语言大模型 / LLM

Claim Automation using Large Language Model

利用大语言模型实现索赔自动化

Zhengda Mo, Zhiyu Quan, Eli O'Donohue, Kaiwen Zhong

机构 * Actuarial and Risk Management Sciences, University of Illinois at Urbana-Champaign（保险与风险管理科学系，伊利诺伊大学厄巴纳-香槟分校） ； PCMI Corporation（PCMI公司） 纠错

专题命中 指令微调 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

AI总结 本文提出利用大语言模型进行索赔自动化，通过领域特定微调显著提升保险领域纠正措施建议的准确性。

Comments 46 pages, 12 figures. Code and data processing pipeline described

State of the Art in Text Classification for South Slavic Languages: Fine-Tuning or Prompting?

南斯拉夫语言文本分类的现状：微调还是提示？

Taja Kuzman Pungeršek, Peter Rupnik, Ivan Porupski, Vuk Dinić, Nikola Ljubešić

机构 * Jožef Stefan Institute（乔泽夫·斯塔芬研究所） ； Faculty of Computer and Information Science（计算机与信息科学系） ； University of Ljubljana（卢布尔雅纳大学） ； Institute of Contemporary History（当代历史研究所） 纠错

专题命中 指令微调 ：prompting(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文比较了南斯拉夫语言文本分类中微调BERT模型与LLMs的性能，发现LLMs在零样本设置下表现优异，但存在推理慢和计算成本高等问题，故微调模型仍更实用。

Comments 17 pages; 4 figures; 3 tables. Submitted to the LLMs4SSH workshop, co-located with the LREC 2026 conference

QuPAINT: Physics-Aware Instruction Tuning Approach to Quantum Material Discovery

QuPAINT：一种面向量子材料发现的物理感知指令微调方法

Xuan-Bac Nguyen, Hoang-Quan Nguyen, Sankalp Pandey, Tim Faltermeier, Nicholas Borys, Hugh Churchill, Khoa Luu

机构 * CVIU Lab, University of Arkansas, USA（Arkansas大学计算机视觉实验室） ； University of Utah, USA（犹他大学） ； Department of Physics, University of Arkansas, USA（Arkansas大学物理系） 纠错

专题命中 指令微调 ：instruction tuning(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 QuPAINT通过物理感知指令微调方法，提升量子材料发现的多模态表征能力，建立标准化评估基准。

Comments Project page: https://uark-cviu.github.io/projects/qupaint/

Small LLMs for Medical NLP: a Systematic Analysis of Few-Shot, Constraint Decoding, Fine-Tuning and Continual Pre-Training in Italian

小型语言模型在医疗NLP中的应用：对少样本、约束解码、微调和持续预训练的系统分析

Pietro Ferrazzi, Mattia Franzin, Alberto Lavelli, Bernardo Magnini

机构 * Fondazione Bruno Kessler（布鲁诺·克瑟基金会） ； University of Padova（帕多瓦大学） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；pretraining(abstract)；prompting(abstract)

AI总结 本文研究了小型LLMs在医疗NLP中的应用，发现微调和约束解码能有效提升性能，最佳模型在多个任务中表现优于大模型。

Comments Paper Accepted at LREC 2026

Decoding the Human Factor: High Fidelity Behavioral Prediction for Strategic Foresight

解码人类因素：为战略预见的高保真行为预测

Ben Yellin, Ehud Ezra, Mark Foreman, Shula Grinapol

机构 * OMGene AI Lab（OMGene AI实验室） 纠错

专题命中 指令微调 ：large language model(abstract)；language model(abstract)；foundation model(abstract)；prompting(abstract)

AI总结 本文提出LBM模型，通过高维特质轮廓预测个体战略选择，提升高保真行为模拟能力，应用于战略预见等领域。

Heterogeneous Federated Fine-Tuning with Parallel One-Rank Adaptation

异构联邦微调与并行一秩适应

Zikai Zhang, Rui Hu, Jiahao Xu

专题命中 指令微调 ：LLM(abstract)；large language model(abstract)；language model(abstract)

AI总结 Fed-PLoRA通过并行一秩适应和Select-N-Fold策略，解决异构联邦微调中的初始化和聚合噪声问题，提升LLM微调的准确性和效率。

Comments To appear in ICLR 2026

StereoAdapter-2: Globally Structure-Consistent Underwater Stereo Depth Estimation

StereoAdapter-2: 基于全局结构一致性的水下立体深度估计

Zeyu Ren, Xiang Li, Yiran Wang, Zeyu Zhang, Hao Tang

机构 * The University of Melbourne（墨尔本大学） ； Peking University（北京大学） ； Australian Centre for Robotics（澳大利亚机器人中心） 纠错

专题命中 指令微调 ：foundation model(abstract)

AI总结 StereoAdapter-2通过引入基于选择性状态空间模型的ConvSS2D操作符，实现了高效的水下立体深度估计，提升了水下基准测试的性能。