语言大模型 / LLM

Large Language Models for Designing Participatory Budgeting Rules

基于大型语言模型的设计参与式预算规则

Nguyen Thach, Xingchen Sha, Hau Chan

机构 * University of Nebraska-Lincoln（内布拉斯加大学林肯分校） ； Northwestern University（西北大学） 纠错

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

AI总结 本文提出LLMRule框架，利用大型语言模型自动化设计参与式预算规则，提升预算分配的效用同时保持公平性。

Comments Accepted as full paper to AAMAS 2026

BYOS: Knowledge-driven Large Language Models Bring Your Own Operating System More Excellent

BYOS: 由知识驱动的大语言模型带来更优秀的操作系统

Hongyu Lin, Yuchen Li, Haoran Luo, Kaichun Yao, Libo Zhang, Zhenghong Lin, Mingjie Xing, Yanjun Wu, Carl Yang

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

AI总结 BYOS通过整合结构化知识与大语言模型，实现了更高效、鲁棒的Linux内核调优，显著提升了性能并减少了无效配置。

Manifold-Aware Temporal Domain Generalization for Large Language Models

面向流形的时域泛化用于大语言模型

Yiheng Yao, Zekun Cai, Xinyuan Song, Hiroki Hill Kobayashi, Xuan Song, Ryosuke Shibasaki, Liang Zhao

机构 * The University of Tokyo（东京大学） ； LocationMind ； Emory University（埃默里大学） ； Jilin University（吉林大学） 纠错

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

AI总结 本文提出MaT-LoRA，通过在低秩适应子空间内约束时间更新到共享低维流形，实现大语言模型的时间域泛化，提升模型的时间建模效率与泛化能力。

Comments 14 pages, 2 figures

Empowering Healthcare Practitioners with Language Models: Structuring Speech Transcripts in Two Real-World Clinical Applications

通过语言模型赋能医疗从业者：在两个真实临床应用中结构化语音转录

Jean-Philippe Corbeil, Asma Ben Abacha, George Michalopoulos, Phillip Swazinna, Miguel Del-Agua, Jerome Tremblay, Akila Jeeson Daniel, Cari Bader, Yu-Cheng Cho, Pooja Krishnan, Nathan Bodenstab, Thomas Lin, Wenxuan Teng, Francois Beaulieu, Paul Vozila

机构 * Microsoft Healthcare & Life Sciences（微软医疗与生命科学） 纠错

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

AI总结 本文通过语言模型在两个临床应用中结构化语音转录，提出代理流程生成非敏感数据，并发布首个开源数据集以支持进一步研究。

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: Industry Track

Assessing LLM Reliability on Temporally Recent Open-Domain Questions

评估LLM在近期开放领域问题上的可靠性

Pushwitha Krishnappa, Amit Das, Vinija Jain, Tathagata Mukherjee, Aman Chadha

机构 * University of Alabama Huntsville（阿拉巴马大学亨茨维尔分校） ； University of North Alabama（北阿拉巴马大学） ； Stanford University（斯坦福大学） ； Google（谷歌） ； Apple（苹果公司） 纠错

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

AI总结 RECOM研究通过分析15000个Reddit问题，发现LLM在语义对齐上表现优异，但词汇重合度低，揭示模型通过改写保留意义，挑战传统词汇度量的可靠性。

Can Local Vision-Language Models improve Activity Recognition over Vision Transformers? -- Case Study on Newborn Resuscitation

局部视觉-语言模型能否在视觉转换器上提高活动识别？——新生儿复苏案例研究

Enrico Guerriero, Kjersti Engan, Øyvind Meinich-Bache

机构 * University of Stavanger, Dept. of electrical eng. and computer science（斯塔万格大学电气工程与计算机科学系） 纠错

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

AI总结 本研究探讨了局部视觉-语言模型在新生儿复苏视频活动识别中的应用，通过LoRA微调提升性能，达到0.91的F1分数，优于TimeSFormer基线。

Comments Presented at the Satellite Workshop on Workshop 15: Generative AI for World Simulations and Communications & Celebrating 40 Years of Excellence in Education: Honoring Professor Aggelos Katsaggelos, IEEE International Conference on Image Processing (ICIP), 2025

AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise

AutoDiscovery: 通过贝叶斯惊喜实现开放性科学发现

Dhruv Agarwal, Bodhisattwa Prasad Majumder, Reece Adamson, Megha Chakravorty, Satvika Reddy Gavireddy, Aditya Parashar, Harshit Surana, Bhavana Dalvi Mishra, Andrew McCallum, Ashish Sabharwal, Peter Clark

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Allen Institute for AI（人工智能研究院） ； Capital One 纠错

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

AI总结 AutoDiscovery通过贝叶斯惊喜驱动科学探索，实现开放性科学发现，显著提升发现数量和质量。

Comments Accepted to NeurIPS 2025: https://neurips.cc/virtual/2025/loc/san-diego/poster/116398

FedGRPO: Privately Optimizing Foundation Models with Group-Relative Rewards from Domain Client

FedGRPO: 通过领域客户端的群体相对奖励私有优化基础模型

Gongxi Zhu, Hanlin Gu, Lixin Fan, Qiang Yang, Yuxing Han

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

AI总结 FedGRPO通过群体相对奖励机制，在保护隐私的前提下提升基础模型的性能和通信效率。

Comments Accepted by AAAI 2026 as Oral

Are Two LLMs Better Than One? A Student-Teacher Dual-Head LLMs Architecture for Pharmaceutical Content Optimization

两个大语言模型是否比一个更好？一种学生-教师双头大语言模型架构用于药学内容优化

Suyash Mishra, Qiang Li, Anubhav Girdhar

机构 * Roche（罗氏） ； Accenture（埃森哲） ； Involead 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 本研究提出一种学生-教师双头大语言模型架构，用于提升药学内容的合规性与准确性，通过模块化设计和规则过滤实现高效质量控制。

Comments Submitted to the Demo Track of Top Tier Conference; currently under peer review

Synthesizing the Virtual Advocate: A Multi-Persona Speech Generation Framework for Diverse Linguistic Jurisdictions in Indic Languages

合成虚拟辩护人：一种多角色语音生成框架，用于印地语系语言的多样化语言司法辖区

Aniket Deroy

机构 * Indian Institute of Technology, Delhi（印度理工学院德里分校） 纠错

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

AI总结 本研究提出一种多角色语音生成框架，用于生成印地语系语言的合成法庭演讲，探讨了Gemini 2.5 TTS模型在不同语言中的表现及改进方向。

Pursuing Best Industrial Practices for Retrieval-Augmented Generation in the Medical Domain

追求医疗领域检索增强生成的最佳工业实践

Liz Li, Wei Zhu

机构 * DataSelect AI ； University of Hong Kong（香港大学） 纠错

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

AI总结 本文针对医疗领域RAG系统构建，分析各组件并提出替代方案，通过系统评估揭示最佳实践及性能效率权衡。

TRACE: Timely Retrieval and Alignment for Cybersecurity Knowledge Graph Construction and Expansion

TRACE: 信息安全知识图谱构建与扩展中的及时检索与对齐

Zijing Xu, Ziwei Ning, Tiancheng Hu, Jianwei Zhuge, Yangyang Wang, Jiahao Cao, Mingwei Xu

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

AI总结 TRACE通过整合结构化和非结构化数据，利用LLMs提升网络安全知识图谱的实时更新与实体对齐效率，实现节点覆盖和提取精度的显著提升。

Harmonizing Generalization and Specialization: Uncertainty-Informed Collaborative Learning for Semi-supervised Medical Image Segmentation

协调泛化与专门化：基于不确定性的协作学习用于半监督医学图像分割

Wenjing Lu, Yi Hong, Yang Yang

机构 * AGI Institute, School of Computer Science, Shanghai Jiao Tong University（AGI研究院，计算机科学学院，上海交通大学） 纠错

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

AI总结 本文提出UnCoL框架，通过双教师机制协调半监督医学图像分割中的泛化与专门化，利用不确定性指导伪标签学习以提升分割性能。

Comments Accepted for publication in IEEE Transactions on Medical Imaging (TMI), 2026

LabSafety Bench: Benchmarking LLMs on Safety Issues in Scientific Labs

LabSafety Bench: 对科学实验室中AI安全问题的LLM基准测试

Yujun Zhou, Jingdong Yang, Yue Huang, Kehan Guo, Zoe Emory, Bikram Ghosh, Amita Bedar, Sujay Shekar, Zhenwen Liang, Pin-Yu Chen, Tian Gao, Werner Geyer, Nuno Moniz, Nitesh V Chawla, Xiangliang Zhang

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

AI总结 LabSafety Bench通过评估LLMs和VLMs在实验室安全问题上的表现，揭示了当前模型在危险识别和风险评估方面的不足，强调了对AI安全评估框架的迫切需求。

Comments Published at Nature Machine Intelligence

Journal ref Nat Mach Intell 8, 20-31 (2026)

Automatic Simplification of Common Vulnerabilities and Exposures Descriptions

常见漏洞与暴露描述的自动简化

Varpu Vehomäki, Kimmo K. Kaski

机构 * Department of Computer Science Aalto University School of Science（计算机科学系 阿尔托大学 学校） 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 本研究探讨了利用大型语言模型对网络安全漏洞描述进行自动文本简化的方法，并发现现成模型在简化过程中难以保持原意。

Comments 8 pages, 1 figure, submitted to Nordic Machine Intelligence

Benchmark Illusion: Disagreement among LLMs and Its Scientific Consequences

基准幻觉：大语言模型之间的分歧及其科学后果

Eddie Yang, Dashun Wang

机构 * Department of Political Science, Purdue University（政治学系，普渡大学） ； Kellogg School of Management, Center for Science of Science and Innovation, Northwestern Innovation Institute, Ryan Institute on Complexity, and McCormick School of Engineering（凯洛格管理学院、科学与创新中心、西北创新研究所、复杂性研究院以及麦科马克工程学院） 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 研究揭示大语言模型在基准测试中存在显著分歧，影响科学可重复性，指出模型选择对研究结果有重要影响。

The PBSAI Governance Ecosystem: A Multi-Agent AI Reference Architecture for Securing Enterprise AI Estates

PBSAI治理生态系统：一种多智能体AI参考架构，用于保障企业AI领地安全

John M. Willis

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

AI总结 PBSAI提出了一种多智能体参考架构，用于保障企业AI领地的安全，通过十二个领域分类法和有限智能体家族实现责任划分，结合分析监控、协调防御等技术，确保系统安全与可追溯性。

Comments 43 pages, plus 12 pages of appendices. One Figure

Olmix: A Framework for Data Mixing Throughout LM Development

Olmix: 一种用于大型语言模型开发中数据混合的框架

Mayee F. Chen, Tyler Murray, David Heineman, Matt Jordan, Hannaneh Hajishirzi, Christopher Ré, Luca Soldaini, Kyle Lo

机构 * Allen Institute for AI（艾伦人工智能研究所） ； Stanford University（斯坦福大学） ； University of Washington（华盛顿大学） 纠错

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

AI总结 Olmix通过混合重用机制，在LM开发中高效处理动态变化的领域集合，减少计算量并提升下游任务性能。

ReTracing: An Archaeological Approach Through Body, Machine, and Generative Systems

ReTracing：通过身体、机器和生成系统进行考古学研究

Yitong Wang, Yue Yao

机构 * Department of Machine Learning（机器学习系） ； Carnegie Mellon University（卡内基梅隆大学） ； SIPA Technology Policy and Innovation（技术政策与创新研究所） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 ReTracing通过AI、人类和机器人互动，探索生成系统如何通过编舞运动反映社会文化偏见。

CSEval: A Framework for Evaluating Clinical Semantics in Text-to-Image Generation

CSEval: 一个用于评估文本到图像生成中临床语义的框架

Robert Cronshaw, Konstantinos Vilouras, Junyu Yan, Yuning Du, Feng Chen, Steven McDonagh, Sotirios A. Tsaftaris

机构 * School of Engineering, University of Edinburgh, United Kingdom（爱丁堡大学工程学院） 纠错

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

AI总结 CSEval通过语言模型评估文本到图像生成中临床语义的一致性，弥补现有方法在临床相关性评估上的不足。

TEGRA: Text Encoding With Graph and Retrieval Augmentation for Misinformation Detection

基于图和检索增强的文本编码用于虚假信息检测

Géraud Faye, Wassila Ouerdane, Guillaume Gadek, Sylvain Gatepaille, Céline Hudelot

机构 * Airbus Defence and Space（空客防御与航天） ； Université Paris-Saclay, CentraleSupélec, MICS（巴黎萨克雷大学，中央超导，MICS） 纠错

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

AI总结 TEGRA通过结合图和检索增强技术，提升虚假信息检测的准确性。