语言大模型 / LLM

FedGRPO: Privately Optimizing Foundation Models with Group-Relative Rewards from Domain Client

FedGRPO: 通过领域客户端的群体相对奖励私有优化基础模型

Gongxi Zhu, Hanlin Gu, Lixin Fan, Qiang Yang, Yuxing Han

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

AI总结 FedGRPO通过群体相对奖励机制，在保护隐私的前提下提升基础模型的性能和通信效率。

Comments Accepted by AAAI 2026 as Oral

Interactive LLM-assisted Curriculum Learning for Multi-Task Evolutionary Policy Search

多任务策略搜索中的交互式LLM辅助课程学习

Berfin Sakallioglu, Giorgia Nadizar, Eric Medvet

机构 * MIGe - University of Trieste（MIGe - 乌迪内大学） ； University Toulouse Capitole, IRIT - CNRS UMR5505（图卢兹大学，IRIT - CNRS UMR5505） ； DIA - University of Trieste（DIA - 乌迪内大学） 纠错

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

AI总结 本文提出了一种交互式LLM辅助的在线课程生成框架，通过多模态反馈提升多任务策略搜索的性能，展示其与专家设计课程的竞争力。

Comments 8 pages, 7 figures, with Appendix

A Vision-Language Foundation Model for Zero-shot Clinical Collaboration and Automated Concept Discovery in Dermatology

一种用于零样本临床协作和皮肤病自动概念发现的视觉-语言基础模型

Siyuan Yan, Xieji Li, Dan Mo, Philipp Tschandl, Yiwen Jiang, Zhonghua Wang, Ming Hu, Lie Ju, Cristina Vico-Alonso, Yizhen Zheng, Jiahe Liu, Juexiao Zhou, Camilla Chello, Jen G. Cheung, Julien Anriot, Luc Thomas, Clare Primiero, Gin Tan, Aik Beng Ng, Simon See, Xiaoying Tang, Albert Ip, Xiaoyang Liao, Adrian Bowling, Martin Haskett, Shuang Zhao, Monika Janda, H. Peter Soyer, Victoria Mar, Harald Kittler, Zongyuan Ge

机构 * AIM for Health Lab（AIM for Health实验室） ； Faculty of Information Technology, Monash University（信息技术学院，墨尔本大学） ； Department of Dermatology, Medical University of Vienna（皮肤科，维也纳医学大学） ； Faculty of Engineering, Monash University（工程学院，墨尔本大学） ； Institute of Ophthalmology, University College London（眼科研究所，伦敦大学学院） ； Dermatology Department. Fundacion Hospital 12 de Octubre（皮肤科部门，12月12日基金会医院） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（数据科学学院，香港中文大学（深圳）） ； Frazer Institute, The University of Queensland（弗拉泽研究所，昆士兰大学） ； Dermatology Research Centre, Brisbane, Australia（皮肤科研究中心，澳大利亚布里斯班） ； Department of Medical and Cardiovascular Sciences, Sapienza University of Rome（医学与心血管科学系，罗马萨皮恩扎大学） ； Victorian Melanoma Service, Alfred Care Group, Bayside Health, Melbourne, Australia（维多利亚黑色素瘤服务，阿尔弗雷德护理集团，墨尔本布里斯班健康中心，澳大利亚） ； SkIIN Discovery Program, Monash University（SkIIN发现计划，墨尔本大学） ； Claude Bernard Lyon-1 University（克劳德·伯纳德里昂-1大学） ； Centre Léon Berard, Lyon, France（莱昂·贝拉德中心，法国里昂） ； Dermatology department, Hôpital Lyon Sud, Hospices Civils de Lyon, Lyons, France（皮肤科部门，里昂南医院，里昂民事医院，法国里昂） ； Cancer Research Center of Lyon, Lyons, France（里昂癌症研究中心，法国里昂） ； eResearch Centre, Monash University（eResearch研究中心，墨尔本大学） ； NVIDIA AI Techno（NVIDIA AI技术） 纠错

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

AI总结 DermFM-Zero是一种用于皮肤病零样本临床协作和自动概念发现的视觉-语言基础模型，通过掩码潜在建模和对比学习训练，实现了无需任务特定适应的高精度诊断和多模态检索能力。

Comments reports

Universal computation is intrinsic to language model decoding

语言模型解码具有普遍计算的内在性

Alex Lewandowski, Marlos C. Machado, Dale Schuurmans

机构 * Department of Computing Science, University of Alberta（计算科学系，阿尔伯塔大学） ； Amii ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） 纠错

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

AI总结 语言模型解码具有普遍计算的内在性，通过自回归输出实现通用计算，训练提升可编程性而非计算能力。

Comments Minor formatting corrections

XAI-CLIP: ROI-Guided Perturbation Framework for Explainable Medical Image Segmentation in Multimodal Vision-Language Models

XAI-CLIP: 通过区域感兴趣引导扰动框架实现多模态视觉-语言模型中可解释的医学图像分割

Thuraya Alzubaidi, Sana Ammar, Maryam Alsharqi, Islem Rekik, Muzammil Behzad

机构 * King Fahd University of Petroleum and Minerals（国王法赫德石油和矿物大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Imperial College London（伦敦帝国学院） ； KFUPM-SDAIA Joint Research Centre for Artificial Intelligence（KFUPM-SDAIA联合人工智能研究中心） 纠错

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

AI总结 XAI-CLIP通过多模态视觉-语言模型嵌入实现医学图像分割的可解释性和效率提升，减少计算开销并提高分割精度。

Mapping the Web of Science, a large-scale graph and text-based dataset with LLM embeddings

映射Web of Science：一个大规模图和文本数据集的LLM嵌入方法

Tim Kunt, Annika Buchholz, Imene Khebouri, Thorsten Koch, Ida Litzel, Thi Huong Vu

机构 * Tim Kunt Digital Data and Information for Society, Science, and Culture, Zuse Institute Berlin, Takustr. 7, 14195 Berlin, Germany（Zuse Institute Berlin） ； Annika Buchholz Digital Data and Information for Society, Science, and Culture, Zuse Institute Berlin, Takustr. 7, 14195 Berlin, Germany（Zuse Institute Berlin） ； Imene Khebouri Digital Data and Information for Society, Science, and Culture, Zuse Institute Berlin, Takustr. 7, 14195 Berlin, Germany（Zuse Institute Berlin） ； Thorsten Koch Software and Algorithms for Discrete Optimization, Technische Universität Berlin, Straße des 17. Juni 135, 10623 Berlin, Germany Applied Optimization, Zuse Institute Berlin, Takustr. 7, 14195 Berlin, Germany（Technische Universität Berlin, Zuse Institute Berlin） ； Ida Litzel Digital Data and Information for Society, Science, and Culture, Zuse Institute Berlin, Takustr. 7, 14195 Berlin, Germany（Zuse Institute Berlin） ； Thi Huong Vu Digital Data and Information for Society, Science, and Culture, Zuse Institute Berlin, Takustr. 7, 14195 Berlin, Germany（Zuse Institute Berlin） ； Institute of Mathematics, Vietnam Academy of Science and Technology, 10072 Hanoi, Vietnam（Vietnam Academy of Science and Technology） 纠错

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

AI总结 通过LLM嵌入方法研究Web of Science数据集，揭示文本的自我结构化景观。

OmniRad: A Radiological Foundation Model for Multi-Task Medical Image Analysis

OmniRad：一种多任务医学图像分析的放射学基础模型

Luca Zedda, Andrea Loddo, Cecilia Di Ruberto

机构 * Department of Mathematics and Computer Science, University of Cagliari（数学与计算机科学系，卡利亚里大学） 纠错

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

AI总结 OmniRad通过预训练医学图像数据，提升多任务医学图像分析的性能，尤其在分类和分割任务中表现出色。

Comments 19 pages, 4 figures, 12 tables

MedTutor: A Retrieval-Augmented LLM System for Case-Based Medical Education

MedTutor: 一种基于检索的LLM系统用于基于病例的医学教育

Dongsuk Jang, Ziyao Shangguan, Kyle Tegtmeyer, Anurag Gupta, Jan Czerminski, Sophie Chheang, Arman Cohan

机构 * Department of Computer Science, Yale University（耶鲁大学计算机科学系） ； Department of Radiology and Biomedical Imaging, Yale School of Medicine（耶鲁医学院放射学与生物医学成像系） ； Interdisciplinary Program for Bioengineering, Seoul National University（首尔国立大学生物工程跨学科项目） 纠错

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

AI总结 MedTutor是一种基于检索的LLM系统，通过自动从临床病例报告生成教育内容和多项选择题，提升医学教育质量。

Comments Accepted to EMNLP 2025 (System Demonstrations)

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: System Demonstrations, pages 319-353

A Genealogy of Foundation Models in Remote Sensing

遥感领域基础模型的谱系

Kevin Lane, Morteza Karimzadeh

机构 * University of Colorado, Boulder（科罗拉多大学博尔德分校） 纠错

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

AI总结 本文探讨了遥感领域基础模型的发展历程，分析了单传感器与多传感器方法的优劣，并提出了未来改进方向。

Comments 28 pages, submitted to ACM SigSpatial, accepted as of January 12th, 2026. This is the second revision from the original 20-page manuscript

Making medical vision-language models think causally across modalities with retrieval-augmented cross-modal reasoning

通过检索增强的跨模态推理使医疗视觉-语言模型在多模态中实现因果推理

Weiqin Yang, Haowen Xue, Qingyi Peng, Hexuan Hu, Qian Huang, Tingbo Zhang

机构 * University of Adelaide（阿德莱德大学） ； Hohai University（河海大学） ； Amap 纠错

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

AI总结 本文提出多模态因果检索增强生成框架，通过整合因果推理原理与多模态检索，提升医疗VLMs在诊断预测和视觉问答中的事实准确性与鲁棒性。

Learning the Wrong Lessons: Syntactic-Domain Spurious Correlations in Language Models

学习错误的教训：语言模型中的语法-领域虚假相关性

Chantal Shaib, Vinith M. Suriyakumar, Levent Sagun, Byron C. Wallace, Marzyeh Ghassemi

机构 * Northeastern University（东北大学） ； MIT（麻省理工学院） ； Meta 纠错

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

AI总结 研究揭示了语言模型中语法与领域之间的虚假相关性问题，指出训练数据中语法模板可能影响模型性能，并提出需测试此类相关性及确保训练数据多样性以防止错误学习。

Comments NeurIPS 2025 Spotlight

LLM-Generated or Human-Written? Comparing Review and Non-Review Papers on ArXiv

LLM生成还是人工撰写？比较ArXiv上评论与非评论论文

Yanai Elazar, Maria Antoniak

机构 * Bar-Ilan University（巴伊兰大学） ； University of Colorado Boulder（科罗拉多大学波德摩尔分校） 纠错

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

AI总结 本文通过分析ArXiv上评论与非评论论文中LLM生成内容的比例，发现评论论文中LLM生成内容更高，但非评论论文中实际LLM生成论文数量远多于评论论文，政策可能对某些领域造成显著影响。

Ready Jurist One: Benchmarking Language Agents for Legal Intelligence in Dynamic Environments

Ready Jurist One：为动态环境中的法律智能基准测试语言代理

Zheng Jia, Shengbin Yue, Wei Chen, Siyuan Wang, Yidong Liu, Zejun Li, Yun Song, Zhongyu Wei

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

AI总结 Ready Jurist One通过动态法律环境和细粒度评估框架，揭示了现有LLM在动态法律任务中的执行缺陷，为法律智能研究提供新方向。

Multimodal Climate Disinformation Detection: Integrating Vision-Language Models with External Knowledge Sources

多模态气候虚假信息检测：整合视觉-语言模型与外部知识源

Marzieh Adeli Shamsabad, Hamed Ghodrati

机构 * CRIM 纠错

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

AI总结 本文提出整合视觉-语言模型与外部知识源，以提升多模态气候虚假信息检测的准确性与实时性。

Measuring and Aligning Abstraction in Vision-Language Models with Medical Taxonomies

利用医学分类法测量和对齐视觉-语言模型中的抽象能力

Ben Schaper, Maxime Di Folco, Bernhard Kainz, Julia A. Schnabel, Cosmin I. Bercea

机构 * 1 School of Computation, Information ； Technology, Technical University of Munich, Germany 2 Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich, Germany 3 LTCI, Télécom Paris, Institut Polytechnique de Paris, France 4 Munich Center for Machine Learning (MCML) 5 School of Biomedical Engineering ； Imaging Sciences, King's College London, UK 6 Department of Artificial Intelligence in Biomedical Imaging, FAU Erlangen-Nuremberg, Germany 7 Department of Computing, Imperial College London, UK 纠错

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

AI总结 本文提出通过医学分类法量化和缓解视觉-语言模型中的抽象错误，引入灾难性抽象错误概念，并通过风险约束阈值和分类法感知微调减少严重错误至2%以下。

Beyond Boundaries: Leveraging Vision Foundation Models for Source-Free Object Detection

超越边界：利用视觉基础模型进行无源目标检测

Huizai Yao, Sicheng Zhao, Pengteng Li, Yi Cui, Shuo Lu, Weiyu Guo, Yunfan Lu, Yijie Xu, Hui Xiong

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

AI总结 本文提出一种利用视觉基础模型提升无源目标检测性能的新框架，通过增强特征对齐和标签质量，实现跨领域迁移和辨别性提升。

Comments Accepted to AAAI 2026. Extended version with full Appendix

Institutional AI: Governing LLM Collusion in Multi-Agent Cournot Markets via Public Governance Graphs

机构AI：通过公共治理图治理多智能体Cournot市场中的LLM合谋

Marcantonio Bracale Syrnikov, Federico Pierucci, Marcello Galisai, Matteo Prandi, Piercosma Bisconti, Francesco Giarrusso, Olga Sorokoletova, Vincenzo Suriani, Daniele Nardi

机构 * DEXAI – Icaro Lab（DEXAI–Icaro实验室） ； Sapienza University of Rome（罗马大学萨皮恩扎分校） ； Sant’Anna School of Advanced Studies（圣安娜高级研究学校） ； VU Amsterdam（阿姆斯特丹自由大学） 纠错

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

AI总结 本文提出通过公共治理图治理多智能体Cournot市场合谋问题，展示机构AI框架在减少合谋行为方面的有效性。

On Foundation Models for Temporal Point Processes to Accelerate Scientific Discovery

关于用于时间点过程的基础模型以加速科学发现

David Berghaus, Patrick Seifner, Kostadin Cvejoski, Ramses J. Sanchez

机构 * Lamarr Institute（拉马尔研究所） ； Fraunhofer IAIS（弗劳恩霍夫人工智能研究所） ； University of Bonn（波恩大学） ； JetBrains Research（JetBrains研究） 纠错

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

AI总结 本文提出一种用于时间点过程的基础模型，通过训练大量模拟事件序列，实现对新科学数据的快速分析与微调，从而加速科学发现。

MedGround: Bridging the Evidence Gap in Medical Vision-Language Models with Verified Grounding Data

MedGround: 通过验证的 grounding 数据弥合医学视觉-语言模型中的证据差距

Mengmeng Zhang, Xiaoping Wu, Hao Luo, Fan Wang, Yisheng Lv

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； DAMO Academy, Alibaba Group（阿里巴巴集团 DAMO 院） ； Hupan Lab, Zhejiang Province（浙江省 Hupan 实验室） 纠错

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

AI总结 MedGround通过生成高质量的医学指称 grounding 数据，提升视觉-语言模型在临床场景中的定位和泛化能力。

Comments 18 pages, 10 figures

Personalized Medication Planning via Direct Domain Modeling and LLM-Generated Heuristics

通过直接领域建模和LLM生成的启发式方法实现个性化药物规划

Yonatan Vernik, Alexander Tuisov, David Izhaki, Hana Weitman, Gal A. Kaminka, Alexander Shleyfman

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

AI总结 本文通过直接领域建模和LLM生成的启发式方法，提升了个性化药物规划的规模和效率，支持更接近临床应用的实践。

Mind the Gap: Continuous Magnification Sampling for Pathology Foundation Models

注意间隙：连续放大采样用于病理基础模型

Alexander Möllers, Julius Hense, Florian Schulz, Timo Milbich, Maximilian Alber, Lukas Ruff

机构 * Berlin Institute for the Foundations of Learning and Data (BIFOLD)（柏林学习与数据基础研究所） ； Machine Learning Group, Technische Universität Berlin（柏林技术大学机器学习小组） ； Aignostics（Aignostics公司） ； Charité, Universitätsmedizin Berlin（柏林夏里特大学医学院） 纠错

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

AI总结 本文提出连续放大采样方法，通过优化采样分布提升病理基础模型在不同放大倍率下的性能，显著改善中间放大倍率下的分类准确率。

Detecting Proxy Gaming in RL and LLM Alignment via Evaluator Stress Tests

通过评估者压力测试检测强化学习和大语言模型对齐中的代理游戏

Ibne Farabi Shihab, Sanjeda Akter, Anuj Sharma

机构 * Department of Computer Science, Iowa State University（计算机科学系，爱荷华州立大学） ； Department of Civil, Construction & Environmental Engineering, Iowa State University（土木、建设与环境工程系，爱荷华州立大学） 纠错

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

AI总结 通过评估者压力测试检测强化学习和大语言模型对齐中的代理游戏，提升安全性和性能。

FUSE-RSVLM: Feature Fusion Vision-Language Model for Remote Sensing

FUSE-RSVLM：用于遥感的特征融合视觉-语言模型

Yunkai Dang, Donghao Wang, Jiacheng Yang, Yifan Jiang, Meiyi Zhu, Yuekun Yang, Cong Wang, Qi Fan, Wenbin Li, Yang Gao

机构 * School of Artificial Intelligence Science and Technology, Nanjing University（人工智能科学与技术学院，南京大学） 纠错

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

AI总结 FUSE-RSVLM通过多特征融合技术提升遥感图像的视觉-语言处理能力，有效解决细粒度特征提取和视觉遗忘问题，在遥感分类、图像描述和VQA任务中表现优异。

Breaking Data Silos: Towards Open and Scalable Mobility Foundation Models via Generative Continual Learning

打破数据孤岛：通过生成持续学习实现开放和可扩展的移动基础模型

Yuan Yuan, Yukun Liu, Chonghua Han, Jie Feng, Yong Li

机构 * Center for Urban Science and Computation（城市科学与计算中心） ； Tsinghua University（清华大学） 纠错

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

AI总结 MoveGCL通过生成持续学习实现开放和可扩展的移动基础模型，解决数据孤岛问题，实现跨机构协作与隐私保护。

Enhancing Medical Large Vision-Language Models via Alignment Distillation

通过对齐蒸馏增强医学大视觉-语言模型

Aofei Chang, Ting Wang, Fenglong Ma

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

AI总结 本文提出MEDALIGN方法，通过蒸馏CLIP模型的知识提升医学大视觉-语言模型的视觉对齐和生成质量。

Comments Accepted to AAAI'2026 (Main track)

AmPLe: Supporting Vision-Language Models via Adaptive-Debiased Ensemble Multi-Prompt Learning

AmPLe: 通过自适应去偏集成多提示学习支持视觉-语言模型

Fei Song, Yi Li, Jiangmeng Li, Rui Wang, Changwen Zheng, Fanjiang Xu, Hui Xiong

机构 * National Key Laboratory of Space Integrated Information System, Institute of Software, Chinese Academy of Sciences（中国科学院空间信息集成系统国家重点实验室，软件研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； 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 ：language model(title,abstract)；分类 cs.AI

AI总结 AmPLe通过自适应去偏集成多提示学习方法，解决模型-提示匹配偏差和样本-提示匹配偏差，提升视觉-语言模型在下游任务中的性能。

Comments Accepted by IJCV2025

The Effect of Negation on CLIP in Medical Imaging: Limitations of Contrastive Language-Image Pretraining

否定对CLIP在医学影像中的影响：对比语言-图像预训练的局限性

Jasmine Vu, Shivanand Sheshappanavar

机构 * Santa Clara University（圣克拉拉大学） ； University of Wyoming（怀俄明大学） 纠错

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

AI总结 研究探讨CLIP在医学影像中处理否定短语的局限性，并通过调优方法提升其检索准确性与可靠性。

Comments 10 pages, 7 figures, submitted to WACV Pixels to Patients Workshop

Multi Anatomy X-Ray Foundation Model

多解剖X光基础模型

Nishank Singla, Krisztian Koos, Farzin Haddadpour, Amin Honarmandi Shandiz, Lovish Chum, Xiaojian Xu, Qing Jin, Erhan Bas

机构 * GE HealthCare（通用电气医疗） 纠错

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

AI总结 XR-0通过自监督学习在多解剖X光数据上训练，实现了在多种临床任务中的高性能表现，展示了解剖多样性对构建通用医学视觉模型的重要性。

MIRA: Medical Time Series Foundation Model for Real-World Health Data

MIRA：面向真实世界健康数据的医学时间序列基础模型

Hao Li, Bowen Deng, Chang Xu, Zhiyuan Feng, Viktor Schlegel, Yu-Hao Huang, Yizheng Sun, Jingyuan Sun, Kailai Yang, Yiyao Yu, Jiang Bian

机构 * Microsoft Research（微软研究院） ； University of Manchester（曼彻斯特大学） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Imperial Global Singapore, Imperial College London（帝国理工学院伦敦分校） 纠错

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

AI总结 MIRA是一种专为医学时间序列预测设计的基础模型，通过连续时间旋转位置编码、频率特定混合专家层和连续动态外推块，实现对不规则时间间隔、异质采样率和缺失值的高效处理，提升医疗时间序列数据的预测精度和跨机构迁移能力。

Comments NeurIPS 2025 Main Conference

FloraForge: LLM-Assisted Procedural Generation of Editable and Analysis-Ready 3D Plant Geometric Models For Agricultural Applications

FloraForge: 借助大语言模型的LLM辅助可编辑和分析准备的3D植物几何模型的程序化生成用于农业应用

Mozhgan Hadadi, Talukder Z. Jubery, Patrick S. Schnable, Arti Singh, Bedrich Benes, Adarsh Krishnamurthy, Baskar Ganapathysubramanian

机构 * Iowa State University（爱荷华州立大学） ； Purdue University（普渡大学） 纠错

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

AI总结 FloraForge利用大语言模型辅助生成可编辑且适用于分析的3D植物几何模型，结合参数化表示与生物约束，实现农业应用中的高效建模与分析。