语言大模型 / LLM

EASE Configuration Facilitates A Reproducible Science of LLM Social Simulations

EASE配置促进LLM社会模拟的可重复科学

Sneheel Sarangi, Maximilian Puelma Touzel, Aurélien Bück-Kaeffer, Zachary Yang, Jean-François Godbout, Reihaneh Rabbany

专题命中 领域大模型 ：LLM(title,title_cn)

AI总结 提出EASE模块化框架（环境、智能体、模拟引擎、评估指标）并构建SiliSocS开源沙盒，通过三个案例研究验证其在高可配置、可重复的LLM社会模拟中的效用。

Comments 22 pages, 5 figures, under review at NeurIPS 2026

CLIOPATRA: Extracting Private Information from LLM Insights

CLIOPATRA: 从LLM洞察中提取隐私信息

Meenatchi Sundaram Muthu Selva Annamalai, Emiliano De Cristofaro, Peter Kairouz

专题命中 领域大模型 ：LLM(title,title_cn)

AI总结 提出CLIOPATRA攻击，通过注入恶意聊天突破多层启发式隐私保护，从LLM洞察系统中提取目标用户敏感信息，在合成医疗聊天中高达65%成功率且几乎100%精确。

Evaluating LLM-generated code for domain-specific languages: molecular dynamics with LAMMPS

评估LLM生成的领域特定语言代码：使用LAMMPS进行分子动力学模拟

Ethan Holbrook, Juan C. Verduzco, Alejandro Strachan

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

AI总结 提出一种评估流程，结合标准化、解析、低成本执行和准确性检查，系统评估LLM为分子动力学代码LAMMPS生成输入文件的有效性，发现当前模型在科学准确性上有限，但通过可复用的智能体技能可显著提升。

Comments 19 pages, 5 figures, Supporting Info, 27 total pages

Graph-Grounded Optimization: Rao-Family Metaheuristics, Classical OR, and SLM-Driven Formulation over Knowledge Graphs

图引导优化：Rao家族元启发式算法、经典运筹学和SLM驱动的公式在知识图谱上的应用

Madhulatha Mandarapu, Sandeep Kunkunuru

专题命中 领域大模型 ：SLM(title,title_cn)；LLM(abstract,abstract_cn)

AI总结 本文提出图引导优化方法，通过Cypher查询从属性知识图谱中获取优化问题的变量、约束和目标系数，对比Rao家族元启发式算法与OR-tools在不同场景下的表现，揭示图引导公式在数据质量上的挑战。

Comments 14 pages, 8 figures, 7 public-domain KG-backed problems

UniRec: Unified Multimodal Encoding for LLM-Based Recommendations

UniRec：基于LLM的推荐系统的统一多模态编码

Zijie Lei, Tao Feng, Zhigang Hua, Yan Xie, Guanyu Lin, Shuang Yang, Ge Liu, Jiaxuan You

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

AI总结 UniRec通过统一多模态编码解决推荐系统中多模态信息的理解挑战，提出三元组表示和分层Q-Former结构，实现在多个基准测试中提升15%的性能。

Journal ref Transactions on Machine Learning Research, 2026

Album: executable building blocks for scientific imaging routines, from sharing to LLM-assisted orchestration

Album: 科学成像流程的可执行构建模块，从共享到LLM辅助编排

Jan Philipp Albrecht, Deborah Schmidt, Lucas Rieckert, Maximilian Otto, Kyle Harrington

专题命中 领域大模型 ：LLM(title,title_cn)

AI总结 Album通过两个核心机制实现科学流程的可执行打包与共享，支持可复现执行和LLM辅助编排，适用于多领域科学应用。

Comments 38 pages, 7 figures

GraphRAG-IRL: Personalized Recommendation with Graph-Grounded Inverse Reinforcement Learning and LLM Re-ranking

基于图的反强化学习与大语言模型重排序的个性化推荐

Siqi Liang, Xiawei Wang, Yudi Zhang, Jiaying Zhou

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

AI总结 GraphRAG-IRL结合图基础特征构建、反强化学习和基于人设的大语言模型重排序，通过最大熵反强化学习模型实现校准预排序，并利用LLM对短候选列表进行重排序，提升推荐效果。

Figures as Interfaces: Toward LLM-Native Artifacts for Scientific Discovery

图表作为接口：迈向面向大语言模型的科学发现原生图件

Yifang Wang, Rui Sheng, Erzhuo Shao, Yifan Qian, Haotian Li, Nan Cao, Dashun Wang

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

AI总结 本文提出LLM原生图件概念，通过融合语言-视觉接口，实现数据驱动的可解释图件，提升科学发现的可重复性和透明性。

Federated User Behavior Modeling for Privacy-Preserving LLM Recommendation

联邦用户行为建模用于隐私保护的大语言模型推荐

Lei Guo, Hongyun Yang, Pengjie Ren, Tong Chen, Hui Liu, Zhumin Chen

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

AI总结 本文提出SF-UBM方法，通过语义增强的联邦架构解决跨域推荐中隐私保护问题，整合多模态数据并融合协同过滤信号，提升LLM推荐效果。

Towards Personalizing Secure Programming Education with LLM-Injected Vulnerabilities

面向个性化安全编程教育的LLM注入漏洞方法

Matthew Frazier, Kostadin Damevski

专题命中 领域大模型 ：LLM(title,title_cn)

AI总结 本文提出利用LLM在学生代码中注入特定CWE漏洞，生成个性化教学材料，通过实验发现学生认为此类示例更相关清晰，但定量结果未显示显著差异，需进一步研究。

SPRINT: Scalable and Predictive Intent Refinement for LLM-Enhanced Session-based Recommendation

SPRINT: 一种可扩展且可预测的意图细化方法用于基于会话的推荐系统

Gyuseok Lee, Wonbin Kweon, Zhenrui Yue, Yaokun Liu, Yifan Liu, Susik Yoon, Dong Wang, SeongKu Kang

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

AI总结 本文提出SPRINT框架，通过全局意图池约束LLM生成可靠意图，并在推理时使用轻量级意图预测器提升可扩展性，实验证明其在推荐效果和可解释性上优于现有方法。

Comments SIGIR'26

Augmenting Anonymized Data with AI: Exploring the Feasibility and Limitations of Large Language Models in Data Enrichment

Stefano Cirillo, Domenico Desiato, Giuseppe Polese, Monica Maria Lucia Sebillo, Giandomenico Solimando

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

Comments Stefano Cirillo, Domenico Desiato, Giuseppe Polese, Monica Maria Lucia Sebillo, Giandomenico Solimando: Augmenting Anonymized Data with AI: Exploring the Feasibility and Limitations of Large Language Models in Data Enrichment. In proceedings of the 3rd Italian Conference on Big Data and Data Science (ITADATA 2024), 17-19 September 2024, Pisa, Italy

Journal ref 3rd Italian Conference on Big Data and Data Science (ITADATA 2024)

Medical Adaptation of Large Language and Vision-Language Models: Are We Making Progress?

Daniel P. Jeong, Saurabh Garg, Zachary C. Lipton, Michael Oberst

专题命中 领域大模型 ：language model(title,abstract)；large language model(abstract)；foundation model(abstract)；pretraining(abstract)

Comments This version was published at EMNLP 2024 Main Conference as a Long Paper (Oral). See the extended version (arXiv:2411.08870) for additional results on QA tasks based on clinical notes and evaluations in the supervised fine-tuning regime

nach0: Multimodal Natural and Chemical Languages Foundation Model

Micha Livne, Zulfat Miftahutdinov, Elena Tutubalina, Maksim Kuznetsov, Daniil Polykovskiy, Annika Brundyn, Aastha Jhunjhunwala, Anthony Costa, Alex Aliper, Alán Aspuru-Guzik, Alex Zhavoronkov

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

Comments Accepted to Chemical Science Journal. Models are publicly available via https://huggingface.co/insilicomedicine/nach0_base and https://huggingface.co/insilicomedicine/nach0_large

Journal ref Chemical Science, 15(22), 8380-8389, 2024

Gene-associated Disease Discovery Powered by Large Language Models

Jiayu Chang, Shiyu Wang, Chen Ling, Zhaohui Qin, Liang Zhao

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

Comments This is the official paper accepted by AAAI 2024 Workshop on Large Language Models for Biological Discoveries

Large language model-assisted discovery of cohorts from scientific literature

大语言模型辅助的科学文献队列发现

Moritz Sturm, Lisa M. Berg, Inken Berg, Harishny Sarma, Jasmin Hartmann, Denissa Girschik, Gemma Roig, Christine M. Freitag, Andreas G. Chiocchetti

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

AI总结 该研究开发了问题驱动框架，通过PubMed API检索文献，用大语言模型提取队列名称，在青少年攻击行为遗传学用例中，补充了队列目录未覆盖的17个合格队列。

An Agentic Framework Using Rules and LLMs for Embedding and Annotating Descriptive Document Layouts: A Plant Science Use Case

一种结合规则与大语言模型（LLM）的智能体框架，用于描述性文档布局的嵌入与标注：植物科学应用案例

Nicolas Turenne, Youcef Sklab, Eric Chenin, Jean-Daniel Zucker

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

AI总结 本研究提出结合规则与LLM的智能体框架，用于植物性状提取，在三个区域植物数据集上实现高效标注，提升了性状覆盖度与标注量，验证了其稳健性与可扩展性。

Mapping Patient-Perceived Physician Traits from Nationwide Online Reviews with LLMs

基于大语言模型（LLM）从全国在线评论中映射患者感知的医生特质

Junjie Luo, Rui Han, Arshana Welivita, Zeleikun Di, Jingfu Wu, Xuzhe Zhi, Ritu Agarwal, Gordon Gao

机构 * Johns Hopkins School of Medicine（约翰霍普金斯医学院） ； Johns Hopkins University（约翰霍普金斯大学） ； Carey Business School, Johns Hopkins University（约翰霍普金斯大学Carey商学院） ； Center for Digital Health Artificial Intelligence (CDHAI)（数字健康人工智能中心（CDHAI）） 纠错

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

AI总结 本研究提出基于LLM的流程从美国百万级医生的410万条在线评论中提取10项患者感知的医生特质，揭示了全国性特质分布模式与医生原型，为相关公平性、偏见研究提供了基础。

Comments Accepted in npj Digital Medicine

Scientific exploration, collaboration and labor division in the large language model era

大语言模型时代的科学探索、合作与分工

Xiang Zheng, Xi Hong, Jialin Liu, Chaoqun Ni

机构 * Information School, University of Wisconsin–Madison（威斯康星大学麦迪逊分校信息学院） 纠错

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

AI总结 研究大语言模型时代科学家科研变化，通过关联数据和分析论文贡献声明发现，2022年后科学家跨学科探索增加，合作网络更具跨学科性，分工更分化，有强AI写作信号者变化更明显，表明此时代科学探索、合作与分工正广泛重组。

Comments Main text: 21 pages, 4 figures. Supplementary materials: 25 pages, 13 figures, 4 tables

Human-in-the-Loop Large Language Model Framework for Identification of Cutaneous Immune-Related Adverse Events

用于识别皮肤免疫相关不良事件的人在回路大语言模型框架

Charles Lu, Olivia Burke, Debby Cheng, Adam Kashlan, Caitlyn Duffy, Zeyun Lu, Lirit Fuksman, Jin Ning Tian, Andrew Sedlack, Priya Katyal, Eudora Lee, Ralina Karagenova, Chuck Lin, Kun-Hsing Yu, Nicole LeBoeuf, Alexander Gusev, Yevgeniy R. Semenov

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

AI总结 研究旨在通过人在回路的大语言模型框架检测皮肤免疫相关不良事件，采用检索增强等方法，相比人工审查提高了准确性、一致性并缩短审查时间，还试点了大语言模型在跨器官系统识别免疫毒性及数据提取方面的应用。

Large Language Models for Citation Function Classification

用于引用功能分类的大语言模型

Daniel Vodička, Jakub Šmíd, Pavel Král, Christophe Cerisara

机构 * CNRS LORIA, Université de Lorraine, Nancy, France（法国国家科学研究中心洛里亚实验室，洛林大学） 纠错

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

AI总结 研究对多个先进大语言模型用于引用功能分类进行全面评估，比较五个模型在不同方法下表现，微调后的猎鹰7B模型取得新最优结果，还引入AC3数据集及多种变体，分析模型性能等，填补相关研究空白。

Comments Published at the 15th edition of the Language Resources and Evaluation Conference (LREC 2026)

Some Large Language Models Exhibit Consistent Risk Attitudes

一些大语言模型表现出一致的风险态度

Bowen Sun, Rui Min, Yuxi Wang, Brian Odegaard, Qi Wang, Jing Du

机构 * University of Florida（佛罗里达大学） ； Northeastern University（东北大学） 纠错

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

AI总结 研究大语言模型在不确定性下的风险态度，引入跨域框架，应用于六个大语言模型和100名人类参与者，发现多数大语言模型有任务内一致性、跨域排序稳定性，且风险态度分布趋向受限，为评估和调整AI系统奠定基础。

Comments 38

Leveraging Large Language Models for Generating Research Topic Ontologies: A Multi-Disciplinary Study

利用大型语言模型生成研究主题本体：多学科研究

Tanay Aggarwal, Angelo Salatino, Francesco Osborne, Enrico Motta

机构 * Knowledge Media Institute, The Open University（开放大学知识媒体学院） ； The Open University（开放大学） ； University of Milano Bicocca（米兰比克卡大学） ； Department of Business and Law, University of Milano Bicocca（米兰比克卡大学商学院与法学院） 纠错

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

AI总结 本文研究了大型语言模型在生物医学、物理和工程学三个学科中识别研究主题语义关系的能力，通过零样本提示、链式思维提示和在现有本体上微调三种条件评估模型性能，并引入PEM-Rel-8K数据集验证跨学科迁移能力。

Simulating multiple human perspectives in socio-ecological systems using large language models

利用大语言模型模拟社会-生态系统的多重人类视角

Yongchao Zeng, Calum Brown, Ioannis Kyriakou, Ronja Hotz, Mark Rounsevell

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

AI总结 本文提出HoPeS框架，利用大语言模型模拟社会-生态系统的多重视角，通过智能体角色转换实现不同利益相关者视角的探索与整合。

LBR: Towards Mitigating Length Bias in Large Language Models for Recommendation

LBR：减轻用于推荐的大语言模型中的长度偏差

Hongchen Li, Bohao Wang, Jingbang Chen, Weiqin Yang, Hang Pan, Bingde Hu, Can Wang, Jiawei Chen

机构 * Zhejiang University（浙江大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Science and Technology of China（中国科学技术大学） ； Bangsun Technology（Bangsun科技） 纠错

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

AI总结 研究大语言模型用于推荐时的长度偏差问题，提出LBR框架。通过长度感知注意力校准减轻输入偏差，引入有效信息长度归一化处理输出偏差，实验证明该框架能减轻偏差并提升推荐准确性和公平性。

Revealing Treatment Non-Adherence Bias in Clinical Machine Learning Using Large Language Models

利用大语言模型揭示临床机器学习中的治疗不依从偏差

Zhongyuan Liang, Arvind Suresh, Irene Y. Chen

机构 * UC Berkeley and UCSF（伯克利大学和旧金山加州大学） 纠错

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

AI总结 本文研究了治疗不依从如何通过EHR数据引入隐性偏差，影响因果推断和预测模型。通过LLM提取临床笔记，发现21.7%患者存在药物不依从，揭示了与不依从相关的关键因素及患者报告的原因，强调了在开发负责任且公平的临床机器学习系统中考虑治疗不依从的重要性。

Journal ref Proceedings of the 5th Conference on Health, Inference, and Learning, PMLR 287:430-442, 2025

On the Memorization Behavior of LLMs in Generative Recommendation: Observations, Implications, and Training Strategies

LLM在生成式推荐中的记忆行为：观察、启示与训练策略

Sunwoo Kim, Sunkyung Lee, Clark Mingxuan Ju, Donald Loveland, Bhuvesh Kumar, Kijung Shin, Neil Shah, Liam Collins

机构 * KAIST（韩国科学技术院） ； Sungkyunkwan University（成均馆大学） ； Snap Inc.（Snap公司） 纠错

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

AI总结 研究LLM在生成式推荐中的记忆倾向，发现其过度依赖一跳记忆，提出IIRG训练策略以学习多跳协同与语义关系，显著提升对非一跳记忆用户的推荐效果。

SciDef: Datasets and Tools for Automated Definition Extraction from Scientific Literature with LLMs

SciDef：基于LLM的科学文献自动定义提取数据集与工具

Filip Kučera, Christoph Mandl, Isao Echizen, Radu Timofte, Timo Spinde

机构 * National Institute of Informatics (NII)（国立信息研究所） ； University of Würzburg（乌尔姆大学） ； University of Passau（帕萨乌大学） ； University of Würzburg (JMU)（乌尔姆大学） 纠错

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

AI总结 提出SciDef资源套件，包含人工验证的定义基准DefExtra、相似度判断DefSim及基于LLM的提取流程，通过16个语言模型评估，发现NLI匹配指标与人类判断高度一致，但相关性过滤仍是自动提取的关键瓶颈。

Comments Under Review - Submitted to CIKM 2026 Resources Track;

How Much Structure Do LLMs Need? Evaluating LLMs for Bibliometric Cluster Description

LLM 需要多少结构？评估 LLM 用于文献计量聚类描述

Abraham Camelo-Guerrero, Jairo Diaz-Rodriguez

机构 * School of Information Technology（信息科技学院） ； Department of Mathematics and Statistics（数学与统计学系） ； York University（约克大学） 纠错

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

AI总结 本研究通过六种不同证据和结构水平的流水线，评估文献计量结构是否改善 LLM 辅助的聚类描述生成，发现混合工作流（算法提供可审计结构，LLM 生成可读描述）效果最佳。

Spreadsheet-RL: Advancing Large Language Model Agents on Realistic Spreadsheet Tasks via Reinforcement Learning

Spreadsheet-RL: 通过强化学习推进大型语言模型代理在现实中的电子表格任务中的进步

Banghao Chi, Yining Xie, Mingyuan Wu, Jingcheng Yang, Jize Jiang, Zhaoheng Li, Shengyi Qian, Minjia Zhang, Klara Nahrstedt, Rui Hou, Xiangjun Fan, Hanchao Yu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Meta 纠错

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

AI总结 本文提出Spreadsheet-RL，一种通过强化学习微调框架，旨在在现实Microsoft Excel环境中训练专门的电子表格代理。该方法通过自动化管道收集在线论坛中的配对起始-目标电子表格，以及金融和供应链管理等领域的领域特定评估任务，构建了新的Domain-Spreadsheet基准数据集，并展示了在通用和领域特定电子表格任务上的显著性能提升。

Comments Mingyuan served as the project lead. Banghao, Yining, and Mingyuan contributed equally to this work, with more junior authors listed before senior authors. All data and code releases are maintained by the corresponding authors at UIUC and are not affiliated with Meta