语言大模型 / LLM

Supervise Less, See More: Training-free Nuclear Instance Segmentation with Prototype-Guided Prompting

少监督，多观察：基于原型引导的提示方法实现无训练核实例分割

Wen Zhang, Qin Ren, Wenjing Liu, Haibin Ling, Chenyu You

机构 * Stony Brook University（石溪大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 领域大模型 ：prompting(title,abstract)；foundation model(abstract)

AI总结 本文提出SPROUT框架，通过组织学先验知识构建滑片特定参考原型，利用部分最优传输方案指导特征对齐，使SAM模型无需训练即可实现精准核分割。

Comments ICML 2026; 44 pages, 25 figures, 26 tables; Code at https://github.com/Y-Research-SBU/SPROUT

Unleashing LLMs in Bayesian Optimization: Preference-Guided Framework for Scientific Discovery

释放大语言模型于贝叶斯优化：用于科学发现的偏好引导框架

Xinzhe Yuan, Zhuo Chen, Jianshu Zhang, Huan Xiong, Nanyang Ye, Yuqiang Li, Qinying Gu

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出了一种基于大语言模型的贝叶斯优化框架LGBO，通过在优化循环中持续整合大语言模型的语义推理，提高了科学发现中的优化效率和收敛速度。

Comments Published as a conference paper at ICLR 2026. 10 pages main paper, 21 pages appendix, 26 figures

Journal ref International Conference on Learning Representations (ICLR), 2026

T-FIX: Text-Based Explanations with Features Interpretable to eXperts

T-FIX：基于文本的可解释性方法，具备可解释的专家特征

Shreya Havaldar, Weiqiu You, Chaehyeon Kim, Anton Xue, Helen Jin, Marco Gatti, Bhuvnesh Jain, Helen Qu, Amin Madani, Daniel A. Hashimoto, Gary E. Weissman, Rajat Deo, Sameed Khatana, Lyle Ungar, Eric Wong

机构 * Department of Computer and Information Science, University of Pennsylvania（宾夕法尼亚大学计算机与信息科学系） ； Department of Computer Science, University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系） ； Department of Physics and Astronomy, University of Pennsylvania（宾夕法尼亚大学物理与天文学系） ； Flatiron Institute（Flatiron研究所） ； Department of Surgery, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院外科系） ； Division of Pulmonary, Allergy, and Critical Care, Perelman School of Medicine, University of Pennsylvania（宾夕菲亚大学佩雷尔曼医学院呼吸、过敏与危重医学科） ； Division of Cardiovascular Medicine, Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院心血管医学科） ； Department of Surgery, University of Toronto（多伦多大学外科系） ； University Health Network（大学健康网络） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；分类 cs.CL

AI总结 本文提出T-FIX框架，用于评估LLM生成的解释是否符合专家的推理方式，通过七个科学任务和三个领域进行验证，实现了自动且可定制的专家对齐评估。

TusoAI: Agentic Optimization for Scientific Methods

TusoAI: 科学方法的代理优化

Alistair Turcan, Kexin Huang, Lei Li, Martin Jinye Zhang

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） ； Phylo 纠错

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

AI总结 TusoAI通过整合领域知识和迭代优化，提升科学任务中计算方法的性能，优于现有专家方法和科学AI代理，在单细胞RNA测序数据去噪和卫星地球监测等任务中表现突出。

PromptDecipher: Supporting AI Tutor Authoring Through Editable Simulated Interactions

PromptDecipher：通过可编辑的模拟交互支持AI辅导作者

Miina Koyama, Ruiwei Xiao, John Stamper

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 PromptDecipher通过直接纠正交互重构作者流程，帮助教师成为学习设计师和QA工程师，提升AI辅导作者的质量与效率。

Natural-Language Agent Harnesses

自然语言代理Harness

Linyue Pan, Lexiao Zou, Shuo Guo, Jingchen Ni, Hai-Tao Zheng

机构 * Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） 纠错

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

AI总结 本文提出自然语言代理Harness（NLAH）作为一种可执行的自然语言对象，用于描述任务运行的Harness策略，并引入Intelligent Harness Runtime（IHR）作为共享运行时，能够将这些文档解释为代理调用、交接、状态更新、验证门和成果合同。实验表明，NLAH在编码、终端使用和计算机使用基准测试中表现与代码和提示实现相当，同时暴露了更短的静态Harness策略。

Comments revise paper

LLM Agents Are the Antidote to Walled Gardens

大语言模型代理是封闭生态系统的解药

Samuele Marro, Philip Torr

机构 * Department of Engineering Science, University of Oxford（牛津大学工程科学系） ； Institute for Decentralized AI（去中心化人工智能研究所） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；分类 cs.CL、cs.LG

AI总结 本文提出通过大语言模型代理实现通用互操作性，打破封闭平台垄断，促进数据端到端迁移，同时探讨其带来的安全与法律挑战。

Comments Published at the ICML 2026 Position Paper track

VOICE: Visual Oracle for Interaction, Conversation, and Explanation

VOICE：交互、对话和解释的视觉 oracle

Donggang Jia, Alexandra Irger, Lonni Besancon, Ondrej Strnad, Deng Luo, Johanna Bjorklund, Anders Ynnerman, Ivan Viola

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

AI总结 本文提出VOICE，一种将大语言模型的对话能力与交互式探索可视化相结合的科学传播新方法，通过多机器人系统实现任务分配、指令提取和内容生成，结合文本到可视化方法和自然语言交互，实现实时3D模型导航和操控，并在分子可视化领域验证其有效性。

Journal ref IEEE Transactions on Visualization and Computer Graphics 31(10):8828-8845, 2025

EveryQuery: Zero-Shot Clinical Prediction via Task-Conditioned Pretraining over Electronic Health Records

EveryQuery: 通过电子健康记录上的任务条件预训练实现零样本临床预测

Payal Chandak, Gregory Kondas, Liat Antwarg Friedman, Isaac Kohane, Matthew McDermott

机构 * Harvard-MIT HST（哈佛-麻省理工学院HST） ； Columbia University（哥伦比亚大学） ； Harvard Medical School（哈佛医学院） 纠错

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

AI总结 本文提出EveryQuery，一种通过任务条件预训练实现零样本临床预测的电子健康记录基础模型，通过直接估计未来窗口内结果发生的可能性，而非生成未来事件，从而在多个预测任务中优于自回归基线模型。

Medical Context Distorts Decisions in Clinical Vision Language Models

医学语境扭曲了临床视觉语言模型的决策

David Restrepo, Ira Ktena, Maria Vakalopoulou, Stergios Christodoulidis, Enzo Ferrante

机构 * MICS（医学信息学中心） ； CentraleSupélec - Université Paris-Saclay（中央超导学院 - 巴黎萨克雷大学） ； Cancer Data Science Unit（癌症数据科学单元） ； IHU PRISM ； National Institute in Precision Oncology（精准肿瘤学国家研究所） ； University Paris-Saclay（巴黎萨克雷大学） ； CentraleSupelec（中央超导学院） ； Gustave Roussy（儒勒-维维安-圣拉扎尔医院） ； INSERM（国家医学研究院） ； CONICET（阿根廷国家科研与技术创新委员会） ； Universidad de Buenos Aires（布宜诺斯艾利斯大学） 纠错

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

AI总结 本文研究了医学语境对临床视觉语言模型决策的影响，发现模型在整合医学记录的视觉和文本信息时存在模态依赖、无关历史依赖和提示敏感性等问题，强调了在临床应用前需要建立明确的保障措施。

Position: Universal Time Series Foundation Models Rest on a Category Error

位置：通用时间序列基础模型建立在类别错误上

Xilin Dai, Wanxu Cai, Zhijian Xu, Qiang Xu

机构 * ZJU-UIUC Institute（浙大-UIUC研究院） ； School of Software（软件学院） ； Department of Computer Science and Engineering（计算机科学与工程系） 纠错

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

AI总结 本文指出，追求'通用时间序列基础模型'存在根本性的类别错误，将结构容器误认为语义模态。由于时间序列包含不兼容的生成过程（如金融与流体动力学），单一大模型退化为昂贵的'通用过滤器'，在分布漂移下无法泛化。为此，我们引入'自回归盲目界限'，证明仅依赖历史的模型无法预测干预驱动的制度转变。我们主张用因果控制代理范式取代通用性，其中代理利用外部上下文协调一系列专门的求解器，从冻结领域专家到轻量级即时适应器。最后，我们呼吁将基准从'零样本准确性'转向'漂移适应速度'，以优先考虑鲁棒、控制理论系统。

ADMEDTAGGER: an annotation framework for distillation of expert knowledge for the Polish medical language

ADMEDTAGGER: 一个用于波兰医疗语言知识蒸馏的标注框架

Franciszek Górski, Andrzej Czyżewski

机构 * Gdansk University of Technology（格但斯克技术大学） 纠错

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

AI总结 本文提出了一种标注框架，展示如何利用一个多语言预训练大语言模型作为教师模型，蒸馏出用于标注波兰医疗文本所需的专业知识，通过开发多类分类器，解决了标注资源不足的问题，最终得到了高效的分类器。

M-IDoL: Information Decomposition for Modality-Specific and Diverse Representation Learning in Medical Foundation Model

M-IDoL：面向医学基础模型的模态特定与多样化表示学习的信息分解

Yihang Liu, Longzhen Yang, Jiaxiong Yang, Ying Wen, Lianghua He, Heng Tao Shen

机构 * School of Computer Science and Technique（计算机科学与技术学院） ； Tongji University（同济大学） ； School of Communications and Electronic Engineering（通讯与电子工程学院） ； East China Normal University（华东师范大学） 纠错

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

AI总结 本文提出M-IDoL，通过信息分解提升医学基础模型的模态特异性和多样性，通过最大化跨模态熵和最小化内模态不确定性，在21个下游任务中实现优于现有模型的泛化能力。

Beyond Imperfect Alternatives with Rulemapping: A Neuro-Symbolic Case Study on Online Hate Speech

超越不完美替代：基于规则映射的神经符号案例研究：在线仇恨言论

Oskar von Cossel

机构 * Max Planck Institute for Comparative and International Private Law（比较与国际私法Max Planck研究所） 纠错

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

AI总结 本文探讨神经符号方法在在线仇恨言论分类中的应用，通过约束大语言模型以提高法律判断的准确性与可验证性。

Comments Extended version of a paper accepted at ICAIL 2026. 10 pages, 1 figure, 2 tables

KASER: Knowledge-Aligned Student Error Simulator for Open-Ended Coding Tasks

KASER：面向开放性编程任务的知识对齐学生错误模拟器

Zhangqi Duan, Nigel Fernandez, Andrew Lan

机构 * University of Massachusetts（马萨诸塞大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

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

AI总结 KASER通过强化学习方法，结合代码相似性、错误匹配和预测多样性，提升大语言模型对学生错误的模拟与预测能力，实验表明其在代码和错误预测及错误覆盖方面优于基线方法。

Comments Published in ACL 2026: The 64th Annual Meeting of the Association for Computational Linguistics

Learning from Disagreement: Clinician Overrides as Implicit Preference Signals for Clinical AI in Value-Based Care

从分歧中学习：临床医生的覆盖作为价值医疗中临床AI的隐含偏好信号

Prabhjot Singh, Abhishek Gupta, Chris Betz, Abe Flansburg, Brett Ives, Sudeep Lama, Jung Hoon Son

机构 * Altitude 纠错

专题命中 领域大模型 ：RLHF(abstract,abstract_cn)；分类 cs.AI、cs.LG

AI总结 本文提出了一种框架，将临床医生对AI建议的覆盖视为隐含偏好数据，通过引入五类覆盖分类法和双学习架构，解决抑制偏差问题，以提升价值医疗中AI的决策能力。

Comments 22 pages, 2 tables, 1 figure

Rad-VLSM: A Cross-Modal Framework with Semantics-Assisted Prompting for Medical Segmentation and Diagnosis

Rad-VLSM：一种结合语义辅助提示的跨模态框架用于医学分割与诊断

Fengyi Zhang, Xujie Zeng, Mohan Liu, Zengyi Wang, Yalong Jiang

机构 * Student Member, IEEE（IEEE学生会员） ； Member, IEEE（IEEE会员） 纠错

专题命中 领域大模型 ：prompting(title)

AI总结 本文提出Rad-VLSM框架，通过语义引导的提示机制，提升医学图像分割与诊断的准确性，解决现有模型易受背景组织和无关视觉相关性干扰的问题。

Fine-grained List-wise Alignment for Generative Medication Recommendation

细粒度列表级对齐用于生成性药物推荐

Chenxiao Fan, Chongming Gao, Wentao Shi, Yaxin Gong, Zihao Zhao, Fuli Feng

机构 * University of Science and Technology of China（中国科学技术大学） 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FLAME框架，通过细粒度列表级对齐方法，利用大语言模型生成药物列表，以提高药物推荐的准确性和安全性，同时考虑药物间的相互作用和潜在不良反应。

Comments NeurIPS 2025 Spotlight

Generative AI and the Productivity Divide: Human-AI Complementarities in Education

生成式AI与生产力差距：教育中的人类-人工智能互补性

Lihi Idan, Bharat Anand

机构 * Leonard N. Stern School of Business, New York University（纽约大学 Leonard N. Stern 商学院） ； Industrial and Systems Engineering Department, Texas A&M University（德克萨斯大学阿姆斯特朗工程学院） 纠错

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

AI总结 本研究探讨了生成式AI对不同用户生产力影响的异质性，发现AI交互能力（AIC）是决定AI使用效果的关键因素，通过概念图干预可减少不平等，强调需结合AIC微培训和标准流程以实现持续价值捕获。

NOETHER: A Constructive Framework for Metamorphic Pattern Discovery from Operator Algebras

NOETHER：从算子代数中构造性地发现元模式的框架

Meng Li, Xiaohua Yang, Jie Liu, Shiyu Yan

机构 * School of Computing, University of South China（南华大学计算机学院） ； Hunan Engineering Research Center of Software Evaluation and Testing for Intellectual Equipment（湖南软件测评与智能设备工程研究中心） ； CNNC Key Laboratory on High Trusted Computing（中核集团高可信计算重点实验室） 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.LG

AI总结 本文提出NOETHER框架，通过从程序诱导的算子代数到元模式集的机械且可证明的下游步骤，解决元模式关系识别中的基础问题，同时通过三个算子代数领域验证了该框架的代数闭包和多项式时间可判定性。

Comments 71 pages, 18 tables, 1 figure. Under review at ACM Transactions on Software Engineering and Methodology. Supplementary materials (algorithm reference implementation, 84-MR PWR corpus, SE(3) case study harness, three-tier METRIC+ replication) at https://github.com/meng004/P1-MetaPattern

Your SaaS Is an Insurance Product: A Modeling Framework

你的 SaaS 是一种保险产品：一种建模框架

Caio Gomes

机构 * Magalu 纠错

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；分类 cs.LG

AI总结 本文将 capped-usage SaaS 产品与保险产品进行类比，提出基于频率-严重性分解、保费计算原理和蒙特卡洛储备充足性的建模框架，用于 SaaS 价格建模。

Comments 23 pages, 2 figures, 7 tables. Companion code archived at DOI 10.5281/zenodo.20213155

From Prompts to Protocols: An AI Agent for Laboratory Automation

从提示到协议：一种用于实验室自动化的AI代理

Angelos Angelopoulos, James F. Cahoon, Ron Alterovitz

机构 * Department of Computer Science, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校计算机科学系） ； Department of Chemistry, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校化学系） 纠错

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

AI总结 本文提出一种整合大语言模型与实验室编排的AI代理，使科学家能通过自然语言创建和监控自动化实验协议，提升实验效率与准确性。

Traditional statistical representations outperform generative AI in identifying expert peer reviewers

传统统计表示在识别专家同行评审员中优于生成式AI

Vicente Amado Olivo, Tereza Jerabkova, Jakub Klencki, John Carpenter, Mario Malički, Ferdinando Patat, Louis-Gregory Strolger, Wolfgang Kerzendorf

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

AI总结 本研究通过对比统计方法和AI驱动的方法，发现传统统计表示在识别领域专家方面优于生成式AI，强调了细粒度词汇在区分子领域专家中的重要性。

Faculty Orientations Shape Adoption of AI in Research and Teaching

教学导向影响人工智能在研究和教学中的采用

Timothy J. Atherton, Ian Descamps, Tova R. Holmes, Christina L. Vizcarra, Ning Sui, Max Webel, Jay J. Foley

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

AI总结 本研究探讨了教学导向如何影响教师在研究和教学中采用人工智能工具，发现AI教学导向是预测AI使用的关键因素，而机构倡议和人口统计数据与AI使用关联较弱。

Comments 15 pages, 6 figures

S$^2$GR: Stepwise Semantic-Guided Reasoning in Latent Space for Generative Recommendation

S$^2$GR: 潜在空间中基于分步语义引导的生成推荐

Zihao Guo, Jian Wang, Ruxin Zhou, Youhua Liu, Jiawei Guo, Jun Zhao, Xiaoxiao Xu, Yongqi Liu, Kaiqiao Zhan

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

AI总结 本文提出S$^2$GR框架，通过在生成SID代码前插入思考令牌，建立稳健的语义基础，提升生成推荐的推理能力与性能。

Comments Accepted by KDD 2026

VolTA-3D: Self-Supervised Learning for Brain MRI using 3D Volumetric Token Alignment

VolTA-3D: 基于3D体积分块对齐的脑MRI自监督学习

Amy Makawana, Abhijeet Parida, Marius George Linguraru, Julia Ive, Syed Muhammad Anwar

机构 * Institute of Health Informatics（健康信息学研究所） ； Sheikh Zayed Institute for Pediatric Surgical Innovation（谢赫扎耶德儿童外科创新研究所） ； School of Medicine and Health Sciences（医学与健康科学学院） 纠错

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

AI总结 本文提出VolTA-3D，一种用于脑MRI自监督学习的3D视觉Transformer框架，通过联合对齐全局类风格标记和局部块标记，增强体积分块表示的可迁移性，从而在多个下游任务中表现出更好的泛化能力和鲁棒性。

Comments Accepted at EMBC 2026

PIMSM: Physics-Informed Multi-Scale Mamba for Stable Neural Representations under Distribution Shift

PIMSM：基于物理的多尺度Mamba用于在分布偏移下稳定的神经表示

Sangyoon Bae, Shinjae Yoo, Jiook Cha

机构 * Interdisciplinary Program in Artificial Intelligence（人工智能交叉学科项目） ； Seoul National University（首尔国立大学） ； Computational Science Initiative（计算科学倡议） ； Brookhaven National Laboratory（布鲁赫斯国家实验室） ； Department of Psychology（心理学系） 纠错

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

AI总结 本文提出PIMSM，一种基于物理的多尺度Mamba架构，通过时间尺度对齐提升科学基础模型在分布偏移下的鲁棒性和表示稳定性，实验证明其在fMRI和气象预测中的有效性。

Comments 9 pages, 2 figures

VISAFF: Speaker-Centered Visual Affective Feature Learning for Emotion Recognition in Conversation

VISAFF: 以说话者为中心的视觉情感特征学习用于对话中的情感识别

Linan ZHU, Zihao Zhai, Xiao Han, Yuqian Fu, Xiangfan Chen, Xiangjie Kong, Guojiang Shen

机构 * Zhejiang University of Technology（浙江工业大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出VISAFF框架，通过以说话者为中心的视觉情感特征学习方法，解决对话中情感识别中的复杂场景问题，提升计算效率并避免大规模模型微调的高成本。

Semantic Reranking at Inference Time for Hard Examples in Rhetorical Role Labeling

推理时对修辞角色标注中困难示例的语义重排序

Anas Belfathi, Nicolas Hernandez, Laura Monceaux, Warren Bonnard, Richard Dufour

机构 * Nantes Université, École Centrale Nantes, CNRS, LS2N, UMR 6004（南特大学，中央理工学院，国家科学研究中心，LS2N，UMR 6004） ； University of Lorraine（洛林大学） 纠错

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

AI总结 本文提出RISE框架，在推理时利用标签语义对修辞角色标注中的困难示例进行重排序，提升模型预测的准确性和鲁棒性。

Comments Accepted at ACL 2026 (Main Conference)

Going Headless? On the Boundaries of Vertical AI Firms

going headless？关于垂直AI企业的边界

Muhammad Zia Hydari, Farooq Muzaffar

机构 * University of Pittsburgh（匹兹堡大学） 纠错

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

AI总结 本文探讨了垂直AI企业在会计、法律、医疗、采购等领域中，将工作流、领域逻辑和责任整合到单一应用中的传统模式，以及通用AI代理如何解构这种模式，促使企业采取"going headless"策略。文章指出，这种策略对某些企业有益，对另一些企业则可能造成破坏，并提出了基于任务-责任制度的三类分类体系及规则债务的概念。