语言大模型 / LLM

UniPhy: Unifying Riemannian-Clifford Geometry and Biorthogonal Dynamics for Planetary-Scale Continuous Weather Modeling

UniPhy：统一黎曼-克利福德几何与双正交动力学用于行星尺度连续天气建模

Ruiqing Yan, Haoyu Deng, Yuhang Shao, Xingbo Du, Jingyuan Wang, Zhengyi Yang

专题命中 效率与部署 ：foundation model(abstract)

AI总结 UniPhy通过统一黎曼-克利福德几何与双正交动力学，提出一种连续时间非厄米特神经SPDE求解器，实现行星尺度天气建模的物理完备性、几何适应性和计算效率。

Bi-Adapt: Few-shot Bimanual Adaptation for Novel Categories of 3D Objects via Semantic Correspondence

Bi-Adapt: 通过语义对应实现少样本双臂适应于3D物体新类别

Jinxian Zhou, Ruihai Wu, Yiwei Liu, Yiwen Hou, Xunzhe Zhou, Checheng Yu, Licheng Zhong, Lin Shao

专题命中 效率与部署 ：foundation model(abstract)

AI总结 Bi-Adapt通过语义对应实现双臂操作在新3D物体类别中的少样本适应，利用视觉基础模型实现跨类别的 affordance 映射，有效提升泛化能力。

Efficient-SAM2: Accelerating SAM2 with Object-Aware Visual Encoding and Memory Retrieval

Efficient-SAM2: 通过对象感知视觉编码和内存检索加速SAM2

Jing Zhang, Zhikai Li, Xuewen Liu, Qingyi Gu

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

专题命中 效率与部署 ：post-training(abstract)

AI总结 Efficient-SAM2通过对象感知的视觉编码和内存检索技术，显著提升SAM2的推理效率，实现1.68倍加速且仅损失1.0%的准确性。

Comments ICLR 2026,Code is available at: https://github.com/jingjing0419/Efficient-SAM2

Bayesian Speech Synthesizers Can Learn from Multiple Teachers

基于多个教师的贝叶斯语音合成器可以学习

Ziyang Zhang, Yifan Gao, Xuenan Xu, Baoxiang Li, Wen Wu, Chao Zhang

机构 * Tsinghua University（清华大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 BELLE通过贝叶斯推断提升语音合成的不确定性建模，以更少的数据实现更优的语音生成性能。

Comments Code is available at https://github.com/OpenTSLab/BELLE

Botender: Supporting Communities in Collaboratively Designing AI Agents through Case-Based Provocations

Botender：通过基于案例的挑衅支持社区协同设计AI代理

Tzu-Sheng Kuo, Sophia Liu, Quan Ze Chen, Joseph Seering, Amy X. Zhang, Haiyi Zhu, Kenneth Holstein

专题命中 效率与部署 ：LLM(abstract)

AI总结 Botender通过基于案例的挑衅方法，使社区无需编程即可协同设计定制化的AI代理，提升社区对机器人行为的共同塑造能力。

Journal ref Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26)

Improving Data and Reward Design for Scientific Reasoning in Large Language Models

改进大型语言模型中的数据与奖励设计以提升科学推理能力

Zijie Chen, Zhenghao Lin, Xiao Liu, Zhenzhong Lan, Yeyun Gong, Peng Cheng

机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

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

AI总结 本文提出Dr. SCI数据集和后训练流程，通过探索扩展SFT、动态难度课程和SciRubric引导RL提升大型语言模型的科学推理能力。

Autonomous Industrial Control using an Agentic Framework with Large Language Models

基于大语言模型的代理框架实现自主工业控制

Javal Vyas, Mehmet Mercangöz

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

AI总结 本文提出基于大语言模型的代理框架，通过验证和重提示架构实现自主工业控制，提升系统在动态环境中的适应性和可靠性。

QP-OneModel: A Unified Generative LLM for Multi-Task Query Understanding in Xiaohongshu Search

QP-OneModel: 一个用于小红书搜索多任务查询理解的统一生成式大语言模型

Jianzhao Huang, Xiaorui Huang, Fei Zhao, Yunpeng Liu, Hui Zhang, Fangcheng Shi, Congfeng Li, Zechen Sun, Yi Wu, Yao Hu, Yunhan Bai, Shaosheng Cao

机构 * Xiaohongshu Inc.（小红书公司） 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 QP-OneModel通过统一生成式大语言模型提升小红书搜索多任务查询理解的效率与准确性。

Universal computation is intrinsic to language model decoding

语言模型解码具有普遍计算的内在性

Alex Lewandowski, Marlos C. Machado, Dale Schuurmans

机构 * Department of Computing Science, University of Alberta（计算科学系，阿尔伯塔大学） ； Amii ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） 纠错

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

AI总结 语言模型解码具有普遍计算的内在性，通过自回归输出实现通用计算，训练提升可编程性而非计算能力。

Comments Minor formatting corrections

Empowering Contrastive Federated Sequential Recommendation with LLMs

通过大型语言模型增强对比联邦序列推荐

Thi Minh Chau Nguyen, Minh Hieu Nguyen, Duc Anh Nguyen, Xuan Huong Tran, Thanh Trung Huynh, Quoc Viet Hung Nguyen

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 通过整合大型语言模型作为本地语义生成器，LUMOS在联邦序列推荐中提升模型性能，增强隐私保护下的推荐系统鲁棒性。

MDL: A Unified Multi-Distribution Learner in Large-scale Industrial Recommendation through Tokenization

MDL：通过分词实现大规模工业推荐系统的统一多分布学习

Shanlei Mu, Yuchen Jiang, Shikang Wu, Shiyong Hong, Tianmu Sha, Junjie Zhang, Jie Zhu, Zhe Chen, Zhe Wang, Jingjian Lin

机构 * ByteDance Search（字节跳动搜索） ； ByteDance AML（字节跳动人工智能实验室） 纠错

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

AI总结 MDL通过统一的多分布学习框架，利用分词技术提升大规模工业推荐系统中多场景和多任务学习的性能。

Comments 9 pages, 4 figures

P1-VL: Bridging Visual Perception and Scientific Reasoning in Physics Olympiads

P1-VL: 联结视觉感知与物理竞赛中的科学推理

Yun Luo, Futing Wang, Qianjia Cheng, Fangchen Yu, Haodi Lei, Jianhao Yan, Chenxi Li, Jiacheng Chen, Yufeng Zhao, Haiyuan Wan, Yuchen Zhang, Shenghe Zheng, Junchi Yao, Qingyang Zhang, Haonan He, Wenxuan Zeng, Li Sheng, Chengxing Xie, Yuxin Zuo, Yizhuo Li, Yulun Wu, Rui Huang, Dongzhan Zhou, Kai Chen, Yu Qiao, Lei Bai, Yu Cheng, Ning Ding, Bowen Zhou, Peng Ye, Ganqu Cui

机构 * Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 P1-VL通过融合课程强化学习和代理增强技术，成为首个在物理竞赛中获得12枚金牌的开源视觉-语言模型，展示了卓越的科学推理能力和泛化能力。

NOWJ @BioCreative IX ToxHabits: An Ensemble Deep Learning Approach for Detecting Substance Use and Contextual Information in Clinical Texts

NOWJ @BioCreative IX ToxHabits: 一种用于检测临床文本中物质使用及上下文信息的集成深度学习方法

Huu-Huy-Hoang Tran, Gia-Bao Duong, Quoc-Viet-Anh Tran, Thi-Hai-Yen Vuong, Hoang-Quynh Le

机构 * University of Engineering and Technology（工程大学） ； University of Engineering（工程大学） ； Technology, Vietnam National University（技术，越南国家大学） 纠错

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

AI总结 本文提出了一种集成深度学习方法，用于在西班牙临床文本中检测有毒物质使用及上下文信息，实现了较高的F1和精度指标。

Journal ref Proceedings of the BioCreative IX Challenge and Workshop (BC9): Large Language Models for Clinical and Biomedical NLP at the International Joint Conference on Artificial Intelligence (IJCAI 2025)

Comprehensive Comparison of RAG Methods Across Multi-Domain Conversational QA

跨多领域对话问答中RAG方法的全面比较

Klejda Alushi, Jan Strich, Chris Biemann, Martin Semmann

机构 * Hub of Computing and Data Science (HCDS) University of Hamburg（计算与数据科学中心（HCDS）乌姆斯大学） 纠错

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

AI总结 本文通过跨多领域对话问答数据集的全面比较，发现简单策略在多轮对话中表现更优，而复杂方法未必有效，强调检索策略与数据集结构的匹配至关重要。

Comments Accepted to EACL SRW 26

Tiered Anonymity on Social-Media Platforms as a Countermeasure against Deepfakes and LLM-Driven Mass Misinformation

社交媒体平台的分层匿名性：作为对抗深度伪造和大语言模型驱动的虚假信息的对策

David Khachaturov, Roxanne Schnyder, Robert Mullins

专题命中 领域大模型 ：LLM(title)

AI总结 本文提出通过三级匿名框架应对深度伪造和大语言模型驱动的虚假信息，通过影响力评分区分用户层级并实施差异化隐私保护措施。

AgentSkiller: Scaling Generalist Agent Intelligence through Semantically Integrated Cross-Domain Data Synthesis

AgentSkiller: 通过语义整合的跨领域数据合成提升通用智能代理能力

Zexu Sun, Bokai Ji, Hengyi Cai, Shuaiqiang Wang, Lei Wang, Guangxia Li, Xu Chen

机构 * AMU, Baidu Inc.（百度公司） ； School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院） ； Singapore Management University（新加坡管理学院） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） 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 AgentSkiller通过语义整合的跨领域数据合成提升通用智能代理能力，生成高质量交互数据以增强模型功能调用性能。

Comments 33 pages, 9 figures

A Physics-Informed Spatiotemporal Deep Learning Framework for Turbulent Systems

一种基于物理的时空深度学习框架用于湍流系统

Luca Menicali, Andrew Grace, David H. Richter, Stefano Castruccio

机构 * Department of Applied and Computational Mathematics and Statistics, University of University of Notre Dame（应用与计算数学与统计学系，诺特大学） ； Department of Environmental and Civil Engineering, University of Notre Dame（环境与土木工程系，诺特大学） 纠错

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

AI总结 本文提出了一种基于物理的时空深度学习框架，用于高效模拟湍流系统，结合卷积神经网络和递归架构，减少计算成本并提高物理可解释性。

Tiny Moves: Game-based Hypothesis Refinement

Tiny Moves: 基于游戏的假设精炼

Agnieszka Dobrowolska, Rogier Hintzen, Martin Balla, Karl Gemayel, Sabine Reichert, Thomas Charman, Jen Ning Lim, Lindsay Edwards, Anna Gogleva

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

AI总结 本文提出基于游戏的假设精炼方法，通过LLM代理在共享状态上进行渐进式推理移动，有效提升科学发现中假设修正的精度与可控性。

Bladder Vessel Segmentation using a Hybrid Attention-Convolution Framework

利用混合注意力-卷积框架进行膀胱血管分割

Franziska Krauß, Matthias Ege, Zoltan Lovasz, Albrecht Bartz-Schmidt, Igor Tsaur, Oliver Sawodny, Carina Veil

机构 * Institute for System Dynamics in the University of Stuttgart（斯图加特大学系统动力学研究所） ； University Hospital Tübingen（图宾根大学医院） ； Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系） 纠错

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

AI总结 本文提出混合注意力-卷积框架，通过结合Transformer和CNN实现高精度膀胱血管分割，解决内窥镜数据中复杂变形和黏膜褶皱等挑战。

Beyond Input-Output: Rethinking Creativity through Design-by-Analogy in Human-AI Collaboration

超越输入输出：通过类比设计重新思考人机协作中的创造力

Xuechen Li, Shuai Zhang, Nan Cao, Qing Chen

机构 * College of Design and Innovation（设计与创新学院） ； Tongji University（同济大学） 纠错

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

AI总结 本文通过类比设计方法，重新思考人机协作中的创造力问题，探讨其在创意产业、智能制造和教育服务中的应用，提出DbA作为中介技术促进创造力发展。

Comments 20 pages, 9 figures. Accepted to the 2026 CHI Conference on Human Factors in Computing Systems

Journal ref Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI '26)

In-Hospital Stroke Prediction from PPG-Derived Hemodynamic Features

住院期间从PPG衍生的血流动力学特征预测中风

Jiaming Liu, Cheng Ding, Daoqiang Zhang

机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.LG

AI总结 本文利用PPG数据，结合大型语言模型和ResNet-1D模型，实现了对住院期间中风的早期预测，展示了PPG在发病前数小时具有预测性，为临床主动监控提供了新方法。

Comments 11 pages, 6 figures, 3 tables. To appear in Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '26)

CoMMa: Contribution-Aware Medical Multi-Agents From A Game-Theoretic Perspective

从博弈论视角出发的贡献感知医疗多智能体：CoMMa

Yichen Wu, Yujin Oh, Sangjoon Park, Kailong Fan, Dania Daye, Hana Farzaneh, Xiang Li, Raul Uppot, Quanzheng Li

机构 * Center for Advanced Medical Computing（先进医学计算中心） ； Department of Radiology, Massachusetts General Hospital（放射科，马萨诸塞总医院） ； Harvard Medical School（哈佛医学院） ； Department of Radiation Oncology, Yonsei University College of Medicine（放射肿瘤科，延世大学医学院） ； Yonsei University（延世大学） ； Institute for Innovation in Digital Healthcare（数字医疗创新研究所） ； Interventional Radiology Academic Medical Centers, Mass General Brigham（介入放射学学术医疗中心，马萨诸塞总医院 Brigham） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 CoMMa从博弈论视角提出一种去中心化医疗多智能体框架，通过确定性嵌入投影实现贡献感知的信用分配，提升肿瘤学决策支持的准确性和稳定性。

Comments 9 pages, 3 figures

Trustworthy Agentic AI Requires Deterministic Architectural Boundaries

可信的代理AI需要确定性的架构边界

Manish Bhattarai, Minh Vu

专题命中 领域大模型 ：language model(abstract)

AI总结 本文提出三位一体防御架构，通过确定性的架构执行解决代理AI的安全问题，强调架构调解对可信AI应用的必要性。

SAKED: Mitigating Hallucination in Large Vision-Language Models via Stability-Aware Knowledge Enhanced Decoding

SAKED: 通过稳定性感知知识增强解码缓解大视觉-语言模型中的幻觉

Zhaoxu Li, Chenqi Kong, Peijun Bao, Song Xia, Yi Tu, Yi Yu, Xinghao Jiang, Xudong Jiang

机构 * ROSE Lab, School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（ROSE实验室，电子工程学院，南洋理工大学，新加坡） ； ROSE Lab, Interdisciplinary Graduate Programme, Nanyang Technological University, Singapore（ROSE实验室，跨学科研究生项目，南洋理工大学，新加坡） ； School of Physical and Mathematical Sciences, Nanyang Technological University, Singapore（物理与数学科学学院，南洋理工大学，新加坡） ； Shanghai Jiao Tong University, China（上海交通大学，中国） 纠错

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

AI总结 SAKED通过引入稳定性感知知识增强解码方法，有效缓解大视觉-语言模型中的幻觉问题，无需训练即可集成至不同架构中，实现最佳性能。

Sharpen the Spec, Cut the Code: A Case for Generative File System with SYSSPEC

细化规范，削减代码：一种生成性文件系统案例

Qingyuan Liu, Mo Zou, Hengbin Zhang, Dong Du, Yubin Xia, Haibo Chen

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

AI总结 本文提出SYSSPEC框架，通过生成性文件系统利用LLM生成和演变文件系统，展示SPECFS在并发性和正确性上的有效性。

TTA: Transcribe, Translate and Alignment for Cross-lingual Speech Representation

TTA：跨语言语音表示的转录、翻译与对齐

Wei Liu, Jiahong Li, Yiwen Shao, Dong Yu

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

AI总结 TTA通过大规模训练生成跨语言语音表示，提升语音识别与翻译任务的性能，优于Whisper模型。

Comments Accepted by ICASSP2026

Toward Ultra-Long-Horizon Sequential Model Editing

迈向超长 horizon 的序列模型编辑

Mingda Liu, Zhenghan Zhu, Ze'an Miao, Katsuki Fujisawa

机构 * Institute of Science Tokyo（东京科学研究所） 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 本文提出Norm-Anchor Scaling NAS方法，通过范数约束策略解决序列模型编辑中的崩溃问题，显著提升编辑性能。

TOPol: Capturing and Explaining Multidimensional Semantic Polarity Fields and Vectors

TOPol: 捕捉和解释多维语义极性场和向量

Gabin Taibi, Lucia Gomez

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

AI总结 TOPol通过半无监督框架捕捉和解释多维语义极性场，用于上下文敏感的多维叙述分析。

Comments 7 pages, 3 figures and 2 tables

Scalpel: Fine-Grained Alignment of Attention Activation Manifolds via Mixture Gaussian Bridges to Mitigate Multimodal Hallucination

Scalpel: 通过混合高斯桥梁实现细粒度注意力激活流形对齐以缓解多模态幻觉

Ziqiang Shi, Rujie Liu, Shanshan Yu, Satoshi Munakata, Koichi Shirahata

机构 * Fujitsu Research & Development Center Co.,LTD.（Fujitsu 研究与开发中心有限公司） ； Fujitsu Limited（Fujitsu 有限公司） 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 Scalpel通过高斯混合模型和熵最优传输减少多模态幻觉，实现注意力激活流形的细粒度对齐，提升视觉-语言模型的输出一致性。

Comments WACV 2026 (It was accepted in the first round, with an acceptance rate of 6%.)

What do Geometric Hallucination Detection Metrics Actually Measure?

几何幻觉检测度量实际上测量什么？

Eric Yeats, John Buckheit, Sarah Scullen, Brendan Kennedy, Loc Truong, Davis Brown, Bill Kay, Cliff Joslyn, Tegan Emerson, Michael J. Henry, John Emanuello, Henry Kvinge

机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） ； University of Washington（华盛顿大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Colorado State University（科罗拉多州立大学） ； University of Texas, El Paso（德克萨斯大学埃尔帕索分校） ； Laboratory for Advanced Cybersecurity Research, National Security Agency（国家安全局高级网络安全研究实验室） 纠错

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

AI总结 本文研究几何统计在检测幻觉中的作用，通过合成数据集分析不同属性对幻觉检测的影响，并提出归一化方法提升多领域检测性能。

Comments Published at the 2025 ICML Workshop on Reliable and Responsible Foundation Models