语言大模型 / LLM

From Textbook to Talkbot: A Case Study of a Greek-Language RAG-Based Chatbot in Higher Education

从教材到谈bot：面向高等教育的希腊语基于检索增强生成的聊天机器人案例研究

Maria Eleni Koutsiaki, Marina Delianidi, Chaido Mizeli, Konstantinos Diamantaras, Iraklis Grigoropoulos, Nikolaos Koutlianos

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 本研究开发了一个基于RAG框架的希腊语AI聊天机器人，用于高等教育中的教学支持，旨在提升教育实践和AI技术在语言教育中的应用。

Comments 11 pages, 5 figures, 6th Barcelona Conference on Education (BCE2025)

Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration

人工智能/机器学习在Rubin LSST暗能量科学合作中的机遇

LSST Dark Energy Science Collaboration, Eric Aubourg, Camille Avestruz, Matthew R. Becker, Biswajit Biswas, Rahul Biswas, Boris Bolliet, Adam S. Bolton, Clecio R. Bom, Raphaël Bonnet-Guerrini, Alexandre Boucaud, Jean-Eric Campagne, Chihway Chang, Aleksandra Ćiprijanović, Johann Cohen-Tanugi, Michael W. Coughlin, John Franklin Crenshaw, Juan C. Cuevas-Tello, Juan de Vicente, Seth W. Digel, Steven Dillmann, Mariano Javier de León Dominguez Romero, Alex Drlica-Wagner, Sydney Erickson, Alexander T. Gagliano, Christos Georgiou, Aritra Ghosh, Matthew Grayling, Kirill A. Grishin, Alan Heavens, Lindsay R. House, Mustapha Ishak, Wassim Kabalan, Arun Kannawadi, François Lanusse, C. Danielle Leonard, Pierre-François Léget, Michelle Lochner, Yao-Yuan Mao, Peter Melchior, Grant Merz, Martin Millon, Anais Möller, Gautham Narayan, Yuuki Omori, Hiranya Peiris, Laurence Perreault-Levasseur, Andrés A. Plazas Malagón, Nesar Ramachandra, Benjamin Remy, Cécile Roucelle, Jaime Ruiz-Zapatero, Stefan Schuldt, Ignacio Sevilla-Noarbe, Ved G. Shah, Tjitske Starkenburg, Stephen Thorp, Laura Toribio San Cipriano, Tilman Tröster, Roberto Trotta, Padma Venkatraman, Amanda Wasserman, Tim White, Justine Zeghal, Tianqing Zhang, Yuanyuan Zhang

机构 * Université Paris Cité, CNRS, CEA, Astroparticule et Cosmologie, F-75013 Paris, France ； Department of Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Leinweber Institute of Theoretical Physics, University of Michigan, Ann Arbor, MI 48109, USA ； Argonne National Laboratory, 9700 South Cass Avenue, Lemont, IL 60439, USA ； Cavendish Astrophysics, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge CB3 0HA, UK ； SLAC National Accelerator Laboratory, Menlo Park, CA 94025, USA ； Department of Computer Science, University of Milan, Milan, Italy ； Université Paris Cité, CNRS, Astroparticule et Cosmologie, F-75013 Paris, France ； Université Paris-Saclay, CNRS/IN2P3, IJCLab, 91405 Orsay, France ； Department of Astronomy ； Astrophysics, University of Chicago, Chicago, IL 60637, USA ； Kavli Institute for Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； NSF-Simons AI Institute for the Sky (SkAI), 172 E. Chestnut St., Chicago, IL 60611, USA ； Fermi National Accelerator Laboratory, P.O. Box 500, Batavia, IL 60510, USA ； Universit\'e Clermont-Auvergne, CNRS, LPCA, 63000 Clermont-Ferrand, France ； Kavli Institute for Particle Astrophysics ； Cosmology, Stanford University, Stanford, CA 94305, USA ； Department of Physics, Stanford University, 382 Via Pueblo Mall, Stanford, CA 94305, USA ； Engineering Faculty, Universidad Autonoma de San Luis Potosi, Zona Universitaria, San Luis Potosi, 78290, Mexico ； Stanford Artificial Intelligence Laboratory, Stanford University, Stanford, CA 94305, USA ； Kavli Institute of Cosmological Physics, University of Chicago, Chicago, IL 60637, USA ； The NSF AI Institute for Artificial Intelligence ； Center for Astrophysics Harvard \& Smithsonian, 60 Garden Street, Cambridge, MA 02138, USA ； Department of Physics ； Kavli Institute for Astrophysics ； Space Research, Massachusetts Institute of Technology, Cambridge, MA 02139, USA ； Institut de Física d'Altes Energies (IFAE), The Barcelona Institute of Science ； Institute of Astronomy ； Kavli Institute for Cosmology, University of Cambridge, Madingley Road, Cambridge, CB3 0HA, UK ； Imperial Centre for Inference ； Cosmology (ICIC), Imperial College London, Blackett Laboratory, Prince Consort Road, London SW7 2AZ, UK ； Data Science Institute, The University of Chicago, Chicago, IL 60615, USA ； Department of Physics, The University of Texas at Dallas, Richardson, TX 75080, USA ； Department of Physics, Duke University, Durham, NC 27708, USA ； Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM, F-91191 Gif-sur-Yvette, France ； School of Mathematics, Statistics ； Physics, Newcastle University, Newcastle upon Tyne, NE1 7RU, United Kingdom ； Department of Astrophysical Sciences, Princeton University, Princeton, NJ 08544, USA ； Astronomy, University of the Western Cape, Bellville, Cape Town, 7535, South Africa ； Astronomy, University of Utah, Salt Lake City, UT 84112, USA ； Department of Astrophysical Sciences, Princeton University, Peyton Hall, Princeton, NJ 08544, USA ； Department of Astronomy, University of Illinois Urbana Champaign, 1002 W. Green St., Urbana, IL, 61801, USA ； Institute for Particle Physics ； Astrophysics, ETH Zürich, Wolfgang-Pauli-Strasse 27, CH-8093 Zurich, Switzerland ； Swinburne University of Technology, Hawthorn, Victoria 3122, Australia ； Ciela - Montr\'eal Institute for Astrophysical Data Analysis ； Mila - Quebec Artificial Intelligence Institute, Montréal, QC H2S 3H1, Canada ； Advanced Research Computing Centre, University College London, 90 High Holborn, London WC1V 6LJ, UK ； Finnish Centre for Astronomy with ESO (FINCA), University of Turku, FI-20014 Turku, Finland ； Department of Physics, P.O. Box 64, University of Helsinki, FI-00014 Helsinki, Finland ； Astronomy, Northwestern University, Evanston, IL, USA ； Center for Interdisciplinary Exploration ； Research in Astrophysics, Northwestern University, Evanston, IL, USA ； Scientific Data Science, International School for Advanced Study, Via Bonomea 265, I-34136 Trieste, Italy ； Department of Statistics, University of Michigan, Ann Arbor, MI 48109, USA ； PITT PACC, University of Pittsburgh, Pittsburgh, PA 15260, USA ； NSF NOIRLab, 950 N. Cherry Ave., Tucson, AZ 85719, USA 纠错

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

AI总结 本文探讨了AI/ML在LSST暗能量科学合作中的应用机遇，强调了大规模贝叶斯推断、物理指导方法和主动学习等关键方法学优先事项，并讨论了新兴技术在重塑工作流程中的潜力。

Comments 84 pages. This is v1.0 of the DESC's white paper on AI/ML, a collaboration document that is being made public but which is not planned for submission to a journal

Supporting Humans in Evaluating AI Summaries of Legal Depositions

支持人类评估AI对法律证词的摘要

Naghmeh Farzi, Laura Dietz, Dave D. Lewis

机构 * University of New Hampshire（新罕布什尔大学） 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 本研究提出了一种基于 nugget 的方法，帮助法律专业人士评估和改进AI生成的法律证词摘要。

Comments To appear in 2026 ACM SIGIR Conference on Human Information Interaction and Retrieval (CHIIR '26), March 22-26, 2026, Seattle, WA, USA. ACM, New York, NY, USA, 5 pages. https://doi.org/10.1145/3786304.3787923

MIND: Empowering Mental Health Clinicians with Multimodal Data Insights through a Narrative Dashboard

MIND：通过叙述仪表板赋能心理健康临床医生的多模态数据洞察

Ruishi Zou, Shiyu Xu, Margaret E Morris, Jihan Ryu, Timothy D. Becker, Nicholas Allen, Anne Marie Albano, Randy Auerbach, Dan Adler, Varun Mishra, Lace Padilla, Dakuo Wang, Ryan Sultan, Xuhai "Orson" Xu

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

AI总结 MIND通过叙述仪表板为心理健康临床医生提供多模态数据洞察，提升临床决策支持和数据洞察发现能力。

Comments Conditionally accepted to CHI Conference on Human Factors in Computing Systems (CHI'26)

Temporal Relation Extraction in Clinical Texts: A Span-based Graph Transformer Approach

临床文本中的时间关系抽取：一种基于跨度的图变换器方法

Rochana Chaturvedi, Peyman Baghershahi, Sourav Medya, Barbara Di Eugenio

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

AI总结 本文提出GRAPHTREX方法，通过结合基于跨度的实体关系抽取、临床预训练语言模型和异构图变换器，提升临床文本中时间关系抽取的准确率和长距离关系识别能力。

Comments Introducing a novel method for joint extraction of medical events and temporal relations from free-text, leveraging clinical LPLMs and Heterogeneous Graph Transformers, achieving a 5.5% improvement over the previous state-of-the-art and up to 8.9% on long-range relations

Journal ref Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (ACL 2025)

Multi-context principal component analysis

多情境主成分分析

Kexin Wang, Salil Bhate, João M. Pereira, Joe Kileel, Matylda Figlerowicz, Anna Seigal

机构 * Harvard University（哈佛大学） ； Broad Institute of MIT and Harvard（哈佛-麻省理工Broad研究所） ； University of Georgia（佐治亚大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 多情境主成分分析（MCPCA）是一种理论和算法框架，用于识别跨不同情境子集共享的变异因素，应用于基因表达和语言模型数据，揭示隐藏的变异轴。

Comments 47 pages, 8 figures. Supplementary tables are provided as downloadable file

Is Peer Review Really in Decline? Analyzing Review Quality across Venues and Time

同行评审真的在下降吗？跨会议和时间分析评审质量

Ilia Kuznetsov, Rohan Nayak, Alla Rozovskaya, Iryna Gurevych

机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science, Technical University of Darmstadt and National Research Center for Applied Cybersecurity ATHENE（技术大学达姆施塔特计算机科学系和国家应用网络安全研究中心ATHENE） ； Department of Computer Science at Queens College, City University of New York (CUNY)（纽约城市大学皇后学院计算机科学系） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.CL

AI总结 本文通过分析ICLR、NeurIPS和ACL等会议的评审质量，发现评审质量并未持续下降，提出了基于证据的比较研究框架和标准化方法。

Does medical specialization of VLMs enhance discriminative power?: A comprehensive investigation through feature distribution analysis

医学专业性是否增强VLMs的判别能力？：通过特征分布分析的全面研究

Keita Takeda, Tomoya Sakai

机构 * Graduate School of Integrated Science and Technology（整合科学与技术研究生院） ； Nagasaki University（长崎大学） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 本研究通过特征分布分析，探讨医学专业性对VLMs判别能力的影响，发现增强文本编码器比大量医学图像训练更关键，且非医学模型易受图像文本偏见影响。

Comments A short version paper of this research has been accepted for The IEEE International Symposium on Biomedical Imaging (ISBI) 2026

CORVUS: Red-Teaming Hallucination Detectors via Internal Signal Camouflage in Large Language Models

CORVUS：通过内部信号伪装在大语言模型中实现红色团队幻觉检测

Nay Myat Min, Long H. Pham, Hongyu Zhang, Jun Sun

机构 * Singapore Management University（新加坡管理大学） ； Chongqing University（重庆大学） 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.AI

AI总结 CORVUS 通过内部信号伪装技术，有效检测大语言模型中的幻觉问题，并推动了对手意识的审计方法。

Comments 13 pages, 1 figure

A Survey of Quantized Graph Representation Learning: Connecting Graph Structures with Large Language Models

图表示学习的综述：连接图结构与大语言模型

Qika Lin, Zhen Peng, Kaize Shi, Kai He, Yiming Xu, Jian Zhang, Erik Cambria, Mengling Feng

机构 * National University of Singapore（新加坡国立大学） ； Xi’an Jiaotong University（西安交通大学） ； University of Southern Queensland（南方昆士兰大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文综述了量化图表示学习，探讨了其与大语言模型的整合方法及未来研究方向。

A Training-Free Guess What Vision Language Model from Snippets to Open-Vocabulary Object Detection

无需训练的Guess What视觉语言模型：从片段到开放词汇物体检测

Guiying Zhu, Bowen Yang, Yin Zhuang, Tong Zhang, Guanqun Wang, Zhihao Che, He Chen, Lianlin Li

机构 * Aerospace and Informatics Domain（航空航天与信息领域） ； National Key Laboratory of Science and Technology on Space-Born Intelligent Information Processing（空间智能信息处理国家级重点实验室） ； School of Electronic（电子学院） 纠错

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

AI总结 本文提出无需训练的Guess What视觉语言模型GW-VLM，通过多尺度视觉语言搜索与上下文概念提示实现开放词汇物体检测的高效检测性能。

Unraveling LLM Jailbreaks Through Safety Knowledge Neurons

通过安全知识神经元揭开大语言模型劫持的面纱

Chongwen Zhao, Yutong Ke, Kaizhu Huang

机构 * Duke Kunshan University（杜克昆山大学） 纠错

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

AI总结 本文提出SafeTuning方法，通过调整安全知识神经元激活来提升大语言模型对劫持攻击的防御能力，实验显示其在多个模型上均有效

Comments EACL 2026

Probing Prompt Design for Socially Compliant Robot Navigation with Vision Language Models

通过视觉语言模型探索社交合规机器人导航的提示设计

Ling Xiao, Toshihiko Yamasaki

机构 * Hokkaido University（北海道大学） ； The University of Tokyo（东京大学） 纠错

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

AI总结 本文通过设计社交合规的提示策略，提升小型视觉语言模型在机器人导航中的行动准确性，发现与自我竞争的提示设计效果最佳。

Hallucination-Free Automatic Question & Answer Generation for Intuitive Learning

无幻觉的自动问答生成用于直观学习

Nicholas X. Wang, Aggelos K. Katsaggelos

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、cs.AI

AI总结 本文提出无幻觉的多代理生成框架，通过结构化协作减少教育内容中的幻觉，提升问答生成的准确性与教育价值。

Protocode: Prototype-Driven Interpretability for Code Generation in LLMs

Protocode: 为LLMs中的代码生成提供原型驱动的可解释性

Krishna Vamshi Bodla, Haizhao Yang

机构 * University of Maryland, College Park（马里兰大学 College Park分校） 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.AI、cs.LG

AI总结 Protocode通过原型驱动的ICL采样提升代码生成的可解释性和性能。

Does Less Hallucination Mean Less Creativity? An Empirical Investigation in LLMs

减少幻觉是否意味着减少创造力？在大语言模型中的实证研究

Mohor Banerjee, Nadya Yuki Wangsajaya, Syed Ali Redha Alsagoff, Min Sen Tan, Zachary Choy Kit Chun, Alvin Chan Guo Wei

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

AI总结 本研究探讨了三种减少幻觉的方法对大语言模型创造力的影响，发现CoVe促进发散思维，DoLa抑制创造力，RAG影响较小，为科学应用中的准确性与创造性平衡提供指导。

Comments Accepted at the AAAI 2026 Workshop on AI for Scientific Research (AI4Research)

On LLMs' Internal Representation of Code Correctness

关于LLMs内部对代码正确性的表示

Francisco Ribeiro, Claudio Spiess, Prem Devanbu, Sarah Nadi

机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） 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、cs.LG

AI总结 本文研究了LLMs内部对代码正确性的表示，通过对比隐藏状态识别正确性表示，并展示其在提升代码生成质量与可靠性方面的贡献。

Comments Accepted for ICSE'26

Symmetry Informative and Agnostic Feature Disentanglement for 3D Shapes

对3D形状的对称信息性和对称无关性特征解耦

Tobias Weißberg, Weikang Wang, Paul Roetzer, Nafie El Amrani, Florian Bernard

机构 * University of Bonn（波恩大学） ； Lamarr Institute（拉玛尔研究所） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 本文提出了一种同时具有对称信息性和对称无关性的特征解耦方法，以提高3D形状分析的鲁棒性和准确性。

Comments Accepted at 3DV 2026

Self-Blinding and Counterfactual Self-Simulation Mitigate Biases and Sycophancy in Large Language Models

自我屏蔽与反事实自我模拟缓解大语言模型中的偏见和趋炎附势

Brian Christian, Matan Mazor

机构 * University of Oxford（牛津大学） 纠错

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

AI总结 通过自我屏蔽和反事实自我模拟，大语言模型能够减少偏见和趋炎附势，提高决策公平性和透明度。

INFA-Guard: Mitigating Malicious Propagation via Infection-Aware Safeguarding in LLM-Based Multi-Agent Systems

INFA-Guard: 通过感染感知防护减轻恶意传播在基于大语言模型的多智能体系统中的影响

Yijin Zhou, Xiaoya Lu, Dongrui Liu, Junchi Yan, Jing Shao

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 INFA-Guard通过感染感知防护机制有效减轻基于大语言模型的多智能体系统中的恶意传播问题，显著降低攻击成功率并保持拓扑完整性。

LLM Security and Safety: Insights from Homotopy-Inspired Prompt Obfuscation

大语言模型的安全性与安全性：基于同调启发的提示混淆洞察

Luis Lazo, Hamed Jelodar, Roozbeh Razavi-Far

机构 * Canadian Institute for Cybersecurity（加拿大网络安全研究所） ； Faculty of Computer Science（计算机科学学院） ； University of New Brunswick（新 Brunswick大学） 纠错

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

AI总结 本文提出基于同调启发的提示混淆框架，通过系统实验揭示LLM安全漏洞，强调对更强大防御机制和鲁棒性改进的必要性。

On the Runway Cascade of Transformers for Language Modeling

关于Transformer的运行道级联用于语言建模

Hunjae Lee, Corey Clark

机构 * Department of Computer Science, Southern Methodist University, Dallas TX USA（计算机科学系，南方 Methodist 大学，德克萨斯州达拉斯） 纠错

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

AI总结 本文提出运行道意识重 wiring方法，通过直接融入运行道上下文改善Transformer的语言建模能力，提升信息检索与外推性能。

Reflecting in the Reflection: Integrating a Socratic Questioning Framework into Automated AI-Based Question Generation

反思中的反思：将苏格拉底质疑框架整合到基于自动的AI问题生成中

Ondřej Holub, Essi Ryymin, Rodrigo Alves

机构 * Czech Technical University in Prague（捷克技术大学） 纠错

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

AI总结 本文提出一种基于苏格拉底质疑框架的双代理模型，通过多轮对话生成高质量反思问题，提升教学效果。

LoSemB: Logic-Guided Semantic Bridging for Inductive Tool Retrieval

LoSemB：基于逻辑的语义桥接用于归纳工具检索

Luyao Zhuang, Qinggang Zhang, Huachi Zhou, Yujing Zhang, Xiao Huang

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 LoSemB通过逻辑引导的语义桥接框架，在无需重新训练的情况下实现高效归纳工具检索，缓解分布偏移和相似度检索的脆弱性。

Holmes: An Evidence-Grounded LLM Agent for Auditable DDoS Investigation in Cloud Networks

Holmes：一种基于证据的LLM代理，用于可审计的云网络DDoS调查

Haodong Chen, Ziheng Zhang, Jinghui Jiang, Qiang Su, Qiao Xiang

专题命中 其他LLM ：LLM(title,abstract)

AI总结 Holmes是一种基于LLM的DDoS检测代理，通过结构化证据和可追溯的审计日志，实现云网络中可解释、可审计的DDoS调查。

SmartOracle -- An Agentic Approach to Mitigate Noise in Differential Oracles

SmartOracle -- 一种缓解差分预言机噪声的代理方法

Srinath Srinivasan, Tim Menzies, Marcelo D'Amorim

机构 * North Carolina State University（北卡罗来纳州立大学） 纠错

专题命中 其他LLM ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 SmartOracle通过代理系统减少差分预言机噪声，提高模糊测试准确性并降低分析成本

Multi-Agent Constraint Factorization Reveals Latent Invariant Solution Structure

多智能体约束因子化揭示潜在不变解结构

Christopher Scofield

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

AI总结 本研究通过多智能体约束因子化揭示了潜在不变解结构，展示了在相同信息下多智能体系统提升问题解决性能的机制，并应用于文本对话系统。

Generative AI Purpose-built for Social and Mental Health: A Real-World Pilot

面向社交与心理健康定制的生成式AI：一项现实世界试点

Thomas D. Hull, Lizhe Zhang, Patricia A. Arean, Matteo Malgaroli

专题命中 其他LLM ：foundation model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出了一种针对心理健康的生成式AI聊天机器人，通过现实世界试点研究证明其在心理健康支持方面的有效性与安全性。

DeepMoLM: Leveraging Visual and Geometric Structural Information for Molecule-Text Modeling

DeepMoLM: 利用视觉和几何结构信息进行分子-文本建模

Jing Lan, Hexiao Ding, Hongzhao Chen, Yufeng Jiang, Nga-Chun Ng, Gwing Kei Yip, Gerald W. Y. Cheng, Yunlin Mao, Jing Cai, Liang-ting Lin, Jung Sun Yoo

机构 * Department of Health Technology and Informatics, The Hong Kong Polytechnic University（健康科技与信息学系，香港理工大学） ； Department of Nuclear Medicine and PET, Hong Kong Sanatorium and Hospital（核医学与PET部，香港疗养院及医院） ； Department of Diagnostic and Interventional Radiology, Queen Elizabeth Hospital Hong Kong SAR, China（诊断与介入放射学部，香港特别行政区中国女王医院） 纠错

专题命中 其他LLM ：language model(abstract)；分类 cs.CL

AI总结 DeepMoLM通过双视角框架结合视觉和几何信息，提升分子-文本建模的准确性与物理合理性。

Comments Under review

Deep Leakage with Generative Flow Matching Denoiser

深度泄漏与生成流匹配去噪器

Isaac Baglin, Xiatian Zhu, Simon Hadfield

机构 * CVSSP, University of Surrey, Guildford, United Kingdom（CVSSP，塞维利亚大学，格里福德，英国） 纠错

专题命中 其他LLM ：foundation model(abstract)

AI总结 本文提出了一种结合生成流匹配先验的深度泄漏攻击方法，通过提升重建保真度，有效对抗联邦学习中的隐私泄露问题。