语言大模型 / LLM

MC-LLaVA: Multi-Concept Personalized Vision-Language Model

MC-LLaVA：多概念个性化视觉-语言模型

Ruichuan An, Sihan Yang, Renrui Zhang, Ming Lu, Tianyi Jiang, Kai Zeng, Yulin Luo, Jiajun Cao, Hao Liang, Ying Chen, Qi She, Shanghang Zhang, Wentao Zhang

机构 * Peking University（北京大学） ； Intel Labs, China（英特尔实验室，中国） 纠错

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

AI总结 MC-LLaVA通过多概念指令微调和个性化提示提升视觉-语言模型的多概念个性化能力。

MedProbCLIP: Probabilistic Adaptation of Vision-Language Foundation Model for Reliable Radiograph-Report Retrieval

MedProbCLIP: 基于概率适应的视觉-语言基础模型用于可靠放射影像-报告检索

Ahmad Elallaf, Yu Zhang, Yuktha Priya Masupalli, Jeong Yang, Young Lee, Zechun Cao, Gongbo Liang

机构 * Texas A&M University-San Antonio（德克萨斯A&M大学-圣安东尼奥分校） ； Boise State University（博伊州立大学） 纠错

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

AI总结 MedProbCLIP 通过概率适应提升放射影像与报告检索的可靠性，优于现有基线方法。

Comments Accepted to the 2026 Winter Conference on Applications of Computer Vision (WACV) Workshops

Language-Guided Invariance Probing of Vision-Language Models

语言引导的视觉-语言模型不变性探测

Jae Joong Lee

机构 * Department of Computer Science, Purdue University（普渡大学计算机科学系） 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 本文提出LGIP基准，用于评估视觉-语言模型对语言扰动的鲁棒性，发现EVA02-CLIP和OpenCLIP表现优异，而SigLIP存在显著缺陷。

Comments Pattern Recognition Letters 2026

Indic-TunedLens: Interpreting Multilingual Models in Indian Languages

Indic-TunedLens：解读印度语言多语言模型

Mihir Panchal, Deeksha Varshney, Mamta, Asif Ekbal

机构 * Dwarkadas Jivanlal Sanghvi College of Engineering（达沃拉斯·吉文拉尔工程学院） ； Indian Institute of Technology Jodhpur（印度理工学院乔浦尔分校） ； King’s College London（伦敦国王学院） ； Indian Institute of Technology Patna（印度理工学院帕特纳分校） 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.CL、cs.AI

AI总结 Indic-TunedLens通过学习共享仿射变换，为印度语言提供更准确的模型表示解码，提升多语言模型的可解释性。

Comments 19th Conference of the European Chapter of the Association for Computational Linguistics (EACL) Thirteenth Workshop on NLP for Similar Languages, Varieties and Dialects (VarDial) 2026

CheckIfExist: Detecting Citation Hallucinations in the Era of AI-Generated Content

CheckIfExist：在AI生成内容时代检测引用幻觉

Diletta Abbonato

机构 * Unito（乌托大学） 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.CL

AI总结 CheckIfExist是一个开源工具，通过多源验证检测AI生成内容中的引用幻觉，提供即时验证和批量处理功能。

LMSeg: Unleashing the Power of Large-Scale Models for Open-Vocabulary Semantic Segmentation

LMSeg：释放大规模模型在开放词汇语义分割中的潜力

Huadong Tang, Youpeng Zhao, Yan Huang, Min Xu, Jun Wang, Qiang Wu

机构 * Huadong Tang（华东唐） ； Youpeng Zhao（赵有鹏） ； Yan Huang（黄艳） ； Min Xu（徐敏） ； Jun Wang（王俊） ； Qiang Wu（吴强） 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 LMSeg通过结合多个大规模模型提升开放词汇语义分割的性能，利用LLMs生成多样化视觉属性的提示并改进视觉特征提取。

CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis

CARL：用于光谱图像分析的相机无关表示学习

Alexander Baumann, Leonardo Ayala, Silvia Seidlitz, Jan Sellner, Alexander Studier-Fischer, Berkin Özdemir, Lena Maier-Hein, Slobodan Ilic

机构 * Siemens AG（西门子股份公司） ； Division of Intelligent Medical Systems, German Cancer Research Center (DKFZ)（德国癌症研究中心智能医疗系统部门） ； National Center for Tumor Diseases (NCT), NCT Heidelberg（肿瘤国家研究中心（NCT）海德堡分部） ； HIDSS4Health, Heidelberg（海德堡HIDSS4Health） ； Department of Urology and Urosurgery, University Medical Center Mannheim（曼海姆大学医学中心泌尿外科与泌尿外科部门） ； Department of General, Visceral, and Transplantation Surgery, Heidelberg University Hospital（海德堡大学医院普通外科、 visceral外科和移植外科部门） ； Division of Intelligent Systems and Robotics in Urology, DKFZ Heidelberg（泌尿外科智能系统和机器人技术部门，德国癌症研究中心海德堡分部） ； DKFZ Hector Cancer Institute, University Medical Center Mannheim（DKFZ海德堡癌症研究所，曼海姆大学医学中心） 纠错

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

AI总结 CARL通过相机无关的表示学习方法，提升了多光谱和高光谱图像分析的鲁棒性和通用性。

Features as Rewards: Scalable Supervision for Open-Ended Tasks via Interpretability

特征作为奖励：通过可解释性实现开放性任务的可扩展监督

Aaditya Vikram Prasad, Connor Watts, Jack Merullo, Dhruvil Gala, Owen Lewis, Thomas McGrath, Ekdeep Singh Lubana

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

AI总结 本文提出通过特征作为奖励实现开放性任务的可扩展监督，利用强化学习流程减少幻觉并保持性能。