语言大模型 / LLM

Can Local Vision-Language Models improve Activity Recognition over Vision Transformers? -- Case Study on Newborn Resuscitation

局部视觉-语言模型能否在视觉转换器上提高活动识别？——新生儿复苏案例研究

Enrico Guerriero, Kjersti Engan, Øyvind Meinich-Bache

机构 * University of Stavanger, Dept. of electrical eng. and computer science（斯塔万格大学电气工程与计算机科学系） 纠错

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

AI总结 本研究探讨了局部视觉-语言模型在新生儿复苏视频活动识别中的应用，通过LoRA微调提升性能，达到0.91的F1分数，优于TimeSFormer基线。

Comments Presented at the Satellite Workshop on Workshop 15: Generative AI for World Simulations and Communications & Celebrating 40 Years of Excellence in Education: Honoring Professor Aggelos Katsaggelos, IEEE International Conference on Image Processing (ICIP), 2025

MeDocVL: A Visual Language Model for Medical Document Understanding and Parsing

MeDocVL：一种用于医疗文档理解与解析的视觉语言模型

Wenjie Wang, Wei Wu, Ying Liu, Yuan Zhao, Xiaole Lv, Liang Diao, Zengjian Fan, Wenfeng Xie, Ziling Lin, De Shi, Lin Huang, Kaihe Xu, Hong Li

机构 * Visual Computing Group (VCG)（视觉计算组） 纠错

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

AI总结 MeDocVL通过训练驱动的标签细化和噪声意识的混合后训练策略，实现了对医疗文档的高精度解析，优于现有OCR和VLM方法。

Comments 20 pages, 8 figures. Technical report

Speech-XL: Towards Long-Form Speech Understanding in Large Speech Language Models

Speech-XL: 向大语言模型中的长形式语音理解迈进

Haoqin Sun, Chenyang Lyu, Shiwan Zhao, Xuanfan Ni, Xiangyu Kong, Longyue Wang, Weihua Luo, Yong Qin

机构 * TMCC, College of Computer Science, Nankai University, Tianjin, China（TMCC，计算机科学学院，南开大学，天津，中国） ； Alibaba International Digital Commerce（阿里巴巴国际数字商业） ； University of Exeter, Exeter, United Kingdom（埃克塞特大学，埃克塞特，英国） 纠错

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

AI总结 Speech-XL通过引入语音摘要标记和课程学习策略，实现长形式语音压缩，提升大语言模型在长音频理解中的性能。

OCRVerse: Towards Holistic OCR in End-to-End Vision-Language Models

OCRVerse: 向端到端视觉语言模型中的整体OCR迈进

Yufeng Zhong, Lei Chen, Xuanle Zhao, Wenkang Han, Liming Zheng, Jing Huang, Deyang Jiang, Yilin Cao, Lin Ma, Zhixiong Zeng

机构 * Meituan（美团） 纠错

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

AI总结 OCRVerse是一种端到端的全面OCR方法，通过多领域训练实现文本和视觉导向OCR的统一，提升跨领域数据处理能力。

Med3D-R1: Incentivizing Clinical Reasoning in 3D Medical Vision-Language Models for Abnormality Diagnosis

Med3D-R1: 促进3D医学视觉-语言模型的临床推理

Haoran Lai, Zihang Jiang, Kun Zhang, Qingsong Yao, Rongsheng Wang, Zhiyang He, Xiaodong Tao, Wei Wei, Shaohua Kevin Zhou

机构 * School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China（生物医学工程学院，生命科学与医学系，中国科学技术大学） ； Suzhou Institute for Advanced Research, University of Science and Technology of China（先进研究所，中国科学技术大学） ； Stanford University（斯坦福大学） ； Medical Business Department, iFlytek Co.Ltd（iFlytek公司医学业务部） ； The First Affiliated Hospital of USTC, Division of Life Sciences and Medicine University of Science and Technology of China（中国科学技术大学第一附属医院，生命科学与医学系） 纠错

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

AI总结 Med3D-R1通过两阶段训练框架提升3D医学视觉-语言模型的临床推理能力，实现更准确的异常诊断。

Who Fails Where? LLM and Human Error Patterns in Endometriosis Ultrasound Report Extraction

谁在何处失败？LLM和人类在内膜异位症超声报告提取中的错误模式

Haiyi Li, Yutong Li, Yiheng Chi, Alison Deslandes, Mathew Leonardi, Shay Freger, Yuan Zhang, Jodie Avery, M. Louise Hull, Hsiang-Ting Chen

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

AI总结 本研究比较了LLM与人类在内膜异位症超声报告提取中的表现，发现LLM在语法一致性上优于人类，而人类在语义解释上更优，支持人机协作的工作流程。

PairSem: LLM-Guided Pairwise Semantic Matching for Scientific Document Retrieval

PairSem: 基于大语言模型的成对语义匹配用于科学文档检索

Wonbin Kweon, Runchu Tian, SeongKu Kang, Pengcheng Jiang, Zhiyong Lu, Jiawei Han, Hwanjo Yu

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

AI总结 PairSem通过实体-属性对捕捉科学概念的多面性，提升科学文档检索的精度和上下文感知能力。

Comments WWW 2026

PatchEAD: Unifying Industrial Visual Prompting Frameworks for Patch-Exclusive Anomaly Detection

PatchEAD: 统一工业视觉提示框架用于补丁专属异常检测

Po-Han Huang, Jeng-Lin Li, Po-Hsuan Huang, Ming-Ching Chang, Wei-Chao Chen

机构 * Inventec Corporation（Inventec公司） ； University at Albany, State University of New York（纽约州立大学阿尔巴尼分校） 纠错

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

AI总结 PatchEAD提出统一的补丁聚焦框架，实现无需训练的工业异常检测，兼容多种基础模型并提升补丁相似性鲁棒性。

Comments 10 pages, 5 figures. WACV 2026 (Accepted)

Turning Citation Networks Inside Out: Studying Science Using Content-Based Knowledge Graphs from LLM-Derived Taxonomies

将引用网络翻转：利用LLM衍生的基于内容的知识图谱研究科学

Seorin Kim, Vincent Holst, Vincent Ginis

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

AI总结 本文提出了一种基于内容的知识图谱方法，通过LLM衍生的分类学分析科学领域，揭示方法论、数据和问题的演变架构。

Comments 19 pages, 10 figures

Unleashing the Native Recommendation Potential: LLM-Based Generative Recommendation via Structured Term Identifiers

释放原生推荐潜力：基于结构化术语标识符的LLM生成推荐

Zhiyang Zhang, Junda She, Kuo Cai, Bo Chen, Shiyao Wang, Xinchen Luo, Qiang Luo, Ruiming Tang, Han Li, Kun Gai, Guorui Zhou

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

AI总结 本文提出GRLM框架，通过结构化术语标识符提升生成推荐系统的性能和通用性。

One Language-Free Foundation Model Is Enough for Universal Vision Anomaly Detection

一种语言无关的基础模型足以实现通用视觉异常检测

Bin-Bin Gao, Chengjie Wang

机构 * Tencent YouTu Lab（腾讯优图实验室） 纠错

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

AI总结 本文提出了一种简单、通用且有效的通用视觉异常检测框架UniADet，通过解耦分类和分割任务，实现了对多种基础模型的适应，并在多个实际应用场景中表现出色。

Comments 20 pages, 5 figures, 34 tabels

LLMDiRec: LLM-Enhanced Intent Diffusion for Sequential Recommendation

LLMDiRec: 基于大语言模型的意图扩散增强序列推荐

Bo-Chian Chen, Manel Slokom

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

AI总结 LLMDiRec通过整合大语言模型与意图感知扩散模型，提升序列推荐中复杂用户意图捕捉和长尾项推荐效果。

Comments Under review

Adapting Vision-Language Foundation Model for Next Generation Medical Ultrasound Image Analysis

为下一代医学超声图像分析适应视觉-语言基础模型

Jingguo Qu, Xinyang Han, Jia Ai, Juan Wu, Tong Zhao, Tonghuan Xiao, Sheng Ning, Yuqi Yang, Jing Qin, Ann Dorothy King, Winnie Chiu-Wing Chu, Jing Cai, Michael Tin-Cheung Ying

机构 * Department of Health Technology and Informatics, The Hong Kong Polytechnic University（健康科技与信息学系，香港理工大学） ； Centre for Smart Health and School of Nursing, The Hong Kong Polytechnic University（智能健康中心及护理学院，香港理工大学） ； Department of Imaging and Interventional Radiology, The Chinese University of Hong Kong（影像与介入放射学系，香港中文大学） ； Suzhou Hospital of Traditional Chinese Medicine Affiliated to Nanjing University of Chinese Medicine（南京中医药大学附属苏州中医医院） ； Department of Ultrasound, The Affiliated Changzhou No. 2 People's Hospital of Nanjing Medical University（南京医科大学附属常州第二人民医院超声科） 纠错

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

AI总结 本文提出混合微调策略，通过频域过滤和多尺度特征聚合提升CLIP模型在超声图像分析中的性能，实现更高效和鲁棒的医学诊断应用。

Towards Generalisable Foundation Models for Brain MRI

面向脑部MRI的通用基础模型

Moona Mazher, Geoff J. M. Parker, Daniel C. Alexander

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

AI总结 BrainFound是一种针对脑部MRI设计的通用基础模型，通过扩展DINO-v2实现3D脑解剖建模，支持多模态输入并提升诊断准确性，适用于多种临床场景和研究应用。

Lost in Distortion: Uncovering the Domain Gap Between Computer Vision and Brain Imaging -- A Study on Pretraining for Age Prediction

迷失在失真中：计算机视觉与脑影像之间的领域差距——关于年龄预测预训练的研究

Yanteng Zhang, Songheng Li, Zeyu Shen, Qizhen Lan, Lipei Zhang, Yang Liu, Vince Calhoun

机构 * Center for Translational Research in Neuroimaging and Data Science（转化神经影像与数据科学研究中心） ； College of Artificial Intelligence, Chengdu University of Information Technology（成都信息科技大学人工智能学院） ； Department of Applied Mathematics and Statistics（应用数学与统计学系） ； McWilliams School of Biomedical Informatics（麦卡威廉生物医学信息学学院） ； Department of Applied Mathematics and Theoretical Physics（应用数学与理论物理系） ； School of Biomedical Engineering and Imaging Sciences（生物医学工程与影像科学学院） 纠错

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

AI总结 本研究探讨了预训练在脑年龄预测中的应用，揭示了高质量数据与低质量数据在预训练中的不同影响，并强调了领域意识整理在构建可靠基础模型中的重要性。

Adapting Speech Language Model to Singing Voice Synthesis

将语音语言模型适应于歌唱语音合成

Yiwen Zhao, Jiatong Shi, Jinchuan Tian, Yuxun Tang, Jiarui Hai, Jionghao Han, Shinji Watanabe

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Renmin University of China（中国人民大学） ； John Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 本文提出将预训练语音语言模型适应于歌唱语音合成，通过多流语言模型预测、条件流匹配生成梅尔频谱图及梅尔到波形 vocoder 实现，验证了模型在歌唱语音合成任务中的有效性。

Comments Accepted by NeurIPS 2025 workshop AI for Music

Reinventing Clinical Dialogue: Agentic Paradigms for LLM Enabled Healthcare Communication

重新定义临床对话：面向LLM赋能医疗沟通的代理范式

Xiaoquan Zhi, Hongke Zhao, Likang Wu, Chuang Zhao, Hengshu Zhu

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

AI总结 本文提出一种新的分类法，通过知识源和代理目标的正交轴分析，揭示医疗AI从生成文本预测转向代理自主性的认知架构，并探讨四种范式在创造力与可靠性间的权衡。

UMind-VL: A Generalist Ultrasound Vision-Language Model for Unified Grounded Perception and Comprehensive Interpretation

UMind-VL：一种通用的超声视觉-语言模型，用于统一的 grounded perception 和全面的 interpretation

Dengbo Chen, Ziwei Zhao, Kexin Zhang, Shishuang Zhao, Junjie Hou, Yaqian Wang, Nianxi Liao, Anlan Sun, Fei Gao, Jia Ding, Yuhang Liu, Dong Wang

机构 * Yizhun Medical AI Team（义诊医疗AI团队） 纠错

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

AI总结 UMind-VL 是一种通用超声视觉-语言模型，通过统一的 grounded perception 和 comprehensive interpretation 实现对医学影像的高效理解和诊断。

VSpeechLM: A Visual Speech Language Model for Visual Text-to-Speech Task

VSpeechLM：一种用于视觉文本到语音任务的视觉语音语言模型

Yuyue Wang, Xin Cheng, Yihan Wu, Xihua Wang, Jinchuan Tian, Ruihua Song

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

AI总结 VSpeechLM通过结合文本-视频对齐器和改进的SpeechLLM解码器，实现了高质量且唇同步的视觉文本到语音生成。

Comments MM Asia 2025

Students' Perception of LLM Use in Requirements Engineering Education: An Empirical Study Across Two Universities

学生对在需求工程教育中使用大语言模型的感知：一项跨两所大学的实证研究

Sharon Guardado, Risha Parveen, Zheying Zhang, Maruf Rayhan, Nirnaya Tripathi

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

AI总结 本研究探讨了在需求工程教育中使用大语言模型对学生学习体验的影响，发现LLMs提升了学生对RE概念的理解，但同时也引发了关于学术诚信和AI依赖的担忧。

Comments Accepted by the 33rd IEEE International Requirements Engineering 2025 (RE'25), Valencia, Spain, September 1-5, 2025

Balancing Speech Understanding and Generation Using Continual Pre-training for Codec-based Speech LLM

通过持续预训练平衡基于编码器的语音LLM的语音理解和生成

Jiatong Shi, Chunlei Zhang, Jinchuan Tian, Junrui Ni, Hao Zhang, Shinji Watanabe, Dong Yu

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

AI总结 本文提出通过持续预训练框架平衡基于编码器的语音LLM的语音理解和生成，实现端到端的语音翻译系统，无需中间转录和翻译步骤。

Comments Accepted by ASRU2025

Scale What Counts, Mask What Matters: Evaluating Foundation Models for Zero-Shot Cross-Domain Wi-Fi Sensing

按重要性扩展，遮蔽关键因素：评估用于零样本跨域Wi-Fi感知的基础模型

Cheng Jiang, Yihe Yan, Yanxiang Wang, Chun Tung Chou, Wen Hu

机构 * School of Computer Science and Engineering, University of New South Wales（计算机科学与工程学院，新南威尔士大学） 纠错

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

AI总结 本文提出通过大规模预训练提升Wi-Fi感知跨域性能，发现数据规模和多样性对泛化能力至关重要，而模型容量的增加效果有限。

Align$^3$GR: Unified Multi-Level Alignment for LLM-based Generative Recommendation

Align$^3$GR: 基于大语言模型的生成推荐系统统一多级对齐

Wencai Ye, Mingjie Sun, Shuhang Chen, Wenjin Wu, Peng Jiang

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

AI总结 Align$^3$GR通过统一多级对齐方法，提升大语言模型在生成推荐系统中的性能，实验显示在Recall@10和NDCG@10指标上均取得显著提升。

Comments Accepted by AAAI 2026 (Oral)

The Potential and Limitations of Vision-Language Models for Human Motion Understanding: A Case Study in Data-Driven Stroke Rehabilitation

视觉-语言模型在人类运动理解中的潜力与局限性：数据驱动中风康复的案例研究

Victor Li, Naveenraj Kamalakannan, Avinash Parnandi, Heidi Schambra, Carlos Fernandez-Granda

机构 * Center for Data Science（数据科学中心） ； Tandon School of Engineering（工程学院） ； VitalConnect（VitalConnect公司） ； Department of Neurology（神经病学部） ； Department of Rehabilitation Medicine（康复医学部） ； Courant Institute of Mathematical Sciences（数学科学研究所） 纠错

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

AI总结 本文研究了视觉-语言模型在数据驱动中风康复中的应用，发现其在运动识别和剂量估计方面存在局限性，但通过优化提示和后处理可实现中等准确性的活动分类和运动检测。

Glo-VLMs: Leveraging Vision-Language Models for Fine-Grained Diseased Glomerulus Classification

Zhenhao Guo, Rachit Saluja, Tianyuan Yao, Quan Liu, Yuankai Huo, Benjamin Liechty, David J. Pisapia, Kenji Ikemura, Mert R. Sabuncu, Yihe Yang, Ruining Deng

机构 * New York University（纽约大学） ； Cornell Tech（康奈尔科技） ； Vanderbilt University（范德比尔特大学） ； Weill Cornell Medicine（韦尔医学院） ； Northwell Health（北well健康） 纠错

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

Journal ref Proceedings of SPIE Medical Imaging 2026

Steve: LLM Powered ChatBot for Career Progression

Naveen Mathews Renji, Balaji Rao, Carlo Lipizzi

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

Inside CORE-KG: Evaluating Structured Prompting and Coreference Resolution for Knowledge Graphs

Dipak Meher, Carlotta Domeniconi

机构 * Department of Computer Science（计算机科学系） ； George Mason University（乔治·马歇尔大学） 纠错

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

Comments ICDM 2025

SAIL-Embedding Technical Report: Omni-modal Embedding Foundation Model

Lin Lin, Jiefeng Long, Zhihe Wan, Yuchi Wang, Dingkang Yang, Shuang Yang, Yueyang Yao, Xu Chen, Zirui Guo, Shengqiang Li, Weiran Li, Hanyu Li, Yaling Mou, Yan Qiu, Haiyang Yu, Xiao Liang, Hongsheng Li, Chao Feng

机构 * ByteDance Douyin SAIL Team, CUHK MMLab（字节跳动抖音SAIL团队，CUHK MMLab） 纠错

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

Comments Technical Report

AlgoTune: Can Language Models Speed Up General-Purpose Numerical Programs?

Ori Press, Brandon Amos, Haoyu Zhao, Yikai Wu, Samuel K. Ainsworth, Dominik Krupke, Patrick Kidger, Touqir Sajed, Bartolomeo Stellato, Jisun Park, Nathanael Bosch, Eli Meril, Albert Steppi, Arman Zharmagambetov, Fangzhao Zhang, David Perez-Pineiro, Alberto Mercurio, Ni Zhan, Talor Abramovich, Kilian Lieret, Hanlin Zhang, Shirley Huang, Matthias Bethge, Ofir Press

机构 * Tübingen AI Center, University of Tübingen（图宾根人工智能中心，图宾根大学） ； Princeton University（普林斯顿大学） ； Meta (FAIR)（Meta（FAIR）） ； TU Braunschweig（Braunschweig技术大学） ； Cradle Bio ； LG Electronics Canada（LG加拿大电子公司） ； Seoul National University（首尔国立大学） ； Tel Aviv University（特拉维夫大学） ； Quansight PBC ； Stanford University（斯坦福大学） ； Norwegian University of Science and Technology（挪威科学与技术大学） ； EPFL（苏黎世联邦理工学院） ； Harvard University（哈佛大学） 纠错

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

Knowledge-Driven Vision-Language Model for Plexus Detection in Hirschsprung's Disease

Youssef Megahed, Atallah Madi, Dina El Demellawy, Adrian D. C. Chan

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

Comments Accepted into the ICAAI 2025 - The 9th International Conference on Advances in Artificial Intelligence