语言大模型 / LLM

X-Coder: Advancing Competitive Programming with Fully Synthetic Tasks, Solutions, and Tests

X-Coder：通过完全合成任务、解决方案和测试推进竞争性编程

Jie Wu, Haoling Li, Xin Zhang, Jiani Guo, Jane Luo, Steven Liu, Yangyu Huang, Ruihang Chu, Scarlett Li, Yujiu Yang

机构 * Tsinghua University（清华大学） ； Microsoft Research（微软研究院） ； Wuhan University（武汉大学） 纠错

专题命中 领域大模型 ：SFT(abstract,comments)；分类 cs.CL、cs.LG

AI总结 X-Coder通过完全合成数据提升竞争性编程模型性能，采用领域特定进化和双验证策略，在LiveCodeBench上取得显著成果。

Comments Code: https://github.com/JieWu02/X-Coder; Data: https://huggingface.co/datasets/IIGroup/X-Coder-SFT-376k

Contrastive Domain Generalization for Cross-Instrument Molecular Identification in Mass Spectrometry

对比域泛化用于质谱中跨仪器分子识别

Seunghyun Yoo, Sanghong Kim, Namkyung Yoon, Hwangnam Kim

机构 * School of Electrical Engineering, Korea University, Seoul 02841, Korea（韩国大学电气工程学院） 纠错

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

AI总结 本文提出一种跨模态对齐框架，通过将质谱直接映射到预训练化学语言模型的分子结构嵌入空间，提升跨仪器分子识别的泛化能力。

Comments 8 pages, 2 figures

SOPRAG: Multi-view Graph Experts Retrieval for Industrial Standard Operating Procedures

SOPRAG：面向工业标准操作规程的多视图图专家检索

Liangtao Lin, Zhaomeng Zhu, Tianwei Zhang, Yonggang Wen

机构 * Nanyang Technological University（南洋理工大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 SOPRAG通过多视图图专家检索框架，解决工业SOP检索中的结构复杂性和条件依赖性问题，提升检索准确性和响应实用性。

T-COL: Generating Counterfactual Explanations for General User Preferences on Variable Machine Learning Systems

T-COL：为可变机器学习系统生成通用用户偏好的反事实解释

Ming Wang, Daling Wang, Wenfang Wu, Shi Feng, Yifei Zhang

机构 * Northeastern University（东北大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 T-COL 通过基于树的条件可选链接方法，为可变机器学习系统生成适应一般用户偏好的反事实解释，提升解释的鲁棒性和适应性。

Journal ref Journal of Artificial Intelligence Research, Vol. 85 (2026)

Augmenting Clinical Decision-Making with an Interactive and Interpretable AI Copilot: A Real-World User Study with Clinicians in Nephrology and Obstetrics

通过交互式和可解释的AI助手增强临床决策：与泌尿科和产科医生的现实世界用户研究

Yinghao Zhu, Dehao Sui, Zixiang Wang, Xuning Hu, Lei Gu, Yifan Qi, Tianchen Wu, Ling Wang, Yuan Wei, Wen Tang, Zhihan Cui, Yasha Wang, Lequan Yu, Ewen M Harrison, Junyi Gao, Liantao Ma

机构 * Peking University（北京大学） ； University of Hong Kong（香港大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Peking University Third Hospital（北京大学第三医院） ； Affiliated Xuzhou Municipal Hospital of Xuzhou Medical University（徐州医科大学附属徐州市人民医院） ； University of Edinburgh（爱丁堡大学） ； Health Data Research UK（英国健康数据研究） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 AICare通过交互式和可解释的AI助手提升临床决策，通过实验证明其降低认知负荷并增强医生信任

Comments Accepted by ACM CHI 2026

TRACE: Grounding Time Series in Context for Multimodal Embedding and Retrieval

TRACE: 在上下文中对时间序列进行建模以实现多模态嵌入与检索

Jialin Chen, Ziyu Zhao, Gaukhar Nurbek, Aosong Feng, Ali Maatouk, Leandros Tassiulas, Yifeng Gao, Rex Ying

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

AI总结 TRACE通过在上下文中对时间序列进行建模，实现多模态嵌入与检索，提升下游任务的预测精度和可解释性，同时作为强大的独立编码器优化上下文感知表示。

SciTextures: Collecting and Connecting Visual Patterns, Models, and Code Across Science and Art

SciTextures: 收集和连接科学与艺术中的视觉模式、模型和代码

Sagi Eppel, Alona Strugatski

专题命中 领域大模型 ：language model(abstract)

AI总结 SciTextures通过连接视觉模式与生成机制，提供大规模数据集评估VLMs对物理系统多层抽象的理解与模拟能力。

Hospital-Specific Bias in Patch-Based Pathology Models

基于片段的病理模型中的医院特异性偏差

Mengliang Zhang

机构 * CSE Department, The University of Texas at Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系） 纠错

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

AI总结 本文提出了一种轻量级对抗适配器，用于减少基于片段的病理模型中的医院特异性偏差，并通过实验验证了其有效性。

Comments 4 pages,3 figures

A texture-based framework for foundational ultrasound models

基于纹理的医学超声基础模型框架

Tal Grutman, Carmel Shinar, Tali Ilovitsh

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

AI总结 本文提出基于纹理分析的TUSA框架，通过自监督学习提升超声图像的泛化能力，在多种医学任务中取得更高准确率。

Comments This work has been submitted to the IEEE for possible publication

Domain Adaptation of Attention Heads for Zero-shot Anomaly Detection

注意力头域适应用于零样本异常检测

Kiyoon Jeong, Jaehyuk Heo, Junyeong Son, Pilsung Kang

机构 * Department of Industrial and Management Engineering, Korea University（韩国大学工业与管理工程系） ； Department of Industrial Engineering, Seoul National University（首尔国立大学工业工程系） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 HeadCLIP通过域适应注意力头实现零样本异常检测，提升工业和医疗领域异常检测性能。

SAM2-UNet: Segment Anything 2 Makes Strong Encoder for Natural and Medical Image Segmentation

SAM2-UNet：Segment Anything 2 为自然和医学图像分割构建强大编码器

Xinyu Xiong, Zihuang Wu, Shuangyi Tan, Wenxue Li, Feilong Tang, Ying Chen, Siying Li, Jie Ma, Guanbin Li

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） ； School of Computer and Information Engineering, Jiangxi Normal University（江西师范大学计算机与信息工程学院） ； The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） ； Tianjin University（天津大学） ； Monash University（墨尔本大学） ； Pazhou Lab（琶洲实验室） ； Smart Hospital Research Institute, Peking University Shenzhen Hospital（北京大学深圳医院智能医院研究所） 纠错

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

AI总结 SAM2-UNet通过结合SAM2的Hiera主干和U型解码器，为自然和医学图像分割提供强大编码器，实现了高效且无需复杂调整的多任务分割性能。

Comments Technical Report

Journal ref Visual Intelligence, Volume 4, article number 2, (2026)

FDA AI Search: Making FDA-Authorized AI Devices Searchable

FDA AI搜索：使FDA授权的AI设备可搜索

Arun Kavishwar, William Lotter

专题命中 领域大模型 ：LLM(abstract)

AI总结 FDA AI Search通过语义检索技术帮助医疗专业人员和开发者更高效地查找符合临床需求的AI医疗设备。

Comments Findings paper presented at the 5th Machine Learning for Health (ML4H) Symposium (2025)

Benchmarking Uncertainty Calibration in Large Language Model Long-Form Question Answering

在大型语言模型长格式问答中评估不确定性校准的基准测试

Philip Müller, Nicholas Popovič, Michael Färber, Peter Steinbach

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

AI总结 本研究提出首个大规模基准，评估大型语言模型在长格式问答中不确定性校准的可靠性，揭示了指令调优和推理过程对校准的影响及ECE指标的局限性。

Comments Under Review

Large Language Model and Formal Concept Analysis: a comparative study for Topic Modeling

大语言模型与形式概念分析：一种用于主题建模的比较研究

Fabrice Boissier, Monica Sen, Irina Rychkova

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 本研究比较大语言模型与形式概念分析在主题建模中的应用，通过实验评估两者在生成和标注主题方面的性能与优劣。

PretrainRL: Alleviating Factuality Hallucination of Large Language Models at the Beginning

PretrainRL: 缓解大语言模型在开始阶段的事实性幻觉

Langming Liu, Kangtao Lv, Haibin Chen, Weidong Zhang, Yejing Wang, Shilei Liu, Xin Tong, Yujin Yuan, Yongwei Wang, Wenbo Su, Bo Zheng

机构 * Future Living Lab of Alibaba（阿里巴巴未来生活实验室） ； Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 PretrainRL通过在预训练阶段引入强化学习，缓解大语言模型在开始阶段的事实性幻觉问题，通过去偏见和学习机制提升事实准确性。

Do Large Language Models (Really) Need Statistical Foundations?

大型语言模型（真的需要统计基础吗？

Weijie Su

机构 * University of Pennsylvania（宾夕法尼亚大学） 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.LG

AI总结 本文探讨大型语言模型是否需要统计学基础，指出其统计本质和黑箱特性使统计方法成为必要，并强调统计学界在LLMs研究中的重要性。

Comments Accepted at The Annals of Applied Statistics; Added discussions on more topics

Learning to Decode Against Compositional Hallucination in Video Multimodal Large Language Models

在视频多模态大语言模型中学习对抗组合性幻觉

Wenbin Xing, Quanxing Zha, Lizheng Zu, Mengran Li, Ming Li, Junchi Yan

机构 * Sun Yat-sen University（中山大学） ； Huaqiao University（华侨大学） ； Shenzhen University（深圳大学） ； Guangming Laboratory（光明实验室） ； Shanghai Jiao Tong University（上海交通大学） 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.AI

AI总结 针对视频多模态大语言模型中的组合性幻觉问题，提出TriCD框架，通过对比解码和三路径校准机制提升模型在对抗幻觉时的准确率。

How Much Do LLMs Hallucinate across Languages? On Realistic Multilingual Estimation of LLM Hallucination

LLMs在不同语言中产生幻觉的程度有多大？对多语言现实估计LLM幻觉的探讨

Saad Obaid ul Islam, Anne Lauscher, Goran Glavaš

机构 * WüNLP, CAIDAS, University of Würzburg（乌尔姆大学） ； Data Science Group, University of Hamburg（汉堡大学） 纠错

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

AI总结 研究评估了多语言LLM在长形式问答中的幻觉程度，发现高资源语言中幻觉率与语言规模无关，且支持更多语言的LLM幻觉率更高。

Comments EMNLP 2025

Context Dependence and Reliability in Autoregressive Language Models

自回归语言模型中的上下文依赖性与可靠性

Poushali Sengupta, Shashi Raj Pandey, Sabita Maharjan, Frank Eliassen

机构 * Department of Informatics, University of Oslo（信息学院，奥斯陆大学） ； Department of Electronic Systems, Aalborg University（电子系统系，奥胡斯大学） 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)；分类 cs.CL、cs.AI

AI总结 本文提出RISE方法，用于自回归语言模型中区分关键上下文元素与冗余信息，提升解释的可靠性和稳定性。

From Code-Centric to Concept-Centric: Teaching NLP with LLM-Assisted "Vibe Coding"

从代码导向到概念导向：利用LLM辅助的“Vibe编码”教授NLP

Hend Al-Khalifa

机构 * College of Computer and Information Sciences（计算机与信息科学学院） ； King Saud University（沙特国王大学） 纠错

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

AI总结 本文提出利用LLM辅助的

Comments Accepted in The Seventh Workshop on Teaching Natural Language Processing (Teaching NLP @ EACL2026)

Latent Debate: A Surrogate Framework for Interpreting LLM Thinking

潜在辩论：一种解释大语言模型思维的代理框架

Lihu Chen, Xiang Yin, Francesca Toni

机构 * Imperial College London, United Kingdom（伦敦帝国学院） 纠错

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

AI总结 本文提出潜在辩论框架，通过捕捉单个模型内部隐含的论点信号，解释LLM的思维过程并检测幻觉。

Comments Preprint

Information Security Based on LLM Approaches: A Review

基于大语言模型的信息安全：综述

Chang Gong, Zhongwen Li, Xiaoqi Li

机构 * School of Cyberspace Security, Hainan University（海南大学网络空间安全学院） 纠错

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

AI总结 本文综述了大语言模型在信息安全领域的应用，探讨其在恶意行为预测、网络威胁分析等任务中的优势及面临的挑战。

<SOG_k>: One LLM Token for Explicit Graph Structural Understanding

<SOG_k>: 一个LLM令牌用于显式图结构理解

Jingyao Wu, Bin Lu, Zijun Di, Xiaoying Gan, Meng Jin, Luoyi Fu, Xinbing Wang, Chenghu Zhou

机构 * Shanghai Jiao Tong University（上海交通大学） ； IGSNRR, Chinese Academy of Sciences（中科院信息融合国家重点实验室） 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.CL、cs.AI

AI总结 本文提出<SOG_k>令牌，通过统一令牌空间实现图结构的显式表示，提升LLM对图结构的理解、生成和推理能力。

The Shape of Beliefs: Geometry, Dynamics, and Interventions along Representation Manifolds of Language Models' Posteriors

信念的形状：语言模型后验表示的流形、动态和干预

Raphaël Sarfati, Eric Bigelow, Daniel Wurgaft, Jack Merullo, Atticus Geiger, Owen Lewis, Tom McGrath, Ekdeep Singh Lubana

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

AI总结 研究揭示了语言模型中信念的几何结构，通过干预展示了如何在流形上保持信念的一致性，表明LLMs中自然涌现出复杂结构。

Auto-Comp: An Automated Pipeline for Scalable Compositional Probing of Contrastive Vision-Language Models

Auto-Comp: 一种用于可扩展组合探测对比视觉-语言模型的自动化流水线

Cristian Sbrolli, Matteo Matteucci, Toshihiko Yamasaki

机构 * Politecnico di Milano（米兰理工学院） ； 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)；LLM(abstract)；分类 cs.AI

AI总结 Auto-Comp通过自动化生成可扩展基准，揭示了对比视觉-语言模型在组合推理中的普遍缺陷及视觉-语言上下文的权衡问题。

Universal Redundancies in Time Series Foundation Models

时间序列基础模型中的通用冗余性

Anthony Bao, Venkata Hasith Vattikuti, Jeffrey Lai, William Gilpin

机构 * ECE Department, UT Austin（UT奥斯汀电子工程系） ； Department of Physics, UT Austin（UT奥斯汀物理系） ； Oden Institute, UT Austin（UT奥斯汀奥登研究所） 纠错

专题命中 知识编辑与模型理解 ：foundation model(title,abstract)；pretraining(abstract)；分类 cs.LG

AI总结 本研究揭示了时间序列基础模型中普遍存在的冗余特性，并通过理论框架和消融实验揭示了模型退化现象的根源。

From Directions to Regions: Decomposing Activations in Language Models via Local Geometry

从方向到区域：通过局部几何分解语言模型中的激活

Or Shafran, Shaked Ronen, Omri Fahn, Shauli Ravfogel, Atticus Geiger, Mor Geva

机构 * Blavatnik School of Computer Science（Blavatnik计算机科学学院） ； AI, Tel Aviv University, Israel（人工智能，特拉维夫大学，以色列） ； New York University, New York, NY, USA（纽约大学，纽约，纽约州，美国） 纠错

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

AI总结 本研究提出MFA方法，通过局部几何分解语言模型中的激活，捕捉复杂非线性结构，优于无监督基线并优于稀疏自编码器的转向性能。

Canonical Intermediate Representation for LLM-based optimization problem formulation and code generation

基于LLM的优化问题建模与代码生成的规范中间表示

Zhongyuan Lyu, Shuoyu Hu, Lujie Liu, Hongxia Yang, Ming LI

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

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

AI总结 本研究提出规范中间表示（CIR）以提升LLM在复杂运营规则下的优化问题建模与代码生成能力，通过多智能体框架实现高精度建模。

Comments 41 pages, 4 figures, 5 tables

SocialFusion: Addressing Social Degradation in Pre-trained Vision-Language Models

SocialFusion: 解决预训练视觉-语言模型中的社会退化问题

Hamza Tahboub, Weiyan Shi, Gang Hua, Huaizu Jiang

机构 * Northeastern University（东北大学） ； Amazon.com, Inc.（亚马逊公司） 纠错

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

AI总结 SocialFusion通过统一框架解决预训练视觉-语言模型中的社会退化问题，实现跨社会任务的正迁移并提升整体性能。

Comments 22 pages, 10 figures. Published in Transactions on Machine Learning Research (TMLR)

Journal ref Transactions on Machine Learning Research, 2026

Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation

三LLM协作联邦零日入侵检测：基于语义分歧与信任感知的聚合

Saeid Jamshidi, Omar Abdul Wahab, Foutse Khomh, Kawser Wazed Nafi

机构 * SWAT Laboratory, Polytechnique Montréal（Polytechnique Montréal SWAT 实验室） ； Department of Computer and Software Engineering, Polytechnique Montréal（Polytechnique Montréal 计算机与软件工程系） 纠错

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

AI总结 本文提出基于三LLM的联邦IDS框架，通过语义监督实现零日入侵检测，提升对未知攻击行为的识别能力，同时增强对异构和不可靠客户端的鲁棒性。