语言大模型 / LLM

Georeferencing complex relative locality descriptions with large language models

利用大型语言模型进行复杂相对局部性描述的地理参考

Aneesha Fernando, Surangika Ranathunga, Kristin Stock, Raj Prasanna, Christopher B. Jones

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

AI总结 本文利用大型语言模型自动地理参考复杂局部性描述，提升生物多样性数据的准确性与效率。

Comments Provisionally accepted for publication in the International Journal of Geographical Information Science

Journal ref International Journal of Geographical Information Science (2026) 1-33

LATTLE: LLM Attention Transplant for Transfer Learning of Tabular Data Across Disparate Domains

LATTLE: LLM注意力移植用于跨异质领域的表格数据迁移学习

Ibna Kowsar, Kazi F. Akhter, Manar D. Samad

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

AI总结 LATTLE通过LLM注意力移植方法，实现了跨异质领域表格数据的高效迁移学习，无需共享特征或大规模预训练模型。

LLM-powered Real-time Patent Citation Recommendation for Financial Technologies

基于大语言模型的实时金融技术专利引用推荐

Tianang Deng, Yu Deng, Tianchen Gao, Yonghong Hu, Rui Pan

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

AI总结 本研究提出基于大语言模型的实时金融专利引用推荐框架，通过增量索引策略提升动态专利系统的检索效率和准确性。

LLM Reasoning for Cold-Start Item Recommendation

基于大语言模型的冷启动物品推荐

Shijun Li, Yu Wang, Jin Wang, Ying Li, Joydeep Ghosh, Anne Cocos

机构 * The 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 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出利用大语言模型的推理能力，改进冷启动物品推荐，通过多种微调方法提升推荐性能，在Netflix数据上取得8%的提升。

Comments Published on Proceedings of the ACM on Web Conference 2026 (WWW 2026)

Exploring LLMs for Scientific Information Extraction Using The SciEx Framework

探索使用SciEx框架利用大语言模型进行科学信息提取

Sha Li, Ayush Sadekar, Nathan Self, Yiqi Su, Lars Andersland, Mira Chaplin, Annabel Zhang, Hyoju Yang, James B Henderson, Krista Wigginton, Linsey Marr, T. M. Murali, Naren Ramakrishnan

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

AI总结 本文提出SciEx框架，通过解耦关键组件提升科学信息提取的准确性和一致性，评估结果显示其在多科学领域中的有效性。

Comments Accepted to the KGML Bridge at AAAI 2026 (non-archival)

Ready Jurist One: Benchmarking Language Agents for Legal Intelligence in Dynamic Environments

Ready Jurist One：为动态环境中的法律智能基准测试语言代理

Zheng Jia, Shengbin Yue, Wei Chen, Siyuan Wang, Yidong Liu, Zejun Li, Yun Song, Zhongyu Wei

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

AI总结 Ready Jurist One通过动态法律环境和细粒度评估框架，揭示了现有LLM在动态法律任务中的执行缺陷，为法律智能研究提供新方向。

Data Poisoning Vulnerabilities Across Healthcare AI Architectures: A Security Threat Analysis

医疗AI架构中的数据中毒漏洞：安全威胁分析

Farhad Abtahi, Fernando Seoane, Iván Pau, Mario Vega-Barbas

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

AI总结 医疗AI面临数据中毒威胁，需多层防御措施和可解释系统以提高安全性。

Journal ref J Med Internet Res 2026

Hierarchy-Aware Multimodal Unlearning for Medical AI

层次感知的多模态反遗忘用于医疗AI

Fengli Wu, Vaidehi Patil, Jaehong Yoon, Yue Zhang, Mohit Bansal

机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； 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.CL、cs.AI

AI总结 MedForget提出一个层次感知的多模态反遗忘基准和CHIP方法，有效解决医疗数据中层次结构的遗忘问题，同时保持下游效用。

Comments Dataset and Code: https://github.com/fengli-wu/MedForget

Benchmarking LLMs for Political Science: A United Nations Perspective

对政治科学的LLM进行基准测试：一个联合国视角

Yueqing Liang, Liangwei Yang, Chen Wang, Congying Xia, Rui Meng, Xiongxiao Xu, Haoran Wang, Ali Payani, Kai Shu

机构 * Google Cloud AI Research（谷歌云人工智能研究） 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 本文提出联合国基准（UNBench），用于评估LLMs在政治科学中的能力，涵盖联合国决策过程的三个阶段。

Comments This paper has been accepted at AAAI 2026 as an oral paper

Algorithmic Identity Based on Metaparameters: A Path to Reliability, Auditability, and Traceability

基于元参数的算法身份：可靠性、可审计性与可追溯性的一条路径

Juliao Braga, Percival Henriques, Juliana C. Braga, Itana Stiubiener

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

AI总结 本文提出通过DOI标识算法以提升AI应用的可靠性、可审计性和可追溯性，探讨了其在多模态LLMs中的应用及加密认证协议。

Comments 6 pages, 1 figure

MusiCRS: Benchmarking Audio-Centric Conversational Recommendation

MusiCRS：面向音频导向的对话推荐基准测试

Rohan Surana, Amit Namburi, Gagan Mundada, Abhay Lal, Zachary Novack, Julian McAuley, Junda Wu

机构 * University of California, San Diego, USA（加州大学圣地亚哥分校） 纠错

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

AI总结 MusiCRS通过链接Reddit用户对话与音乐曲目，为音频导向的对话推荐提供首个基准测试，揭示了跨模态整合的局限性，并释放了相关数据集和代码以促进研究进展。

Comments 5 pages

Unlocking Scaling Law in Industrial Recommendation Systems with a Three-step Paradigm based Large User Model

通过基于三种步骤范式的大型用户模型解锁工业推荐系统中的扩展定律

Bencheng Yan, Shilei Liu, Zhiyuan Zeng, Zihao Wang, Yizhen Zhang, Yujin Yuan, Langming Liu, Jiaqi Liu, Di Wang, Wenbo Su, Wang Pengjie, Jian Xu, Bo Zheng

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

AI总结 本文提出一种基于三种步骤范式的大型用户模型，通过解决工业推荐系统中的扩展定律限制，实现了可扩展的推荐性能提升。

Comments WSDM 2026, 10 pages; The first three authors contributed equally to this work

The Art of Being Difficult: Combining Human and AI Strengths to Find Adversarial Instances for Heuristics

困难的艺术：结合人类和AI优势寻找启发式方法的对抗实例

Henri Nikoleit, Ankit Anand, Anurag Murty Naredla, Heiko Röglin

机构 * University of Bonn（波恩大学） ； Google DeepMind（谷歌DeepMind） ； University of Manitoba（曼尼托巴大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.LG

AI总结 通过结合人类与AI的优势，研究利用LLM生成对抗实例以改进启发式方法的下界，突破长期存在的算法障碍。

Beyond the Training Domain: Robust Generative Transition State Models for Unseen Chemistry

超越训练域：用于未见化学的鲁棒生成过渡态模型

Samir Darouich, Jacob W. Toney, Weiliang Luo, Johannes Kästner, Mathias Niepert, Heather J. Kulik

专题命中 领域大模型 ：pretraining(abstract)

AI总结 本文提出了一种基于自监督预训练的生成过渡态模型，通过引入靶向基准和元素替换，提高了对未见化学的预测能力，降低了过渡态几何结构的误差并减少了微调数据需求。

Normality of Ideals and Modules

理想与模的正则性

Naoki Endo, Shiro Goto, Jooyoun Hong, Bernd Ulrich

专题命中 领域大模型 ：prompting(abstract)

AI总结 研究积分封闭理想或模的Rees代数正则性条件，证明在特定条件下其为Cohen-Macaulay正常域。

Comments Submitted for publication

SciNUP: Natural Language User Interest Profiles for Scientific Literature Recommendation

SciNUP: 科学文献推荐的自然语言用户兴趣资料

Mariam Arustashvili, Krisztian Balog

专题命中 领域大模型 ：LLM(abstract)

AI总结 SciNUP通过合成数据集评估基于自然语言用户兴趣资料的学术文献推荐方法，揭示基线方法的互补行为及改进空间。

Comments Proceedings of the 48th European Conference on Information Retrieval (ECIR '26), 2026