语言大模型 / LLM

Exploring different approaches to customize language models for domain-specific text-to-code generation

探索不同方法以定制语言模型用于领域特定的文本到代码生成

Luís Freire, Fernanda A. Andaló, Nicki Skafte Detlefsen

机构 * Technical University of Denmark（丹麦技术大学） ； The LEGO Group（乐高集团） 纠错

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

AI总结 本文探讨了如何通过合成数据集定制小型语言模型用于领域特定的代码生成，比较了少样本提示、检索增强生成和LoRA微调三种方法，发现LoRA在准确性和领域对齐上表现更优。

ReFORM: Review-aggregated Profile Generation via LLM with Multi-Factor Attention for Restaurant Recommendation

ReFORM：基于LLM与多因素注意力的评论聚合资料生成用于餐厅推荐

Moonsoo Park, Seulbeen Je, Donghyeon Park

机构 * University of Southern California, USA（美国南加州大学） ； Sejong University, South Korea（韩国世宗大学） 纠错

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

AI总结 本文提出ReFORM框架，利用LLM和多因素注意力机制从评论中生成用户和物品资料，提升餐厅推荐的鲁棒性和性能。

Agentic LLM Workflow for MR Spectroscopy Volume-of-Interest Placements in Brain Tumors

基于代理的大语言模型的脑肿瘤MR波谱成像体积感兴趣区放置工作流

Sangyoon Lee, Francesca Branzoli, Małgorzata Marjańska, Patrick Bolan

机构 * Center for Magnetic Resonance Research（磁共振研究中心） ； University of Minnesota（明尼苏达大学） ； ICM – Paris Brain Institute（巴黎脑研究所） 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 本文提出一种基于代理的大语言模型工作流，用于优化脑肿瘤MR波谱成像中体积感兴趣区的放置，通过生成多个候选区域并选择最优方案，提升临床应用的灵活性和准确性。

Comments 10 pages, 4 figures

Optimizing LLM Annotation of Classroom Discourse through Multi-Agent Orchestration

通过多智能体协调优化LLM对课堂话语的标注

Bakhtawar Ahtisham, Kirk Vanacore, Rene F. Kizilcec

机构 * Cornell University（康奈尔大学） 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 本文提出一种分层、成本敏感的多阶段标注框架，通过自检和争议解决阶段提升LLM标注的可靠性，以应对教育数据科学中规模与效度之间的矛盾。

Comments Accepted for presentation at the Education Data Science Conference (EDS 2026), Stanford, USA, May 26-28, 2026. Extended abstract

Automatic In-Domain Exemplar Construction and LLM-Based Refinement of Multi-LLM Expansions for Query Expansion

领域内示例构造与基于大语言模型的多LLM扩展的LLM精炼

Minghan Li, Ercong Nie, Siqi Zhao, Tongna Chen, Huiping Huang, Guodong Zhou

机构 * School of Computer Science and Technology, Soochow University, Suzhou, China（苏州大学计算机科学与技术学院） ； Center for Information and Language Processing (CIS), LMU Munich, Munich, Germany（慕尼黑莱茵恩大学信息与语言处理中心） ； Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心） ； Chalmers University of Technology, Gothenburg, Sweden（楚科奇技术大学） 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 本文提出一种自动化的查询扩展框架，通过BM25-MonoT5流程构建领域内示例池，并利用无监督的聚类策略生成多样化的演示，再结合两个异构LLM生成扩展并由精炼LLM整合，实现稳定且高效的查询扩展。

Comments Preprint. This paper is under consideration at Pattern Recognition Letters

LLM-Assisted Causal Structure Disambiguation and Factor Extraction for Legal Judgment Prediction

基于大型语言模型的因果结构辨析与因子提取的法律判决预测

Yuzhi Liang, Lixiang Ma, Xinrong Zhu

机构 * School of Information Technology（信息科技学院） 纠错

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

AI总结 本文提出一种结合大型语言模型与统计因果发现的框架，通过改进的因果结构辨析和因子提取方法，提升法律判决预测的准确性和鲁棒性。

Fine-Tune, Don't Prompt, Your Language Model to Identify Biased Language in Clinical Notes

微调，而非提示：让你的语言模型识别临床笔记中的偏见语言

Isotta Landi, Eugenia Alleva, Nicole Bussola, Rebecca M. Cohen, Sarah Nowlin, Leslee J. Shaw, Alexander W. Charney, Kimberly B. Glazer

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

AI总结 通过微调而非提示，提高语言模型识别临床笔记中偏见语言的能力，展示在不同专科和医疗系统中的情感价值分类效果。

Debiasing International Attitudes: LLM Agents for Simulating US-China Perception Changes

消除国际偏见：用于模拟中美感知变化的LLM代理

Nicholas Sukiennik, Yichuan Xu, Yuqing Kan, Jinghua Piao, Yuwei Yan, Chen Gao, Yong Li

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 本研究提出基于LLM代理的框架，通过去偏机制模拟中美感知变化，发现魔鬼代言人代理最有效缓解偏见。

Comments Submitted to TCSS

Balancing Domestic and Global Perspectives: Evaluating Dual-Calibration and LLM-Generated Nudges for Diverse News Recommendation

平衡国内与全球视角：评估双校准和LLM生成的提示在多样化新闻推荐中的效果

Ruixuan Sun, Matthew Zent, Minzhu Zhao, Thanmayee Boyapati, Xinyi Li, Joseph A. Konstan

机构 * Grouplens Research, University of Minnesota（群体Lens研究，明尼苏达大学） ； Northwestern University（西北大学） 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 本研究提出双校准算法和LLM生成提示，通过五周实验验证其在提升新闻推荐多样性中的效果，发现算法提示提升多样性，而LLM提示影响因人而异，用户兴趣和相关性提升显著。

An LLM Agentic Approach for Legal-Critical Software: A Case Study for Tax Prep Software

一种针对法律关键软件的LLM代理方法：以税务准备软件为例

Sina Gogani-Khiabani, Ashutosh Trivedi, Diptikalyan Saha, Saeid Tizpaz-Niari

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； University of Colorado Boulder（科罗拉多大学波德分校） ； IBM Research（IBM研究院） 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

AI总结 本文提出一种基于LLM的代理方法，用于开发法律关键软件，通过税务准备软件案例研究，展示了如何利用多代理系统和元测试技术提升法律规范到可执行代码的可靠性。

Comments To appear at ICSE 26. 12 pages

Combating data scarcity in recommendation services: Integrating cognitive types of VARK and neural network technologies (LLM)

对抗推荐服务中的数据稀缺：整合VARK认知类型与神经网络技术（LLM）

Nikita Zmanovskii

机构 * Russian Biotechnological University (ROSBIOTECH)（俄罗斯生物技术大学） 纠错

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

AI总结 本研究提出整合VARK认知类型与LLM的推荐系统，通过语义分析和心理建模解决冷启动问题，实现个性化推荐。

Comments 18 pages, 2 tables

ExpGuard: LLM Content Moderation in Specialized Domains

ExpGuard: 专门领域中的大语言模型内容审核

Minseok Choi, Dongjin Kim, Seungbin Yang, Subin Kim, Youngjun Kwak, Juyoung Oh, Jaegul Choo, Jungmin Son

机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Financial Tech Lab, KakaoBank Corp（Kakao银行金融科技实验室） 纠错

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

AI总结 ExpGuard通过专门领域的大语言模型内容审核模型，有效提升对金融、医疗和法律领域有害内容的防御能力。

Comments ICLR 2026

Benchmarking LLM Summaries of Multimodal Clinical Time Series for Remote Monitoring

对多模态临床时间序列远程监测的LLM摘要进行基准测试

Aditya Shukla, Yining Yuan, Ben Tamo, Yifei Wang, Micky Nnamdi, Shaun Tan, Jieru Li, Benoit Marteau, Brad Willingham, May Wang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Shepherd Center（Shepherd中心） 纠错

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

AI总结 本文提出基于事件的评估框架，评估多模态临床时间序列摘要的可靠性，发现视觉方法在事件对齐上表现最佳。

LLM-Bootstrapped Targeted Finding Guidance for Factual MLLM-based Medical Report Generation

基于大语言模型的引导式目标发现指导：用于基于事实的多模态大语言模型医疗报告生成

Cunyuan Yang, Dejuan Song, Xiaotao Pang, Qianqian Shen, Wenjie Nie, Yifan Huang, Lei Wu, Wei Han, Haishuai Wang, Jiajun Bu

机构 * Zhejiang University（浙江大学） ； The Second Affiliated Hospital Zhejiang University School of Medicine（浙江大学医学院附属第二医院） ； Hangzhou Pu Jian Medical Technology Co., Ltd.（杭州普健医疗科技有限公司） 纠错

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

AI总结 本文提出Fact-Flow框架，通过引导大语言模型生成事实准确的医疗报告，利用LLM自动生成标注数据集，提升医疗报告生成的事实准确性。

Comments 10 pages, 1 figure

OBsmith: LLM-Powered JavaScript Obfuscator Testing

OBsmith: 基于大语言模型的JavaScript混淆器测试

Shan Jiang, Chenguang Zhu, Sarfraz Khurshid

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） 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 OBsmith利用大语言模型系统测试JavaScript混淆器，发现11个正确性错误，凸显其在混淆诱导误操作方面的有效性。

Comments Accepted, to appear in OOPSLA 2026

Journal ref Proc. ACM Program. Lang. 10, OOPSLA1, Article 96 (April 2026), 30 pages

Silent Egress: When Implicit Prompt Injection Makes LLM Agents Leak Without a Trace

静默逃逸：当隐式提示注入使LLM代理无痕泄露

Qianlong Lan, Anuj Kaul, Shaun Jones, Stephanie Westrum

机构 * eBay 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 研究揭示了代理式LLM系统中隐式提示注入导致的静默逃逸风险，通过实验展示恶意网页诱导代理泄露敏感信息的机制，并提出分片逃逸策略及网络层防御改进方向。

"Are You Sure?": An Empirical Study of Human Perception Vulnerability in LLM-Driven Agentic Systems

你确定吗？：一项关于LLM驱动代理系统中人类感知脆弱性的实证研究

Xinfeng Li, Shenyu Dai, Kelong Zheng, Yue Xiao, Gelei Deng, Wei Dong, Xiaofeng Wang

机构 * Nanyang Technological University（南洋理工大学） ； KTH（皇家理工学院） ； William & Mary（威廉与玛丽学院） 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

AI总结 研究通过实证分析揭示人类对LLM驱动代理系统中代理介导欺骗的脆弱性，并提出基于HAT-Lab的防御策略。

PaperTrail: A Claim-Evidence Interface for Grounding Provenance in LLM-based Scholarly Q&A

PaperTrail: 一种用于在基于大语言模型的学术问答中建立溯源的声明-证据接口

Anna Martin-Boyle, Cara A. C. Leckey, Martha C. Brown, Harmanpreet Kaur

机构 * University of Minnesota（明尼苏达大学） ； NASA Langley Research Center（NASA兰利研究中心） 纠错

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

AI总结 PaperTrail通过分解LLM回答和源文档为声明与证据，帮助学术领域更严谨地验证LLM的可信度，并揭示其信任worthiness。

Comments 25 pages, 3 figures. Accepted at the ACM CHI conference on Human Factors in Computing Systems 2026

LLM-Assisted Replication for Quantitative Social Science

大语言模型辅助的定量社会科学复制

So Kubota, Hiromu Yakura, Samuel Coavoux, Sho Yamada, Yuki Nakamura

机构 * Graduate School of Economics, Tohoku University（东北大学经济学研究生院） ； Max Planck Institute for Human Development（马克斯·普朗克人类发展研究所） ； CREST, ENSAE, Institut Polytechnique de Paris（巴黎高等理工学院CREST与ENSAE） ； Graduate School of Public Policy, The University of Tokyo（东京大学公共政策研究生院） ； Faculty of Engineering, The University of Tokyo（东京大学工学部） 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 本研究提出基于大语言模型的自动化系统，用于复制社会科学论文的统计分析并检测潜在问题，旨在提升研究的可验证性和完整性。

Beyond Gemini-3-Pro: Revisiting LLM Routing and Aggregation at Scale

超越Gemini-3-Pro：大规模LLM路由与聚合的再审视

Shengji Tang, Weihao Lin, Peng Ye, Jingqi Ye, Hao Li, Yiqun Zhang, Xiaosong Wang, Bo Zhang, Shuyue Hu, Tao Chen, Lei Bai, Wanli Ouyang

机构 * Shanghai AI Lab（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； University of Science and Technology of China（中国科学技术大学） ； Northwestern Polytechnical University（西北工业大学） ； Northeastern University（东北大学） 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 本文提出JiSi框架，通过混合路由、支持集聚合选择和自适应切换技术，实现开源LLM协作超越Gemini-3-Pro。

Comments 21 pages

QP-OneModel: A Unified Generative LLM for Multi-Task Query Understanding in Xiaohongshu Search

QP-OneModel: 一个用于小红书搜索多任务查询理解的统一生成式大语言模型

Jianzhao Huang, Xiaorui Huang, Fei Zhao, Yunpeng Liu, Hui Zhang, Fangcheng Shi, Congfeng Li, Zechen Sun, Yi Wu, Yao Hu, Yunhan Bai, Shaosheng Cao

机构 * Xiaohongshu Inc.（小红书公司） 纠错

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

AI总结 QP-OneModel通过统一生成式大语言模型提升小红书搜索多任务查询理解的效率与准确性。

Ontology-to-tools compilation for executable semantic constraint enforcement in LLM agents

本体到工具的编译用于LLM代理中的可执行语义约束强制

Xiaochi Zhou, Patrick Bulter, Changxuan Yang, Simon D. Rihm, Thitikarn Angkanaporn, Jethro Akroyd, Sebastian Mosbach, Markus Kraft

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 本体到工具的编译用于LLM代理中的可执行语义约束强制，通过生成知识图谱实例来强制执行语义约束，减少手动工程。

CodeGuard: Improving LLM Guardrails in CS Education

CodeGuard: 提高计算机科学教育中的LLM防护机制

Nishat Raihan, Noah Erdachew, Jayoti Devi, Joanna C. S. Santos, Marcos Zampieri

机构 * George Mason University（乔治·马歇尔大学） ； University of Oklahoma（俄克拉荷马大学） ； University of Notre Dame（圣约翰斯大学） 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 CodeGuard通过引入新的分类法、数据集和PromptShield模型，有效提升教育AI系统对不安全提示的检测能力，减少有害代码生成，同时保持教育任务性能。

Cross-Domain Fake News Detection on Unseen Domains via LLM-Based Domain-Aware User Modeling

跨领域假新闻检测：通过基于大语言模型的领域感知用户建模实现未见领域检测

Xuankai Yang, Yan Wang, Jiajie Zhu, Pengfei Ding, Hongyang Liu, Xiuzhen Zhang, Huan Liu

机构 * School of Computing Macquarie University Sydney Australia（计算机学院 马克韦克大学 悉尼 澳大利亚） ； School of Computing Technologies RMIT University Melbourne Australia（计算技术学院 RMIT大学 墨尔本 澳大利亚） ； School of Computing（计算机学院） ； Augmented Intelligence Arizona State University Tempe USA（增强智能 阿拉斯加州立大学 波特 USA） ； Macquarie University（马克韦克大学） ； RMIT University（RMIT大学） ； Arizona State University（阿拉斯加州立大学） 纠错

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

AI总结 本文提出DAUD框架，利用大语言模型进行领域感知用户建模，以提升未见领域假新闻检测的性能。

Comments This paper has been accepted by The 2026 ACM Web Conference (WWW 2026)

Towards Scientific Intelligence: A Survey of LLM-based Scientific Agents

迈向科学智能：基于大语言模型的科学代理综述

Shuo Ren, Can Xie, Pu Jian, Zhenjiang Ren, Chunlin Leng, Jiajun Zhang

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems（多模态人工智能系统国家重点实验室） ； Foundation Model Research Center, Institute of Automation, CAS（自动化研究所基础模型研究中心） ； University of Chinese Academy of Science, Beijing, China（中国科学院大学，北京，中国） ； Wuhan AI Research, Wuhan, China（武汉人工智能研究） 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 本文综述了基于大语言模型的科学代理，探讨其架构、应用及伦理问题，强调其在推动科学发现中的作用。

A Unified XAI-LLM Approach for EndotrachealSuctioning Activity Recognition

面向气管吸引活动识别的统一XAI-LLM方法

Hoang Khang Phan, Quang Vinh Dang, Noriyo Colley, Christina Garcia, Nhat Tan Le

机构 * Dept. of Biomedical Engineering（生物医学工程系） ； Manning College of Information（信息与计算机科学学院） ； Faculty of Health Science（健康科学学院） ； Kyushu Institute of Technology（九州工业大学） 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 本文提出一种统一的XAI-LLM框架，用于气管吸引活动识别，通过LLM实现时空活动识别和可解释反馈，提升培训效率和患者安全。

CE-GOCD: Central Entity-Guided Graph Optimization for Community Detection to Augment LLM Scientific Question Answering

CE-GOCD：基于社区检测的中心实体引导图优化用于增强LLM科学问答

Jiayin Lan, Jiaqi Li, Baoxin Wang, Ming Liu, Dayong Wu, Shijin Wang, Bing Qin, Guoping Hu

机构 * Harbin Institute of Technology, Harbin, China（哈尔滨工业大学） ； State Key Laboratory of Cognitive Intelligence, iFLYTEK Research, China（认知智能国家重点实验室） 纠错

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

AI总结 CE-GOCD通过构建和利用学术知识图谱的语义子结构，提升LLM在科学问答中的表现，通过中心实体引导的图优化和社区检测增强问答的准确性和全面性。

Comments Accepted by IEEE ICASSP 2026

Less is More: Benchmarking LLM Based Recommendation Agents

少即是多：基于大语言模型的推荐代理基准测试

Kargi Chauhan, Mahalakshmi Venkateswarlu

机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 本文通过基准测试挑战了“更多上下文更好”的假设，发现较短上下文能有效降低推理成本而不影响推荐质量。

LibLMFuzz: LLM-Augmented Fuzz Target Generation for Black-box Libraries

LibLMFuzz: 用于黑盒库的LLM增强模糊目标生成

Ian Hardgrove, John D. Hastings

机构 * The Beacom College of Computer and Cyber Sciences（计算机与网络科学学院） ； Dakota State University（达科他州立大学） 纠错

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

AI总结 LibLMFuzz通过结合LLM和轻量级工具链，实现对闭源库的自动模糊测试，生成正确驱动程序并提高覆盖率。

Comments 6 pages, 2 figures, 1 table, 2 listings

Journal ref 2025 IEEE Cyber Awareness and Research Symposium (CARS'25)

Uncovering Latent Bias in LLM-Based Emergency Department Triage Through Proxy Variables

通过代理变量揭示基于LLM的急诊科分诊中的潜在偏见

Ethan Zhang

机构 * Palo Alto High School（帕洛阿尔托高中） 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 本研究通过代理变量揭示基于LLM的急诊科分诊中的潜在偏见，发现LLMs在输入上下文中会修改对患者严重程度的感知，表明AI系统仍需改进以确保临床应用的安全性。

Comments 15 pages, 3 figures