语言大模型 / LLM

Enabling clinical use of foundation models for computational pathology

使计算病理学基础模型在临床应用中发挥作用

Audun L Henriksen, Ole-Johan Skrede, Lisa van der Schee, Enric Domingo, Karolina Cyll, Sepp de Raedt, Ilyá Kostolomov, Jennifer Hay, Wanja Kildal, Joakim Kalsnes, Robert W Williams, Manohar Pradhan, John Arne Nesheim, Hanne Askautrud, Maria Isaksen, Karmele Saez de Gordoa, Miriam Cuatrecasas, Joanne Edwards, TransSCOT group, Arild Nesbakken, Neil A Shepherd, Ian Tomlinson, Daniel-Christoph Wagner, Rachel Kerr, Tarjei Sveinsgjerd Hveem, Knut Liestøl, Yoshiaki Nakamura, Marco Novelli, Masaaki Miyo, Sebastian Försch, David N Church, Miangela M Lacle, David J Kerr, Andreas Kleppe

机构 * Institute for Cancer Genetics and Informatics, Oslo University Hospital（癌症遗传学与信息学研究所，奥斯陆大学医院） ； Department of Pathology, University Medical Center Utrecht（病理学系，乌得勒支大学医学中心） ； Department of Oncology, University of Oxford（肿瘤学系，牛津大学） ； CRUK Beatson Institute of Cancer Research, Garscube Estate（CRUK贝茨癌症研究中心，加尔斯克里特庄园） ； Glasgow Tissue Research Facility, University of Glasgow, Queen Elizabeth University Hospital（格拉斯哥组织研究设施，格拉斯哥大学，伊丽莎白女王大学医院） ； Area for Improvement and Digital Transformation, Norwegian Offshore Directorate（改进与数字化转型部门，挪威海上管理局） ； Pathology Department, Hospital Clínic, Barcelona, Spain（病理学系，巴塞罗那医院，西班牙） ； Institut d’Investigacions Biomèdiques August Pi I Sunyer (IDIBAPS), Barcelona, Spain（August Pi I Sunyer生物医学研究所（IDIBAPS），巴塞罗那，西班牙） ； Department of Clinical Foundations, Universitat de Barcelona（临床基础系，巴塞罗那大学） ； School of Cancer Sciences, Wolfson Wohl Cancer Research Centre, University of Glasgow（癌症科学学院，沃尔夫森沃尔夫癌症研究中心，格拉斯哥大学） ； Institute of Clinical Medicine, University of Oslo（临床医学研究所，奥斯陆大学） ； Department of Gastrointestinal Surgery, Oslo University Hospital（胃肠外科系，奥斯陆大学医院） 纠错

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

AI总结 本文通过引入鲁棒性损失，提升了计算病理学基础模型的鲁棒性，提高了分类准确率，且无需重新训练基础模型，从而更适用于实际临床应用。

MoshiRAG: Asynchronous Knowledge Retrieval for Full-Duplex Speech Language Models

MoshiRAG: 异步知识检索用于全双工语音语言模型

Chung-Ming Chien, Manu Orsini, Eugene Kharitonov, Neil Zeghidour, Karen Livescu, Alexandre Défossez

机构 * Toyota Technological Institute at Chicago（丰田技术研究所（芝加哥）） 纠错

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

AI总结 本文提出MoshiRAG，通过异步框架结合紧凑接口与选择性检索，提升全双工语音模型的事实性，同时保持交互性。

Comments Accepted to ICML 2026

Monocular Biomechanical Tracking of Fingers with Inverse Kinematics to Foundation Models

单目生物力学追踪手指：结合逆运动学与基础模型

R. James Cotton, Pouyan Firouzabadi, Wendy Murray

机构 * Shirley Ryan AbilityLab Department of PM\&R Northwestern University ； Shirley Ryan AbilityLab Department of Biomedical Engineering Northwestern University 纠错

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

AI总结 本文提出结合SAM 3D Body基础模型与逆运动学优化的方法，实现单目视频中手指关节角度的生物力学追踪，验证结果表明在多视角重建中误差较小，扩展了单目生物力学分析的应用范围。

Comments Accepted to EMBC 2026

Sequential Causal Discovery with Noisy Language Model Priors

具有噪声语言模型先验的顺序因果发现

Prakhar Verma, David Arbour, Sunav Choudhary, Harshita Chopra, Arno Solin, Atanu R. Sinha

机构 * ELLIS Institute Finland and Aalto University（芬兰ELLIS研究所和阿尔托大学） ； Adobe Research（Adobe研究） ； University of Washington, Seattle（华盛顿大学（西雅图）） 纠错

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

AI总结 本文提出一种混合框架，通过适应性整合顺序批次数据与噪声专家知识，提升因果发现的准确性，并扩展到参数估计，展示了对语言模型噪声的鲁棒性。

Comments 32 pages, Transactions on Machine Learning Research - TMLR (04/2026)

Wisteria: A Unified Multi-Scale Feature Learning Framework for DNA Language Model

藤萝：一种统一的多尺度特征学习框架用于DNA语言模型

Weihua Wang, Haoji Li, Feilong Bao, Lei Yang, Guanglai Gao

机构 * College of Computer Science, Inner Mongolia University（内蒙古大学计算机科学学院） ； National and Local Joint Engineering Research Center of Intelligent Information Processing Technology for Mongolian（蒙古语智能信息处理技术国家级与地方联合工程研究中心） ； Inner Mongolia Key Laboratory of Multilingual Artificial Intelligence Technology（内蒙古多语种人工智能技术重点实验室） ； School of Life Sciences, Inner Mongolia University（内蒙古大学生命科学学院） 纠错

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

AI总结 本文提出Wisteria模型，通过统一框架整合多尺度特征学习，结合门控扩张卷积和门控多层感知机，有效统一局部和全局依赖建模，提升DNA序列分析性能。

Comments 25 pages, 4 figures. Under review

SCOUT: A Defense Against Data Poisoning Attacks in Fine-Tuned Language Models

SCOUT：一种对抗微调语言模型数据中毒攻击的防御方法

Mohamed Afane, Abhishek Satyam, Ke Chen, Tao Li, Junaid Farooq, Juntao Chen

机构 * Department of Computer and Information Sciences, Fordham University（福特汉姆大学计算机与信息科学系） ； Department of Electrical Engineering, Zhejiang University（浙江大学电子工程系） ； Department of Systems Engineering, City University of Hong Kong（香港城市大学系统工程系） ； Department of Electrical and Computer Engineering, University of Michigan-Dearborn（密歇根大学迪尔伯恩分校电气与计算机工程系） 纠错

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

AI总结 本文提出SCOUT框架，通过令牌级显著性分析检测数据中毒攻击，有效识别隐含触发器，提升对复杂攻击的防御能力。

Comments 9 pages, 3 figures

Journal ref 2025 IEEE International Conference on Big Data (BigData), 2025

Quantum Kernel Advantage over Classical Collapse in Medical Foundation Model Embeddings

量子核在医疗基础模型嵌入中的优势超过经典崩溃

Sebastian Cajas Ordóñez, Felipe Ocampo Osorio, Dax Enshan Koh, Rafi Al Attrach, Aldo Marzullo, Ariel Guerra-Adames, J. Alejandro Andrade, Siong Thye Goh, Chi-Yu Chen, Rahul Gorijavolu, Xue Yang, Noah Dane Hebdon, Leo Anthony Celi

机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT Critical Data ； Fundación Valle del Lili（Valle del Lili基金会） ； Quantum Innovation Centre (Q.InC)（量子创新中心） ； Agency for Science, Technology and Research (A*STAR)（科技研究局） ； Institute of High Performance Computing (IHPC)（高性能计算研究所） ； Science, Mathematics and Technology Cluster（科学、数学和技术集群） ； Singapore University of Technology and Design（新加坡科技与设计大学） ； Université de Bordeaux（波尔多大学） ； Inserm U1219 ； Politecnico di Milano（米兰理工学院） ； Universidad del Cauca（卡利大学） ； Singapore Management University（新加坡管理大学） ； National Taiwan University Hospital（台湾大学医院） 纠错

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

AI总结 本文通过量子支持向量机在无噪声模拟中证明了量子核在二元保险分类中的优势，展示了量子核在保持非平凡召回率方面的有效性，同时揭示了量子核有效秩远超线性核。

Forecasting Commencing Enrolments Under Data Sparsity: A Zero-Shot Time Series Foundation Models Framework for Higher Education Planning

在数据稀疏条件下预测入学人数：一种用于高等教育规划的零样本时间序列基础模型框架

Jittarin Jetwiriyanon, Teo Susnjak, Surangika Ranathunga

机构 * School of Mathematical and Computational Sciences（数学与计算科学学院） ； Massey University（梅西大学） ； Albany, New Zealand（新西兰奥克兰） 纠错

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

AI总结 本文探讨零样本时间序列基础模型在数据稀疏情况下对入学人数预测的可行性，通过对比经典方法验证其有效性，并提出可转移的预测协议。

Comments 30 pages, 5 figures, 3 tables

CURA: Clinical Uncertainty Risk Alignment for Language Model-Based Risk Prediction

CURA：语言模型基于风险预测的临床不确定性风险对齐

Sizhe Wang, Ziqi Xu, Claire Najjuuko, Charles Alba, Chenyang Lu

机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） 纠错

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

AI总结 CURA通过结合个体误差概率和群体模糊性，提升临床语言模型的风险预测不确定性校准，实验表明其能提高校准指标并减少过度自信的误判。

Comments Accepted at ACL 2026 Main Conference

AgenticQwen: Training Small Agentic Language Models with Dual Data Flywheels for Industrial-Scale Tool Use

AgenticQwen：通过双数据飞轮训练小型代理语言模型以实现工业级工具使用

Yuanjie Lyu, Chengyu Wang, Haonan Zheng, Yuanhao Yue, Junbing Yan, Ming Wang, Jun Huang

机构 * Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 本文提出AgenticQwen模型，通过多轮强化学习在合成数据和有限开源数据上训练，结合推理强化学习和代理强化学习的双数据飞轮，提升工业场景下的多步骤推理和工具使用能力。

MRGEN: A Conceptual Framework for LLM-Powered Mixed Reality Authoring Tools for Education

MRGEN：一种基于大语言模型的混合现实教育作者工具的概念框架

Mohammed Oussama Seddini, Mohamed Ez-Zaouia, Ngoc Luyen Le, Iza Marfisi

机构 * LIUM, Le Mans Université（里摩斯大学） ； IRISA, Université de Rennes（里莫斯大学） 纠错

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

AI总结 本文提出MRGEN框架，利用大语言模型帮助教师创建适用于移动设备的混合现实学习活动，实验显示AI辅助显著缩短任务时间，90%以上参与者认为AI支持有助于构思和对齐学习目标。

Journal ref The Mobile Learning 2026 International Conference, Mar 2026, Zagreb, Croatia

Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with A Generalist Foundation Model and Multimodal Database

通过通用基础模型和多模态数据库实现跨异构临床环境的超快速心血管成像

Zi Wang, Mingkai Huang, Zhang Shi, Hongjie Hu, Lan Lan, Hui Zhang, Yan Li, Xi Hu, Qing Lu, Zongming Zhu, Qiong Yao, Yuxiang Dai, Fanwen Wang, Yinzhe Wu, Jun Lyu, Qianqian Gao, Guangming Xu, Zhenxuan Zhang, Haosen Zhang, Qing Li, Guangming Wang, Tianxing He, Lizhen Lan, Siyue Li, Le Xue, Mengting Sun, Yuntong Lyu, Junpu Hu, Jiayu Zhu, Rizwan Ahmad, Zhengyu Bu, Xianling Qian, Guanke Cai, Ruiyu Cao, Weirui Cai, Chang Xu, Yuyang Ren, Feidan Yu, Siying Ma, Ziqiang Xu, Xinran Chen, Sha Hua, Daniel Kim, Yajing Zhang, Chen Ouyang, Wenjia Bai, Jing Qin, Yucheng Yang, Daniel Rueckert, He Wang, Qian Tao, Claudia Prieto, Michael Markl, Alistair Young, Lianming Wu, Shuo Wang, Chen Qin, Mengsu Zeng, Xihong Hu, Haibo Xu, Xiaobo Qu, Hao Li, Guang Yang, Chengyan Wang

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

AI总结 本文提出CardioMM模型，通过统一语义理解和物理约束数据一致性，实现跨不同扫描仪、协议和患者情况的稳健重建，验证了24倍加速仍能保持关键心脏表型和诊断图像质量。

Comments Github: https://github.com/wangziblake/CardioMM_MMCMR-427K

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)；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 12 pages, 8 figures

Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models

深入探讨医学图像分割中的随机不确定性：通过视觉基础模型

Ruiyang Li, Fang Liu, Licheng Jiao, Xinglin Xie, Jiayao Hao, Shuo Li, Xu Liu, Jingyi Yang, Lingling Li, Puhua Chen, Wenping Ma

机构 * Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education（教育部智能感知与图像理解重点实验室） ； International Research Center for Intelligent Perception and Computation（智能感知与计算国际研究中心） ； Joint International Research Laboratory of Intelligent Perception and Computation（智能感知与计算联合国际研究实验室） ； School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院） 纠错

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

AI总结 本文通过视觉基础模型分析医学图像分割中的数据不确定性，提出数据过滤和动态优化策略，提升模型鲁棒性和分割性能。

Is There Knowledge Left to Extract? Evidence of Fragility in Medically Fine-Tuned Vision-Language Models

还有可以提取的知识吗？医学微调视觉语言模型中的脆弱性证据

Oliver McLaughlin, Daniel Shubin, Carsten Eickhoff, Ritambhara Singh, William Rudman, Michal Golovanevsky

机构 * Brown University（布朗大学） ； University of Washington（华盛顿大学） ； University of Tübingen（蒂宾根大学） ； The 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 ：language model(title,abstract)；分类 cs.AI

AI总结 研究评估了四个医学微调的视觉语言模型在四个医学影像任务中的表现，发现任务难度增加时性能下降至接近随机水平，表明临床推理有限，医学微调无明显优势，模型对提示词敏感。

Enhancing the Safety of Medical Vision-Language Models by Synthetic Demonstrations

通过合成演示增强医疗视觉-语言模型的安全性

Zhiyu Xue, Reza Abbasi-Asl, Ramtin Pedarsani

机构 * UC Santa Barbara（加州大学圣塔芭芭拉分校） ； UC San Francisco（加州大学旧金山分校） 纠错

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

AI总结 本文提出一种新的推理时防御策略，通过合成临床演示提升模型安全性，同时平衡安全与性能。

Mina: A Multilingual LLM-Powered Legal Assistant Agent for Bangladesh for Empowering Access to Justice

Mina：一种多语言大语言模型驱动的法律助理代理，用于孟加拉国，以促进获得正义

Azmine Toushik Wasi, Wahid Faisal, Mst Rafia Islam, Md Rizwan Parvez

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

AI总结 Mina通过多语言嵌入和基于RAG的工具链框架，为孟加拉国提供多语言法律助理服务，实现法律文书、引文和通俗解释的生成，经评估在法律考试中表现优异，成本显著降低。

Comments Accepted to ACL 2026 Findings

Bi-level Heterogeneous Learning for Time Series Foundation Models: A Federated Learning Approach

双层异构学习用于时间序列基础模型：一种联邦学习方法

Shengchao Chen, Guodong Long, Dikai Liu, Jing Jiang

机构 * Australian AI Institute, University of Technology Sydney（澳大利亚人工智能研究所，悉尼科技大学） ； Robotics Institute, University of Technology Sydney（机器人研究所，悉尼科技大学） 纠错

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

AI总结 本文提出双层异构学习方法，通过联邦学习减少跨域干扰，提升时间序列基础模型在点预测和概率预测中的性能，同时实现零样本学习。

Comments 31 pages

LUMINA: Foundation Models for Topology Transferable ACOPF

LUMINA：适用于拓扑可转移ACOPF的基座模型

Yijiang Li, Zeeshan Memon, Hongwei Jin, Stefano Fenu, Keunju Song, Sunash B Sharma, Parfait Gasana, Hongseok Kim, Liang Zhao, Kibaek Kim

机构 * Argonne National Laboratory（阿贡国家实验室） ； Emory University（埃默里大学） ； Sogang University（西江大学） 纠错

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

AI总结 本文提出LUMINA框架，通过系统研究ACOPF问题，提炼出三个指导科学基座模型设计的原则，旨在解决受约束科学系统中的物理定律和安全限制挑战。

A Mixture of Experts Foundation Model for Scanning Electron Microscopy Image Analysis

一种用于扫描电子显微镜图像分析的专家混合基础模型

Sk Miraj Ahmed, Yuewei Lin, Chuntian Cao, Shinjae Yoo, Xinpei Wu, Won-Il Lee, Nikhil Tiwale, Dan N. Le, Thi Thu Huong Chu, Jiyoung Kim, Kevin G. Yager, Chang-Yong Nam

机构 * Brookhaven National Laboratory（布鲁克海文国家实验室） ； The University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

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

AI总结 本文提出首个扫描电子显微镜图像基础模型，通过预训练多仪器多条件科学显微图像数据集，实现跨不同材料系统和成像条件的泛化，展示了在去模糊到聚焦图像翻译任务中的优越性能。

Human Values Matter: Investigating How Misalignment Shapes Collective Behaviors in LLM Agent Communities

人类价值观至关重要：探讨价值观不一致如何塑造LLM代理社区的集体行为

Xiangxu Zhang, Jiamin Wang, Qinlin Zhao, Hanze Guo, Linzhuo Li, Jing Yao, Xiao Zhou, Xiaoyuan Yi, Xing Xie

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； Microsoft Research Asia（微软亚洲研究院） ； Department of Sociology, Zhejiang University（浙江大学社会学系） 纠错

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

AI总结 研究探讨LLM代理社区中价值观不一致如何影响集体行为，通过CIVA环境发现关键价值观对集体动态的影响及系统故障和欺骗行为的产生。

How Well Do Agentic Skills Work in the Wild: Benchmarking LLM Skill Usage in Realistic Settings

代理技能在真实环境中的表现如何：在现实场景中评估LLM技能使用的基准测试

Yujian Liu, Jiabao Ji, Li An, Tommi Jaakkola, Yang Zhang, Shiyu Chang

机构 * UC Santa Barbara（加州大学圣塔芭芭拉分校） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） 纠错

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

AI总结 本文研究了在更现实的环境下LLM技能的实用性，发现技能效果随环境复杂性增加而下降，通过查询特定的技能细化策略可恢复性能，实验在Terminal-Bench 2.0上提升了Claude Opus 4.6的通过率。

The Geometric Alignment Tax: Tokenization vs. Continuous Geometry in Scientific Foundation Models

几何对齐税：令牌化与连续几何在科学基础模型中的对比

Prashant C. Raju

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

AI总结 科学基础模型在预测精度优化中面临连续几何保持问题，研究发现几何对齐税是内在成本，通过连续头替代交叉熵可显著减少几何失真，但编码本存在非单调双关现象，不同架构在连续与离散目标下表现差异显著。

A Generative Foundation Model for Multimodal Histopathology

多模态病理生成模型基础框架

Jinxi Xiang, Mingjie Li, Siyu Hou, Yijiang Chen, Xiangde Luo, Yuanfeng Ji, Xiang Zhou, Ehsan Adeli, Akshay Chaudhari, Curtis P. Langlotz, Kilian M. Pohl, Ruijiang Li

机构 * Department of Radiation Oncology, Stanford University School of Medicine（斯坦福大学医学院放射肿瘤学系） ； Department of Psychiatry and Behavioral Sciences, Stanford University School of Medicine（斯坦福大学医学院精神病学与行为科学系） ； Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； Department of Radiology, Stanford University（斯坦福大学放射学系） ； Center for Artificial Intelligence in Medicine and Imaging, Stanford University（斯坦福大学医学与影像人工智能中心） 纠错

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

AI总结 本文提出MuPD模型，通过扩散变压器整合病理图像、分子数据和临床文本，实现跨模态生成任务，提升诊断准确性和数据扩展性。

Comments 33 pages, 9 figures

A Multimodal Foundation Model of Spatial Transcriptomics and Histology for Biological Discovery and Clinical Prediction

一种结合空间转录组学和组织学的多模态基础模型用于生物发现和临床预测

Jinxi Xiang, Siyu Hou, Yuchen Li, Ryan Quinton, Xiaoming Zhang, Feyisope Eweje, Xiangde Luo, Yijiang Chen, Zhe Li, Colin Bergstrom, Ted Kim, Sierra Willens, Francesca Maria Olguin, Matthew Abikenari, Andrew Heider, Sanjeeth Rajaram, Joel Neal, Maximilian Diehn, Xiang Zhou, Ruijiang Li

机构 * Department of Radiation Oncology, Stanford University School of Medicine（斯坦福大学医学院放射肿瘤学系） ； Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系） ； Department of Medicine (Oncology), Stanford University School of Medicine（斯坦福大学医学院医学系（肿瘤学）） ； Department of Pathology, Stanford University School of Medicine（斯坦福大学医学院病理学系） ； Department of Neurosurgery, Stanford University School of Medicine（斯坦福大学医学院神经外科学系） ； Stanford Institute for Human-Centered Artificial Intelligence（斯坦福大学以人为本人工智能研究所） ； Perelman School of Medicine at the University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院） 纠错

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

AI总结 本文提出STORM模型，整合形态学特征、基因表达和空间上下文，提升空间领域发现并预测肿瘤类型基因表达，提高免疫治疗响应预测和预后诊断。

Comments 29 pages, 5 figures. This manuscript is a work in progress; further updates and revisions will be posted as they become available

Smart Transfer: Leveraging Vision Foundation Model for Rapid Building Damage Mapping with Post-Earthquake VHR Imagery

智能迁移：利用视觉基础模型实现地震后高分辨率影像快速建筑损坏映射

Hao Li, Liwei Zou, Wenping Yin, Gulsen Taskin, Naoto Yokoya, Danfeng Hong, Wufan Zhao

机构 * Department of Geography, National University of Singapore（新加坡国立大学地理系） ； Urban Governance and Design Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）城市治理与设计学域） ； School of Environment and Spatial Informatics, China University of Mining and Technology（中国矿业大学环境与空间信息学院） ； Disaster Management Institute, Istanbul Technical University（伊斯坦布尔技术大学灾害管理研究所） ； Department of Complexity Science and Engineering, University of Tokyo（东京大学复杂科学与工程系） ； School of Automation, Southeast University（东南大学自动化学院） 纠错

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

AI总结 本文提出Smart Transfer框架，利用先进视觉基础模型实现快速建筑损坏映射，通过像素聚类和距离惩罚三元组策略提升跨区域迁移性能，为灾害响应提供可扩展的自动化解决方案。

LLM Agents as Social Scientists: A Human-AI Collaborative Platform for Social Science Automation

LLM代理作为社会科学家：一种人机协作的社会科学自动化平台

Lei Wang, Yuanzi Li, Jinchao Wu, Heyang Gao, Xiaohe Bo, Xu Chen, Ji-Rong Wen

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； Beijing Key Laboratory of Big Data Management and Analysis Methods（大数据管理与分析方法北京市重点实验室） 纠错

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

AI总结 本文提出S-Researcher平台，通过LLM代理实现社会科学研究的高效化与规模化，结合自动编程、分布式架构和反馈驱动微调，构建人机协作的研究闭环，验证了三种推理模式在社会科学中的应用。

EvalBlocks: A Modular Pipeline for Rapidly Evaluating Foundation Models in Medical Imaging

EvalBlocks：一种模块化流水线，用于快速评估医学影像中的基础模型

Jan Tagscherer, Sarah de Boer, Lena Philipp, Fennie van der Graaf, Dré Peeters, Joeran Bosma, Lars Leijten, Bogdan Obreja, Ewoud Smit, Alessa Hering

机构 * Radboud University Medical Center（拉德堡德大学医学中心） ； Diagnostic Image Analysis Group, Radboud University Medical Center, Nijmegen, The Netherlands（荷兰奈梅亨拉德堡德大学医学中心诊断图像分析组） 纠错

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

AI总结 本文提出EvalBlocks，一种模块化框架，用于高效评估医学影像基础模型，通过集中跟踪实验和结果，实现快速迭代和模型创新。

Comments Accepted and published in BVM 2026 proceedings (Springer)

Real-Time Explanations for Tabular Foundation Models

表格基础模型的实时解释

Luan Borges Teodoro Reis Sena, Francisco Galuppo Azevedo

机构 * Kunumi Institute（Kunumi研究所） ； Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学） 纠错

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

AI总结 本文提出ShapPFN，通过将Shapley值回归整合到架构中，实现预测与解释的单次前向传递，提升解释效率和质量。

Comments Accepted at the 2nd DATA4Science Workshop at ICLR 2026, Rio de Janeiro, Brazil. OpenReview: https://openreview.net/forum?id=StSMBSZqxx

Beyond pass@1: A Reliability Science Framework for Long-Horizon LLM Agents

超越pass@1：面向长时间跨度LLM代理的可靠性科学框架

Aaditya Khanal, Yangyang Tao, Junxiu Zhou

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

AI总结 本文提出一个可靠性科学框架，用于评估长时间跨度的LLM代理，通过四个指标揭示任务持续时间增长时可靠性与能力的差异，发现可靠性衰减、方差放大因子、渐进退化分数和熔断点等指标对评估模型的长期表现至关重要。

Comments 23 pages, 4 figures