语言大模型 / LLM

Anthropomorphization of AI: Opportunities and Risks

Ameet Deshpande, Tanmay Rajpurohit, Karthik Narasimhan, Ashwin Kalyan

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

A Glimpse in ChatGPT Capabilities and its impact for AI research

Frank Joublin, Antonello Ceravola, Joerg Deigmoeller, Michael Gienger, Mathias Franzius, Julian Eggert

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

Can we Trust Chatbots for now? Accuracy, reproducibility, traceability; a Case Study on Leonardo da Vinci's Contribution to Astronomy

Didier El Baz

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

LLMs can generate robotic scripts from goal-oriented instructions in biological laboratory automation

Takashi Inagaki, Akari Kato, Koichi Takahashi, Haruka Ozaki, Genki N. Kanda

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

AugGPT: Leveraging ChatGPT for Text Data Augmentation

Haixing Dai, Zhengliang Liu, Wenxiong Liao, Xiaoke Huang, Yihan Cao, Zihao Wu, Lin Zhao, Shaochen Xu, Wei Liu, Ninghao Liu, Sheng Li, Dajiang Zhu, Hongmin Cai, Lichao Sun, Quanzheng Li, Dinggang Shen, Tianming Liu, Xiang Li

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

Pre-Training With Scientific Text Improves Educational Question Generation

Hamze Muse, Sahan Bulathwela, Emine Yilmaz

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

Comments In Proceedings of AAAI Conference on Artificial Intelligence 2023

PainPoints: A Framework for Language-based Detection of Chronic Pain and Expert-Collaborative Text-Summarization

Shreyas Fadnavis, Amit Dhurandhar, Raquel Norel, Jenna M Reinen, Carla Agurto, Erica Secchettin, Vittorio Schweiger, Giovanni Perini, Guillermo Cecchi

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

FashionVQA: A Domain-Specific Visual Question Answering System

Min Wang, Ata Mahjoubfar, Anupama Joshi

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

Dependency Learning for Legal Judgment Prediction with a Unified Text-to-Text Transformer

Yunyun Huang, Xiaoyu Shen, Chuanyi Li, Jidong Ge, Bin Luo

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

Comments The first two authors contributed equally

CT Open: An Open-Access, Uncontaminated, Live Platform for the Open Challenge of Clinical Trial Outcome Prediction

CT Open: 一个开放获取、无污染、实时平台，用于临床试验结果预测的开放挑战

Jianyou Wang, Youze Zheng, Longtian Bao, Hanyuan Zhang, Qirui Zheng, Yuhan Chen, Yang Zhang, Matthew Feng, Maxim Khan, Aditya K. Sehgal, Christopher D. Rosin, Ramamohan Paturi, Umber Dube, Leon Bergen

机构 * Laboratory for Emerging Intelligence, University of California, San Diego（新兴智能实验室，加州大学圣地亚哥分校） ； Department of Dermatology, University of California, San Diego（皮肤科系，加州大学圣地亚哥分校） ； Elsevier 纠错

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

AI总结 本文介绍CT Open平台，通过开放挑战预测临床试验结果，采用自动化方法解决数据污染问题，提供训练集和测试基准，推动AI在现实结果预测中的应用。

Comments Published at Conference on Language Modeling (COLM), 2026

How Do LLMs Encode Scientific Quality? An Empirical Study Using Monosemantic Features from Sparse Autoencoders

大语言模型如何编码科学质量？通过稀疏自编码器的单义特征进行实证研究

Michael McCoubrey, Angelo Salatino, Francesco Osborne, Enrico Motta

机构 * Knowledge Media Institute, The Open University, Walton Hall, Milton Keynes, MK7 6AA, United Kingdom（开放大学知识媒体学院） ； Department of Business and Law, University of Milano Bicocca, Milan, IT（米兰比可卡大学商学院） 纠错

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

AI总结 本文通过稀疏自编码器的单义特征研究，揭示了大语言模型如何编码科学质量的多个维度。

Comments Presented at SESAME 2025: Smarter Extraction of ScholArly MEtadata using Knowledge Graphs and Language Models, @ JCDL 2025

Retrieval-aligned Tabular Foundation Models Enable Robust Clinical Risk Prediction in Electronic Health Records Under Real-world Constraints

检索对齐的表格基础模型实现电子健康记录中在现实约束下的稳健临床风险预测

Minh-Khoi Pham, Thang-Long Nguyen Ho, Thao Thi Phuong Dao, Tai Tan Mai, Minh-Triet Tran, Marie E. Ward, Una Geary, Rob Brennan, Nick McDonald, Martin Crane, Marija Bezbradica

机构 * University of Cambridge（剑桥大学） 纠错

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

AI总结 针对电子健康记录中高维、异质、类别不平衡和分布偏移等挑战，提出任务对齐检索框架AWARE，通过监督嵌入学习和轻量适配器提升表格上下文学习性能，在极端不平衡下AUPRC提升高达12.2%。

Comments Not peer-reviewed. Under revision

Effective Personalized AI Tutors via LLM-Guided Reinforcement Learning

基于大语言模型引导强化学习的高效个性化AI辅导系统

Angel Tsai-Hsuan Chung, Botong Zhang, Ling-Chieh Kung, Hamsa Bastani, Osbert Bastani

机构 * University of Pennsylvania（宾夕法尼亚大学） ； National Taiwan University（台湾大学） 纠错

专题命中 领域大模型 ：LLM(title)；分类 cs.AI

AI总结 本研究设计了集成大语言模型聊天机器人与强化学习算法的个性化AI辅导平台，经十所高中的五个月课程验证，其自适应编排练习题可提升学生Python成绩0.15个标准差，且成绩提升源于参与度提高。

Adapted Foundation Models for Breast MRI Triaging in Contrast-Enhanced and Non-Contrast Enhanced Protocols

Tri-Thien Nguyen, Lorenz A. Kapsner, Tobias Hepp, Shirin Heidarikahkesh, Hannes Schreiter, Luise Brock, Dominika Skwierawska, Dominique Hadler, Julian Hossbach, Evelyn Wenkel, Sabine Ohlmeyer, Frederik B. Laun, Andrzej Liebert, Andreas Maier, Michael Uder, Sebastian Bickelhaupt

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

Comments 23 pages, 6 figures, 4 tables. Originally submitted to Radiology (RAD-25-2541); under consideration for transfer to Radiology: Artificial Intelligence (RSNA Portfolio Journal)

Journal ref European Radiology (2026)

(EC)2: Event-Centric Explainability for Cybersecurity Through Multi-Agent LLM Investigations

(EC)2：基于多智能体大语言模型调查的网络安全以事件为中心的可解释性

Neta Kirmayer, David Tayouri, Andrés Murillo, Motoyoshi Sekiya, Asaf Shabtai, Rami Puzis

机构 * Ben-Gurion University of the Negev（内盖夫本-古里安大学） ； Fujitsu（富士通） 纠错

专题命中 领域大模型 ：LLM(title)；分类 cs.AI

AI总结 该研究提出多智能体框架(EC)2，为中小型企业网络的网络安全警报提供基于可验证证据的以事件为中心的可解释性，可提升检测后分析效果与事件分类准确率。

Comments 21 pages

Spectral Dynamics of Semantic Drift in Clinical Multi-Agent Language Model Networks

临床多智能体语言模型网络中语义漂移的谱动力学

Amritesh Banerjee

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

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

AI总结 研究临床多智能体语言模型网络中语义漂移的谱动力学，通过映射多智能体通信不确定性轨迹到嵌入空间，揭示结构瓶颈危害。提出动态谱监测技术，经图拉普拉斯算子特征分解确保全局状态扩散，保障自主医疗诊断可靠性。

Imaging-101: Benchmarking LLM Coding Agents on Scientific Computational Imaging

成像101：在科学计算成像上对大语言模型编码智能体进行基准测试

Siyi Chen, Jiahe Ying, Yixuan Jia, Yuxuan Gu, Enze Ye, Weimin Bai, Zhijun Zeng, Shaochi Ren, Binhong Gao, Yubing Li, Tianhan Zhang, He Sun

机构 * College of Future Technology and the National Biomedical Imaging Center, Peking University（北京大学未来技术学院和国家生物医学成像中心） ； AI for Science Institute (AISI)（科学人工智能研究所） ； University of Michigan（密歇根大学） ； State Key Laboratory of Acoustics and Marine Information, Institute of Acoustics, Chinese Academy of Sciences（中国科学院声学研究所声场声信息国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Astronautics, Beihang University（北京航空航天大学宇航学院） ； Key Laboratory of Spacecraft Design Optimization and Dynamic Simulation Technologies, Ministry of Education（教育部航天器设计优化与动态仿真技术重点实验室） 纠错

专题命中 领域大模型 ：LLM(title)；分类 cs.AI

AI总结 研究针对计算成像构建正确重建管道费力的问题，引入含57个任务的Imaging-101基准及三个评估轨道，评估七个前沿大语言模型，发现应用编码智能体于计算成像存在系统性挑战，指出技能增强、领域专业化智能体是可靠成像辅助的途径。

Large-Scale AI and Foundation Models for Neuroscience: A Comprehensive Review

大规模人工智能与基础模型在神经科学中的应用：综合综述

Shihao Yang, Xiying Huang, Danilo Bernardo, Jun-En Ding, Andrew Michael, Guoan Wang, Jingmei Yang, Alison Anderson, Dinesh Giritharan, Patrick Kwan, Ashish Raj, Yu Zhang, Feng Liu

机构 * Department of Systems Engineering, Stevens Institute of Technology（系统工程系，史蒂文斯理工学院） ； Department of Neurology and Weill Institute for Neurosciences, University of California San Francisco（神经病学系和Weill神经科学研究所，旧金山大学） ； Duke Institute for Brain Sciences, Duke University（杜克大学脑科学研究所） ； Division of Systems Engineering, Department of Electrical and Computer Engineering, Boston University（系统工程 division，电气与计算机工程系，波士顿大学） ； Department of Neuroscience, School of Translational Medicine, Monash University（神经科学系，转化医学学院，莫纳什大学） ； Department of Neurology, Alfred Hospital, Melbourne, Victoria, Australia（神经病学系，阿尔弗雷德医院，墨尔本，维多利亚州，澳大利亚） ； Department of Radiology and Biomedical Imaging, University of California, San Francisco, CA, USA（放射学与生物医学成像系，旧金山大学，加州，美国） ； Department of Psychiatry and Behavioral Sciences, School of Medicine, Stanford University（精神病学与行为科学系，医学院，斯坦福大学） ； Wu Tsai Neurosciences Institute, Stanford University（吴氏神经科学研究所，斯坦福大学） ； Stanford Institute for Human-Centered AI, Stanford University（斯坦福大学人本人工智能研究所） 纠错

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

AI总结 本文综述了大规模AI模型在神经科学四个主要领域（神经影像与数据处理、脑机接口与神经解码、临床决策支持与转化框架、神经系统与精神疾病特定应用）的应用，展示了其在多模态数据整合、时空模式解释和临床转化方面的潜力，并强调了严格评估、领域知识整合、临床验证和伦理指南的重要性。

Comments Accepted for publication in Meta-Radiology

Can Continual Pre-training Bridge the Performance Gap between General-purpose and Specialized Language Models in the Medical Domain?

持续预训练能否缩小通用与专用语言模型在医疗领域的性能差距？

Niclas Doll, Jasper Schulze Buschhoff, Shalaka Satheesh, Hammam Abdelwahab, Héctor Allende-Cid, Katrin Klug

机构 * Fraunhofer IAIS（弗劳恩霍夫人工智能研究所） ； Lamarr Institute（拉马尔研究所） 纠错

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

AI总结 本文通过持续预训练和融合技术，缩小专用模型与大通用模型的性能差距，构建了DeFineMed模型家族，证明专用模型在医疗任务中具有竞争力。

Comments Accepted to the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026, San Diego, California, July 2 - 7, 2026) as a main conference paper

On the Robustness of Tabular Foundation Models: Test-Time Attacks and In-Context Defenses

表格基础模型的鲁棒性：测试时攻击与上下文防御

Mohamed Djilani, Thibault Simonetto, Karim Tit, Florian Tambon, Salah Ghamizi, Maxime Cordy, Mike Papadakis

机构 * Luxembourg Institute of Health（卢森堡健康研究所） ； SnT / University of Luxembourg（卢森堡大学SnT中心） 纠错

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

AI总结 研究探讨了表格基础模型在测试时对抗攻击的脆弱性及上下文防御方法，发现微小结构扰动可显著降低预测精度，并提出通过对抗性微调和上下文学习提升鲁棒性。

Comments This work has been accepted for publication at the IEEE Conference on Secure and Trustworthy Machine Learning (SaTML). The final version will be available on IEEE Xplore. To IEEE SaTML 2026

LLM-Enhanced Semantic Data Integration of Electronic Component Qualifications in the Aerospace Domain

基于大语言模型的航空领域电子元件资格语义数据整合

Antonio De Santis, Marco Balduini, Matteo Belcao, Andrea Proia, Marco Brambilla, Emanuele Della Valle

机构 * Politecnico di Milano, DEIB（米兰Politecnico大学DEIB系） ； Quantia Consulting（Quantia咨询公司） ； Motus ml（Motus ml实验室） ； Thales Alenia Space（Thales Alenia空间公司） 纠错

专题命中 领域大模型 ：LLM(title)；分类 cs.AI

AI总结 本文提出利用虚拟知识图谱和大语言模型整合航空领域电子元件资格数据，通过本体数据访问和向量搜索提升检索效率，减少人工处理成本。

Comments ESWC 2026

SciDesignBench: Benchmarking and Improving Language Models for Scientific Inverse Design

SciDesignBench: 科学逆向设计的语言模型基准测试与改进

David van Dijk, Ivan Vrkic

机构 * CellType Inc.（CellType公司） 纠错

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

AI总结 本文提出SciDesignBench，通过520个模拟器支撑任务评估语言模型在科学逆向设计中的表现，发现模拟反馈对不同设计周期有不同影响，并引入RLSF训练方法提升模型性能。

Comments 35 pages, 19 figures, 9 tables

LLM-driven Multimodal Recommendation

基于大语言模型的多模态推荐

Yicheng Di

专题命中 领域大模型 ：LLM(title)；分类 cs.AI

AI总结 本文提出LMMRec框架，通过建模用户动机提升推荐系统的可解释性和说服力，实验表明其在三个真实数据集上效果显著。

Comments There are some writing errors in our methods section that need to be corrected. We will then add extensive experiments and rewrite the Introduction and related work sections

Vision-Language Models Encode Clinical Guidelines for Concept-Based Medical Reasoning

视觉-语言模型编码临床指南以实现基于概念的医学推理

Mohamed Harmanani, Bining Long, Zhuoxin Guo, Paul F. R. Wilson, Amirhossein Sabour, Minh Nguyen Nhat To, Gabor Fichtinger, Purang Abolmaesumi, Parvin Mousavi

机构 * Queen’s University（女王大学） ； University of British Columbia（不列颠哥伦比亚大学） ； McMaster University（麦马斯特大学） ； Vector Institute（向量研究所） 纠错

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

AI总结 MedCBR通过整合临床指南与视觉-语言模型，提升医学影像诊断的可解释性和决策支持能力。

Comments CVPR 2026 Findings

Adapt Data to Model: Adaptive Transformation Optimization for Domain-shared Time Series Foundation Models

适应数据到模型：面向领域共享时间序列基础模型的自适应转换优化

Yunzhong Qiu, Zhiyao Cen, Zhongyi Pei, Chen Wang, Jianmin Wang

机构 * School of Software, BNRist, Tsinghua University（软件学院、BNRist、清华大学） 纠错

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

AI总结 TATO通过自适应转换优化提升领域适应的预测性能，显著降低MSE并提高效率。

Comments Published as a conference paper at ICLR 2026

Massively Multimodal Foundation Models: A Framework for Capturing Interactions with Specialized Mixture-of-Experts

大规模多模态基础模型：一种捕捉交互的专用专家混合框架

Xing Han, Hsing-Huan Chung, Joydeep Ghosh, Paul Pu Liang, Suchi Saria

机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 本文提出了一种大规模多模态基础模型框架，通过量化模态间的时间依赖性，改进混合专家路由机制，提升跨模态交互处理能力。

Comments Published at International Conference on Learning Representations (ICLR) 2026 as a conference paper. 28 pages, 16 figures, 10 tables

General vs Domain-Specific CNNs: Understanding Pretraining Effects on Brain MRI Tumor Classification

通用与领域特定CNNs：理解预训练对脑MRI肿瘤分类的影响

Helia Abedini, Saba Rahimi, Reza Vaziri

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

AI总结 本研究比较了三种CNN架构在脑肿瘤分类中的表现，发现通用网络ConvNeXt-Tiny在数据稀缺情况下表现更优，而领域特定预训练模型泛化能力有限。

SynthAgent: A Multi-Agent LLM Framework for Realistic Patient Simulation -- A Case Study in Obesity with Mental Health Comorbidities

SynthAgent：一种多智能体LLM框架用于真实患者模拟——以肥胖伴发心理健康共病的案例研究

Arman Aghaee, Sepehr Asgarian, Jouhyun Jeon

机构 * Klick Health（Klick健康） 纠错

专题命中 领域大模型 ：LLM(title)；分类 cs.AI

AI总结 SynthAgent通过多智能体框架生成高保真的虚拟患者，用于研究肥胖与心理健康共病的患者旅程和决策过程。

Comments Presented in AAAI 2026 Singapore at the workshop of Health Intelligence

What Gets Activated: Uncovering Domain and Driver Experts in MoE Language Models

哪些被激活：揭示MoE语言模型中的领域和驱动专家

Guimin Hu, Meng Li, Qiwei Peng, Lijie Hu, Boyan Xu, Ruichu Cai

机构 * Guangdong University of Technology（广东工业大学） ； Soochow University（苏州大学） ； University of Copenhagen（哥本哈根大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

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

AI总结 研究揭示MoE语言模型中领域和驱动专家的激活机制，通过分析专家激活模式提升模型可解释性。

LEKA:LLM-Enhanced Knowledge Augmentation

LEKA：大语言模型增强的知识增强

Xinhao Zhang, Jinghan Zhang, Fengran Mo, Dongjie Wang, Yanjie Fu, Kunpeng Liu

机构 * Portland State University（波特兰州立大学） ； University of Montreal（蒙特利尔大学） ； University of Kansas（堪萨斯大学） ； Arizona State University（亚利桑那州立大学） 纠错

专题命中 领域大模型 ：LLM(title)；分类 cs.LG

AI总结 LEKA通过主动检索合适知识源，提升跨领域知识转移效率，减少计算成本并优化迁移学习效果。

Comments Accepted by IJCAI 2025