语言大模型 / LLM

Leveraging Large Language Models for Generating Research Topic Ontologies: A Multi-Disciplinary Study

利用大型语言模型生成研究主题本体：多学科研究

Tanay Aggarwal, Angelo Salatino, Francesco Osborne, Enrico Motta

机构 * Knowledge Media Institute, The Open University（开放大学知识媒体学院） ； The Open University（开放大学） ； University of Milano Bicocca（米兰比克卡大学） ； Department of Business and Law, University of Milano Bicocca（米兰比克卡大学商学院与法学院） 纠错

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

AI总结 本文研究了大型语言模型在生物医学、物理和工程学三个学科中识别研究主题语义关系的能力，通过零样本提示、链式思维提示和在现有本体上微调三种条件评估模型性能，并引入PEM-Rel-8K数据集验证跨学科迁移能力。

Simulating multiple human perspectives in socio-ecological systems using large language models

利用大语言模型模拟社会-生态系统的多重人类视角

Yongchao Zeng, Calum Brown, Ioannis Kyriakou, Ronja Hotz, Mark Rounsevell

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

AI总结 本文提出HoPeS框架，利用大语言模型模拟社会-生态系统的多重视角，通过智能体角色转换实现不同利益相关者视角的探索与整合。

Med-OPD: Improving Medical Vision-Language Models via Evidence-Aware On-Policy Distillation

Med-OPD：通过证据感知策略蒸馏改进医学视觉语言模型

Yunhang Qian, Jiaquan Yu, Jiawei Liu, Meng Wang, Hongwei Bran Li, Xiaobin Hu

机构 * National University of Singapore（新加坡国立大学） ； 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 ：language model(title,abstract)；SFT(abstract,abstract_cn)；large language model(abstract)；post-training(abstract)

AI总结 研究针对医学视觉语言模型依赖语言先验而非视觉证据推理的问题，提出Med-OPD框架，引入医学证据优势信号，在令牌和轨迹级别重新分配蒸馏信号，实验证明该方法能加强模型对关键视觉证据的依赖，提升多模态医学推理能力。

LLM Unlearning for Cyber Defense: A Survey on Methods, Challenges, and Emerging Threats

用于网络防御的大语言模型遗忘：方法、挑战及新出现威胁的综述

Ruppikha Sree Shankar, Abhishek Bhardwaj, Arnav Doshi, Anusri Nagarajan, Troy Paulus Asia, Saptarshi Sengupta

机构 * Manipal Institute of Technology, Manipal Academy of Higher Education（马尼帕尔理工学院，马尼帕尔高等教育学院） ； San José State University（圣何塞州立大学） 纠错

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

AI总结 综述聚焦于网络防御中LLM遗忘问题，探讨其面临风险，核心问题是现有方法能否真的去除知识。主要关注基于梯度的方法，因其与现有训练管道兼容且可扩展，从多方面审视LLM遗忘，为解决相关问题提供参考。

Comments 42 pages, 5 tables

Trustworthy AI LLM Scalability Risk Index (LSRI): A Cybersecurity Framework Assessing Agentic-AI Security & Software Model Supply Chain Safety Boosting AI-Generated Malware Defense & Explainability Mitigating Emerging Risks of Generative AI

大语言模型在代理AI中的可扩展性风险与模型供应链安全

Kiarash Ahi, Vaibhav Agrawal, Saeed Valizadeh

专题命中 领域大模型 ：LLM(title,summary_cn)；RLHF(abstract)

AI总结 本文研究了大语言模型在代理AI中的可扩展性风险及模型供应链安全问题，提出LSRI指数和模型供应链框架，以提升安全关键环境下的LLM部署安全性。

Comments Accepted for publication in Journal of Computer Information Systems (2026). DOI: 10.1080/08874417.2026.2624670

Journal ref Journal of Computer Information Systems (2026)

Large Language Models for Scholarly Ontology Generation: An Extensive Analysis in the Engineering Field

大型语言模型在学术本体生成中的应用：工程领域的广泛分析

Tanay Aggarwal, Angelo Salatino, Francesco Osborne, Enrico Motta

机构 * Knowledge Media Institute, The Open University（知识媒体研究所，开放大学） ； Department of Business and Law, University of Milano Bicocca（商业与法律系，米兰比可卡大学） 纠错

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

AI总结 本文研究了大型语言模型在工程领域生成学术本体的能力，通过评估多种模型发现，小型量化模型在优化后可达到大型专有模型的性能，且计算资源需求更低。

Comments Now accepted to Information Processing & Management. this is the camera ready

The unintended consequences of large language models as a labor-augmenting technology in science

大语言模型作为科学领域劳动力增强技术的意外后果

Eamon Duede, Kevin Gross, M. J. Crockett, Carl Bergstrom

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

AI总结 研究大语言模型作为科学领域劳动力增强技术的意外后果，用简单数学模型说明，指出其改变研究精力分配平衡，使研究人员对发表内容选择性改变，还提高时间机会成本，让论文打磨不那么彻底，降温了相关美好期望。

LFM: Leveraging Foundation Models for Source-Free Universal Domain Adaptation

LFM：利用基础模型进行无源通用域适应

Jing Li, Pan Liu, Meng Zhao, Wanli Xue, Yanhong Yang, Xu Cheng, Fan Shi, Jianhua Zhang, Qinghua Hu, Shengyong Chen

机构 * School of Computer Science and Engineering, Tianjin University of Technology（天津理工大学计算机科学与工程学院） ； Engineering Research Center of Learning-Based Intelligent System, Ministry of Education of the People’s Republic of China, Tianjin University of Technology（中华人民共和国教育部基于学习的智能系统工程研究中心，天津理工大学） ； School of Artificial Intelligence, Tianjin University（天津大学人工智能学院） ； Engineering Research Center of City Intelligence and Digital Governance, Ministry of Education of the People’s Republic of China, Tianjin University（中华人民共和国教育部城市智能与数字治理工程研究中心，天津大学） 纠错

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

AI总结 研究在无源数据时将预训练源模型适应到目标域的问题，提出LFM框架，利用视觉语言模型计算相似度确定标签转移类型、识别未知样本，通过共识策略精炼伪标签训练目标模型，实验验证了该框架的有效性和优越性。

Comments Accepted by IEEE Transactions on Multimedia (2026)

LLM-Guided Task-Semantic Field Factorization for Industrial Process Forecasting

用于工业过程预测的大语言模型引导的任务语义场分解

Youcheng Zong, Runda Jia, Mingxuan Ren, Dakuo He

机构 * College of Information Science and Engineering, Northeastern University（东北大学信息科学与工程学院） 纠错

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

AI总结 针对工业过程预测中标记数据稀缺等问题，提出大语言模型引导的任务语义场分解框架TSF，通过构建任务语义场，结合传统时间序列主干进行训练和推理，在多任务上降低平均绝对误差，增加参数少且推理开销小。

Natural Language Access to Domain-Specific Metadata: A Reusable Framework for LLM Query Generation

自然语言访问特定领域元数据：用于大语言模型查询生成的可重用框架

Blake G. Fitch, Cato Elia Kurtz

机构 * Max Planck Institute for Biological Cybernetics（马克斯·普朗克生物信息学研究所） 纠错

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

AI总结 研究针对特定领域档案元数据查询难题，提出NLKGQ系统，借助OWL本体和LLMs，能零样本生成准确结构化查询。经神经影像档案元数据实验，最佳配置准确率达100%，明确影响准确率关键因素，还对比SPARQL与SQL，凸显OWL优势。

Do Speech Tokens Leak Voiceprints? Speaker Inversion Attacks Against End-to-End Speech Language Models

语音令牌会泄露声纹吗？针对端到端语音语言模型的说话人反转攻击

Ye Lu, Yihan Yan, Zhaoyang Zhang, Zhitao Ou, Runze Liu, Li Liu, Shen Wang

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

AI总结 研究端到端语音语言模型中语音令牌是否泄露声纹，提出用Audio BERT构建令牌嵌入及SpInv两阶段反转方法，在VoxCeleb数据集实验显示，仅三秒前端输出，SpInv在指定空间能达高于0.70的余弦相似度。

Schema-Bound LLM Control of Scientific Instrumentation through Model Context Protocol Skills

通过模型上下文协议技能对科学仪器进行模式绑定的大语言模型控制

Roberto dos Reis, Vinayak P. Dravid

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

AI总结 研究如何通过模型上下文协议将本地大语言模型与科学仪器相连，结合多种技术实现连接，开源服务器展示相关工具等，通过软件验证，为闭环智能仪器研究提供基础。

Comments 36 pages, 8 figures, 7 tables. Open-source reference implementation, physics-plausible simulator, and validation suite. Software-only validation; live-instrument validation is not reported

Generative Ontology Induction: Domain-Agnostic Schema Discovery from Document Corpora Using Large Language Models

生成式本体归纳：使用大语言模型从文档语料库中进行领域无关的模式发现

Sergei Sergienko

机构 * Pivots Global（Pivots全球公司） 纠错

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

AI总结 研究针对本体工程瓶颈，提出领域无关的生成式本体归纳框架GOI，从文档语料库归纳生成蓝图并输出类型化图，引入节点覆盖分数评估，实验表明该方法能高比例覆盖结构主干，且覆盖率不受文档类型熟悉度影响。

Comments 10 pages, 2 figures, 1 table. LNCS format

MamaBench: Benchmarking LLM Robustness in Maternal and Child Health Diagnosis through Counterfactual Clinical Perturbation

MamaBench：通过反事实临床扰动对母婴健康诊断中的大语言模型稳健性进行基准测试

Thanni Adewuyi, Anuoluwa Sotome, Samuel Okoko, Angel Ezendu, Oluwafunke Akinbuwa, Oluwaseun Odunsi, Oluwasegun Oguntuase, Ifeoma Nwabueze, Abiodun Adereni

机构 * Helpmum Africa（非洲帮助妈妈组织） ； University of Ibadan（伊巴丹大学） 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.LG

AI总结 研究针对大语言模型在母婴健康诊断中缺乏对临床相似表现区分能力的问题，提出MamaBench基准及EA - RAG方法，通过实验揭示基础准确率高估稳健准确率现象，EA - RAG有效降低BTR，提升稳健准确率，为临床人工智能反事实稳健性研究提供参考。

Trusting sovereign language models as scientific instruments: evidence from Portugal's AMALIA

大语言模型作为数据标注器的有效性：关于权威的AMALIA研究

Manuel Pita

机构 * CICANT, Universidade Lusófona（坎特交互计算与技术研究中心，卢索福纳大学） 纠错

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

AI总结 研究葡萄牙AMALIA大语言模型作为数据标注器标注权威道德基础的有效性，通过恢复差距测试其能否遵循理论，发现校准的英语工具不能转移到该模型，其依赖表面关联，虽能筛选预编码但不能独立衡量，强调基准测试应考察一致性证据路径。

Safety That Does Not Transfer: Cross-Lingual Clinical Correctness Drift in Deployable Medical Language Models

不可转移的安全性：可部署医学语言模型中的跨语言临床正确性漂移

Anthonio Oladimeji Gabriel, Dimeji Olawuyi, Toba Ajayi, Temilola Aderemi

机构 * AI SafetyX（人工智能安全X） 纠错

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

AI总结 研究资源匮乏健康环境中可部署医学语言模型的跨语言临床正确性漂移，构建英语-豪萨语问题对评估六个模型，发现本地可部署模型临床正确性下降，前沿模型较稳定，缺陷源于可部署层而非语言或临床材料。

Though Language Models Err While They Strive: Conformal Prediction for Self-Correcting Scientific Generation

尽管语言模型在努力时会出错：用于自我纠正科学生成的共形预测

Mingqiao Mo, Yunlong Tan, Hao Zhang

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

AI总结 研究针对大语言模型生成技术内容常违反科学原理的问题，提出图结构共形预测框架SFC，将科学推理分解为单元，考虑逻辑依赖，通过实时验证和动态分支纠错，在多基准测试中表现出色，提升准确率、有效性并减少定律违反。

Comments 25 pages

Measuring research data reuse in scholarly publications using generative artificial intelligence: Open Science Indicator development and preliminary results

利用生成式人工智能测量学术出版物中的研究数据重用：开放科学指标开发与初步结果

Lauren Cadwallader, Iain Hrynaszkiewicz, parth sarin, Tim Vines

机构 * PLOS ； DataSeer 纠错

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

AI总结 本文开发了基于LLM的开放科学指标，发现研究数据重用率高达43%，高于传统文献计量方法，展示了生成式AI在大规模测量数据重用方面的潜力。

Comments v2: 12 pages. Revised and accepted following feedback from review process of 30th Annual International Conference on Science and Technology Indicators. Revisions are the addition of 1) information on the definition of "data reuse" and 2) discussion of prevalent errors identified in the model. V1: 12 pages. Submitted to 30th Annual International Conference on Science and Technology Indicators

GlyRAG: Context-Aware Retrieval-Augmented Framework for Blood Glucose Forecasting

GlyRAG：用于血糖预测的上下文感知检索增强框架

Shovito Barua Soumma, Hassan Ghasemzadeh

机构 * College of Health Solutions, Arizona State University（亚利桑那州立大学健康解决方案学院） ； School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院） 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.LG

AI总结 研究旨在利用连续血糖监测数据进行准确血糖预测，开发了GlyRAG框架，结合大语言模型提取上下文信息并通过检索增强预测，在OhioT1DM和AZT1D数据集上评估，显著提高长期预测的均方根误差，多数预测落在临床可接受区域。

Octopus v4: Graph of language models

章鱼v4：语言模型图

Wei Chen, Zhiyuan Li

机构 * Nexa AI 纠错

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

AI总结 研究整合开源模型的新方法，核心是利用功能令牌，章鱼v4模型借助其引导查询至合适模型并重新格式化，表现出色，还通过图结构协调模型，激活小参数模型获74.8的SOTA MMLU分数。

Learning Sparse Latent Predictive Foundation Model for Multimodal Neuroimaging

学习用于多模态神经影像的稀疏潜在预测基础模型

Haoxu Huang, Long Chen, Jingyun Chen, Jinu Hyun, James Ryan Loftus, Kara Melmed, Daniel Orringer, Jennifer Frontera, Seena Dehkharghani, Arjun Masurkar, Narges Razavian

机构 * New York University, Center for Data Science（纽约大学数据科学中心） ； NYU Grossman School of Medicine, Department of Radiology（纽约大学格罗斯曼医学院放射学系） ； State University of New York at Binghamton, School of Computing（纽约州立大学宾汉姆顿分校计算机学院） ； NYU Grossman School of Medicine, Department of Neurology（纽约大学格罗斯曼医学院神经病学系） ； NYU Grossman School of Medicine, Department of Neurosurgery（纽约大学格罗斯曼医学院神经外科学系） ； NYU Grossman School of Medicine, Department of Pathology（纽约大学格罗斯曼医学院病理学系） ； School of Medicine, Department of Radiology, Stanford（斯坦福大学医学院放射学系） ； NYU Grossman School of Medicine, Department of Neuroscience（纽约大学格罗斯曼医学院神经科学系） ； NYU Grossman School of Medicine, Neuroscience Institute（纽约大学格罗斯曼医学院神经科学研究所） 纠错

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

AI总结 提出Neuro-JEPA模型，结合潜在预测目标和专家混合架构，学习T1w、T2w和FLAIR三种MRI序列的统一表示，在25项临床任务和22项公开数据集任务上优于现有基础模型和CNN基线。

Comments Under Review Preprint

Benchmarking Resource-Efficient LLMs for Research Topic Ontology Generation in the Biomedical Field

用于生物医学领域研究主题本体生成的资源高效语言模型基准测试

Tanay Aggarwal, Angelo Salatino, Francesco Osborne, Enrico Motta

机构 * Knowledge Media Institute, The Open University, Milton Keynes, UK（开放大学知识媒体研究所） ； Department of Business and Law, University of Milano-Bicocca, Milan, IT（米兰-比科卡大学商业与法律系） 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 本文评估五个小型开源LLMs识别生物医学概念语义关系的性能，引入MeSH-Rel-4K数据集并分析三种策略，发现针对性微调使平均F1分数显著提高，突破推理瓶颈，为构建生物医学本体提供准确自动化方法。

Receiver-Centered Robot-to-Human Handover with Grasp-Aware Object Orientation

基于抓握感知物体方向的以接收者为中心的机器人到人类工具交接

Federico Biagi, Dario Onfiani, Simone Silenzi, Luigi Biagiotti

机构 * University of Modena and Reggio Emilia（摩德纳大学和雷焦艾米利亚大学） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)

AI总结 研究针对协作机器人与人类操作员工具交接问题，提出以接收者为中心、语音驱动的自适应交接系统，基于Franka cobot，用LLM识别意图、MediaPipe跟踪手部，动态调整末端执行器方向，经实验验证该系统能减少抓握延迟，提升交互流畅性与信任感知。

Comments Accepted for presentation at the 19th International Workshop on Human-Friendly Robotics (HFR 2026), Trento, Italy. The paper will appear in Springer's Proceedings in Advanced Robotics

From Discussion to Execution: Replicating Buggy and Correct Data Science Code

从讨论到执行：复制有缺陷和正确的数据科学代码

Ragib Shahariar Ayon, Mohammad Wardat, Shibbir Ahmed

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

AI总结 研究旨在解决从问答论坛复制数据科学代码的难题，提出基于大语言模型的Reprodgen框架，能根据问题与答案生成可执行代码对，经多库评估及构建基准验证，实现可靠复制且模型性能有差异。

Comments accepted at the 37th IEEE International Symposium on Software Reliability Engineering (ISSRE 2026)

Enhancing LLMs' Clinical Reasoning with Real-World Data from a Nationwide Sepsis Registry

利用全国脓毒症登记处的真实世界数据增强大语言模型的临床推理能力

Junu Kim, Chaeeun Shim, Sungjin Park, Su Yeon Lee, Gee Young Suh, Chae-Man Lim, Seong Jin Choi, Song Mi Moon, Kyoung-Ho Song, Eu Suk Kim, Hong Bin Kim, Sejoong Kim, Chami Im, Dong-Wan Kang, Yong Soo Kim, Hee-Joon Bae, Sung Yoon Lim, Han-Gil Jeong, Edward Choi

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Microsoft（微软） ； Asan Medical Center, University of Ulsan College of Medicine（釜山大学医学院阿桑医疗中心） ； Samsung Medical Center, Sungkyunkwan University School of Medicine（成均馆大学医学院三星医疗中心） ； Seoul National University Bundang Hospital, Seoul National University College of Medicine（首尔国立大学医学院首尔国立大学医院） 纠错

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

AI总结 研究旨在增强大语言模型临床推理能力，利用全国脓毒症登记处数据构建问题，通过强化学习微调模型得到C-Reason，该模型在域内测试集表现出色，推理能力能推广到不同任务和疾病，为开发通用临床推理模型提供思路。

Comments Accepted at MLHC 2026

Beyond Fixed Depths and Widths: Optimizing Textual Decoding Tries in LLM-based Generative Recommendation

超越固定深度和宽度：优化基于大语言模型的生成式推荐中的文本解码树

Jingzhe Liu, Hanbing Wang, Jiliang Tang, Liam Collins, Tong Zhao, Neil Shah, Mingxuan Ju

专题命中 领域大模型 ：LLM(title)

AI总结 研究基于大语言模型的生成式推荐中解码树结构问题，提出BONSAI框架，从项目元数据提取信息丰富的词，用最小集覆盖公式构建满足自适应ID长度和约束分支因子属性的解码树，实验显示比基线有高达21.6%的相对改进。

PEARL: Auditable Repair for Scientific Reasoning Graph Extraction

PEARL：科学推理图提取的可审计修复

Bohan Su, Pengze Li, Yuchen Lu, Xi Chen

机构 * School of Computer Science, Wuhan University（武汉大学计算机科学学院） ； Artificial Intelligence Innovation and Incubation, Fudan University（复旦大学人工智能创新与孵化） ； Department of Computer Science, Faculty of Science, University of Bath（巴斯大学理学院计算机科学系） ； College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） 纠错

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

AI总结 针对科学推理图提取中LLMs输出有问题的情况，提出无需训练的PEARL框架，通过特定模式和反馈修复推理图。在ARCHE基准测试中，该框架提升了严格通过率和平均REA，为相关工作流程提供可靠性层。

Comments Accepted at WAICA 2026 Multi-Modal Agents for Science Workshop

Deterministic Hallucination Detection in Medical VQA via Confidence-Evidence Bayesian Gain

医学VQA中通过置信度-证据贝叶斯增益实现确定性幻觉检测

Mohammad Asadi, Tahoura Nedaee, Jack W. O'Sullivan, Euan Ashley, Ehsan Adeli

机构 * Department of Electrical Engineering, Stanford University, CA, USA（电气工程系，斯坦福大学） ； Department of Biology, Stanford University, CA, USA（生物学系，斯坦福大学） ； Division of Cardiology, Department of Medicine, Stanford University, CA, USA（心脏病学部，医学系，斯坦福大学） ； Department of Biomedical Data Science, Stanford University, CA, USA（生物医学数据科学系，斯坦福大学） ； Department of Computer Science, Stanford University, CA, USA（计算机科学系，斯坦福大学） ； Department of Psychiatry and Behavioral Sciences, Stanford University, CA, USA（精神病学与行为科学系，斯坦福大学） 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CEBaG方法，利用模型自身log概率中的不一致置信度和弱视觉证据敏感性，实现无需随机采样和外部模型的确定性幻觉检测，在医疗MLLM和VQA基准测试中取得最佳AUC表现。

Artificially intelligent agents in the social and behavioral sciences: A history and outlook

社会与行为科学中的人工智能代理：历史与展望

Petter Holme, Milena Tsvetkova

机构 * Department of Computer Science, Aalto University（阿尔托大学计算机科学系） ； Center for Computational Social Science, Kobe University（大阪大学计算社会科学中心） ； Department of Methodology, London School of Economics and Political Science（伦敦政治经济学院方法论系） 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 回顾人工智能代理在社会与行为科学中的历史发展与当前趋势，涵盖从可编程计算机到社会模拟、大语言模型实验等，强调其在科学过程中的作用及带来的变化，如社会系统科学兴起等，凸显与相关技术紧密相连。

VecFontLLM: Anchor-Guided Direct Synthesis of Chinese Vector Fonts

VecFontLLM：基于锚点引导的中文矢量字体直接合成

Hao Yuan, Yuxuan Luo, Xing Chen, Zhouhui Lian

机构 * Fuzhou University（福州大学） ； Peking University（北京大学） 纠错

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

AI总结 研究旨在解决直接生成中文矢量字体的难题，提出VecFontLLM这一基于锚点引导的多模态大语言模型，通过锚点预测、细化及贝塞尔控制点完成来合成矢量字形，实现高质量少样本合成，实验显示其相比现有方法有显著优势。

Comments 12 pages