语言大模型 / LLM

Rethinking the Backbone in Class Imbalanced Federated Source Free Domain Adaptation: The Utility of Vision Foundation Models

重新思考类不平衡联邦源免费领域适应中的骨干网络：视觉基础模型的效用

Kosuke Kihara, Junki Mori, Taiki Miyagawa, Akinori F. Ebihara

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

AI总结 本文针对类不平衡联邦源免费领域适应问题，提出使用冻结的视觉基础模型改进特征提取器，提升模型准确率并降低计算通信成本。

Comments Accepted by the IEEE ICIP 2025 Satellite Workshop 1: Edge Intelligence: Smart, Efficient, and Scalable Solutions for IoT, Wearables, and Embedded Devices (SEEDS)

Journal ref 2025 IEEE International Conference on Image Processing Workshops (ICIPW)

Budget-Sensitive Discovery Scoring: A Formally Verified Framework for Evaluating AI-Guided Scientific Selection

预算敏感的发现评分：一种用于评估AI引导的科学选择的正式验证框架

Abhinaba Basu, Pavan Chakraborty

机构 * Indian Institute of Information Technology Allahabad (IIITA)（印度阿瓦德理工学院信息学院（IIITA）） ； National Institute of Electronics & Information Technology (NIELIT)（国家电子与信息科技研究所（NIELIT）） 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 本文提出BSDS评分，通过正式验证方法评估AI引导的科学选择策略，证明LLMs在药物发现中无额外价值。

DeCode: Decoupling Content and Delivery for Medical QA

DeCode：解耦内容与交付以实现医疗问答

Po-Jen Ko, Chen-Han Tsai, Yu-Shao Peng

机构 * National Taiwan University（国立台湾大学） ； HTC DeepQ 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

AI总结 DeCode框架通过解耦内容与交付，提升医疗问答的临床相关性与准确性，实验表明其在零样本任务中性能显著提升。

Comments Preprint

Visual Alignment of Medical Vision-Language Models for Grounded Radiology Report Generation

医学视觉-语言模型的视觉对齐以实现基于基础的放射学报告生成

Sarosij Bose, Ravi K. Rajendran, Biplob Debnath, Konstantinos Karydis, Amit K. Roy-Chowdhury, Srimat Chakradhar

机构 * NEC Laboratories America（NEC美洲实验室） ； University of California, Riverside（加州大学河滨分校） 纠错

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

AI总结 本文提出VALOR方法，通过临床指导文本推理和自监督视觉推理解决医学报告生成中的视觉幻觉问题，提升生成质量与临床准确性。

Enhanced Drug-drug Interaction Prediction Using Adaptive Knowledge Integration

增强药物-药物相互作用预测的自适应知识整合

Pengfei Liu, Jun Tao, Zhixiang Ren

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 本文提出自适应知识整合框架，通过强化学习优化LLM策略空间，提升药物相互作用预测准确性。

Residual SODAP: Residual Self-Organizing Domain-Adaptive Prompting with Structural Knowledge Preservation for Continual Learning

残差SODAP：基于结构知识保留的残差自组织领域自适应提示法用于持续学习

Gyutae Oh, Jungwoo Bae, Jitae Shin

机构 * Department of Electrical and Computer Engineering, Sungkyunkwan University, Suwon 16419, Republic of Korea（釜山大学电气与计算机工程系，Suwon 16419，韩国） 纠错

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

AI总结 本文提出残差SODAP，结合提示表示适应与分类器级知识保留，通过α-entmax稀疏提示选择、残差聚合、数据无关蒸馏与伪特征重放等方法，在无任务ID和额外数据存储的三个DIL基准上取得最优AvgACC/AvgF性能。

Comments 29 page, 10 figures

SciDesignBench: Benchmarking and Improving Language Models for Scientific Inverse Design

SciDesignBench: 科学逆向设计的语言模型基准测试与改进

David van Dijk, Ivan Vrkic

机构 * CellType Inc.（CellType公司） 纠错

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

AI总结 本文提出SciDesignBench，通过520个模拟器支撑任务评估语言模型在科学逆向设计中的表现，发现模拟反馈对不同设计周期有不同影响，并引入RLSF训练方法提升模型性能。

Comments 35 pages, 19 figures, 9 tables

LLM-driven Multimodal Recommendation

基于大语言模型的多模态推荐

Yicheng Di

专题命中 领域大模型 ：LLM(title)；分类 cs.AI

AI总结 本文提出LMMRec框架，通过建模用户动机提升推荐系统的可解释性和说服力，实验表明其在三个真实数据集上效果显著。

Comments There are some writing errors in our methods section that need to be corrected. We will then add extensive experiments and rewrite the Introduction and related work sections

Teaching Agile Requirements Engineering: A Stakeholder Simulation with Generative AI

敏捷需求工程教学：基于生成AI的利害相关者模拟

Eva-Maria Schön, Michael Neumann, Tiago Silva da Silva

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

AI总结 本文通过生成AI的利害相关者模拟，帮助学生掌握与生成AI交互的实践，并理解其在实际中的局限性。

UNIStainNet: Foundation-Model-Guided Virtual Staining of H&E to IHC

UNIStainNet：基于基础模型的虚拟染色：H&E到IHC

Jillur Rahman Saurav, Thuong Le Hoai Pham, Pritam Mukherjee, Paul Yi, Brent A. Orr, Jacob M. Luber

机构 * University of Texas at Arlington（德克萨斯理工大学） ； St. Jude Children’s Research Hospital（圣 Jude 儿童研究医院） 纠错

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

AI总结 UNIStainNet通过结合基础模型生成的密集空间标记，提升H&E到IHC的虚拟染色效果，实现多标记同时处理，并在MIST和BCI数据集上取得最佳分布度指标。

Using a Human-AI Teaming Approach to Create and Curate Scientific Datasets with the SCILIRE System

利用人类与AI协同方法通过SCILIRE系统创建和整理科学数据集

Necva Bölücü, Jessica Irons, Changhyun Lee, Brian Jin, Maciej Rybinski, Huichen Yang, Andreas Duenser, Stephen Wan

机构 * CSIRO（澳大利亚联邦科学工业研究组织） ； University of Málaga（马拉加大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.CL

AI总结 SCILIRE系统通过人类与AI协同原理，结合验证和整理数据的工作流，提升科学文献中结构化知识提取的准确性与效率。

Comments 17pages, 9 figures, EACL demo track

VFM-Recon: Unlocking Cross-Domain Scene-Level Neural Reconstruction with Scale-Aligned Foundation Priors

VFM-Recon：通过尺度对齐基础先验解锁跨域场景级神经重建

Yuhang Ming, Tingkang Xi, Xingrui Yang, Lixin Yang, Yong Peng, Cewu Lu, Wanzeng Kong

机构 * Shanghai Jiao Tong University（上海交通大学） ； Hangzhou Dianzi University（杭州电子科技大学） ； CARDC（中国电子科技研究院） 纠错

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

AI总结 本文提出VFM-Recon，通过引入轻量级尺度对齐阶段和任务特定适配器，解决跨域场景级神经重建中的尺度一致性问题，实现跨域鲁棒性与重建性能的提升。

Comments 19 pages, 5 figures, 4 tables

Human Knowledge Integrated Multi-modal Learning for Single Source Domain Generalization

融合人类知识的多模态学习用于单源域泛化

Ayan Banerjee, Kuntal Thakur, Sandeep Gupta

机构 * Impact Lab, Arizona State University（影响实验室，亚利桑那州立大学） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 本文提出GenEval方法，结合基础模型与人类知识提升单源域泛化性能，在糖尿病视网膜病变和癫痫发作区检测中取得优异结果。

Journal ref Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 2026, pp. 2380-2391

Evidence from fMRI Supports a Two-Phase Abstraction Process in Language Models

fMRI证据支持语言模型中的两阶段抽象过程

Emily Cheng, Richard J. Antonello

机构 * Universitat Pompeu Fabra Barcelona（巴塞罗那庞培乌法布拉大学） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 研究通过fMRI数据表明，语言模型中存在两阶段抽象过程，中间层在预测自然语言刺激脑响应方面表现更优，且抽象过程随训练进行自然形成，与表示的内在维度性有关。

Comments Equal contribution from both authors. Submitted to NeurIPS NeuroAI workshop 2024

Journal ref Best abstract at NeurIPS UniReps 2024

ESG-Bench: Benchmarking Long-Context ESG Reports for Hallucination Mitigation

ESG-Bench: 对长上下文 ESG 报告进行基准测试以缓解幻觉

Siqi Sun, Ben Peng Wu, Mali Jin, Peizhen Bai, Hanpei Zhang, Xingyi Song

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

AI总结 本文提出 ESG-Bench 数据集，用于评估大语言模型在解析 ESG 报告和减少幻觉方面的能力，通过人工标注的 QA 对和细粒度标签，系统评估模型提取和推理 ESG 内容的能力。

Comments To be published in the AAAI 2026 proceedings

MoKus: Leveraging Cross-Modal Knowledge Transfer for Knowledge-Aware Concept Customization

MoKus: 利用跨模态知识迁移实现知识感知的概念定制

Chenyang Zhu, Hongxiang Li, Xiu Li, Long Chen

机构 * Tsinghua University（清华大学） ； HKUST（香港科技大学） 纠错

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

AI总结 本文提出MoKus框架，通过跨模态知识迁移实现知识感知的概念定制，解决稀有token在预训练数据中缺失导致的性能不稳定问题，并引入KnowCusBench基准测试，验证了方法在概念定制任务中的优越性。

Comments Project Page: https://chenyangzhu1.github.io/MoKus/

TerraFlow: Multimodal, Multitemporal Representation Learning for Earth Observation

TerraFlow：用于地球观测的多模态、多时间序列表示学习

Nazar Puriy, Johannes Jakubik, Benedikt Blumenstiel, Konrad Schindler

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

AI总结 TerraFlow提出了一种新的多模态、多时间序列学习方法，适用于地球观测，能够处理变长输入，优于现有模型，在GEO-Bench-2基准测试中表现优异，并在自然灾害风险地图预测中取得进展。

SectEval: Evaluating the Latent Sectarian Preferences of Large Language Models

SectEval：评估大型语言模型的潜在教派偏好

Aditya Maheshwari, Amit Gajkeshwar, Kaushal Sharma, Vivek Patel

机构 * Indian Institute of Management Indore（印度管理学院印多尔） 纠错

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

AI总结 本文首次评估大型语言模型对伊斯兰教逊尼派与什叶派差异的处理方式，通过SectEval测试发现语言和地理位置会影响模型的宗教倾向。

Comments 14 pages; 3 figures

LESS: Large Language Model Enhanced Semi-Supervised Learning for Speech Foundational Models Using in-the-wild Data

LESS：基于大规模语言模型的半监督学习用于语音基础模型的野外数据

Wen Ding, Fan Qian

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

AI总结 LESS通过利用大规模语言模型校正野外数据生成的伪标签，提升了语音基础模型在多种语言和任务中的性能，显著降低了词错误率并提高了BLEU分数。

Comments Accepted by ICASSP 2026

LLM Unlearning with LLM Beliefs

基于LLM信念的去学习

Kemou Li, Qizhou Wang, Yue Wang, Fengpeng Li, Jun Liu, Bo Han, Jiantao Zhou

机构 * State Key Laboratory of Internet of Things for Smart City, University of Macau（物联网智能城市国家重点实验室，澳门大学） ； TMLR Group, Department of Computer Science, Hong Kong Baptist University（TMLR集团，香港 Baptist大学计算机科学系） ； Imperfect Information Learning Team, RIKEN Center for Advanced Intelligence Project（不完美信息学习团队，RIKEN高级智能项目中心） ； PRADA Lab, King Abdullah University of Science and Technology（PRADA实验室，国王阿卜杜勒阿齐兹大学科学与技术学院） ； National Institute of Informatics（国家信息研究所） 纠错

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

AI总结 本文提出BS框架，通过结合模型自身高置信度生成（即模型信念）来对抗去学习中的挤压效应，从而更彻底地实现遗忘并保持实用性。

Comments ICLR 2026

As Language Models Scale, Low-order Linear Depth Dynamics Emerge

随着语言模型的扩展，低阶线性深度动态出现

Buddhika Nettasinghe, Geethu Joseph

机构 * University of Iowa（爱荷华大学） ； Delft University of Technology（代尔夫特理工大学） 纠错

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

AI总结 研究发现，随着语言模型规模扩大，低阶线性深度动态在上下文中显现，通过32维线性近似模型在多个任务中准确复现GPT-2-large的层间敏感度分布，揭示了模型规模与线性近似一致性的关系。

KernelFoundry: Hardware-aware evolutionary GPU kernel optimization

KernelFoundry: 带硬件意识的进化GPU内核优化

Nina Wiedemann, Quentin Leboutet, Michael Paulitsch, Diana Wofk, Benjamin Ummenhofer

机构 * Intel Corporation（英特尔公司） 纠错

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

AI总结 KernelFoundry通过MAP-Elites搜索、元提示进化和模板参数优化，高效探索GPU内核设计空间，实现SYCL内核在KernelBench上的2.3倍加速。

Can Fairness Be Prompted? Prompt-Based Debiasing Strategies in High-Stakes Recommendations

公平性能否通过提示实现？基于提示的高风险推荐中的去偏策略

Mihaela Rotar, Theresia Veronika Rampisela, Maria Maistro

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

AI总结 本文提出三种基于提示的去偏策略，旨在通过轻量级方法提升推荐系统的公平性，实验表明该方法能提升公平性达74%，但可能过度促进某些群体。

What Makes VLMs Robust? Towards Reconciling Robustness and Accuracy in Vision-Language Models

什么使视觉语言模型具备鲁棒性？迈向视觉语言模型鲁棒性与准确性的协调

Sen Nie, Jie Zhang, Zhongqi Wang, Zhaoyang Wei, Shiguang Shan, Xilin Chen

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

AI总结 本文研究了视觉语言模型鲁棒性与准确性的平衡问题，通过分析对抗性微调模型，发现鲁棒性主要集中在浅层网络，提出Adversarial Robustness Adaptation框架以提升鲁棒性与准确性。

Comments 28 pages

Nested Deep Learning Model Towards A Foundation Model for Brain Signal Data

嵌套深度学习模型：面向脑信号数据的基础模型

Fangyi Wei, Jiajie Mo, Kai Zhang, Haipeng Shen, Srikantan Nagarajan, Fei Jiang

专题命中 其他LLM ：foundation model(title)；分类 cs.LG

AI总结 本文提出嵌套深度学习框架，解决脑电信号中棘波检测中通道配置变化和棘波来源识别的问题，提升预测精度并支持跨模态数据整合。

Comments 56 pages; paper structure updated

LLMs Can Infer Political Alignment from Online Conversations

大语言模型能从在线对话中推断政治倾向

Byunghwee Lee, Sangyeon Kim, Filippo Menczer, Yong-Yeol Ahn, Haewoon Kwak, Jisun An

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

AI总结 研究展示大语言模型能可靠推断隐藏的政治倾向，优于传统机器学习模型，通过聚合文本推断和使用相关领域提升预测精度，揭示LLM在利用社会文化关联方面的潜力与风险。

Comments 56 pages; 4 figures in the main text and 18 supplementary figures, 11 supplementary tables

Empowering Semantic-Sensitive Underwater Image Enhancement with VLM

通过VLM赋能语义敏感的水下图像增强

Guodong Fan, Shengning Zhou, Genji Yuan, Huiyu Li, Jingchun Zhou, Jinjiang Li

专题命中 其他LLM ：language model(abstract)；分类 cs.AI

AI总结 本文提出利用视觉语言模型增强水下图像增强的语义敏感能力，通过生成文本描述并生成空间语义指导图，提升图像重建的语义聚焦度，实验验证其在感知质量和检测分割任务中的有效性。

Comments Accepted as an Oral presentation at AAAI 2026

Byzantine-Robust Optimization under $(L_0, L_1)$-Smoothness

在$(L_0,L_1)$-光滑性下具有拜占庭鲁棒性的优化

Arman Bolatov, Samuel Horváth, Martin Takáč, Eduard Gorbunov

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎伊德大学人工智能学院） 纠错

专题命中 其他LLM ：language model(abstract)；分类 cs.LG

AI总结 本文提出Byz-NSGDM算法，结合动量归一化和拜占庭鲁棒聚合，解决$(L_0,L_1)$-光滑性和拜占庭攻击的挑战，实现$O(K^{-1/4})$的收敛率。

Comments 10 pages, 1 table, 4 figures, accepted to CPAL 2026

No More DeLuLu: Physics-Inspired Kernel Networks for Geometrically-Grounded Neural Computation

不再需要DeLuLu：受物理启发的核网络用于几何上扎根的神经计算

Taha Bouhsine

机构 * Taha Bouhsine（塔哈·布希内） 纠错

专题命中 其他LLM ：language model(abstract)；分类 cs.LG

AI总结 本文提出 yat-product 核操作，结合二次对齐与反平方接近性，通过几何化操作简化神经网络架构，实现统一的核学习、梯度稳定性和信息几何，展示了 NMN 在图像和语言任务中的有效性。

Comments for more info check www.azetta.ai

What do near-optimal learning rate schedules look like?

最优学习率调度方案看起来是什么样的？

Hiroki Naganuma, Atish Agarwala, Priya Kasimbeg, George E. Dahl

专题命中 其他LLM ：language model(abstract)；分类 cs.LG

AI总结 本文通过搜索程序寻找最佳调度形状，发现warmup和decay是良好调度的稳健特征，且常用调度家族并非最优。