语言大模型 / LLM

XGeM: A Multi-Prompt Foundation Model for Multimodal Medical Data Generation

XGeM：一种多提示基础模型，用于多模态医学数据生成

Daniele Molino, Francesco Di Feola, Eliodoro Faiella, Deborah Fazzini, Domiziana Santucci, Linlin Shen, Valerio Guarrasi, Paolo Soda

机构 * Unit of Artificial Intelligence and Computer Systems, Department of Engineering, Università Campus Bio-Medico di Roma（人工智能与计算机系统单位，工程系，罗马生物医学大学） ； Department of Diagnostics and Intervention, Biomedical Engineering and Radiation Physics, Umeå University（诊断与介入部门，生物医学工程与辐射物理，乌梅大学） ； Department of Diagnostic Imaging and Stereotactic Radiosurgey, Centro Diagnostico Italiano S.p.A.（诊断影像与立体放射外科部门，意大利诊断中心股份有限公司） ； Department of Radiology and Interventional Radiology, Fondazione Policlinico Universitario Campus Bio-Medico（放射科与介入放射科，大学医学中心生物医学校园基金会） ； Research Unit of Radiology and Interventional Radiology, Department of Medicine and Surgery, Università Campus Bio-Medico di Roma（放射科与介入放射科研究单位，医学与外科系，罗马生物医学大学） ； College of Computer Science and Software Engineering, Shenzhen University（计算机科学与软件工程学院，深圳大学） 纠错

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

AI总结 XGeM是一种多模态生成模型，通过多提示训练策略实现灵活的医学数据合成，解决多模态数据生成中的临床一致性与数据稀缺问题。

Free Lunch in Medical Image Foundation Model Pre-training via Randomized Synthesis and Disentanglement

通过随机合成与解构在医疗图像基础模型预训练中获得免费午餐

Yuhan Wei, Yuting He, Linshan Wu, Fuxiang Huang, Junlin Hou, Hao Chen

机构 * Department of Computer Science and Engineering, the Hong Kong University of Science and Technology, Hong Kong, China（香港科技大学计算机科学与工程系） ； Department of Biomedical Engineering, Case Western Reserve University, OH, USA（凯斯西储大学生物医学工程系） ； School of Data Science, Lingnan University, Hong Kong, China（岭南大学数据科学学院） ； Department of Chemical and Biological Engineering and Division of Life Science, Hong Kong University of Science and Technology, Hong Kong, China（香港科技大学化学与生物工程系） ； HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute, Futian, Shenzhen, China（香港科技大学深圳-香港协同创新研究院） ； State Key Laboratory of Nervous System Disorders, The Hong Kong University of Science and Technology, Hong Kong, China（香港科技大学神经系统疾病国家重点实验室） 纠错

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

AI总结 本文提出RaSD框架，通过随机合成与解构方法在无需真实数据的情况下预训练医疗图像基础模型，实现稳健且可迁移的表示学习，展示了合成数据在医学AI中的强大潜力。

Assessing Electricity Demand Forecasting with Exogenous Data in Time Series Foundation Models

基于时间序列基础模型的外生数据电力需求预测评估

Wei Soon Cheong, Lian Lian Jiang, Jamie Ng Suat Ling

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

AI总结 本文评估了不同基础模型在电力需求预测中的表现，发现基础模型在某些情况下不如简单基线，强调了模型架构和地理环境对预测效果的影响。

Comments 9 pages, 1 Figure and 3 Tables. Accepted to AI4TS Workshop @ AAAI'26 as an oral presentation (see https://ai4ts.github.io/aaai2026)

Are foundation models useful feature extractors for electroencephalography analysis?

基础模型在脑电图分析中是否有用的特征提取器？

Özgün Turgut, Felix S. Bott, Markus Ploner, Daniel Rueckert

机构 * Chair for AI in Healthcare and Medicine, Technical University of Munich（人工智能在医疗与健康中的研究所，慕尼黑技术大学） ； Department of Neurology, Technical University of Munich（神经病学系，慕尼黑技术大学） ； Center for Interdisciplinary Pain Medicine, Technical University of Munich（跨学科疼痛医学中心，慕尼黑技术大学） ； Munich Center for Machine Learning, Munich, Germany（慕尼黑机器学习中心，德国慕尼黑） ； Department of Computing, Imperial College London（计算系，伦敦帝国学院） 纠错

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

AI总结 本文研究了基础模型在脑电图分析中的有效性，发现通用时间序列模型在特征提取上具有竞争力，能有效捕捉生物标志物特征，减少对大规模数据集的依赖。

Toward Effective Multimodal Graph Foundation Model: A Divide-and-Conquer Based Approach

迈向有效的多模态图基础模型：基于分而治之的方法

Sicheng Liu, Xunkai Li, Daohan Su, Ru Zhang, Hongchao Qin, Ronghua Li, Guoren Wang

机构 * Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） 纠错

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

AI总结 PLANET提出了一种基于分而治之的方法，通过解耦模态交互和对齐，提升多模态图基础模型的性能。

Comments 20 pages, 6 figures

Now You Hear Me: Audio Narrative Attacks Against Large Audio-Language Models

现在你能听见我：对抗大型音频-语言模型的音频叙述攻击

Ye Yu, Haibo Jin, Yaoning Yu, Jun Zhuang, Haohan Wang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Boise State University（博伊西州立大学） 纠错

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

AI总结 研究提出了一种音频叙述攻击，通过在叙述式音频流中嵌入非法指令，成功绕过大型音频-语言模型的安全机制，验证了语音接口安全性的关键挑战。

Comments to be published at EACL 2026 main conference

Latent Domain Prompt Learning for Vision-Language Models

潜在领域提示学习用于视觉-语言模型

Zhixing Li, Arsham Gholamzadeh Khoee, Yinan Yu

机构 * Chalmers University of Technology Department of Computer Science（查尔姆斯理工大学计算机科学与工程系） 纠错

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

AI总结 本文提出通过潜在领域聚类和文本特征融合，提升视觉-语言模型在无领域标签情况下的泛化能力与鲁棒性。

Comments Accepted to ICASSP 2026

Transparency-First Medical Language Models: Datasheets, Model Cards, and End-to-End Data Provenance for Clinical NLP

面向透明性的医疗语言模型：数据表、模型卡片和端到端数据溯源用于临床NLP

Olaf Yunus Laitinen Imanov, Taner Yilmaz, Ayse Tuba Tugrul, Melike Nesrin Zaman, Ozkan Gunalp, Duygu Erisken, Sila Burde Dulger, Rana Irem Turhan, Izzet Ozdemir, Derya Umut Kulali, Ozan Akbulut, Harun Demircioglu, Hasan Basri Kara, Berfin Tavan

机构 * TeMLM Foundation（TeMLM基金会） 纠错

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

AI总结 TeMLM通过数据表、模型卡片和端到端数据溯源，为临床NLP提供透明性优先的发布工具包，支持可重复审计和真实数据验证。

Comments 12 pages, 9 figures, 15 tables. Technetium-I case study and ProtactiniumBERT-100M reference benchmarks

OptimAI: Optimization from Natural Language Using LLM-Powered AI Agents

OptimAI：利用LLM驱动的AI代理进行自然语言优化

Raghav Thind, Youran Sun, Ling Liang, Haizhao Yang

机构 * Department of Computer Science University of Maryland at College Park（计算机科学系大学马里兰大学学院公园分校） ； Department of Mathematics University of Maryland at College Park（数学系大学马里兰大学学院公园分校） ； Department of Mathematics Department of Computer Science University of Maryland at College Park（数学系计算机科学系大学马里兰大学学院公园分校） 纠错

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

AI总结 OptimAI通过LLM驱动的AI代理解决自然语言描述的优化问题，实现88.1%的准确率，显著降低错误率。

Generative Language Models on Nucleotide Sequences of Human Genes

基于人类基因核苷酸序列的生成语言模型

Musa Nuri Ihtiyar, Arzucan Ozgur

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

AI总结 本研究开发了针对人类基因核苷酸序列的生成语言模型，探索了RNNs在该领域的最佳表现，并发现尽管简化语言可能减少数据需求，但实际数据需求变化不大。

Journal ref Scientific Reports, 2024, 14.1: 22204

Selecting Language Models for Social Science: Start Small, Start Open, and Validate

为社会科学选择语言模型：从小处入手，开放并验证

Dustin S. Stoltz, Marshall A. Taylor, Sanuj Kumar

机构 * Department of Sociology and Anthropology, Lehigh University（社会学与人类学系，莱恩大学） ； Department of Sociology, New Mexico State University（社会学系，新墨西哥州立大学） ； Department of Computer Science, New Mexico State University（计算机科学系，新墨西哥州立大学） 纠错

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

AI总结 本文提出通过选择较小且开放的语言模型，并构建限定性基准测试来验证计算流程的有效性，以提高社会科学中语言模型选择的可重复性和可靠性。

Fair Foundation Models for Medical Image Analysis: Challenges and Perspectives

医疗图像分析中的公平基础模型：挑战与展望

Dilermando Queiroz, Anderson Carlos, André Anjos, Lilian Berton

机构 * Federal University of São Paulo（巴西圣保罗联邦大学） ； Federal Institute of Goiás（哥亚斯联邦理工学院） ； Idiap Research Institute（Idiap研究机构） 纠错

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

AI总结 本文探讨了医疗图像分析中公平基础模型的挑战与前景，强调通过系统性干预和政策参与实现公平性，以推动医疗技术的普及。

Explainable Molecular Property Prediction: Aligning Chemical Concepts with Predictions via Language Models

可解释性分子性质预测：通过语言模型对齐化学概念与预测

Zhenzhong Wang, Zehui Lin, Wanyu Lin, Ming Yang, Minggang Zeng, Kay Chen Tan

机构 * Department of Computing, The Hong Kong Polytechnic University（计算系，香港理工大学） ； Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（数据科学与人工智能系，香港理工大学） ； Department of Computing and Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（计算系和数据科学与人工智能系，香港理工大学） ； Department of Applied Physics, The Hong Kong Polytechnic University（应用物理系，香港理工大学） ； Institute of High Performance Computing, Agency for Science, Technology and Research (A*STAR)（高性能计算研究所，科技研究局（A*STAR）） 纠错

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

AI总结 Lamole通过结合自注意力权重和梯度，提供与化学概念对齐的解释，提升分子性质预测的可解释性。

How Much Data Is Enough? Uniform Convergence Bounds for Generative & Vision-Language Models under Low-Dimensional Structure

需要多少数据？在低维结构下生成式与视觉-语言模型的统一收敛界限

Paul M. Thompson

机构 * Stevens Institute for Neuroimaging and Informatics, University of Southern California（神经影像与信息学研究所，南加州大学） 纠错

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

AI总结 研究在低维结构下生成式和视觉-语言模型的统一收敛界限，探讨数据量与模型校准之间的关系。

Comments 13 pages, 2 figures

EEG Foundation Models: A Critical Review of Current Progress and Future Directions

EEG基础模型：对当前进展和未来方向的批判性回顾

Gayal Kuruppu, Neeraj Wagh, Vaclav Kremen, Sandipan Pati, Gregory Worrell, Yogatheesan Varatharajah

机构 * Department of Computer Science & Engineering, University of Minnesota Twin Cities（计算机科学与工程系，明尼苏达大学双城分校） ； Department of Bioengineering, University of Illinois at Urbana-Champaign（生物工程系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Neurology, Mayo Clinic（神经病学系，梅奥诊所） ； Department of Neurology, University of Minnesota Twin Cities（神经病学系，明尼苏达大学双城分校） 纠错

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

AI总结 本文回顾了EEG基础模型的当前进展，分析了其在自监督建模中的方法和评估策略，指出未来需加强可扩展性和可信度以提升实际应用价值。

Comments 22 pages (main), 5 figures (main), 4 tables (main + supplement)

Embracing Dialectic Intersubjectivity: Coordination of Different Perspectives in Content Analysis with LLM Persona Simulation

拥抱辩证的主体间性：利用LLM人格模拟协调内容分析中的不同视角

Taewoo Kang, Kjerstin Thorson, Tai-Quan Peng, Dan Hiaeshutter-Rice, Sanguk Lee, Stuart Soroka

机构 * Department of Media and Information（媒体与信息系） ； Michigan State University（密歇根州立大学） ； College of Liberal Arts（人文学院） ； Colorado State University（科罗拉多州立大学） ； Department of Communication（传播系） ； Department of Advertising and Public Relations（广告与公共关系系） ； Department of Communication Studies（传播学系） ； Texas Christian University（德克萨斯 Christian 大学） ； Departments of Communication and Political Science（传播与政治学系） ； University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 本文通过LLM人格模拟协调内容分析中的不同视角，探讨了党派偏见对编码结果的影响，并提升了AI驱动的社会科学研究的严谨性。

Journal ref Social Science Computer Review, 2025

A Review on the Applications of Transformer-based language models for Nucleotide Sequence Analysis

基于变换器语言模型在核苷酸序列分析中应用的综述

Nimisha Ghosh, Daniele Santoni, Indrajit Saha, Giovanni Felici

机构 * Department of Computer Science and Information Technology, Institute of Technical Education and Research（计算机科学与信息技术系，技术教育与研究学院） 纠错

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

AI总结 本文综述了基于变换器语言模型在核苷酸序列分析中的应用，分析了其主要特征和不同定制方法，并为初学者提供了变换器的工作原理描述。

Journal ref Computational and Structural Biotechnology Journal, 2025

Advancing Financial Engineering with Foundation Models: Progress, Applications, and Challenges

用基础模型推进金融工程：进展、应用与挑战

Liyuan Chen, Shuoling Liu, Jiangpeng Yan, Xiaoyu Wang, Henglin Liu, Chuang Li, Kecheng Jiao, Jixuan Ying, Yang Veronica Liu, Qiang Yang, Xiu Li

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

AI总结 本文综述了金融基础模型（FFMs）的进展、应用与挑战，涵盖三种关键模态，并探讨了数据可用性、算法可扩展性和基础设施限制等关键问题。

Comments Accepted by [J]. Engineering, 2025

That's So FETCH: Fashioning Ensemble Techniques for LLM Classification in Civil Legal Intake and Referral

That's So FETCH: 为LLM在民事法律受理与转介中的分类构建集成技术

Quinten Steenhuis

机构 * Suffolk University Law School（苏富比大学法学院） 纠错

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

AI总结 本文提出FETCH分类器，通过混合LLM/ML方法和自动生成后续问题，提升法律问题分类的准确率至97.37%。

Comments Submission to JURIX 2025

The Erosion of LLM Signatures: Can We Still Distinguish Human and LLM-Generated Scientific Ideas After Iterative Paraphrasing?

LLM签名的消解：在迭代改写后能否仍区分人类和LLM生成的科学想法？

Sadat Shahriar, Navid Ayoobi, Arjun Mukherjee

机构 * University of Houston（德克萨斯大学） 纠错

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

AI总结 研究探讨了在多次迭代改写后，现有模型区分人类与LLM生成科学想法的能力，发现改写显著削弱了LLM签名的可区分性。

Comments Published in RANLP 2025

Bridging Online Behavior and Clinical Insight: A Longitudinal LLM-based Study of Suicidality on YouTube Reveals Novel Digital Markers

弥合在线行为与临床洞察：一项基于长期LLM研究的YouTube自杀性行为揭示了新的数字标记

Ilanit Sobol, Shir Lissak, Refael Tikochinski, Tal Nakash, Anat Brunstein Klomek, Eyal Fruchter, Roi Reichart

机构 * Technion – Israel Institute of Technology（技术学院–以色列理工学院） 纠错

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

AI总结 本研究通过分析YouTube自杀尝试者的语言模式，结合LLM和临床专家方法，揭示了新的数字标记，揭示了自杀行为与心理健康之间的关联。

PETAR: Localized Findings Generation with Mask-Aware Vision-Language Modeling for PET Automated Reporting

PETAR：基于掩码感知的视觉-语言建模的局部发现生成用于PET自动报告

Danyal Maqbool, Changhee Lee, Zachary Huemann, Samuel D. Church, Matthew E. Larson, Scott B. Perlman, Tomas A. Romero, Joshua D. Warner, Meghan Lubner, Xin Tie, Jameson Merkow, Junjie Hu, Steve Y. Cho, Tyler J. Bradshaw

机构 * University of Wisconsin–Madison Department of Computer Sciences（威斯康星大学麦迪逊分校计算机科学系） ； University of Wisconsin–Madison Department Radiology（威斯康星大学麦迪逊分校放射学系） ； Microsoft（微软公司） 纠错

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

AI总结 PETAR通过引入PETARSeg-11K数据集和PETAR-4B模型，实现基于掩码感知的3D PET自动报告生成，提升医学影像分析的精度与实用性。

Toward Automatic Safe Driving Instruction: A Large-Scale Vision Language Model Approach

迈向自动安全驾驶指令：一种大规模视觉语言模型方法

Haruki Sakajo, Hiroshi Takato, Hiroshi Tsutsui, Komei Soda, Hidetaka Kamigaito, Taro Watanabe

机构 * Nara Institute of Science and Technology（奈良科学技术研究所） ； Teatis inc.（Teatis公司） ； Queensland university of technology（昆士兰理工大学） 纠错

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

AI总结 本文提出了一种大规模视觉语言模型方法，用于生成安全驾驶指令，通过构建数据集并评估模型性能，展示了微调模型在自动驾驶安全中的应用与挑战。

Comments Accepted to MMLoSo 2025

Enhancing Agentic Autonomous Scientific Discovery with Vision-Language Model Capabilities

Kahaan Gandhi, Boris Bolliet, Inigo Zubeldia

机构 * Department of Physics, University of Cambridge, Cambridge, United Kingdom（剑桥大学物理系） ； Kavli Institute for Cosmology, University of Cambridge, Cambridge, United Kingdom（剑桥大学卡弗利天文研究所） ； Department of Physics and Astronomy, Haverford College, 370 Lancaster Avenue, Haverford, PA 19041, USA（哈弗福德学院物理与天文学系） ； Division of Physics, Mathematics and Astronomy, California Institute of Technology, Pasadena, CA 91125, USA（加州理工学院物理、数学与天文学系） ； Institute of Astronomy, University of Cambridge, Cambridge, United Kingdom（剑桥大学天文研究所） 纠错

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

Semantic Document Derendering: SVG Reconstruction via Vision-Language Modeling

Adam Hazimeh, Ke Wang, Mark Collier, Gilles Baechler, Efi Kokiopoulou, Pascal Frossard

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

Anatomy-VLM: A Fine-grained Vision-Language Model for Medical Interpretation

Difei Gu, Yunhe Gao, Mu Zhou, Dimitris Metaxas

机构 * Rutgers University（新泽西罗格斯大学） ； Stanford University（斯坦福大学） 纠错

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

Comments Accepted to Winter Conference on Applications of Computer Vision (WACV) 2026

LINK-KG: LLM-Driven Coreference-Resolved Knowledge Graphs for Human Smuggling Networks

Dipak Meher, Carlotta Domeniconi, Guadalupe Correa-Cabrera

机构 * Department of Computer Science（计算机科学系） ； George Mason University（乔治·梅森大学） ； Schar School of Policy and Government（政策与政府学院） 纠错

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

Comments Accepted in ICKG 2025 Conference, 8 Pages, 2 Figures

Foundation Models for Scientific Discovery: From Paradigm Enhancement to Paradigm Transition

Fan Liu, Jindong Han, Tengfei Lyu, Weijia Zhang, Zhe-Rui Yang, Lu Dai, Cancheng Liu, Hao Liu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

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

Comments NeurIPS 2025

Understanding the Modality Gap: An Empirical Study on the Speech-Text Alignment Mechanism of Large Speech Language Models

Bajian Xiang, Shuaijiang Zhao, Tingwei Guo, Wei Zou

机构 * Beike Inc.（贝克公司） ； Bairong Inc.（柏睿公司） 纠错

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

Comments Accepted to EMNLP 2025 (Main Conference)

General Demographic Foundation Models for Enhancing Predictive Performance Across Diseases and Populations

Li-Chin Chen, Ji-Tian Sheu, Yuh-Jue Chuang

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