语言大模型 / LLM

CloSeR: Unified Relational Distillation from Closed-Set Teachers for Category Discovery

CloSeR：来自闭集教师的用于类别发现的统一关系蒸馏

Yuanpei Liu, Zhenqi He, Jialu Tang, Kai Han

机构 * The University of Hong Kong（香港大学） 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 提出即插即用框架CloSeR，通过闭集关系知识注入与统一关系蒸馏，提升广义类别发现性能，在六个基准上用DINO和DINOv2主干达到SOTA

Comments Accepted as a conference paper at ECCV 2026

PARAssist: A Framework for Personalized and Adaptive Robotic Assistance from Ambiguous User Requests

PARAssist：面向模糊用户请求的个性化自适应机器人辅助框架

Pourya Aliasghari, Goldie Nejat

专题命中 效率与部署 ：language model(abstract)

AI总结 该研究提出PARAssist框架，利用视觉-语言模型结合用户历史与环境信息，个性化消除服务机器人模糊请求的歧义，经实验验证其个性化能力及核心组件的有效性。

Comments This work has been submitted to the IEEE for possible publication

Towards Faithful and Efficient Semantic Communication: An Ontological Approach

面向忠实且高效的语义通信：一种本体论方法

Yixiao Feng, Yueting Wang, Yining Wang, Han Han, Bo Zhang

专题命中 效率与部署 ：language model(abstract)

AI总结 针对多视图VQA任务，提出ODSC本体驱动语义通信框架，通过共享本体知识库优化场景图，可减少SI数据量、提升问答准确率及多视图VQA准确率。

Scale-CDA: A Scalable Aftermarket Platform to Democratize Cooperative Driving Automation in Production Cars

Scale-CDA：一款用于量产车的、可扩展的原型，旨在普及AI辅助的协同驾驶自动化（CDA）

Hao Zhou, Shengming Yuan, Yuhang Wang, Alina Hagen, Haibin Wen

专题命中 效率与部署 ：language model(abstract)

AI总结 本研究提出Scale-CDA这一开源工具链，基于OpenDBC与Openpilot构建，成本低于1000美元，可实现AI辅助CDA的即插即用改装，通过多车辆测试验证了其低时延与数据隐私保护能力，为普及协同自动驾驶提供了实用方案。

Unveiling Spectral Mechanisms in Training-Free LLM Text Detection

揭示无训练大语言模型文本检测中的频谱机制

Haitong Luo, Xuying Meng, Weiyao Zhang, Wenji Zou, Shengfeng Lou, Xuefeng Jiang, Chungang Lin, Yujun Zhang

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

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

AI总结 该研究针对无训练LLM文本检测中遗漏人类写作信号波动的问题，从理论和实证角度分析频谱检测机制，明确其适用场景，为多维检测器设计提供指导。

Gavel: Agent Meets Checklist for Evaluating LLMs on Long-Context Legal Summarization

Gavel: 智能体结合检查表评估LLM长上下文法律摘要

Yao Dou, Benjamin Mamut, Wei Xu

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 提出Gavel框架，通过参考评估和免参考智能体评估12个前沿LLM在多文档法律摘要中的表现，发现模型易遗漏关键信息而非幻觉，且性能随案件长度增加而下降。

Comments Accepted at EMNLP 2026 Main; webpage at https://yao-dou.github.io/gavel/

Regulator-Manufacturer AI Agents Modeling: Mathematical Feedback-Driven Multi-Agent LLM Framework

监管方-制造商AI智能体建模：数学反馈驱动的多智能体大语言模型框架

Yu Han, Zekun Guo

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

AI总结 本研究提出数学反馈驱动的多智能体LLM框架，模拟监管动态，揭示监管转变对医疗器械行业行为的影响，为相关利益方提供优化监管实践与合规性的可操作见解。

Comments v3 adds a technical clarification note on the implementation and quantitative analyses; the body of the paper is unchanged from v2

An Event is Worth One Token: Event Tokenization for Industrial-scale LLM Recommendation

一个事件等价于一个Token：面向工业级LLM推荐的事件分词

Fan Xia, Zhaoheng Zheng, Iman Setayesh, Ruogu Lin, Yiqin Pan, Samarth Mittal, Wentao Bao, Vinti Pandey, Sachin Patil, Jianpeng Cheng, Jun Xiao, Zhuang Wang, Xiangjun Fan, Sri Reddy, Minghai Chen

专题命中 领域大模型 ：LLM(title,title_cn)

AI总结 该研究提出以事件为中心的AMBER方法，将交互快照压缩为事件Token，在工业级推荐基准上提升了计算-质量帕累托前沿，且事件Token可跨模型架构迁移并随容量扩展持续优化。

Comments 11 pages, 10 figures, 7 tables

Beyond the Chatbot: Co-Learning and Co-Teaching through a Dual-Persona Generative-AI Assistant

超越聊天机器人：通过双角色生成式AI助手实现共学与共教

Chaido Mizeli, Marina Delianidi, Konstantinos Diamantaras

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

AI总结 该研究开发一款适配希腊教育领域的双角色生成式AI助手，可切换教学/学习角色，支持师生共学共教，构建了连接技术与课程的教学生成助手框架。

Comments 14 pages, 4 figures

ARISMA: Guidelines for AI- and LLM-Assisted Systematic Reviews, Scoping Reviews, and Mapping Studies

ARISMA：AI与大语言模型辅助的系统评价、范围评价与映射研究指南

Mahyar Tourchi Moghaddam, Mina Alipour

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

AI总结 本文提出ARISMA标准，明确AI辅助评价的适用场景、验证方式及人工决策要求，构建可审计的AI辅助证据合成实践指南。

Comments Accepted to be presented at AGENTICS 2026, to be published by Springer

Cross-Domain Transfer with Particle Physics Foundation Models: From Jets to Neutrino Interactions

跨领域迁移与粒子物理基础模型：从喷注到中微子相互作用

Gregor Krzmanc, Vinicius Mikuni, Benjamin Nachman, Callum Wilkinson

机构 * Department of Physics, Stanford University（斯坦福大学物理系） ； Nagoya University, Kobayashi-Maskawa Institute（名古屋大学滨坂-马萨卡瓦研究所） ； Fundamental Physics Directorate, SLAC National Accelerator Laboratory（SLAC国家加速器实验室基础物理部门） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） 纠错

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

AI总结 本文探讨了基于粒子物理基础模型的跨领域迁移能力，通过在中微子实验中实现能量回归和分类任务，验证了预训练模型在不同能量尺度和探测器技术下的泛化能力。

Comments 18 pages, 13 figures

Retrieval-Augmented Agentic Rubric Generation for Reliable Medical Response Evaluation

用于医疗对话系统可靠评估的自动化评分标准

Yinzhu Chen, Abdine Maiga, Hossein A. Rahmani, Emine Yilmaz

机构 * AI Center, University College London（伦敦大学学院人工智能中心） 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.CL、cs.AI

AI总结 本文提出一种检索增强的多智能体框架，用于自动生成实例特定的评估评分标准，通过权威医学证据生成可验证的细粒度评估标准，并在HealthBench和LLMEval-Med数据集上取得显著成效。

HypoForge: A Self-Improving Multi-Agent Framework for Automated Hypothesis Generation and Testing via Scientific Skill Learning

HypoForge：一种通过科学技能学习实现自动假设生成与测试的自改进多智能体框架

Ziqing Qian, Jiaying Lei, Yifang Wang, Nan Cao

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

AI总结 提出HypoForge多智能体框架，通过匹配阶段特定监督的技能学习策略，无需微调基础模型即可实现自改进，在相关基准上优于现有框架。

What Do Medical Vision-Language Models Learn in Radiology? Transfer, Alignment, and Source-Proxy Leakage Under Distribution Shift

医学视觉-语言模型在放射学中学到了什么？分布偏移下的迁移、对齐与源代理泄露

Ayoub Louaye Bouaziz, Lokmane Chebouba, Yassine Himeur

机构 * University of Constantine（康斯坦丁大学） ； University of Dubai（迪拜大学） ； University of Western Brittany（西布列塔尼大学） 纠错

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

AI总结 本研究针对医学视觉-语言模型在分布偏移下的失效问题，探究其跨数据集迁移、多模态对齐及源代理泄露特性，发现表观能力掩盖相关失效模式，推动对该类模型的压力测试评估。

Masked Particle Modeling on Sets: Towards Self-Supervised High Energy Physics Foundation Models

Tobias Golling, Lukas Heinrich, Michael Kagan, Samuel Klein, Matthew Leigh, Margarita Osadchy, John Andrew Raine

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

Journal ref Machine Learning: Science and Technology 5, 035074 (2024)

UltraPIPS: Improving model perception in B-mode ultrasound with foundation models

UltraPIPS：利用基础模型提升B型超声中的模型感知能力

Tal Grutman, Tali Ilovitsh

机构 * School of Biomedical Engineering, Tel Aviv University（特拉维夫大学生物医学工程学院） 纠错

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

AI总结 该研究针对B型超声图像特性，提出采用超声领域特定骨干网络优化LPIPS指标，构建UltraPIPS库，可提升下游任务性能并平衡重建质量与真实性。

Comments MICCAI ASMUS 2026

Towards World Models in Biomedical Research

迈向生物医学研究的世界模型

Guangyu Wang, Jingkun Yue, Siqi Zhang, Yu Liu, Xiaoyu Wang, Mingyuan Meng, Changwei Ji, Zongbo Han, Yulin Wang, Yang Yue, Frank Fu, Ting Chen, Song Wu, Ziwei Liu, Jiangning Song, Ming Li, Gao Huang, Xiaohong Liu, Athanasios Vasilakos, Xingcai Zhang, Ping Zhang, Yong Li

机构 * State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing, China（网络与交换技术国家重点实验室，北京邮电大学，北京，中国） ； Department of Engineering Science, University of Oxford, Oxford, United Kingdom（英国牛津大学工程科学系，牛津，英国） ； Institute of Medical Artificial Intelligence, South China Hospital, Medical School, Shenzhen University, Shenzhen, Guangdong, China（医学人工智能研究所，南方医院，医学学院，深圳大学，深圳，广东，中国） ； Zhongguancun Academy & Zhongguancun Institute of Artificial Intelligence, Beijing, China（中关村学院及中关村人工智能研究院，北京，中国） ； Beijing National Research Center for Information Science and Technology (BNRist), Tsinghua University, 100084, Beijing, China（北京信息科学与技术国家研究中心（BNRist），清华大学，100084，北京，中国） ； Department of Chemical and Nano Engineering, University of California, San Diego, La Jolla, CA, USA（美国加州大学圣地亚哥分校化学与纳米工程系，La Jolla，CA，美国） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） ； Monash Biomedicine Discovery Institute and Department of Biochemistry and Molecular Biology, Monash University, Melbourne, Victoria, Australia（莫纳什大学生物医学发现研究所和生物化学与分子生物学系，墨尔本，维多利亚，澳大利亚） ； David R. Cheriton School of Computer Science, University of Waterloo, Waterloo, Ontario, Canada（加拿大滑铁卢大学戴维·R·切里顿计算机科学学校，滑铁卢，安大略，加拿大） ； Department of ICT and Center for AI Research, University of Agder (UiA), Jon Lilletuns vei 9, Grimstad, Norway（挪威阿格德大学（UiA）信息与通信技术系及人工智能研究中心，Jon Lilletuns vei 9，Grimstad，挪威） ； Department of Electronic Engineering, Tsinghua University, Beijing, China（清华大学电子工程系，北京，中国） 纠错

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

AI总结 提出生物医学世界模型作为AI驱动发现的新范式，通过学习分子、细胞、组织和临床状态的潜在表征及干预条件动态，实现未来轨迹模拟，并探讨其在虚拟细胞、类器官、虚拟患者和手术模拟等应用中的潜力。

SciMIF: Understanding Multimodal Instruction Following in Scientific Domains

SciMIF：理解科学领域中的多模态指令遵循

Ye Shen, Yuting Zheng, Dun Pei, Zijian Chen, Wenlong Zhang, Qi Jia, Guangtao Zhai

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） 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 本研究提出用于评估多模态大语言模型科学指令遵循能力的SciMIF基准，揭示模型在科学领域性能差异及规模提升未对应改善约束遵循等问题，填补相关评估空白。

Comments 21pages, 9 figures, 16 tables

CRAMER: Control via Request-Aware Masking for Editing Recommenders

CRAMER：基于请求感知掩码的推荐模型编辑控制框架

Zhiyuan Julian Su, Naihe Feng, Zhen Luther Qin, Ga Wu

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 CRAMER是一种通过请求感知掩码调制冻结骨干参数的推荐控制框架，在多个大规模数据集上优于现有基线，开销最小且可控性与跨域适配能力更强，为请求感知序列推荐建立了新范式。

Comments Accepted by ICML 2026

HealthBench-Psych: A Mental Health Subset of OpenAI's HealthBench

HealthBench-Psych：OpenAI的HealthBench的心理健康子集

Matthew Flathers, Phuong Anh Nguyen, Jill Noorily, Julian Herpertz, Meiting Chen, Jasreen Multani, Samuel Powell, Mason Granof, Mark Kalinch, John Torous

机构 * Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心） 纠错

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

AI总结 该研究针对现有通用健康基准无法单独评估心理健康性能的问题，构建了HealthBench-Psych心理健康子集，评估20个前沿及开源模型的心理健康相关表现，发现模型排名一致性高并发布了相关资源。

Comments 21 pages (6-page main text plus appendices), 2 figures. Code: https://github.com/mindbench-ai/healthbench-psych Data: https://huggingface.co/datasets/mindbench-ai/healthbench-psych

Epistemic Memory: A Validity Layer for Self-Maintaining Intelligent Systems

认知记忆：自维持智能系统的有效性层

Pin-Han Ho, Limei Peng, Yiming Miao, Yan Jiao

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 本文针对AI记忆机制忽略知识有效性条件导致语义坐标漂移的问题，提出认知记忆作为有效性维护层，引入OBM架构，实验表明其可提升智能体在变化观测条件下的鲁棒性。

Polish-English medical knowledge transfer: A new benchmark and results

Łukasz Grzybowski, Jakub Pokrywka, Michał Ciesiółka, Jeremi I. Kaczmarek, Marek Kubis

机构 * Adam Mickiewicz University（亚当·密茨凯维奇大学） ； Poznan University of Medical Sciences（波兹南医科大学） 纠错

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

Journal ref Findings of the Association for Computational Linguistics: EMNLP 2025, pp. 9042-9063, 2025

Optimizing Retrieval-Augmented Generation of Medical Content for Spaced Repetition Learning

Jeremi I. Kaczmarek, Jakub Pokrywka, Krzysztof Biedalak, Grzegorz Kurzyp, Łukasz Grzybowski

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

Journal ref Proceedings of the 17th International Conference on Computer Supported Education (CSEDU 2025), Vol. 2, pp. 174-186, 2025

Semantic Graph Unification for Industrial Digital Threads: Bridging 11 Heterogeneous Manufacturing Systems Through Ontology-Driven Knowledge Graphs

面向工业数字线程的语义图统一：通过本体驱动知识图谱连接11个异构制造系统

Grama Chethan

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

AI总结 该研究提出一种本体驱动的RDF知识图谱框架，通过五阶段ETL流水线统一11个异构制造系统的数据，经实验验证其可实现跨系统信号发现，且适用于多个制造垂直领域。

Opportunities and Challenges of LLMs in Education: An NLP Perspective

大语言模型在教育中的机遇与挑战：一种自然语言处理视角

Sowmya Vajjala, Bashar Alhafni, Stefano Bannò, Kaushal Kumar Maurya, Ekaterina Kochmar

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

AI总结 本文从自然语言处理视角探讨大语言模型在教育中的应用，分析其在教学、学习和评估中的机遇与挑战。

Comments Pre-print

Journal ref https://aclanthology.org/2026.bea-1.26/

Label-Free Foundational Model Selection for Medical Image Classification under Distribution Shift via Pseudo Label Discrepancy

分布偏移下基于伪标签差异的医学图像分类无基准模型选择

Juan Iñaki Larrea, Lucas Mansilla, Enzo Ferrante

机构 * Universidad de Buenos Aires（布宜诺斯艾利斯大学） ； CONICET（阿根廷国家科学技术研究委员会） ； Universidad Nacional del Litoral（国立 littoral 大学） ； Research Institute for Signals, Systems and Computational Intelligence（信号、系统与计算智能研究所） 纠错

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

AI总结 针对分布偏移下医学图像分类的无基准模型选择问题，提出基于SUDO框架的AURCC准则，在胸部X射线分类任务中实现了与真实排名高相关性的模型排名，小源标注数据下表现更优。

Comments Accepted at MIRASOL Workshop, MICCAI 2026. 10 pages, 3 figures

A Pathway for Assessing Grey Literature: Leveraging AI to Extract Conference Metadata and Organiser Information from Calls for Papers

评估灰色文献的路径：利用人工智能从征稿启事（Calls for Papers, CfPs）中提取会议元数据与主办方信息

Angelo Salatino, Francesco Osborne, Alexis Vizcaino, Aliaksandr Birukou, Enrico Motta

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

AI总结 本文提出基于AI的框架COCI，通过多阶段实体提取等流程从征稿启事自动提取结构化元数据，为灰色文献系统分析奠定基础，助力非出版商主办活动的相关研究。

Comments Paper accepted at STI-ENID 2026 https://www.uantwerpen.be/en/conferences/30th-annual-international-conference-on-science-and-technology-indicators/

AI-Ready Research Workflows in Computational Social Science: Lessons on Building a Shared Language for Interdisciplinary Collaboration

计算社会科学中面向AI的研究工作流：构建跨学科协作共享语言的经验

Joan Giner-Miguelez, Alexandra Málaga, Felipe Gómez-Cortés, Adrian Carrascosa, Mariona Coll-Ardanuy, Andrés F. Castro-Torres, Raül Sirvent, Rosa M. Badia, Clara Guasch, Mercè Crosas

专题命中 领域大模型 ：LLM(abstract,abstract_cn)

AI总结 本文针对AI在SSH领域应用受限的问题，通过两年实践构建了可在MareNostrum超算上处理OpenAlex的研究工作流，明确了跨学科协作的组织与技术挑战，并呼吁跨机构投资相关工具与标准。

Bayesian Optimization for Self-Driving Materials Laboratories: From Algorithms to Physics-Informed Workflows

面向自主材料实验室的贝叶斯优化：从算法到物理信息驱动的工作流程

Yuki K. Wakabayashi, Takuma Otsuka

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

AI总结 该综述针对材料自主实验室的实际挑战，介绍贝叶斯优化算法及物理信息驱动的贝叶斯优化，总结其在多类材料领域的应用成果，并展望其未来发展方向。

Practice-Informed, Practice-Ready: An AI security incident taxonomy

实践导向、可落地实践的AI安全事件分类法

Lukas Bieringer, Sean McGregor, Nicole Nichols, Kevin Paeth, Andrew Paverd, Jonathan Petit, Jochen Stängler, Andreas Wespi, Alexandre Alahi, Kathrin Grosse

专题命中 领域大模型 ：LLM(abstract,abstract_cn)

AI总结 该研究针对AI安全事件报告缺乏实用标准的问题，通过多领域从业者讨论构建了AI安全事件分类法，其可指导事件识别与措施推荐，且已成为行业标准的科学基础。

Comments Paper underlying ETSI AICIEC, under submission. Related Position paper accepted to SatML 2026: see previous version,