzhen MSU-BIT University（深圳MSU-BIT大学应用数学联合研究中心） ； Qingdao Innovation and Development Base, Harbin Institute of Technology (Weihai)（哈尔滨工业大学（威海）青岛创新与发展基地） ； Department of Control Science and Engineering, Harbin Institute of Technology（哈尔滨工业大学控制科学与工程系） ； Harbin Institute of Technology at Weihai（哈尔滨工业大学（威海）） ； Suzhou Research Institute, Harbin Institute of Technology（哈尔滨工业大学苏州研究所） ； Faculty of Computational Mathematics and Cybernetics, Lomonosov Moscow State University（莫斯科罗蒙诺夫莫斯科国立大学计算数学与自动化系） 纠错

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

AI总结 HAPNet通过混合、不对称和渐进式异构特征融合提升RGB-热场景解析性能，实现最佳效果。

Comments 16 pages, 4 figures. Accepted to the Biomimetic Intelligence and Robotics

Limits to Predicting Online Speech Using Large Language Models

大型语言模型在预测在线言论上的局限性

Mina Remeli, Moritz Hardt, Robert C. Williamson

机构 * Max-Planck Institute for Intelligent Systems, Tübingen（马克斯·普朗克智能系统研究所，图宾根） ； Tübingen AI Center（图宾根人工智能中心） ； University of Tübingen（图宾根大学） 纠错

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

AI总结 本文研究了大型语言模型在预测在线用户生成内容时的局限性，发现使用用户自身历史记录的模型表现更优，且20%的所学内容涉及@提及和标签。

Comments Updated Figure 1, added demographic analysis

Evolving Personalities in Chaos: An LLM-Augmented Framework for Character Discovery in the Iterated Prisoners Dilemma under Environmental Stress

混沌中的性格演变：一种结合大语言模型的框架用于在环境压力下的迭代囚徒困境中发现角色

Oguzhan Yildirim

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 本文提出一种结合大语言模型的框架，在环境压力下通过迭代囚徒困境发现可解释的角色原型，提升策略的鲁棒性和可解释性。

Comments 10 pages, 5 figures. Project assignment; exploratory study on LLM-based adaptive agents

Improving Financial Forecasting with a Synergistic LLM-Transformer Architecture: A Hybrid Approach to Stock Price Prediction

通过协同LLM-Transformer架构提升金融预测：一种股票价格预测的混合方法

Sayed Akif Hussain, Chen Qiu-shi, Syed Amer Hussain, Syed Atif Hussain, Asma Komal, Muhammad Imran Khalid

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 本文提出混合LLM-Transformer架构，通过融合文本和数值数据提升股票价格预测精度，实验证明模型在噪声环境下具有更强的鲁棒性和可解释性。

Comments 14 pages, 6 Figures, 3 Tables

Do You Get the Hint? Benchmarking LLMs on the Board Game Concept

你得到提示了吗？对大型语言模型的棋盘游戏概念基准测试

Ine Gevers, Walter Daelemans

机构 * CLiPS, University of Antwerp（CLiPS，安特卫普大学） 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 本文通过棋盘游戏Concept测试LLMs的演绎推理能力，发现人类易解而LLMs表现不佳，尤其在低资源语言中更差。

When the Coffee Feature Activates on Coffins: An Analysis of Feature Extraction and Steering for Mechanistic Interpretability

当咖啡特征在棺材上激活：对特征提取和转向用于机制可解释性的分析

Raphael Ronge, Markus Maier, Frederick Eberhardt

机构 * Department of Philosophy of Nature and Technology（自然哲学与技术系） ； Munich School of Philosophy（慕尼黑哲学学院） ； Division of the Humanities and Social Sciences（人文与社会科学系） ； California Institute of Technology（加州理工学院） 纠错

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

AI总结 本文分析了通过稀疏自编码器提取特征和控制模型输出的方法，指出其在机制可解释性中的局限性和可靠性问题，强调需转向更可靠的预测与控制。

Comments 33 pages (65 with appendix), 1 figure

JPU: Bridging Jailbreak Defense and Unlearning via On-Policy Path Rectification

JPU: 通过在线策略路径校正弥合对抗防御与遗忘

Xi Wang, Songlei Jian, Shasha Li, Xiaopeng Li, Zhaoye Li, Bin Ji, Baosheng Wang, Jie Yu

机构 * National University of Defense Technology（国防科技大学） 纠错

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

AI总结 JPU通过动态挖掘在线策略对抗样本，校正动态对抗路径以提升模型对抗攻击的鲁棒性。

Comments 14 pages, 6 figures, under review;

Physical Transformer

物理变换器

Tao Xu, Zhixin Hu, Li Luo, Momiao Xiong

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

AI总结 物理变换器结合几何表示和物理动态，通过层次化结构提升推理稳定性与长周期准确性，推动物理基础的AI发展。

Comments 38 pages, 2 figures

The Vibe-Check Protocol: Quantifying Cognitive Offloading in AI Programming

Vibe-Check协议：量化AI编程中的认知卸载

Aizierjiang Aiersilan

机构 * The George Washington University（乔治·华盛顿大学） 纠错

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

AI总结 本文提出Vibe-Check协议，通过量化指标评估Vibe Coding在软件工程教学中的效果，探讨其对技能保留和概念理解的影响。

RAL2M: Retrieval Augmented Learning-To-Match Against Hallucination in Compliance-Guaranteed Service Systems

RAL2M：检索增强的学习-匹配以对抗幻觉在合规保障服务系统中

Mengze Hong, Di Jiang, Jiangtao Wen, Zhiyang Su, Yawen Li, Yanjie Sun, Guan Wang, Chen Jason Zhang

机构 * Hong Kong Polytechnic University（香港理工大学） ； New York University Shanghai（纽约大学上海分校） ； Hong Kong University of Science and Technology（香港科技大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 RAL2M通过检索增强的学习-匹配框架，利用众智消除生成幻觉，提升合规保障服务系统的响应可靠性。

Compositional Discrete Latent Code for High Fidelity, Productive Diffusion Models

组合式离散潜在代码用于高保真、高效的扩散模型

Samuel Lavoie, Michael Noukhovitch, Aaron Courville

机构 * Mila, Université de Montréal（蒙特利尔大学） 纠错

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

AI总结 本文提出离散潜在代码（DLC）以提升扩散模型的生成保真度，通过组合性实现分布外样本生成，并展示其在图像生成和文本到图像生成中的应用。

Comments Published at NeurIPS, 22 pages, 7 tables, 12 figures, code and models available

Intervene-All-Paths: Unified Mitigation of LVLM Hallucinations across Alignment Formats

干预所有路径：统一缓解跨对齐格式的大型视觉-语言模型幻觉

Jiaye Qian, Ge Zheng, Yuchen Zhu, Sibei Yang

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； ShanghaiTech University（上海科技大学） 纠错

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

AI总结 本文提出一种统一干预框架，通过分析不同路径间的相互作用，有效缓解跨对齐格式的LVLM幻觉问题。

Comments Accepted to NeurIPS 2025, Project Page: https://github.com/SooLab/AllPath

HEXAR: a Hierarchical Explainability Architecture for Robots

HEXAR：机器人中的分层可解释性架构

Tamlin Love, Ferran Gebellí, Pradip Pramanick, Antonio Andriella, Guillem Alenyà, Anais Garrell, Raquel Ros, Silvia Rossi

机构 * Institut de Robòtica i Informàtica Industrial (CSIC-UPC)（机器人与信息工业研究所（CSIC-UPC）） ； PAL Robotics（PAL机器人技术公司） ； University of Naples Federico II（那不勒斯费德里科二世大学） ； Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC）） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract)

AI总结 HEXAR通过分层可解释性架构提升机器人系统的透明度和可解释性，有效提高根因识别和运行效率。

Comments 8 pages, 6 figures

Aligning Text, Images, and 3D Structure Token-by-Token

对齐文本、图像和3D结构逐个标记

Aadarsh Sahoo, Vansh Tibrewal, Georgia Gkioxari

机构 * California Institute of Technology（加州理工学院） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract)

AI总结 本文提出统一的LLM框架，实现文本、图像和3D结构的对齐，通过结构化3D场景模态提升3D场景理解与重建能力。

Comments Project webpage: https://glab-caltech.github.io/kyvo/

ToxiGAN: Toxic Data Augmentation via LLM-Guided Directional Adversarial Generation

ToxiGAN: 通过LLM引导的定向对抗生成进行有毒数据增强

Peiran Li, Jan Fillies, Adrian Paschke

机构 * Freie Universität Berlin（弗里德里希-莱布尼茨柏林大学） ； Fraunhofer-Institut für Offene Kommunikationssysteme（弗劳恩霍夫开放通信系统研究所） ； Institut für Angewandte Informatik（应用信息研究所） ； Stanford University（斯坦福大学） 纠错

专题命中 其他LLM ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 ToxiGAN通过LLM引导的定向对抗生成方法，提升有毒数据增强的可控性和类别特定性，有效增强分类器鲁棒性。

Comments This paper has been accepted to the main conference of EACL 2026