语言大模型 / LLM

Med42 -- Evaluating Fine-Tuning Strategies for Medical LLMs: Full-Parameter vs. Parameter-Efficient Approaches

Clément Christophe, Praveen K Kanithi, Prateek Munjal, Tathagata Raha, Nasir Hayat, Ronnie Rajan, Ahmed Al-Mahrooqi, Avani Gupta, Muhammad Umar Salman, Gurpreet Gosal, Bhargav Kanakiya, Charles Chen, Natalia Vassilieva, Boulbaba Ben Amor, Marco AF Pimentel, Shadab Khan

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

Comments Published at AAAI 2024 Spring Symposium - Clinical Foundation Models

Measurement in the Age of LLMs: An Application to Ideological Scaling

Sean O'Hagan, Aaron Schein

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

Comments Under review a Harvard Data Science Review. Previously presented at the 4th International Conference of Social Computing in Beijing, China, September 2023, the New Directions in Analyzing Text as Data (TADA) meeting in Amherst, MA, USA, November 2023, and the NeurIPS workshop titled "I Can't Believe It's Not Better!'' Failure Modes in the Age of Foundation Models in New Orleans, LA, December 2023

MVC-Bench: Benchmarking Calibration of Medical Vision-Language Models

MVC-Bench：医学视觉-语言模型的校准基准测试

Ashshak Sharifdeen, Shihab Aaqil Ahamed, Ufaq Khan, Muhammad Akhtar Munir Sujair Ibrahim, Mohamed Rafeek Mareer Ahamed, Yutong Xie, Imran Razzak, Muhammad Haris Khan

机构 * Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学） ； Sabaragamuwa University of Sri Lanka（斯里兰卡萨巴拉加穆瓦大学） ； Digital Platform Development, SLT PLC（SLT公共有限公司数字平台开发部） 纠错

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

AI总结 该研究针对医学视觉-语言模型校准不足的问题，提出以校准为核心的基准MVC-Bench，通过多维度评估并提出MCM正则化方法，为医疗工作流提供校准改进指导。

Comments Accepted in EMNLP 2026 Findings

UltraPIPS: Improving model perception in B-mode ultrasound with foundation models

UltraPIPS：利用基础模型提升B型超声中的模型感知能力

Tal Grutman, Tali Ilovitsh

机构 * School of Biomedical Engineering, Tel Aviv University（特拉维夫大学生物医学工程学院） 纠错

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

AI总结 该研究针对B型超声图像特性，提出采用超声领域特定骨干网络优化LPIPS指标，构建UltraPIPS库，可提升下游任务性能并平衡重建质量与真实性。

Comments MICCAI ASMUS 2026

Machine Learning to Foundation Models: Artificial Intelligence for Nanophotonic Modeling and Scientific Discovery

从机器学习到基础模型：用于纳米光子学建模与科学发现的人工智能

Chaobin Yang, Xueqing Liu, Yiqun Fu, Fengbo Zhou, Krzysztof Kempa, Stefano Anzellotti, Michael J. Naughton

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

AI总结 本综述梳理了纳米光子学领域AI从机器学习到基础模型的发展，介绍了相关平台、问题与方法，分析了当前基础模型的局限并展望了多模态模型的未来方向。

Primitive-Driven Compositional Forensic Visual Prompting for Open-World Face Anti-Spoofing

面向开放世界人脸活体检测的基元驱动组合式取证视觉提示

Fangling Jiang, Qi Li, Bing Liu, Weining Wang, Quilin Huang, Zhenan Sun, Ming-Hsuan Yang

机构 * School of Computer Science, University of South China（南华大学计算机学院） ； MAIS, CASIA（中国科学院自动化研究所模式识别国家重点实验室） ； University of California, Merced（加州大学默塞德分校） 纠错

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

AI总结 针对开放世界人脸活体检测的协变量与语义偏移问题，提出基元驱动的组合式取证视觉提示框架，在9个协议上实现先进性能，具备强跨域泛化与未见攻击适配能力。

Subgroup performance analysis of adaptation strategies for chest X-ray foundation models

胸部X射线基础模型适配策略的子组性能分析

Dhruv Gupta, Emma A. M. Stanley, Fabio De Sousa Ribeiro, Sujal Desai, Ben Glocker

机构 * Imperial College London（帝国理工学院） ； Royal Brompton Hospital（皇家布朗普顿医院） ； Causality in Healthcare AI Hub（医疗保健AI因果关系中心） ； National Heart & Lung Institute（国家心肺研究所） 纠错

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

AI总结 该研究针对胸部X射线基础模型，探究三种参数高效适配技术对病理分类性能与子组公平性的影响，发现整体性能提升未必减少子组差异，公平性影响需直接按任务评估

Comments Accepted at MICCAI Workshop on Fairness of AI in Medical Imaging (FAIMI) 2026

NAST: Improving Negation Handling in Medical Vision-Language Models through Negation-Aware Selective Training

针对医学视觉-语言模型中否定处理改进的分层微调

Ali Abbasi, Mehdi Taghipour, Rahmatollah Beheshti

机构 * University of Delaware（德克萨斯大学） 纠错

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

AI总结 本研究提出NAST方法，通过因果追溯效应调节逐层梯度更新，提升医学视觉-语言模型对否定处理的识别能力，同时保持一般视觉-语言对齐。

Comments 16 pages, 6 figures. Accepted to MLHC 2026

Rethinking Data Efficiency in Industrial Dense Prediction: Pretraining Coherence, Not Inductive Bias, Determines ViTs Low-Data Advantage

重新思考工业密集预测中的数据效率：决定视觉Transformer（ViTs）低数据优势的是预训练一致性，而非归纳偏置

Haoran Sui, Yaoyuan Jia

机构 * ZTE Corporation（中兴通讯股份有限公司） ； The University of Hong Kong（香港大学） 纠错

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

AI总结 该研究通过实验发现工业密集预测中ViTs的低数据优势源于预训练一致性而非归纳偏置，提出AlignBlock解决跨架构特征差距，明确数据效率边界并验证了嫁接颈部网络的性能提升。

Comments 14 pages, 10 figures, 17 tables. This paper targets industrial defect detection via vision transformer and CNN alignment grafting

Integrating Generative AI into Cybersecurity Education: A Study of OCR and Multimodal LLM-assisted Instruction

Karan Patel, Yu-Zheng Lin, Gaurangi Raul, Bono Po-Jen Shih, Matthew W. Redondo, Banafsheh Saber Latibari, Jesus Pacheco, Soheil Salehi, Pratik Satam

专题命中 领域大模型 ：LLM(title,abstract)

Comments 9 pages, 3 figures, accepted by IEEE FIE 2025

Foundational values for foundation models

基础模型的基础价值

John S. H. Baxter, Elodie Germani

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

AI总结 本文探讨医学影像机器学习领域的基础模型，通过苏格拉底式研究价值分析，明确使用或弃权基础模型的依据，阐明其与医学机器学习哲学的契合方式。

Comments 12 pages, 1 figure, accepted to the MICCAI 2026 Workshop on Fairness, Regulation, and Ethics (FAIMI-BRIDGE-EPIMI 2026)

Reassessing Code Authorship Attribution in the Era of Language Models

在语言模型时代重新评估代码作者归属

Atish Kumar Dipongkor, Ziyu Yao, Kevin Moran

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

AI总结 本研究首次大规模实证评估了多种代码语言模型在代码作者归属任务上的性能，揭示了它们理解代码风格模式的关键行为。

Comments Accepted in TOSEM

Tabular Foundation Models and the Unity of Economic Behaviour

表格型基础模型与经济行为的统一性

Victor H. Aguiar

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

AI总结 本研究通过统一选择实验，用冻结的表格型基础模型恢复决策者隐藏选择，再估计随机效用模型，构建出适用于所有经济行为领域的统一模型，提升了选择预测效果。

Comments 56 pages, 4 figures, and 19 tables, including the appendix

Foundation Model-Assisted Full Waveform Inversion

基础模型辅助的全波形反演

Mustafa Alfarhan, Matteo Ravasi, Fuqiang Chen, George Turkiyyah, David Keyes

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

AI总结 该研究提出用预训练地震基础模型SeisLM的特征构建全波形反演早期目标函数，通过实验验证其可避免周期跳变，提升反演效果，优于传统及混合损失工作流。

Do Medical Foundation Models Generalize on the African Brain?

医学基础模型能否在非洲脑部数据上实现泛化？

Kaouther Mouheb, Gonzalo Esteban Mosquera Rojas, Juancito van Leeuwen, Stefan Klein, Esther E. Bron

机构 * Erasmus MC（伊拉斯姆斯大学医学中心） 纠错

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

AI总结 该研究评估医学基础模型在非洲脑部MRI数据上的泛化性，发现其无固有偏见，性能差异多源于数据集规模，核心是非洲神经影像数据集不足。

Comments Submitted to the AFRICAI workshop (Held in conjunction with MICCAI 2026, Strasbourg, France)

Comparing the Performance of Foundation Model Derived Embeddings with Traditional Approaches for Distant Metastasis Prediction in Head and Neck Cancer

比较基于基础模型的嵌入与传统方法在头颈部癌远处转移预测中的性能

Erich Schmitz, Meixu Chen, Bowen Jing, Jing Wang

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

AI总结 本研究以RADCURE数据集2327例HNC患者术前CT图像为基础，对比CT基础模型嵌入、放射组学等特征集预测远处转移的性能，发现CT基础模型嵌入性能更优，可作为传统放射组学的替代方案

Comments 27 pages including supplemental materials, 5 main figures, 2 supplemental figures, 5 main tables, 7 supplemental tables. Poster Abstract at 2026 AAPM Meeting and Exhibition

Demystifying Deep Learning Compiler Frontend Bugs: An LLM-Aided Empirical Study

揭开深度学习编译器前端错误的神秘面纱：一项基于大语言模型辅助的实证研究

Xinyi Yuan, Wei Chen, Jinyi Liu, Pengyu Chen, Jun Wei, Guoquan Wu, Jiaxin Zhu, Tao Huang

专题命中 领域大模型 ：LLM(title,abstract)

AI总结 对PyTorch 2默认深度学习编译器前端TorchDynamo的fBug展开首次系统实证研究，借助领域知识增强的大语言模型辅助方法，分析fBug并构建分类法，生成测试用例，发现多个新fBug，为深度学习编译器开发和测试提供见解。

Input Relation Prompting for Metamorphic Testing on Query-Based Systems

基于输入关系提示的查询系统变质测试

Eng-Shen Tu, Shin-Jie Lee

专题命中 领域大模型 ：prompting(title,abstract)

AI总结 针对查询系统测试难题，提出通过提示输入输出关系的变质关系识别方法，不依赖预定义测试用例或基本事实，可结合其他测试方法，经案例研究验证其适用性与潜力，推动变质测试发展，提高测试效率。

Comments 18 pages

Journal ref Journal of Information Science and Engineering, Vol. 41, No. 1, pp. 43-60 (2025)

MEDIC-AD: Towards Medical Vision-Language Model's Clinical Intelligence

MEDIC-AD：迈向医疗视觉-语言模型的临床智能

Woohyeon Park, Jaeik Kim, Sunghwan Steve Cho, Pa Hong, Wookyoung Jeong, Yoojin Nam, Namjoon Kim, Ginny Y. Wong, Ka Chun Cheung, Jaeyoung Do

机构 * AIDAS Laboratory, Seoul National University（首尔大学AIDAS实验室） ； Samsung Changwon Hospital（三星昌原医院） ； Samsung Medical Center（三星医疗中心） ； NVIDIA, Santa Clara, USA（英伟达（美国圣克拉拉）） 纠错

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

AI总结 MEDIC-AD通过分阶段框架提升医疗视觉-语言模型在病变检测、症状跟踪和视觉可解释性方面的性能，实现临床应用中的最优表现。

Journal ref CVPR 2026

Melo: A Production LLM-Powered Music Recommendation Agent

Melo：一个由大语言模型驱动的音乐推荐代理

Shijia Wang, Da Guo, Qiang Xiao, Fanghui Bi, Weisheng Li, Dongjing Wang, Chuanjiang Luo

专题命中 领域大模型 ：LLM(title,abstract)

AI总结 研究基于网易云音乐部署的大语言模型驱动音乐推荐代理Melo，针对实体幻觉和长尾退化故障模式，采用推理时实体基础和反思性重试机制，经测试在播放列表留存和参与度指标上有提升，强调运行时机制对推荐进展的重要性。

Journal ref Proceedings of the 20th ACM Conference on Recommender Systems (RecSys '26), September 27-October 02, 2026, Minneapolis, MN, USA

Universality Reconsidered: Rethinking the Validation of Foundation Models for General-Purpose 3D Medical Segmentation

揭示通用3D医学分割中的模态差异与泛化幻觉

Yichi Zhang, Le Xue, Feiyang Xiao, Wenbo Zhang, Gang Feng, Chenguang Zheng, Yuan Qi, Yuan Cheng, Zixin Hu

机构 * Fudan University, Shanghai, China.（复旦大学） ； Shanghai Academy of Artificial Intelligence for Science, Shanghai, China.（上海人工智能科学研究院） ； Shanghai Universal Medical Imaging Diagnostic Center, Shanghai, China.（上海通用医学影像诊断中心） 纠错

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

AI总结 本文通过UMD数据集揭示3D医学分割中模态差异与泛化幻觉问题，指出现有基础模型在实际应用中存在显著性能差异，需转向多模态训练以提升通用性。

Learning Sparse Latent Predictive Foundation Model for Multimodal Neuroimaging

学习用于多模态神经影像的稀疏潜在预测基础模型

Haoxu Huang, Long Chen, Jingyun Chen, Jinu Hyun, James Ryan Loftus, Kara Melmed, Daniel Orringer, Jennifer Frontera, Seena Dehkharghani, Arjun Masurkar, Narges Razavian

机构 * New York University, Center for Data Science（纽约大学数据科学中心） ； NYU Grossman School of Medicine, Department of Radiology（纽约大学格罗斯曼医学院放射学系） ； State University of New York at Binghamton, School of Computing（纽约州立大学宾汉姆顿分校计算机学院） ； NYU Grossman School of Medicine, Department of Neurology（纽约大学格罗斯曼医学院神经病学系） ； NYU Grossman School of Medicine, Department of Neurosurgery（纽约大学格罗斯曼医学院神经外科学系） ； NYU Grossman School of Medicine, Department of Pathology（纽约大学格罗斯曼医学院病理学系） ； School of Medicine, Department of Radiology, Stanford（斯坦福大学医学院放射学系） ； NYU Grossman School of Medicine, Department of Neuroscience（纽约大学格罗斯曼医学院神经科学系） ； NYU Grossman School of Medicine, Neuroscience Institute（纽约大学格罗斯曼医学院神经科学研究所） 纠错

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

AI总结 提出Neuro-JEPA模型，结合潜在预测目标和专家混合架构，学习T1w、T2w和FLAIR三种MRI序列的统一表示，在25项临床任务和22项公开数据集任务上优于现有基础模型和CNN基线。

Comments Under Review Preprint

FM$^2$: Unified Federated Foundation Models for Heterogeneous Multimodal Medical Imaging

FM$^2$：用于异构多模态医学成像的统一联邦基础模型

Shengchao Chen, Ting Shu

机构 * School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院） ； Australian AI Institute, University of Technology Sydney（悉尼科技大学澳大利亚人工智能研究所） 纠错

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

AI总结 针对医学成像基础模型构建中隐私与任务统一问题，提出FM$^2$框架，通过从头训练核心主干、结合预训练编码器、配备双混合专家模块及正则化器，并引入字幕增强学习，实现跨模态泛化，优于现有联邦基线。

Comments Accepted by ACM MM 2026 (Main Track): the 34th ACM International Conference on Multimedia

Skills That Don't Exist: A Large-Scale Study of Hallucinated Skill Recommendation in LLM Agents

不存在的技能：对大语言模型代理中幻觉技能推荐的大规模研究

Weifeng Yuan, Wenbo Guo, Feng Dong, Haoyu Wang, Yang Liu

专题命中 领域大模型 ：LLM(title,abstract)

AI总结 研究大语言模型代理中技能名称幻觉漏洞，通过大规模测量发现各配置均有此问题，系统生成众多幻觉名称且非随机，测试的模型级防御存在安全与可用性冲突，修复需全生态系统结构改变。

BiomechGPT: Extending Motion-Language Models to Clinical Motion Understanding

BiomechGPT：将运动-语言模型扩展到临床运动理解

Ruize Yang, Ann Kennedy, R. James Cotton

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

AI总结 研究探索多模态运动-语言模型BiomechGPT能否回答临床运动相关问题。通过收集数据、设计跨格式令牌化器构建多模态数据集来训练模型，其在临床相关任务中性能良好，为临床和研究人员交互生物力学数据提供新途径。

Comments Project page: https://intelligentsensingandrehabilitation.github.io/BiomechGPT/

Search-based Testing of Vision Language Models for In-Car Scene Understanding

基于搜索的车内场景理解视觉语言模型测试

Lev Sorokin, Chen Yang, Ken E. Friedl, Andrea Stocco

机构 * BMW Group, Technical University of Munich（宝马集团、慕尼黑技术大学） ； Technical University of Munich（慕尼黑技术大学） ； Technical University of Munich, fortiss GmbH（慕尼黑技术大学、fortiss GmbH） 纠错

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

AI总结 提出ISU-Test方法，结合渲染场景生成与搜索测试，通过优化场景参数自动生成多样化车内场景，评估VLM在问答和字幕任务中的性能，相比随机生成故障率提高10倍，故障覆盖率提高3.6倍。

Comments Accepted at the Industry Track of the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE 2026)

Topology-Driven Transferability Estimation for 3D Medical Vision Foundation Models

用于3D医学视觉基础模型的拓扑驱动可迁移性估计

Jiaqi Tang, Shaoyang Zhang, Fandong Zhang, Shu Zhang, Yang Liu, Qingchao Chen

机构 * National Institute of Health Data Science, Peking University（北京大学健康数据科学研究所） ； Institute of Medical Technology, Peking University（北京大学医学技术研究所） ； Deepwise Co., Ltd.（深度智医科技有限公司） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） ； Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所） 纠错

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

AI总结 针对医学视觉基础模型选择难题，提出非参数、拓扑驱动框架，通过最小生成树从密集特征与语义标签的稀疏1-骨架图对齐中估计可迁移性，包含局部和全局互补尺度，提升评估效果。

TestMate: Test-Time Domain Adaptation Aided by Lightweight Vision Foundation Model

TestMate：由轻量级视觉基础模型辅助的测试时领域适应

Dimitrios Fotiou, Vasileios Mygdalis, Ioannis Pitas

机构 * Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学） 纠错

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

AI总结 研究测试时领域适应问题，提出TestMate框架，利用轻量级视觉基础模型泛化能力，通过无参数竞争融合方案实时适应，克服现有方法局限，可独立或集成提升性能。

Do Medical Vision Language Models Actually See? A Counterfactual Grounding Framework and Hard-Negative Contrastive Training for Visually-Reliant Medical VLMs

医学视觉语言模型真的能“看”吗？用于视觉依赖型医学视觉语言模型的反事实基础框架和硬负对比训练

Anas Zafar, Leema Krishna Murali, Siddhant Bharadwaj, Ashish Vashist, Jia Wu

机构 * The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Eisai Inc.（卫材株式会社） ； IISc, Bangalore（印度科学研究所班加罗尔分校） ； Cohere Labs Community（Cohere实验室社区） 纠错

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

AI总结 探讨医学视觉语言模型是依据视觉证据推理还是利用文本捷径，引入反事实评估框架和对比检索增强学习方法，提升模型视觉依赖能力并揭示跨域诊断差异。

TATG: Tracking-Aware Testing Objective for LLM-based Test Generation

TATG：基于大语言模型的测试生成的跟踪感知测试目标

Guancheng Wang, Qinghua Xu, Lionel C. Briand

专题命中 领域大模型 ：LLM(title,abstract)

AI总结 针对复杂Java方法自动化单元测试生成难的问题，TATG提出基于大语言模型的单元测试生成方法，引入统一目标表示跟踪测试需求，采用两阶段工作流程，实验证明其相比其他方法有显著提升。