语言大模型 / LLM

Darth Vecdor: An Open-Source System for Generating Knowledge Graphs Through Large Language Model Queries

Darth Vecdor：通过大语言模型查询生成知识图谱的开源系统

Jonathan A. Handler

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 Darth Vecdor是一个开源系统，通过大语言模型查询生成结构化的知识图谱，旨在解决LLM响应的准确性和一致性问题，以提高医疗领域应用的安全性和效率。

Comments 17 pages, 3 figures. Changes to best of my recollection: 1) Added to Acknowledgements that Darth Vecdor software was created with the help of LLMs and many other resources, clearly noted on software GitHub site, but added here. 2) Fixed content related to the Are You Sure paper that was referenced, as the previous version incorrectly summarized the article's finding

CliCARE: Grounding Large Language Models in Clinical Guidelines for Decision Support over Longitudinal Cancer Electronic Health Records

CliCARE: 在纵向癌症电子健康记录上基于临床指南 grounding 大型语言模型以支持决策

Dongchen Li, Jitao Liang, Wei Li, Xiaoyu Wang, Longbing Cao, Kun Yu

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 CliCARE 通过将纵向癌症 EHRs 转换为时序知识图谱并结合临床指南，为肿瘤科医生提供证据支持的决策支持。

Comments Accepted in AAAI Conference on Artificial Intelligence (AAAI-26, Oral)

Streamlining evidence based clinical recommendations with large language models

用大型语言模型流利化基于证据的临床推荐

Dubai Li, Nan Jiang, Kangping Huang, Ruiqi Tu, Shuyu Ouyang, Huayu Yu, Lin Qiao, Chen Yu, Tianshu Zhou, Danyang Tong, Qian Wang, Mengtao Li, Xiaofeng Zeng, Yu Tian, Xinping Tian, Jingsong Li

机构 * Engineering Research Center of EMR and Intelligent Expert System, Ministry of Education（教育部电磁辐射与智能专家系统工程研究中心） ； National Clinical Research Center for Dermatologic and Immunologic Diseases (NCRC-DID), Ministry of Science and Technology（皮肤病与免疫性疾病临床研究中心，科学技术部） ； State Key Laboratory of Complex Severe and Rare Diseases（复杂严重罕见疾病国家重点实验室） ； Key Laboratory of Rheumatology and Clinical Immunology, Ministry of Education（风湿免疫学重点实验室，教育部） 纠错

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

AI总结 Quicker利用大型语言模型自动化证据综合和生成临床推荐，提升基于证据的临床决策效率和可靠性。

Journal ref Digit. Med. 8, 793 (2025)

Retrieval-Augmented Multi-LLM Ensemble for Industrial Part Specification Extraction

基于检索增强的多LLM集成工业零件规范提取系统

Muzakkiruddin Ahmed Mohammed, John R. Talburt, Leon Claasssens, Adriaan Marais

机构 * ERIQ Research Center University of Arkansas - Little Rock（ERIQ研究所以及阿肯色大学-利文斯顿分校） ； PiLog Group（PiLog集团） 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、cs.LG

AI总结 本文提出一种基于检索增强的多LLM集成框架，通过整合多种先进模型提升工业零件规范提取的准确性和完整性。

Comments The 17th International Conference on Knowledge and Systems Engineering

The Persona Paradox: Medical Personas as Behavioral Priors in Clinical Language Models

医疗人设悖论：临床语言模型中的行为先验

Tassallah Abdullahi, Shrestha Ghosh, Hamish S Fraser, Daniel León Tramontini, Adeel Abbasi, Ghada Bourjeily, Carsten Eickhoff, Ritambhara Singh

机构 * Brown University（布朗大学） ； University of Tuebingen（图宾根大学） 纠错

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

AI总结 研究揭示医疗人设在临床语言模型中产生上下文依赖的性能权衡，显示其在重症护理任务中提升表现，但在初级护理中降低性能，且互动风格影响风险倾向。

One Language-Free Foundation Model Is Enough for Universal Vision Anomaly Detection

一种语言无关的基础模型足以实现通用视觉异常检测

Bin-Bin Gao, Chengjie Wang

机构 * Tencent YouTu Lab（腾讯优图实验室） 纠错

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

AI总结 本文提出了一种简单、通用且有效的通用视觉异常检测框架UniADet，通过解耦分类和分割任务，实现了对多种基础模型的适应，并在多个实际应用场景中表现出色。

Comments 20 pages, 5 figures, 34 tabels

LLMs as Science Journalists: Supporting Early-stage Researchers in Communicating Their Science to the Public

大语言模型作为科学记者：帮助初级研究人员向公众沟通其科学发现

Milad Alshomary, Grace Li, Anubhav Jangra, Yufang Hou, Kathleen McKeown, Smaranda Muresan

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

AI总结 本研究提出训练大语言模型作为科学记者的框架，以帮助初级研究人员更有效地向公众传达科学发现。

WildSci: Advancing Scientific Reasoning from In-the-Wild Literature

WildSci: 从真实文献中推进科学推理

Tengxiao Liu, Deepak Nathani, Zekun Li, Kevin Yang, William Yang Wang

机构 * University of California, Santa Barbara（加州大学圣巴巴拉分校） 纠错

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 WildSci通过自动合成领域特定科学问题数据集，提升科学推理的可扩展性和可持续性。

Materials Informatics: Emergence To Autonomous Discovery In The Age Of AI

材料信息学：在人工智能时代的涌现与自主发现

Turab Lookman, YuJie Liu, Zhibin Gao

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

AI总结 本文探讨了材料信息学在人工智能时代的发展，从基础理论到AI驱动的自主发现，强调其作为不断演进的生态系统，通过反向设计和自主实验室推动材料科学的变革。

Comments 44 pages, 14 figures

LEKA:LLM-Enhanced Knowledge Augmentation

LEKA：大语言模型增强的知识增强

Xinhao Zhang, Jinghan Zhang, Fengran Mo, Dongjie Wang, Yanjie Fu, Kunpeng Liu

机构 * Portland State University（波特兰州立大学） ； University of Montreal（蒙特利尔大学） ； University of Kansas（堪萨斯大学） ； Arizona State University（亚利桑那州立大学） 纠错

专题命中 领域大模型 ：LLM(title)；分类 cs.LG

AI总结 LEKA通过主动检索合适知识源，提升跨领域知识转移效率，减少计算成本并优化迁移学习效果。

Comments Accepted by IJCAI 2025

KALE-LM-Chem: Vision and Practice Toward an AI Brain for Chemistry

KALE-LM-Chem：迈向化学人工智能脑的愿景与实践

Weichen Dai, Yezeng Chen, Zijie Dai, Yubo Liu, Zhijie Huang, Yixuan Pan, Baiyang Song, Chengli Zhong, Xinhe Li, Zeyu Wang, Zhuoying Feng, Yi Zhou

机构 * University of Science and Technology of China（科学技术大学） ； ShanghaiTech University（上海科技大学） ； USTC Knowledge Computing Lab（USTC知识计算实验室） ； State Key Laboratory of Communication Content Cognition People's Daily Online（通信内容认知国家重点实验室） 纠错

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KALE-LM-Chem模型，旨在通过整合领域知识和逻辑，推动化学领域的智能AI发展，提升科学发现效率。

Data Augmented Pipeline for Legal Information Extraction and Reasoning

法律信息抽取与推理的数据增强管道

Nguyen Minh Phuong, Ha-Thanh Nguyen, May Myo Zin, Ken Satoh

机构 * Center for Juris-Informatics, ROIS-DS（司法信息中心，ROIS-DS） ； Japan Advanced Institute of Science and Technology（日本先进科学研究所） ； Research and Development Center for LLMs, NII（大语言模型研发中心，NII） 纠错

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

AI总结 本文提出了一种基于大型语言模型的数据增强管道，用于提升法律领域信息抽取与推理的效率和鲁棒性，同时具备跨领域应用的通用性。

Comments Accepted in the Demonstration Track at ICAIL 2025

Evaluating the Use of LLMs for Automated DOM-Level Resolution of Web Performance Issues

评估LLMs在自动化网页性能问题DOM层面解决中的应用

Gideon Peters, SayedHassan Khatoonabadi, Emad Shihab

机构 * Concordia University（Concordia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 本研究评估了九种先进LLMs在自动化网页性能问题DOM层面解决中的效果，发现其在SEO和可访问性问题上表现优异，但在性能关键的DOM修改中效果不一。

Comments Accepted to the The ACM International Conference on Mining Software Repositories (MSR) (MSR 2026)

An Empirical Study on Preference Tuning Generalization and Diversity Under Domain Shift

关于领域转移下偏好微调泛化性和多样性的实证研究

Constantinos Karouzos, Xingwei Tan, Nikolaos Aletras

机构 * School of Computer Science University of Sheffield, UK（计算机科学学院 谢菲尔德大学） 纠错

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

AI总结 本研究通过比较不同对齐目标和适应策略，探讨领域转移下偏好微调的泛化性和多样性，发现伪标签法能有效缓解领域转移带来的性能下降。

Multi-task Cross-modal Learning for Chest X-ray Image Retrieval

多任务跨模态学习用于胸部X射线图像检索

Zhaohui Liang, Sivaramakrishnan Rajaraman, Niccolo Marini, Zhiyun Xue, Sameer Antani

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

AI总结 本文提出多任务学习框架，通过改进BiomedCLIP模型，提升胸部X射线图像与文本的跨模态检索性能。

Engineering the RAG Stack: A Comprehensive Review of the Architecture and Trust Frameworks for Retrieval-Augmented Generation Systems

构建RAG堆栈：对检索增强生成系统架构和信任框架的全面综述

Dean Wampler, Dave Nielson, Alireza Seddighi

机构 * The AI Alliance（AI联盟） ； IBM Research（IBM研究院） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 本文综述了RAG系统架构和信任框架，提出统一分类学和评估框架，为构建安全且领域适应性强的RAG系统提供指导。

Comments 86 pages, 2 figures, 37 tables. A comprehensive review of Retrieval-Augmented Generation (RAG) architectures and trust frameworks (2018-2025), encompassing a unified taxonomy, evaluation benchmarks, and trust-safety modeling

Cybersecurity AI: A Game-Theoretic AI for Guiding Attack and Defense

网络空间AI：一种基于博弈论的AI用于引导攻击与防御

Víctor Mayoral-Vilches, María Sanz-Gómez, Francesco Balassone, Stefan Rass, Lidia Salas-Espejo, Benjamin Jablonski, Luis Javier Navarrete-Lozano, Maite del Mundo de Torres, Cristóbal R. J. Veas Chavez

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文提出G-CTR，一种基于博弈论的AI指导层，通过生成摘要引导攻击与防御行为，提升网络安全测试效率与成功率。

CourtNav: Voice-Guided, Anchor-Accurate Navigation of Long Legal Documents in Courtrooms

CourtNav: 语音引导、锚点精确的法庭长法律文档导航

Sai Khadloya, Kush Juvekar, Arghya Bhattacharya, Utkarsh Saxena

专题命中 领域大模型 ：LLM(abstract)

AI总结 CourtNav通过语音引导和锚点导航技术，显著提升法庭长法律文档的检索效率，将相关性查找时间从分钟级降至秒级。