语言大模型 / LLM

Leveraging LLMs for Multi-File DSL Code Generation: An Industrial Case Study

利用LLMs进行多文件DSL代码生成：一个工业案例研究

Sivajeet Chand, Kevin Nguyen, Peter Kuntz, Alexander Pretschner

机构 * Technical University of Munich（慕尼黑技术大学） 纠错

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

AI总结 本文探讨了LLMs在企业领域特定语言DSL多文件生成中的应用，通过BMW的案例研究，展示了从单一自然语言指令生成多文件DSL及Java/TypeScript代码的端到端流程。

Comments Accepted at EASE'26

Factual and Edit-Sensitive Graph-to-Sequence Generation via Graph-Aware Adaptive Noising

通过图感知自适应噪声生成事实和编辑敏感的图到序列生成

Aditya Hemant Shahane, Anuj Kumar Sirohi, Tanmoy Chakraborty, Prathosh A P, Sandeep Kumar

机构 * Department of Electrical Engineering, Indian Institute of Technology Delhi, New Delhi, India（印度理工学院德里分校电子工程系） ； Indian Institute of Science, Bengaluru, India（印度科学研究所，班加罗尔，印度） 纠错

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

AI总结 本文提出DLM4G框架，通过自适应噪声策略提升图到序列生成的事实性和编辑敏感性，在多个数据集上优于现有基线方法。

Vibe Medicine: Redefining Biomedical Research Through Human-AI Co-Work

Vibe Medicine：通过人机协作重新定义生物医学研究

Zihao Wu, Steven Xu, Bowen Chen, Shaowen Wan, Yiwei Li, Wei Ruan, Yanjun Lyu, Siyuan Li, Dajiang Zhu, Tianming Liu, Lin Zhao

机构 * School of Computing, University of Georgia（佐治亚大学计算学院） ； Department of Biomedical Engineering, New Jersey Institute of Technology（新泽西理工学院生物医学工程系） ； Department of Computer Science and Engineering, University of Texas at Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系） 纠错

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

AI总结 本文提出Vibe Medicine，通过自然语言指导AI代理执行复杂生物医学流程，解决多领域数据整合与分析难题，提升研究效率与公平性。

Thinking Like a Clinician: A Cognitive AI Agent for Clinical Diagnosis via Panoramic Profiling and Adversarial Debate

像医生一样思考：一种通过全景分析与对抗辩论的临床诊断认知AI代理

Zhiqi Lv, Duofan Tu, Jun Li, Mingyue Zhao, Heqin Zhu, Wenliang Li, Shaohua Kevin Zhou

机构 * School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China（中国科学技术大学生物医学工程学院，生命科学与医学系） ； Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州市先进研究机构） ； Key Lab of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS（中国科学院智能信息处理重点实验室，计算技术研究所） ； Jiangsu Provincial Key Laboratory of Multimodal Digital Twin Technology（江苏省多模态数字孪生技术省级重点实验室） ； State Key Laboratory of Precision and Intelligent Chemistry, USTC（国家精密与智能化学重点实验室，中国科学技术大学） 纠错

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

AI总结 本文提出DxChain框架，通过全景患者基线建立和对抗辩论解决证据冲突，提升临床诊断准确性和逻辑一致性。

No Test Cases, No Problem: Distillation-Driven Code Generation for Scientific Workflows

无测试用例，无问题：基于知识蒸馏的科学工作流代码生成

Siddeshwar Raghavan, Tanwi Mallick

机构 * Purdue University（普渡大学） ； Argonne National Laboratory（阿贡国家实验室） 纠错

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

AI总结 本文提出MOSAIC框架，通过知识蒸馏和结构化问题分解实现无测试用例的科学代码生成，提升准确性和执行精度。

CyberCertBench: Evaluating LLMs in Cybersecurity Certification Knowledge

CyberCertBench: 评估大语言模型在网络安全认证知识中的表现

Gustav Keppler, Ghada Elbez, Veit Hagenmeyer

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

AI总结 本文提出CyberCertBench，通过行业认证试题评估大语言模型的网络安全知识，验证了前沿模型在通用知识上的表现，但其在特定厂商标准问题上的准确性下降。

CoDA: Towards Effective Cross-domain Knowledge Transfer via CoT-guided Domain Adaptation

CoDA：通过引导式推理的领域适应实现有效的跨领域知识迁移

Jianzhi Yan, Le Liu, Buzhou Tang, Yang Xiang, Dongning Sun, Zhiming Li

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory（鹏城实验室） 纠错

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

AI总结 针对跨领域知识迁移中领域分布偏移问题，CoDA通过轻量适配器和基于特征的知识蒸馏结合MMD分布匹配，有效对齐源域与目标域的潜在推理表示，提升逻辑推理任务性能。

Comments 12 pages, 6 figures

CWCD: Category-Wise Contrastive Decoding for Structured Medical Report Generation

CWCD：用于结构化医学报告生成的类别级对比解码

Shantam Srivastava, Mahesh Bhosale, David Doermann, Mingchen Gao

机构 * The Department of Computer Science and Engineering（计算机科学与工程系） ； University at Buffalo, The State University of New York, NY, USA（布法罗大学，纽约州立大学） 纠错

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

AI总结 本文提出CWCD框架，通过类别特定参数化和对比正常与遮蔽X光片生成结构化放射报告，提升临床效果和生成质量。

Comments Accepted to MIDL 2026 (Oral)

Evaluating Small Open LLMs for Medical Question Answering: A Practical Framework

评估小型开放语言模型用于医疗问答：一种实用框架

Avi-ad Avraam Buskila

机构 * Bar-Ilan University（巴伊兰大学） 纠错

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

AI总结 本文提出评估小型本地部署开放权重语言模型在医疗问答中的实用框架，强调可重复性与准确性的平衡，通过八个质量指标和重复推理评估发现模型输出一致性不足，且领域微调影响评估结果。

The Myth of Expert Specialization in MoEs: Why Routing Reflects Geometry, Not Necessarily Domain Expertise

专家专业化在MoEs中的神话：为什么路由反映几何，而非领域专业知识

Xi Wang, Soufiane Hayou, Eric Nalisnick

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 本文研究了MoEs中专家专业化的机制，指出路由依赖于隐藏状态相似性，而非领域专业知识，并揭示了专业化的几何属性及在不同数据下的表现。

SentinelSphere: Integrating AI-Powered Real-Time Threat Detection with Cybersecurity Awareness Training

SentinelSphere：将AI驱动的实时威胁检测与网络安全意识培训相结合

Nikolaos D. Tantaroudas, Ilias Karachalios, Andrew J. McCracken

机构 * Institute of Communications and Computer Systems (ICCS), National Technical University of Athens（雅典国家技术大学通信与计算机系统研究所） ； National Technical University of Athens（雅典国家技术大学） ； DASKALOS-APPS 纠错

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

AI总结 SentinelSphere结合AI实时威胁检测与LLM驱动的网络安全培训，通过增强DNN和量化Phi-4模型提升检测准确性和教育效果，解决网络安全人才短缺与人为弱点问题。

Comments 21

Content Fuzzing for Escaping Information Cocoons on Digital Social Media

内容模糊化：突破数字社交媒体信息茧房

Yifeng He, Ziye Tang, Hao Chen

机构 * University of California, Davis（加州大学戴维斯分校） ； University of Hong Kong（香港大学） 纠错

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

AI总结 研究通过ContentFuzz框架，从创作者角度出发，利用模糊化技术改变内容的机器推断立场标签，以突破信息茧房限制，促进多元观点的传播。

Comments accepted to findings of ACL 2026

Confidence Should Be Calibrated More Than One Turn Deep

置信度应比单轮更深入地校准

Zhaohan Zhang, Chengzhengxu Li, Xiaoming Liu, Chao Shen, Ziquan Liu, Ioannis Patras

机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Xi’an Jiaotong University（西安交通大学） 纠错

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

AI总结 本文提出多轮校准任务，解决多轮对话中置信度动态校准问题，通过MTCal和ConfChat提升模型在多轮交互中的事实性和一致性。

Do Domain-specific Experts exist in MoE-based LLMs?

在基于MoE的LLM中是否存在领域特定专家？

Giang Do, Hung Le, Truyen Tran

机构 * Applied Artificial Intelligence Intiative (A2I2), Deakin University（迪肯大学应用人工智能倡议（A2I2）） 纠错

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

AI总结 本文研究了基于MoE的LLM中是否存在领域特定专家，通过实验验证了其存在性，并提出了一种无需训练的DSMoE框架，实现了优于传统方法的性能。

Comments 15 pages

Legal Experts Disagree With Rationale Extraction Techniques for Explaining ECtHR Case Outcome Classification

法律专家对解释ECtHR案件结果分类的推理提取技术持不同意见

Mahammad Namazov, Tomáš Koref, Ivan Habernal

机构 * Trustworthy Human Language Technologies, Research Center Trustworthy Data Science and Security of the University Alliance Ruhr, Ruhr University Bochum（鲁尔大学联盟可信数据科学与安全研究中心，可信人类语言技术，波鸿鲁尔大学） ； Center for Critical Computational Studies, Goethe University Frankfurt（法兰克福歌德大学关键计算研究中心） 纠错

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

AI总结 本文研究了欧洲人权法院判决结果预测任务，引入了新的ECtHR数据集，并提出比较分析框架评估推理提取技术的解释能力，发现模型预测违规的'原因'与法律专家存在显著差异。

Comments 9 pages + Appendix

The Paradox of Robustness: Decoupling Rule-Based Logic from Affective Noise in High-Stakes Decision-Making

鲁棒性悖论：在高风险决策中解耦基于规则的逻辑与情感噪声

Jon Chun, Katherine Elkins

机构 * Kenyon College（凯尼恩学院） 纠错

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

AI总结 研究揭示了大语言模型在高风险决策中对情感噪声的鲁棒性悖论，通过三个领域实验发现模型在逻辑约束下比人类更稳定，但对提示格式敏感。

Comments 47 pages, 14 figures, 23 tables. Substantially revised from v1: added immigration domain extension (14,183 cells), adversarial narrative pilot (2,054 cells), reasoning-trace analysis, scaffolding decomposition. Total: 84,245 valid responses across 13 experiments. Under review at TMLR. Code and data will be released upon publication

IDEA2: Expert-in-the-loop competency question elicitation for collaborative ontology engineering

IDEA2: 专家在环的协作本体工程能力问题 elicitation

Elliott Watkiss-Leek, Reham Alharbi, Harry Rostron, Andrew Ng, Ewan Johnson, Andrew Mitchell, Terry R. Payne, Valentina Tamma, Jacopo de Berardinis

机构 * School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学院） ； College of Computer Science and Engineering, Taibah University（塔伊巴大学计算机科学与工程学院） ； Unilever Plc., Materials Innovation Factory, University of Liverpool（联合利华公司，利物浦大学材料创新工厂） 纠错

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

AI总结 IDEA2通过整合大语言模型和专家反馈，解决本体工程中能力问题提取的瓶颈，提升问题相关性和可接受性。

AssetOpsBench: Benchmarking AI Agents for Task Automation in Industrial Asset Operations and Maintenance

AssetOpsBench：工业资产运维任务自动化AI代理的基准测试

Dhaval Patel, Shuxin Lin, James Rayfield, Nianjun Zhou, Chathurangi Shyalika, Suryanarayana R Yarrabothula, Roman Vaculin, Natalia Martinez, Fearghal O'donncha, Jayant Kalagnanam

机构 * IBM ； University of South Carolina（南卡罗来纳大学） ； IBM Research（IBM研究院） 纠错

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

AI总结 本文提出AssetOpsBench，一个统一框架，用于协调和评估工业4.0中的领域专用代理。该框架包含四个领域代理目录、140+人工撰写的自然语言查询数据集及模拟的CouchDB后端物联网环境，通过三个关键指标分析工具-代理与计划-执行者范式的架构权衡，并系统化发现新兴故障模式。

Comments 25 pages, 18 figures

Reviewing Scientific Papers for Critical Problems With Reasoning LLMs: Baseline Approaches and Automatic Evaluation

利用推理LLM审查科学论文中的关键问题：基线方法与自动评估

Tianmai M. Zhang, Neil F. Abernethy

机构 * University of Washington（华盛顿大学） 纠错

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

AI总结 本文提出利用推理LLM作为论文质量检查器，介绍基线方法和自动评估框架，通过arXiv论文验证方法，并评估其在识别科学论文关键错误中的性能。

Comments Accepted and presented at NeurIPS 2025 AI for Science Workshop

Interview-Informed Generative Agents for Product Discovery: A Validation Study

基于访谈的生成代理在产品发现中的应用：一项验证研究

Zichao Wang, Alexa Siu

机构 * Adobe Research（Adobe研究院） 纠错

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

AI总结 本文探讨了基于访谈的生成代理在概念测试场景中模拟用户反馈的有效性，发现代理在群体层面响应分布上准确但个体层面不够精准，为产品开发流程中合理整合模拟提供了启示。

Comments CHI 2026 Honourable Mention

Beyond Idealized Patients: Evaluating LLMs under Challenging Patient Behaviors in Medical Consultations

超越理想化患者：在医疗咨询中评估LLM在挑战性患者行为下的表现

Yahan Li, Xinyi Jie, Wanjia Ruan, Xubei Zhang, Huaijie Zhu, Yicheng Gao, Chaohao Du, Ruishan Liu

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 本文研究了医疗咨询中常见的挑战性患者行为，定义了四种行为类别，并提出了CPB-Bench基准测试集，评估了多种LLM在处理这些行为时的表现，发现模型在处理矛盾或医学上不合理的患者信息时存在困难。

AXE: Low-Cost Cross-Domain Web Structured Information Extraction

AXE：低成本跨领域网络结构化信息提取

Abdelrahman Mansour, Khaled W. Alshaer, Moataz Elsaban

机构 * Faculty of Computers & Artificial Intelligence - Cairo University（开罗大学计算机与人工智能学院） ； Ejada Systems ； Fawry Integrated Systems ； Microsoft（微软） 纠错

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

AI总结 AXE通过将HTML DOM视为需修剪的树结构，利用专用修剪机制提取高密度上下文，使小型模型生成精确结构化输出，并通过GXR确保提取可追溯性，实现跨领域信息提取的高性能与低成本。

Retrieving Classes of Causal Orders with Inconsistent Knowledge Bases

通过不一致知识库检索因果顺序的类别

Federico Baldo, Simon Ferreira, Charles K. Assaad

机构 * Sorbonne Université, INSERM, Institut Pierre Louis d’Epidémiologie et de Santé Publique（索邦大学，法国国家健康与医学研究院，皮埃尔·路易流行病学与公共卫生研究所） 纠错

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

AI总结 本文提出通过LLM计算变量对一致性分数，构建半完全偏图以提取因果顺序抽象，从而有效恢复正确因果顺序，提供可靠的因果框架。

Comments CLeaR 2026 & UAI 2025 Workshop on Causal Abstractions and Representations

LongCat-Next: Lexicalizing Modalities as Discrete Tokens

LongCat-Next：将模态词典化为离散标记

Meituan LongCat Team, Bin Xiao, Chao Wang, Chengjiang Li, Chi Zhang, Chong Peng, Hang Yu, Hao Yang, Haonan Yan, Haoze Sun, Haozhe Zhao, Hong Liu, Hui Su, Jiaqi Zhang, Jiawei Wang, Jing Li, Kefeng Zhang, Manyuan Zhang, Minhao Jing, Peng Pei, Quan Chen, Taofeng Xue, Tongxin Pan, Xiaotong Li, Xiaoyang Li, Xiaoyu Zhao, Xing Hu, Xinyang Lin, Xunliang Cai, Yan Bai, Yan Feng, Yanjie Li, Yao Qiu, Yerui Sun, Yifan Lu, Ying Luo, Yipeng Mei, Yitian Chen, Yuchen Xie, Yufang Liu, Yufei Chen, Yulei Qian, Yuqi Peng, Zhihang Yu, Zhixiong Han, Changran Wang, Chen Chen, Dian Zheng, Fengjiao Chen, Ge Yang, Haowei Guo, Haozhe Wang, Hongyu Li, Huicheng Jiang, Jiale Hong, Jialv Zou, Jiamu Li, Jianping Lin, Jiaxing Liu, Jie Yang, Jing Jin, Jun Kuang, Juncheng She, Kunming Luo, Kuofeng Gao, Lin Qiu, Linsen Guo, Mianqiu Huang, Qi Li, Qian Wang, Rumei Li, Siyu Ren, Wei Wang, Wenlong He, Xi Chen, Xiao Liu, Xiaoyu Li, Xu Huang, Xuanyu Zhu, Xuezhi Cao, Yaoming Zhu, Yifei Cao, Yimeng Jia, Yizhen Jiang, Yufei Gao, Zeyang Hu, Zhenlong Yuan, Zijian Zhang, Ziwen Wang

机构 * Meituan LongCat Team（美团LongCat团队） 纠错

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

AI总结 LongCat-Next提出了一种统一框架DiNA，通过共享离散空间实现多模态一致建模，引入dNaViT实现任意分辨率的标记化与反标记化，构建出单一自回归目标处理文本、视觉和音频的多模态模型，突破离散视觉建模的性能瓶颈。

Comments LongCat-Next Technical Report

DomAgent: Leveraging Knowledge Graphs and Case-Based Reasoning for Domain-Specific Code Generation

DomAgent：利用知识图谱和基于案例的推理进行领域特定代码生成

Shuai Wang, Dhasarathy Parthasarathy, Robert Feldt, Yinan Yu

机构 * Chalmers University of Technology（楚德斯大学） 纠错

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

AI总结 DomAgent通过结合知识图谱和基于案例的推理，提升领域特定代码生成能力，通过结构化推理和定向检索实现领域适应，实验表明其能显著提升复杂真实应用场景的代码生成性能。

Comments Accepted to AAMAS 2026 EA

Errors in AI-Assisted Retrieval of Medical Literature: A Comparative Study

AI辅助医学文献检索中的错误：一项比较研究

Jenny Gao, Yongfeng Zhang, Mary L Disis, Lanjing Zhang

机构 * College of Arts and Science, New York University（纽约大学艺术与科学学院） ； Department of Computer Sciences, School of Arts & Sciences, Rutgers University（罗格斯大学计算机科学系） ； Department of Chemical Biology, Ernest Mario School of Pharmacy, Rutgers University（罗格斯大学药学学院化学生物学系） ； Department of Pathology, Princeton Medical Center（普林斯顿医疗中心病理学系） ； Rutgers Cancer Institute（罗格斯癌症研究所） 纠错

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

AI总结 研究评估了5种LLM在医学文献检索中的错误率，发现其准确率差异显著，且期刊和平台影响检索性能，强调需谨慎审查LLM生成的文献数据。

Revisiting Quantum Code Generation: Where Should Domain Knowledge Live?

重新审视量子代码生成：领域知识应该在哪里居住？

Oscar Novo, Oscar Bastidas-Jossa, Alberto Calvo, Antonio Peris, Carlos Kuchkovsky

机构 * Quantum Computing Research, QCentroid（量子计算研究，QCentroid） 纠错

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

AI总结 研究比较了Qiskit代码生成中不同专精策略，发现通用LLM在零样本和检索增强设置下表现更优，结合执行反馈代理可提升性能，表明无需领域微调即可实现更灵活的量子软件开发。

Comments Submitted to Quantum Machine Intelligence

Optimizing Multi-Agent Weather Captioning via Text Gradient Descent: A Training-Free Approach with Consensus-Aware Gradient Fusion

通过文本梯度下降优化多智能体天气描述：一种无训练方法与共识感知梯度融合

Shixu Liu

机构 * organization= School of Computer \& Information Technology , addressline= Northeast Petroleum University , addressline= No. 99 Xuefu Street, Ranghulu District , city= Daqing , state= Heilongjiang , postcode= 163318 , country= P.R. China 纠错

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

AI总结 本文提出WeatherTGD框架，通过文本梯度下降方法优化天气描述生成，利用三个专业LLM智能体生成领域特定梯度，并通过共识感知梯度融合机制提升描述质量，实验表明其在LLM和人类评估中均优于现有方法。

Comments Preprint and under consideration

When OpenClaw Meets Hospital: Toward an Agentic Operating System for Dynamic Clinical Workflows

当OpenClaw遇见医院：迈向动态临床工作流的智能操作系统

Wenxian Yang, Hanzheng Qiu, Bangqun Zhang, Chengquan Li, Zhiyong Huang, Xiaobin Feng, Rongshan Yu, Jiahong Dong

机构 * Independent Researcher（独立研究者） ； National Institute for Data Science in Health and Medicine, Xiamen University, Xiamen, China（健康医学数据科学国家研究院，厦门大学，厦门，中国） ； Yue’erwan Internet Hospital Co., Ltd.（悦尔湾互联网医院有限公司） ； School of Biomedical Engineering, Tsinghua University, Beijing, China（生物医学工程学院，清华大学，北京，中国） ； National University of Singapore, Singapore（新加坡国立大学） ； Yttrium-90 Precision Interventional Radiotherapy Center of Liver Cancer, Beijing Tsinghua Changgung Hospital, School of Clinical Medicine, Tsinghua University, Beijing, China（肝癌钇-90精准介入放射治疗中心，北京清华大学昌平医院，临床医学学院，清华大学，北京，中国） ； Hepatobiliary and Pancreatic Centre, Beijing Tsinghua Changgung Hospital, School of Clinical Medicine, Tsinghua University, Beijing, China（肝胆胰中心，北京清华大学昌平医院，临床医学学院，清华大学，北京，中国） 纠错

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

AI总结 本文提出一种适应医院环境的LLM代理架构，通过受限执行环境、文档导向交互模型、分页索引内存架构和可组合医疗技能库，实现临床工作流的协调，保障安全、透明和可审计性。

Domain-Specialized Tree of Thought through Plug-and-Play Predictors

通过即插即用预测器实现领域专用的树状思维

Xuanqi Gao, Haoyu Wang, Jun Sun, Shiqing Ma, Chao Shen

机构 * Xi'an Jiaotong University, China（西安交通大学） ； Singapore Management University, Singapore（新加坡管理学院） ； University of Massachusetts at Amherst, United States（马萨诸塞大学阿默斯特分校） 纠错

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

AI总结 本文提出DST，一种轻量级监督启发式预测器，用于指导树状思维搜索过程，实现动态剪枝和适应性扩展，提升复杂推理的效率和准确性。