语言大模型 / LLM

Toward Effective Multimodal Graph Foundation Model: A Divide-and-Conquer Based Approach

迈向有效的多模态图基础模型：基于分而治之的方法

Sicheng Liu, Xunkai Li, Daohan Su, Ru Zhang, Hongchao Qin, Ronghua Li, Guoren Wang

机构 * Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） 纠错

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

AI总结 PLANET提出了一种基于分而治之的方法，通过解耦模态交互和对齐，提升多模态图基础模型的性能。

Comments 20 pages, 6 figures

Mapping the Web of Science, a large-scale graph and text-based dataset with LLM embeddings

映射Web of Science：一个大规模图和文本数据集的LLM嵌入方法

Tim Kunt, Annika Buchholz, Imene Khebouri, Thorsten Koch, Ida Litzel, Thi Huong Vu

机构 * Tim Kunt Digital Data and Information for Society, Science, and Culture, Zuse Institute Berlin, Takustr. 7, 14195 Berlin, Germany（Zuse Institute Berlin） ； Annika Buchholz Digital Data and Information for Society, Science, and Culture, Zuse Institute Berlin, Takustr. 7, 14195 Berlin, Germany（Zuse Institute Berlin） ； Imene Khebouri Digital Data and Information for Society, Science, and Culture, Zuse Institute Berlin, Takustr. 7, 14195 Berlin, Germany（Zuse Institute Berlin） ； Thorsten Koch Software and Algorithms for Discrete Optimization, Technische Universität Berlin, Straße des 17. Juni 135, 10623 Berlin, Germany Applied Optimization, Zuse Institute Berlin, Takustr. 7, 14195 Berlin, Germany（Technische Universität Berlin, Zuse Institute Berlin） ； Ida Litzel Digital Data and Information for Society, Science, and Culture, Zuse Institute Berlin, Takustr. 7, 14195 Berlin, Germany（Zuse Institute Berlin） ； Thi Huong Vu Digital Data and Information for Society, Science, and Culture, Zuse Institute Berlin, Takustr. 7, 14195 Berlin, Germany（Zuse Institute Berlin） ； Institute of Mathematics, Vietnam Academy of Science and Technology, 10072 Hanoi, Vietnam（Vietnam Academy of Science and Technology） 纠错

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

AI总结 通过LLM嵌入方法研究Web of Science数据集，揭示文本的自我结构化景观。

OmniRad: A Radiological Foundation Model for Multi-Task Medical Image Analysis

OmniRad：一种多任务医学图像分析的放射学基础模型

Luca Zedda, Andrea Loddo, Cecilia Di Ruberto

机构 * Department of Mathematics and Computer Science, University of Cagliari（数学与计算机科学系，卡利亚里大学） 纠错

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

AI总结 OmniRad通过预训练医学图像数据，提升多任务医学图像分析的性能，尤其在分类和分割任务中表现出色。

Comments 19 pages, 4 figures, 12 tables

Transduction is All You Need for Structured Data Workflows

传递是构建结构化数据工作流的全部需求

Alfio Gliozzo, Naweed Khan, Christodoulos Constantinides, Nandana Mihindukulasooriya, Nahuel Defosse, Gaetano Rossiello, Junkyu Lee

机构 * IBM 纠错

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

AI总结 Agentics通过智能体嵌入数据类型，实现结构化数据工作流的逻辑传递，提升数据建模和处理效率。

Comments 38 pages, 5 figures

UniVRSE: Unified Vision-conditioned Response Semantic Entropy for Hallucination Detection in Medical Vision-Language Models

UniVRSE: 统一的视觉条件响应语义熵用于医学视觉语言模型中的幻觉检测

Zehui Liao, Shishuai Hu, Ke Zou, Mengyuan Jin, Yanning Zhang, Huazhu Fu, Liangli Zhen, Yong Xia

机构 * National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, School of Computer Science and Engineering, Northwestern Polytechnical University（集成航空航天地面海洋大数据应用技术国家工程实验室，计算机科学与工程学院，西北工业大学） 纠错

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

AI总结 UniVRSE通过统一的视觉条件响应语义熵框架，有效检测医学视觉语言模型中的幻觉，提升临床应用的可靠性。

Comments Under Review. 12 pages, 2 figures

medR: Reward Engineering for Clinical Offline Reinforcement Learning via Tri-Drive Potential Functions

medR：通过三驱动势函数实现临床离线强化学习中的奖励工程

Qianyi Xu, Gousia Habib, Feng Wu, Yanrui Du, Zhihui Chen, Swapnil Mishra, Dilruk Perera, Mengling Feng

机构 * National University of Singapore（新加坡国立大学） ； University of Helsinki（赫尔辛基大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 medR通过三驱动势函数实现临床离线强化学习中的自动化奖励设计，提升策略性能。

HybridQuestion: Human-AI Collaboration for Identifying High-Impact Research Questions

HybridQuestion: 人机协作识别高影响力研究问题

Keyu Zhao, Fengli Xu, Yong Li, Tie-Yan Liu

机构 * Department of Electronic Engineering, BNRist, Tsinghua University（电子工程系、北京理工大学、清华大学） 纠错

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

AI总结 HybridQuestion通过人机协作识别高影响力研究问题，利用AI处理数据与人类判断结合，验证了在科学突破和未来问题预测中的有效性。

Comments 16 pages, 6 figures, 4 tables

Keeping Medical AI Healthy and Trustworthy: A Review of Detection and Correction Methods for System Degradation

保持医疗AI的健康与可信：对系统退化检测与纠正方法的综述

Hao Guan, David Bates, Li Zhou

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

AI总结 本文综述了医疗AI系统退化检测与纠正方法，探讨了性能退化原因、检测技术、根本原因分析及纠正策略，旨在提升医疗AI的可靠性和安全性。

Comments 16 pages, 5 figures

Journal ref IEEE Transactions on Biomedical Engineering, 2026

LEAD: Layer-wise Expert-aligned Decoding for Faithful Radiology Report Generation

LEAD：逐层专家对齐解码以生成准确的放射学报告

Ruixiao Yang, Yuanhe Tian, Xu Yang, Huiqi Li, Yan Song

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

AI总结 LEAD通过逐层专家对齐解码方法，提升放射学报告生成的准确性并减少幻觉。

When Avatars Have Personality: Effects on Engagement and Communication in Immersive Medical Training

当虚拟角色有个性时：对沉浸式医学培训中参与度和沟通的影响

Julia S. Dollis, Iago A. Brito, Fernanda B. Färber, Pedro S. F. B. Ribeiro, Gustavo H. W. Barbosa, Andressa A. Bastos, Rafael T. Sousa, Arlindo R. Galvão Filho

机构 * Advanced Knowledge Center for Immersive Technologies (AKCIT)（沉浸式技术高级知识中心） ； University of Goiás (UFG)（戈亚斯大学） 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 本文提出利用大型语言模型与模块化架构创建具有个性的虚拟患者，提升沉浸式医学培训中的参与度与沟通效果。

Comments 10 pages, 2 figures

DOS: Dual-Flow Orthogonal Semantic IDs for Recommendation in Meituan

DOS: 基于双流正交语义ID的美团推荐系统

Junwei Yin, Senjie Kou, Changhao Li, Shuli Wang, Xue Wei, Yinqiu Huang, Yinhua Zhu, Haitao Wang, Xingxing Wang

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

AI总结 DOS通过双流正交语义ID方法提升推荐系统效果，有效解决语义空间对齐与量化损失问题。

Comments Accepted by WWW2026 (short paper)

DuGI-MAE: Improving Infrared Mask Autoencoders via Dual-Domain Guidance

DuGI-MAE：通过双域引导改进红外遮蔽自编码器

Yinghui Xing, Xiaoting Su, Shizhou Zhang, Donghao Chu, Di Xu

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

AI总结 DuGI-MAE通过双域引导策略提升红外遮蔽自编码器性能，解决信息token遗漏、全局关联建模不足及非均匀噪声问题，展现强泛化能力。

Journal ref Proceedings of the 40th AAAI Conference on Artificial Intelligence (AAAI 2026)

Is Micro Domain-Adaptive Pre-Training Effective for Real-World Operations? Multi-Step Evaluation Reveals Potential and Bottlenecks

微领域适应预训练在现实操作中是否有效？多步骤评估揭示了潜力和瓶颈

Masaya Tsunokake, Yuta Koreeda, Terufumi Morishita, Koichi Nagatsuka, Hikaru Tomonari, Yasuhiro Sogawa

机构 * Research & Development Group, Hitachi, Ltd（日立株式会社研发部） 纠错

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

AI总结 本文通过多步骤评估揭示了微领域适应预训练在生成任务中的潜力和瓶颈，发现其在信息提取方面有效但推理能力有待提升。

Comments 13 pages, 9 figures, Accepted by EACL2026 Industry Track

DEEPMED: Building a Medical DeepResearch Agent via Multi-hop Med-Search Data and Turn-Controlled Agentic Training & Inference

DEEPMED：通过多跳Med-Search数据和转向控制的代理训练与推理构建医疗深度研究代理

Zihan Wang, Hao Wang, Shi Feng, Xiaocui Yang, Daling Wang, Yiqun Zhang, Jinghao Lin, Haihua Yang, Xiaozhong Ji

机构 * Northeastern University（东北大学） ； ByteDance（字节跳动） 纠错

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

AI总结 DeepMed通过多跳Med-Search数据和转向控制训练推理，提升医疗领域深度推理性能。

Universal Latent Homeomorphic Manifolds: A Framework for Cross-Domain Representation Unification

通用潜在同胚流形：跨域表示统一的框架

Tong Wu, Tayab Uddin Wara, Daniel Hernandez, Sidong Lei

机构 * University of Central Florida（中央佛罗里达大学） 纠错

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

AI总结 该研究提出ULHM框架，通过同胚理论统一跨域表示，实现稀疏恢复、跨域迁移和零样本学习。

Revisiting Prompt Sensitivity in Large Language Models for Text Classification: The Role of Prompt Underspecification

重新审视大型语言模型在文本分类中的提示敏感性：提示不足的作用

Branislav Pecher, Michal Spiegel, Robert Belanec, Jan Cegin

机构 * Kempelen Institute of Intelligent Technologies（智能技术研究所） ； Faculty of Information Technology, Brno University of Technology（信息科技学院） ； Faculty of Informatics, Masaryk University（信息学院） 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)；prompting(abstract)

AI总结 本文研究了大型语言模型在文本分类中提示敏感性的来源，发现提示不足是导致性能波动的主要原因，并通过实验分析揭示了其对模型内部表示的影响。

Evaluating and Steering Modality Preferences in Multimodal Large Language Model

评估和引导多模态大语言模型中的模态偏好

Yu Zhang, Jinlong Ma, Yongshuai Hou, Xuefeng Bai, Kehai Chen, Yang Xiang, Jun Yu, Min Zhang

机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Peng Cheng Laboratory, Shenzhen, China（鹏城实验室） 纠错

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

AI总结 本文提出MC²基准测试，通过受控证据冲突场景评估和引导多模态大语言模型的模态偏好，揭示了其可通过指令引导和潜在表示控制，并展示了通过表示工程方法提升多模态任务性能的潜力。

Comments Modality Preference

Stroke Lesions as a Rosetta Stone for Language Model Interpretability

中风病变作为语言模型可解释性的一种罗塞塔石碑

Julius Fridriksson, Roger D. Newman-Norlund, Saeed Ahmadi, Regan Willis, Nadra Salman, Kalil Warren, Xiang Guan, Yong Yang, Srihari Nelakuditi, Rutvik Desai, Leonardo Bonilha, Jeff Charney, Chris Rorden

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.LG

AI总结 中风病变被用于验证语言模型的可解释性，通过比较模型扰动与人类病变模式，揭示语言处理的共享计算原则。

Comments 45 pages, 17 figures

EXaMCaP: Subset Selection with Entropy Gain Maximization for Probing Capability Gains of Large Chart Understanding Training Sets

EXaMCaP: 通过熵增最大化进行子集选择以探测大规模图表理解训练集的探测能力提升

Jiapeng Liu, Liang Li, Bing Li, Peng Fu, Xiyan Gao, Chengyang Fang, Xiaoshuai Hao, Can Ma

机构 * Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China（中国科学院信息工程研究所） ； School of Cyberspace Security, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学网络安全学院） ； School of Computer and Artificial Intelligence, Jiangxi University of Finance and Economics（江西财经大学计算机与人工智能学院） 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.LG

AI总结 EXaMCaP通过熵增最大化选择子集，以高效探测大规模图表理解训练集的能力提升。

Model Reconciliation through Explainability and Collaborative Recovery in Assistive Robotics

通过可解释性与协作恢复实现模型调和在辅助机器人中的应用

Britt Besch, Tai Mai, Jeremias Thun, Markus Huff, Jörn Vogel, Freek Stulp, Samuel Bustamante

机构 * German Aerospace Center (DLR), Robotics and Mechatronics Center (RMC)（德国航空航天中心（DLR）、机器人与机电中心） ； University of Cambridge, Department of Engineering（剑桥大学工程系） ； Universität Tübingen, Department of Psychology（图宾根大学心理学系） ； Leibniz-Institut für Wissensmedien (IWM)（莱比锡知识媒体研究所） ； Technical University of Munich（慕尼黑技术大学） 纠错

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

AI总结 本文提出了一种通过可解释性和协作恢复实现机器人与人类模型调和的方法，应用于辅助机器人领域。

Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026

Discovering Mechanistic Models of Neural Activity: System Identification in an in Silico Zebrafish

发现神经活动的机理模型：在虚拟斑马鱼中的系统识别

Jan-Matthis Lueckmann, Viren Jain, Michał Januszewski

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

AI总结 本文通过虚拟斑马鱼实验，利用大语言模型树搜索发现神经活动的预测模型，证明结构先验对机理模型发现的重要性。

RAPTOR: Ridge-Adaptive Logistic Probes

RAPTOR：岭适应逻辑探针

Ziqi Gao, Yaotian Zhu, Qingcheng Zeng, Xu Zhao, Ziqing Wang, Feng Ruan, Kaize Ding

机构 * Northwestern University（西北大学） 纠错

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

AI总结 RAPTOR通过岭适应逻辑探针在LLM层表示中提取准确且稳定的概念向量，提升模型理解和引导性能。

Comments Preprint

ConceptCaps: a Distilled Concept Dataset for Interpretability in Music Models

ConceptCaps：用于音乐模型可解释性的精简概念数据集

Bruno Sienkiewicz, Łukasz Neumann, Mateusz Modrzejewski

机构 * Institute of Computer Science, Warsaw University of Technology（华沙技术大学计算机科学研究所） 纠错

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

AI总结 ConceptCaps通过分离语义建模与文本生成，提供一个包含21,000个音乐-标签三元组的数据集，用于提升音乐模型的可解释性。

Interpolation of GEDI Biomass Estimates with Calibrated Uncertainty Quantification

利用校准不确定性量化进行GEDI生物量估计插值

Robin Young, Srinivasan Keshav

机构 * University of Cambridge（剑桥大学） 纠错

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

AI总结 本文提出利用注意力神经过程（ANPs）进行GEDI生物量估计插值，通过校准不确定性量化提升预测准确性与不确定性校准效果。

Hebrew Diacritics Restoration using Visual Representation

希伯来文附加符号恢复使用视觉表示

Yair Elboher, Yuval Pinter

机构 * Faculty of Computer and Information Science（计算机与信息科学学院） ； Ben-Gurion University of the Negev（贝叶尔谢瓦巴内吉尔大学） 纠错

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

AI总结 DiVRit通过视觉表示方法实现希伯来文附加符号恢复，利用零样本分类和视觉语言模型提升准确性和泛化能力。

GRAM: Spatial general-purpose audio representation models for real-world applications

GRAM：用于真实世界应用的空间通用音频表示模型

Goksenin Yuksel, Marcel van Gerven, Kiki van der Heijden

机构 * Donders Institute, Radboud University, Nijmegen, The Netherlands（多纳茨研究所，拉德堡德大学，尼姆韦根，荷兰） ； Mortimer B Zuckerman Institute, Columbia University, New York, United States（莫蒂默·B·祖克erman研究所，哥伦比亚大学，纽约，美国） 纠错

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

AI总结 GRAM通过多通道掩码自编码器学习空间音频表示，提升真实世界声学环境中的音频任务性能。

Comments Revise with RealSELD

Multiview Self-Representation Learning across Heterogeneous Views

跨异质视图的多视图自表示学习

Jie Chen, Zhu Wang, Chuanbin Liu, Xi Peng

机构 * College of Computer Science, Sichuan University（四川大学计算机学院） ； School of Economics and Management, China University of Petroleum (Beijing)（中国石油大学（北京）经济管理学院） ； Law School, Sichuan University（四川大学法学院） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 本文提出了一种多视图自表示学习方法，通过异质视图中的特征自表示性质，利用信息传递机制和分配概率一致性方案，实现跨不同模型的表示不变性，实验表明其优于现有方法。

Comments 12 pages

CONRep: Uncertainty-Aware Vision-Language Report Drafting Using Conformal Prediction

CONRep：基于置信预测的不确定性感知视觉-语言报告起草

Danial Elyassirad, Benyamin Gheiji, Mahsa Vatanparast, Amir Mahmoud Ahmadzadeh, Seyed Amir Asef Agah, Mana Moassefi, Meysam Tavakoli, Shahriar Faghani

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

AI总结 CONRep通过置信预测为视觉语言模型生成的放射学报告提供不确定性量化，提升自动化报告系统的透明性和临床实用性。

Comments 17 pages, 3 figures, 3 tables

Paint by Odor: An Exploration of Odor Visualization through Large Language Model and Generative AI

气味绘画：通过大语言模型和生成式人工智能探索气味可视化

Gang Yu, Yuchi Sun, Weining Yan, Xinyu Wang, Qi Lu

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)

AI总结 本文提出通过大语言模型和生成式人工智能实现自动气味可视化的方法，探索了气味感知与生成工具的结合，揭示了语言描述和抽象风格对气味图像生成的影响。

Beyond speculation: Measuring the growing presence of LLM-generated texts in multilingual disinformation

超越猜测：测量大型语言模型生成文本在多语言虚假信息中的增长

Dominik Macko, Aashish Anantha Ramakrishnan, Jason Samuel Lucas, Robert Moro, Ivan Srba, Adaku Uchendu, Dongwon Lee

机构 * Kempelen Institute of Intelligent Technologies（智能技术研究所） ； The Pennsylvania State University（宾夕法尼亚州立大学） ； MIT Lincoln Laboratory（麻省理工学院林赛实验室） 纠错

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

AI总结 本研究通过实证数据证明了LLM在多语言虚假信息中的增长，揭示了不同语言、平台和时间周期中的关键模式。

Comments accepted to Computer magazine

Journal ref Computer (Volume: 59, Issue: 2, February 2026)