语言大模型 / LLM

AVIR: Adaptive Visual In-Document Retrieval for Efficient Multi-Page Document Question Answering

AVIR: 为高效多页文档问答的自适应视觉在文档检索

Zongmin Li, Yachuan Li, Lei Kang, Dimosthenis Karatzas, Wenkang Ma

机构 * China University of Petroleum (East China)（中国石油大学（华东）） ； Shandong Xiehe University（山东谢家大学） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 AVIR通过自适应视觉在文档检索框架减少多页文档问答所需的页面数，提升效率并降低计算成本。

Comments 7 pages, 3 figures

TransMode-LLM: Feature-Informed Natural Language Modeling with Domain-Enhanced Prompting for Travel Behavior Modeling

TransMode-LLM: 基于领域增强提示的特征引导自然语言建模用于旅行行为建模

Meijing Zhang, Ying Xu

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

AI总结 TransMode-LLM通过结合统计方法与LLM技术，利用领域增强提示提升旅行行为预测的准确性。

Measuring Stability Beyond Accuracy in Small Open-Source Medical Large Language Models for Pediatric Endocrinology

在儿科内分泌学中超越准确性的医疗小型开源大语言模型稳定性测量

Vanessa D'Amario, Randy Daniel, Alessandro Zanetti, Dhruv Edamadaka, Nitya Alaparthy, Joshua Tarkoff

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

AI总结 本文研究了儿科内分泌学中医疗小型开源大语言模型的稳定性，发现高一致性不等于正确性，且系统扰动会影响输出，强调了评估框架的必要性。

Comments 20 pages, 11 figures, accepted at 47 workshop Reproducible Artificial Intelligence (AAAI 2026, Singapore, January 27, 2026)

A Disproof of Large Language Model Consciousness: The Necessity of Continual Learning for Consciousness

反驳大语言模型意识：持续学习对意识的必要性

Erik Hoel

机构 * Bicameral Labs（双轨实验室） 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 本文反驳了当前大语言模型的意识，指出持续学习是意识的必要条件，并支持持续学习与意识相关联的假设。

Comments 31 pages, 3 figures. V3: Added new section (4.1), restructured section 5.1, and further expanded citations

Scientific production in the era of Large Language Models

大语言模型时代下的科学生产

Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart, Yian Yin

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 大语言模型显著提升了科学家的论文产出，但导致论文语言复杂性与实质质量脱节，需重新评估科学评价体系。

Comments This is the author's version of the work. The definitive version was published in Science on 18 Dec 2025, DOI: 10.1126/science.adw3000. Link to the Final Published Version: https://www.science.org/doi/10.1126/science.adw3000

Journal ref Science, 390(6779), pp.1240-1243 (2025)

Revisiting Software Engineering Education in the Era of Large Language Models: A Curriculum Adaptation and Academic Integrity Framework

重新审视大语言模型时代的软件工程教育：课程适应与学术诚信框架

Mustafa Degerli

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 本文提出一个理论框架，分析生成式AI如何改变软件工程能力，并推动教育模式向过程透明度转变，以应对大语言模型时代教育与实践的不匹配问题。

Comments The conclusion part is not complete. The correct and complete paper will not be uploaded

Hard Negative Sampling via Large Language Models for Recommendation

通过大型语言模型进行推荐系统中的困难负样本采样

Chu Zhao, Enneng Yang, Yuting Liu, Jianzhe Zhao, Guibing Guo

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HNLMRec，利用大型语言模型生成语义相关的困难负样本，以提升推荐系统的性能和泛化能力。

Comments 19 pages

Integrating Large Language Models into Recommendation via Mutual Augmentation and Adaptive Aggregation

通过相互增强和自适应聚合将大语言模型整合到推荐中

Sichun Luo, Yuxuan Yao, Bowei He, Wei Shao, Jian Xu, Yinya Huang, Aojun Zhou, Xinyi Zhang, Yuanzhang Xiao, Hanxu Hou, Mingjie Zhan, Linqi Song

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Llama4Rec框架，通过相互增强和自适应聚合结合传统推荐方法和大语言模型，提升推荐性能。

Comments Accepted by IEEE Journal of Selected Topics in Signal Processing

Structured Insight from Unstructured Data: Large Language Models for SDOH-Driven Diabetes Risk Prediction

从无结构数据中提取结构化洞察：大型语言模型用于SDOH驱动的糖尿病风险预测

Sasha Ronaghi, Prerit Choudhary, David H Rehkopf, Bryant Lin

机构 * Stanford University（斯坦福大学） ； Stanford University School of Medicine（斯坦福大学医学院） 纠错

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 本研究利用大型语言模型从患者生活故事中提取结构化SDOH信息，用于糖尿病风险预测，LLMs在预测糖尿病控制水平方面达到60%的准确率。

Comments 7 pages, 5 figures

Journal ref Annu Int Conf IEEE Eng Med Biol Soc. 2025 Jul;2025:1-7

Software Model Evolution with Large Language Models: Experiments on Simulated, Public, and Industrial Datasets

基于大语言模型的软件模型演化：在模拟、公开和工业数据集上的实验

Christof Tinnes, Alisa Welter, Sven Apel

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

AI总结 本文提出RAMC方法，利用大语言模型实现软件模型补全，通过实验验证其在工业和公开数据集上的有效性。

Journal ref Proceedings of the 47th International Conference on Software Engineering (ICSE 2025), IEEE/ACM, 2025

Ethical Risks in Deploying Large Language Models: An Evaluation of Medical Ethics Jailbreaking

大语言模型部署中的伦理风险：医疗伦理“ Jailbreak”评估

Chutian Huang, Dake Cao, Jiacheng Ji, Yunlou Fan, Chengze Yan, Hanhui Xu

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

AI总结 本文评估了大语言模型在医疗伦理领域面临的安全风险，发现七种主流模型在对抗测试中表现不一，其中Claude-Sonnet-4-Reasoning表现最稳健，而其他五种模型几乎全部失效。

Interpretable Ransomware Detection Using Hybrid Large Language Models: A Comparative Analysis of BERT, RoBERTa, and DeBERTa Through LIME and SHAP

可解释的勒索软件检测：通过LIME和SHAP对BERT、RoBERTa和DeBERTa进行比较分析

Elodie Mutombo Ngoie, Mike Nkongolo Wa Nkongolo, Peace Azugo, Mahmut Tokmak

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

AI总结 本文通过LIME和SHAP分析BERT、RoBERTa和DeBERTa在勒索软件检测中的表现，发现RoBERTa在F1分数上表现最佳，而BERT在ROC-AUC上表现最优，展示了LLM与XAI结合的透明检测框架。

Jingfang: An LLM-Based Multi-Agent System for Precise Medical Consultation and Syndrome Differentiation in Traditional Chinese Medicine

Jingfang: 一种基于大语言模型的多智能体系统，用于精准中医诊疗和辨证论治

Yehan Yang, Tianhao Ma, Ruotai Li, Xinhan Zheng, Guodong Shan

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Southeast University（东南大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Science and Technology of China（中国科学技术大学） 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、cs.LG

AI总结 JingFang 是一种基于大语言模型的多智能体系统，旨在通过多智能体协作机制提升中医诊疗的准确性和个性化水平，尤其在辨证论治方面表现优异。

LLM Augmented Intervenable Multimodal Adaptor for Post-operative Complication Prediction in Lung Cancer Surgery

基于大语言模型的可干预多模态适配器用于肺癌手术后并发症预测

Shubham Pandey, Bhavin Jawade, Srirangaraj Setlur, Venu Govindaraju, Kenneth Seastedt

机构 * University at Buffalo（布法罗大学） ； Roswell Park Comprehensive Cancer Center（罗斯威尔帕克综合癌症中心） 纠错

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 MIRACLE通过整合术前临床和放射学数据，利用超球面嵌入空间和干预式深度学习模块，实现肺癌手术后并发症风险的预测与可解释性管理。

Comments Accepted to P2P-CV @ WACV 2026

Thinking Longer, Not Always Smarter: Evaluating LLM Capabilities in Hierarchical Legal Reasoning

深入思考，而非总是更聪明：评估大语言模型在分层法律推理中的能力

Li Zhang, Matthias Grabmair, Morgan Gray, Kevin Ashley

机构 * University of Pittsburgh（匹兹堡大学） ； Technical University of Munich（慕尼黑技术大学） 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

AI总结 本文提出一个框架评估大语言模型在分层法律推理中的能力，发现模型在表面推理准确但分层推理表现下降，揭示了模型在复杂领域中的局限性。

Comments 15 pages, 7 figures, Proceedings of the 2026 Symposium on Computer Science and Law (CSLAW '26)

QianfanHuijin Technical Report: A Novel Multi-Stage Training Paradigm for Finance Industrial LLMs

千帆辉金技术报告：面向金融工业大模型的新型多阶段训练范式

Shupeng Li, Weipeng Lu, Linyun Liu, Chen Lin, Shaofei Li, Zhendong Tan, Hanjun Zhong, Yucheng Zeng, Chenghao Zhu, Mengyue Liu, Daxiang Dong, Jianmin Wu, Yunting Xiao, Annan Li, Danyu Liu, Jingnan Zhang, Licen Liu, Dawei Yin, Dou Shen

机构 * Qianfan Team Baidu AI Cloud（百度AI云团队） 纠错

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

AI总结 千帆辉金提出一种面向金融工业大模型的新型多阶段训练范式，通过持续预训练和细粒度后训练流程提升模型的金融推理与代理能力。

SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection

SSVP：协同语义-视觉提示用于工业零样本异常检测

Chenhao Fu, Han Fang, Xiuzheng Zheng, Wenbo Wei, Yonghua Li, Hao Sun, Xuelong Li

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究院（TeleAI），中国电信） 纠错

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

AI总结 SSVP通过协同语义-视觉提示机制，提升工业零样本异常检测的细粒度感知能力，实现93.0%的图像AUROC和92.2%的像素AUROC。

Advances in LLM Reasoning Enable Flexibility in Clinical Problem-Solving

大语言模型推理能力的进步促进了临床问题解决的灵活性

Kie Shidara, Preethi Prem, Jonathan Kim, Anna Podlasek, Feng Liu, Ahmed Alaa, Danilo Bernardo

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

AI总结 大语言模型推理能力的提升增强了其在临床问题解决中的灵活性，使其在医学推理任务中表现接近人类水平。

Comments 10 pages, 6 figures

From 100,000+ images to winning the first brain MRI foundation model challenges: Sharing lessons and models

从10万张图像到赢得首个脑部MRI基础模型挑战：分享经验与模型

Pedro M. Gordaliza, Jaume Banus, Benoît Gérin, Maxence Wynen, Nataliia Molchanova, Jonas Richiardi, Meritxell Bach Cuadra

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

AI总结 本文提出了一种结合解剖学先验和神经影像知识的U-Net CNN架构，在3D脑部MRI挑战中取得领先，模型训练速度快且体积小。

Comments Work presented at the SSL3D Challenge (1st place, ResEnc-L track) and FOMO Challenge (1st place, Methods track) on Brain MRI Foundation Models at MICCAI 2025

Do Clinical Question Answering Systems Really Need Specialised Medical Fine Tuning?

临床问答系统真的需要专门的医学微调吗？

Sushant Kumar Ray, Gautam Siddharth Kashyap, Sahil Tripathi, Nipun Joshi, Vijay Govindarajan, Rafiq Ali, Jiechao Gao, Usman Naseem

机构 * University of Delhi（德里大学） ； Jamia Hamdard（贾迈亚哈马尔德大学） ； Cornell University（康奈尔大学） ； Expedia Group（Expedia集团） ； DSEU-Okhla ； Center for SDGC（SDGC中心） ； Stanford University（斯坦福大学） 纠错

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

AI总结 MEDASSESS-X通过推理时对齐技术，无需领域微调即可提升临床问答系统性能，解决专门化谬误问题。

Comments Accepted at EACL 2026 (Industry Track)

Generative Language Models on Nucleotide Sequences of Human Genes

基于人类基因核苷酸序列的生成语言模型

Musa Nuri Ihtiyar, Arzucan Ozgur

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

AI总结 本研究开发了针对人类基因核苷酸序列的生成语言模型，探索了RNNs在该领域的最佳表现，并发现尽管简化语言可能减少数据需求，但实际数据需求变化不大。

Journal ref Scientific Reports, 2024, 14.1: 22204

MIMIC-RD: Can LLMs differentially diagnose rare diseases in real-world clinical settings?

MIMIC-RD: 能否在真实临床环境中让大语言模型对罕见病进行差异性诊断？

Zilal Eiz AlDin, John Wu, Jeffrey Paul Fung, Jennifer King, Mya Watts, Lauren ONeill, Adam Richard Cross, Jimeng Sun

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Illinois College of Medicine（伊利诺伊大学医学学院） 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、cs.LG

AI总结 MIMIC-RD通过直接映射临床文本实体到Orphanet，评估LLM在真实临床环境下的罕见病差异性诊断能力，发现现有模型表现不佳，揭示了临床需求与现有能力之间的差距。

Comments 5 pages

Institutional AI: Governing LLM Collusion in Multi-Agent Cournot Markets via Public Governance Graphs

机构AI：通过公共治理图治理多智能体Cournot市场中的LLM合谋

Marcantonio Bracale Syrnikov, Federico Pierucci, Marcello Galisai, Matteo Prandi, Piercosma Bisconti, Francesco Giarrusso, Olga Sorokoletova, Vincenzo Suriani, Daniele Nardi

机构 * DEXAI – Icaro Lab（DEXAI–Icaro实验室） ； Sapienza University of Rome（罗马大学萨皮恩扎分校） ； Sant’Anna School of Advanced Studies（圣安娜高级研究学校） ； VU Amsterdam（阿姆斯特丹自由大学） 纠错

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

AI总结 本文提出通过公共治理图治理多智能体Cournot市场合谋问题，展示机构AI框架在减少合谋行为方面的有效性。

On Foundation Models for Temporal Point Processes to Accelerate Scientific Discovery

关于用于时间点过程的基础模型以加速科学发现

David Berghaus, Patrick Seifner, Kostadin Cvejoski, Ramses J. Sanchez

机构 * Lamarr Institute（拉马尔研究所） ； Fraunhofer IAIS（弗劳恩霍夫人工智能研究所） ； University of Bonn（波恩大学） ； JetBrains Research（JetBrains研究） 纠错

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

AI总结 本文提出一种用于时间点过程的基础模型，通过训练大量模拟事件序列，实现对新科学数据的快速分析与微调，从而加速科学发现。

Intelligent Documentation in Medical Education: Can AI Replace Manual Case Logging?

医学教育中的智能文档：AI能否取代手动病例记录？

Nafiz Imtiaz Khan, Kylie Cleland, Vladimir Filkov, Roger Eric Goldman

机构 * Department of Computer Science, University of California, Davis, CA, USA（计算机科学系，加州大学戴维斯分校） ； Department of Radiology, University of California, Davis, CA, USA（放射学系，加州大学戴维斯分校） 纠错

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

AI总结 本研究探讨了大型语言模型在自动完成放射学程序性病例记录中的可行性，结果显示LLMs在提取结构化信息方面表现优异，能有效减轻学员文书负担并提高记录一致性。

Comments 51 pages, 12 figures, 8 tables. Feasibility study using retrospective radiology reports. Submitted to JAMIA Open (under review)

A Cloud-based Multi-Agentic Workflow for Science

基于云的多智能体工作流用于科学

Anurag Acharya, Timothy Vega, Rizwan A. Ashraf, Anshu Sharma, Derek Parker, Robert Rallo

机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； Florida International University（佛罗里达国际大学） 纠错

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

AI总结 本文提出了一种基于云的多智能体工作流框架，用于科学领域，能够协调多个智能体完成科学任务，通过实验验证其在催化剂研究中的有效性。

Synthetic Volumetric Data Generation Enables Zero-Shot Generalization of Foundation Models in 3D Medical Image Segmentation

合成体积数据生成使基础模型在3D医学图像分割中的零样本泛化能力提升

Satrajit Chakrabarty, Sourya Sengupta, Gopal Avinash, Ravi Soni

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

AI总结 SynthFM-3D通过生成合成体积数据提升基础模型在3D医学图像分割中的零样本泛化能力，实现跨模态的高效分割性能。

Who Owns Creativity and Who Does the Work? Trade-offs in LLM-Supported Research Ideation

谁拥有创造力，谁做实际工作？在LLM支持的研究构想中的权衡

Houjiang Liu, Yujin Choi, Sanjana Gautam, Gabriel Jaffe, Soo Young Rieh, Matthew Lease

专题命中 领域大模型 ：LLM(title,abstract)

AI总结 本文探讨了LLM支持的研究构想中创造力归属与工作分配的权衡，发现人类努力从构想转向验证，所有权成为协商结果，强调研究人员的赋权。

The Tag is the Signal: URL-Agnostic Credibility Scoring for Messages on Telegram

标签即信号：面向Telegram消息的无URL依赖的可信度评分

Yipeng Wang, Huy Gia Han Vu, Mohit Singhal

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 TAG2CRED通过标签系统提升Telegram消息可信度评分，优于传统方法。

Injecting Knowledge from Social Science Journals to Improve Indonesian Cultural Understanding by LLMs

通过社会科学期刊注入知识以提升LLMs对印度尼西亚文化的理解

Adimulya Kartiyasa, Bao Gia Cao, Boyang Li

机构 * Nanyang Technological University（南洋理工大学） 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 本研究通过构建IndoSoSci数据集，利用检索增强生成方法将印度尼西亚文化知识注入LLMs，提升其对印度尼西亚文化的理解能力，并在基准测试中取得显著性能提升。