语言大模型 / LLM

Cognitive Convergence: Deep Similarities Between Large Language Models and Human Cognition

认知趋同：大语言模型与人类认知的深层相似性

Chandra Sripada, Richard Lewis

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

AI总结 该研究指出，尽管大语言模型与人类存在多方面差异，但在推理组织等五个认知维度上与人类认知结构趋同，相关核心原则可用于解释基于大语言模型的系统智能。

Comments 23 pages, 0 figures

Information-seeking failures of large language models in agentic clinical reasoning

大语言模型在代理临床推理中的信息获取失败

Krischan Braitsch, Laura K. Schmalbrock, Theresa Weltermann, Andrew F. Berdel, Isabella Miller, Kai Tran, Michael Heider, Sabrina Kraus, Florian Bassermann, Jacqueline Lammert, Sebastian Ziegelmayer, Marcus Makowski, Lisa C. Adams, Keno K. Bressem

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

AI总结 研究大语言模型在临床推理中信息获取失败问题，开发血液肿瘤学代理评估框架，发现信息利用率是诊断准确性关键指标，推理痕迹与准确性不相关，主要失败模式为搜索满足等，指出模型主要限制是不确定性下信息获取失败。

Comments 66 pages, 9 figures; includes supplementary material

Specific Domain Ontology Construction Using Large Language Models

使用大语言模型构建特定领域本体

Vivian Magri Alcaldi Soares, Renata Wassermann

机构 * University of São Paulo (USP)（圣保罗大学） ； Center for Artificial Intelligence (C4AI)（人工智能中心） 纠错

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

AI总结 利用大语言模型作为领域专家自动构建概念层次结构，以巴西海洋领土为例评估GPT-3.5和GPT-4生成的本体，发现整体连贯但需优化。

Comments Presented at NeLaMKRR@KR, 2025 (arXiv:2511.09575)

Who Owns the AI Recommendation? A Multi-Industry Empirical Map of Brand Category Ownership Across Large Language Models

谁拥有AI推荐？跨行业大语言模型品牌类别所有权实证图谱

Dmitrij Żatuchin

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

AI总结 本研究提出三个探索性指标（类别所有权指数、竞争真空指数和置换得分），分析三个大语言模型在50个品牌、五个行业的推荐集中度与竞争结构，发现推荐集中度中等，跨模型一致性仅41.6%，置换程度因行业而异。

Comments 21 pages, 4 figures, 7 tables. Under review at Journal of Marketing Analytics (Palgrave Macmillan). Data and analysis code on Zenodo, https://doi.org/10.5281/zenodo.20788142

As Easy as Rocket Science: Assessing the Ability of Large Language Models to Interpret Negation in Figurative Language

像火箭科学一样简单：评估大型语言模型解释比喻语言中否定能力的研究

Jasmine Owers, Edwin Simpson, Martha Lewis

机构 * Intelligent Systems Lab University of Bristol（智能系统实验室 英国布里斯托尔大学） ； ILLC University of Amsterdam（阿姆斯特丹大学语言学研究所） 纠错

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

AI总结 本研究通过开发新的注释数据集，测试多种大型语言模型在比喻语言中理解否定的能力，发现否定与比喻的组合对模型构成挑战，且性能高度依赖提示风格。

Comments 16 pages, 16 figures; for associated code and data see https://github.com/jrdowers/Negation-and-Fig-Lang; To be published in Transactions of the Association for Computational Linguistics

OpenMedQ: Broad Open Pretraining for Medical Vision-Language Models

OpenMedQ：面向医学视觉语言模型的广泛开放预训练

Ibrahim Gulluk, Max Van Puyvelde, Olivier Gevaert

机构 * Stanford University（斯坦福大学） ； Stanford University School of Medicine（斯坦福大学医学院） ； Ghent University（根特大学） 纠错

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

AI总结 提出OpenMedQ，在14个数据集（约335万样本）上预训练医学视觉语言模型，在PathVQA上BLEU-1达75.9，超越562B参数的Med-PaLM M，并在8个未见医学分类任务上取得最高平均macro-F1（0.757）。

Comments Medical Imaging with Deep Learning (MIDL) 2026, Short Paper Track

Towards Diverse Scientific Hypothesis Search with Large Language Models

面向多样化科学假设搜索的大语言模型

Haorui Wang, Parshin Shojaee, Kazem Meidani, Kunyang Sun, José Miguel Hernández-Lobato, Teresa Head-Gordon, Jiajun He, Chandan K. Reddy, Chao Zhang, Yuanqi Du

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 针对科学假设搜索中多样性崩溃问题，提出基于并行回火的多温度进化框架，在固定验证预算下提升假设质量与多样性。

Comments ICML 2026

EduGuard: A Safe RAG-Based LLM Tutor for Programming Education

EduGuard：一种用于编程教育的基于安全检索增强生成的语言模型导师

S M Asif Hossain, Ruksat Khan Shayoni, M. F. Mridha, Jungpil Shin

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

AI总结 研究针对学生使用GenAI进行编程学习时的问题，提出EduGuard安全RAG辅导框架，集成多种功能。通过构建基准测试并与强基线比较，在正确性、基础等方面表现最佳，能提升准确率并降低过度依赖，证明安全GenAI辅导需多方面保障。

From Prompts to Contracts: Harness Engineering for Auditable Enterprise LLM Agents

从提示到契约：用于可审计企业大语言模型代理的 harness 工程

Joongho Ahn, Moonsoo Kim

机构 * AI Leadership Research Center（人工智能领导力研究中心） 纠错

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

AI总结 研究针对企业大语言模型应用从原型到产品化的需求，提出 harness 工程方法，在韩国企业数据切片上实例化并评估三个问题，包括契约保留、模型替换检查及代码执行效果，形成可将原型转为可审计应用的工程模式。

Comments 32 pages, 6 figures, 16 tables. Reference implementation and evaluation artifacts: https://github.com/hammerbaki/enterprise-llm-agent-harness (archived at https://doi.org/10.5281/zenodo.21269426)

FormalTCS: Benchmarking End-to-End Frontier Formal Theoretical Computer Science Research of Large Language Models

FormalTCS：评估大型语言模型端到端前沿形式理论计算机科学研究的基准

Dingzirui Wang, Xuanliang Zhang, Keyan Xu, Qingfu Zhu, Wanxiang Che

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 FormalTCS基准评估发现，当前大型语言模型完成端到端前沿TCS研究的能力不足，形式化是核心瓶颈，且研究品味限制了自主TCS研究。

Large language models as synthetic clinical experts to inform longitudinal rare-disease modeling

大型语言模型作为合成临床专家用于纵向罕见病建模

Clemens Schächter, Astrid Pechmann, Janbernd Kirschner, Jan Hasenauer, Harald Binder

机构 * University of Freiburg（弗莱堡大学） ； Freiburg Center for Data Analysis, Modeling and AI（弗莱堡数据分析、建模与人工智能中心） ； University of Bonn（波恩大学） ； Bonn Center for Mathematical Life Sciences（波恩数学生命科学中心） ； Life and Medical Sciences (LIMES) Institute（生命与医学科学研究所） ； Centre for Integrative Biological Signalling Studies（整合生物信号研究中心） 纠错

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

AI总结 该研究用LLMs作为合成临床专家，监督变分自编码器学习纵向罕见病数据的低维表示，降低了脊髓性肌萎缩症标签分歧，提升了运动功能里程碑预测效果。

Challenges in annotations by humans and LLMs: A case study of evaluative language

人类与大语言模型（LLM）的标注挑战：评价性语言的案例研究

Mirela Imamovic, Aenne Cecilia Kristine Knierim, Khushi Pitroda, Ekaterina Lapshinova-Koltunski

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 本文以TED演讲语料库为对象，对比受训语言学者、专业学者与LLM在评价性语言标注上的表现，发现LLM经微调后F1值达0.77，表现优于专业学者，可辅助复杂标注任务。

Using large language models to probe the limits of atom-centered structural descriptors

利用大语言模型探究原子中心结构描述符的极限

Michelangelo Domina, Michele Ceriotti

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

AI总结 该研究借助大语言模型发现原子中心结构描述符在考虑至多七个邻原子簇时仍存在简并，揭示了AI在跨领域转化成果、加速科学突破的新应用模式。

Retrieval-Augmented Large Language Models as Components of Cognitive Computing architecture for Regulatory Knowledge Management

作为监管知识管理认知计算架构组件的检索增强大语言模型

Dariusz Nowak-Nova

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

AI总结 研究探讨将大语言模型与检索增强生成架构集成用于监管知识管理，提出本地部署LLMs的架构方法，经实验验证，此集成提升了生成文本质量，引入可审计性等，增强后的LLMs可作为认知计算基础设施的语义处理模块。

Leveraging External Knowledge for Historical Document Restoration via Retrieval-Augmented Large Language Models

通过检索增强大语言模型利用外部知识进行历史文献修复

Gabeen Kim, Kyeongpil Kang

机构 * Kangwon National University（江原国立大学） 纠错

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

AI总结 针对历史文献因物理损坏难以辨认及现有修复方法在恢复命名实体上的局限，提出利用检索增强大语言模型的修复框架，结合预训练模型隐含知识与外部上下文，实验表明该方法性能优于基线，是历史记录分析实用工具。

Comments Accepted to Findings of ACL 2026

Journal ref Findings of the Association for Computational Linguistics: ACL 2026, pages 43290-43304, 2026

MedGame: Storytelling Gamification Empowered by Large Language Models for Medical Education

MedGame：由大语言模型赋能的用于医学教育的故事化游戏化

Qian Wu, Xinrong Zhou, Zizhan Ma, Kai Chen, Zheyao Gao, Xun Lin, Hongqiu Wu, Longfei Gou, Yixiao Liu, Ann Sin Nga Lau, Qi Dou

机构 * CUHK（香港中文大学） ； Southern Medical University（南方医科大学） ； Peking University（北京大学） ； Tencent（腾讯） 纠错

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

AI总结 研究旨在利用大语言模型助力医学教育，提出MedGame框架，通过双引擎设计将临床病例转化为故事化游戏，构建MedGame Bench进行评估，实验显示特定任务微调提升开源模型表现，学生研究表明其更具吸引力和实用性。

Comments Work in Progress; an explorational design and study on AI+Education+Game

Automatic Ordinary Differential Equations Discovery For Biological Systems Using Large Language Model Powered Agentic System

使用由大语言模型驱动的智能体系统自动发现生物系统中的常微分方程

David Krongauz, Arad Zulti, Eran Segal, Teddy Lazebnik

机构 * Weizmann Institute of Science（魏茨曼科学研究所） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Haifa（海法大学） ； Jonkoping University（延雪平大学） 纠错

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

AI总结 研究旨在用大语言模型驱动智能体系统自动发现生物系统常微分方程。提出MEDA系统，能检索知识、定义变量、生成约束等。通过多种任务评估，该系统可恢复正确变量，实现结构恢复，生成合理模型，还明确关键组成部分。

SmartHomeSecure: Automated Detection and Repair of Smart Home Configuration Errors Using Large Language Models

智能家居安全：使用大语言模型自动检测和修复智能家居配置错误

Yizhi Wang, Xinghua Gao, Reachsak Ly, Alireza Shojaei

机构 * Myers-Lawson School of Construction, Virginia Polytechnic Institute and State University（Myers-Lawson工程学院，弗吉尼亚理工学院和州立大学） ； School of Technology, Eastern Illinois University（技术学院，东伊利诺伊大学） 纠错

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

AI总结 研究智能家居配置文件错误问题，提出SmartHomeSecure原型，结合轻量级程序分析与约束引导大语言模型生成，实现自动检测与修复，经实验评估，四个模型测试结果显示该方法能有效提高智能家居配置修复的可靠性和可用性。

Leveraging Large Language Models to Obscure Code Stylometry: A Comparative Study of GPT-3.5 and GPT-4

利用大型语言模型混淆代码风格计量学：GPT-3.5与GPT-4的对比研究

Saman Pordanesh, Benjamin Tan

机构 * UNIVERSITY OF CALGARY（卡尔加里大学） 纠错

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

AI总结 研究GPT-3.5和GPT-4在保持代码功能的同时混淆代码风格计量学的能力，通过随机森林分类器评估不同提示工程策略的效果，发现单次与多次提示方法存在显著差异，并强调了详细结构化提示的重要性。

Large Language Models as Modal Models in Linguistics

大语言模型作为语言学中的模态模型

Haruto Suzuki, Saku Sugawara

机构 * Keio University（庆应义塾大学） ； National Institute of Informatics（国立信息学研究所） ； University of Tokyo（东京大学） 纠错

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

AI总结 本文应用科学哲学中的模态建模框架，论证大语言模型作为最小模型具有真正的认知价值，能提供“如何可能解释”，但当前尚不满足“如何实际解释”的条件，其解释力位于两者之间的连续统上。

Civil Court Simulation with Large Language Models

基于大型语言模型的民事法庭模拟

Yifan Chen, Haitao Li, Kaiyuan Zhang, Yueyue Wu, Qingyao Ai, Yiqun Liu

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 提出多智能体民事法庭模拟框架，通过五阶段审判程序、记忆模块和法规检索实现可靠判决，在责任分配和多项裁决上表现优异。

Can LLMs extract scientific consensus? A case study in high-temperature superconductivity

LLMs能否提取科学共识？以高温超导为例

Mouyang Cheng, Wenhao He, Zhuotao Jin, Bowen Yu, Ju Li, Boris Kozinsky, Yao Wang, Pavel Volkov, Liangzi Deng, Ching-Wu Chu, Xiao-Gang Wen, Mingda Li

机构 * Center for Computational Science and Engineering, MIT（MIT计算科学与工程中心） ； Department of Materials Science and Engineering, MIT（MIT材料科学与工程系） ； Department of Physics, MIT（MIT物理系） ； Department of Nuclear Science and Engineering, MIT（MIT核科学与工程系） ； John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保罗森工程与应用科学学院） ； Department of Chemistry, Emory University（埃默里大学化学系） ； Department of Physics, University of Connecticut（康涅狄格大学物理系） ； Department of Physics and Texas Center for Superconductivity, University of Houston（休斯顿大学物理系和德克萨斯超导中心） 纠错

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

AI总结 本研究以高温超导领域为测试平台，利用近18,000篇高被引文献构建知识图谱，发现LLM提取的表征能恢复出连贯且物理可解释的结构，表明LLM可作为解码竞争性科学知识的可扩展工具。

Comments 23 pages, 4 figures

Class Imbalance and Batch Effects in LLM-Based Screening for Systematic Reviews

系统综述LLM筛选中的类别不平衡与批次效应

Gilberto Sussumu Hida, Danilo Monteiro Ribeiro, Clayton Suguio Hida

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

AI总结 本研究针对系统综述的LLM筛选场景，发现批次处理对决策行为的影响大于患病率元数据，建议评估批次处理需兼顾成本与决策行为效应。

Comments 12 pages, 4 figures. Accepted at ENIAC 2026 (National Meeting on Artificial and Computational Intelligence), part of BRACIS 2026

MIDAS: Multi-LLM Iterative Data-Adaptive Summarization

MIDAS：多大语言模型迭代数据自适应摘要生成

Karen Lee, Dhanashree Balaram, Seojun Shon, Umair Rasheed

机构 * Volkswagen Group Innovation（大众集团创新公司） 纠错

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

AI总结 针对现有自动提示词优化方法无法适配多样摘要需求的问题，提出多大语言模型迭代数据自适应摘要生成框架MIDAS，在企业客户工单摘要任务中优于CriSPO等方法，还具备跨模型与跨领域泛化能力。

Comments Accepted at the 20th International Conference on Document Analysis and Recognition (ICDAR 2026). 17 pages, 2 figures

A Human-in-the-Loop Corpus for LLM-Based Simplification of Scientific Summaries

用于基于大语言模型的科学摘要简化的人工参与语料库

Kyuri Im, Michael Färber

机构 * ScaDS.AI, Technische Universität Dresden（ScaDS.AI，德累斯顿工业大学） 纠错

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

AI总结 研究基于大语言模型的科学文本简化，提出人工参与工作流程，先以GPT-4o-mini生成基线简化，再经不同阶段读者与专家反馈编辑，发布语料库及评估结果，支持跨学科科学交流简化系统相关工作。

Comments Accepted at FGWM@KI2026

Toward Self-Evolution-Ready Workflow Harnesses: A Reversible Migration Path and Convertibility Taxonomy for Expert LLM Pipelines

面向自进化就绪工作流工具：专家大语言模型管道的可逆迁移路径与可转换性分类法

Yimo Lin, Zhen Zhang, Yibin Li

机构 * Yunyong Century (Beijing) Artificial Intelligence Technology Co., Ltd.（云涌世纪（北京）人工智能科技有限公司） ； Tsinghua University（清华大学） 纠错

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

AI总结 针对专家验证的“LLM+脚本”工作流静态、无法自适应的问题，提出一种基于绞杀者模式的可逆迁移路径，将遗留工作流重构为可组合、类型化、可审计的阶段，并引入三级可转换性分类法（A/B/C）作为路由阶段诊断工作流就绪状态。

CausalMoE: A Billion-Scale Multimodal Foundation Model for Granger Causal Discovery with Pattern-Routed Heterogeneous Experts

CausalMoE：基于模式路由异构专家的十亿规模多模态基础模型用于格兰杰因果发现

Bo Liu, Di Dai, Jingwei Liu, Jiarui Jin, Xiaocheng Fang, Guangkun Nie, Hongyan Li, Shenda Hong

机构 * State Key Laboratory of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院通用人工智能国家重点实验室） ； National Institute of Health Data Science, and Institute for Artificial Intelligence, Peking University（北京大学健康医疗大数据国家研究院、人工智能研究院） 纠错

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

AI总结 提出CausalMoE，一种十亿规模多模态格兰杰因果基础模型，通过模式路由混合异构专家解耦动态机制，结合因果自注意力与LLM/VLM先验，实现稀疏因果图恢复，在监督和少样本场景中达到最优。

Redakto - The Incognito Tab for LLMs

Redakto——面向大语言模型的隐身标签

Saurav Kumar Saha, Tom Röhr, Felix Bießmann

机构 * Berlin University of Applied Sciences（柏林应用科学大学） ； Einstein Center Digital Future（爱因斯坦数字未来中心） 纠错

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

AI总结 Redakto是一款开源匿名化工具，可通过网页应用、REST API等供用户使用，能移除文本中PII，其匿名化后的文本效用与原文相当，可助力LLM使用时的隐私保护。

Comments Accepted at WIPE-OUT 2026, 2nd Workshop on Machine Unlearning and Privacy Preservation at ECML-PKDD

From Relational and Property Graph Data to Large Language Models

从关系型和属性图数据到大语言模型

Malcolm Crowe, Fritz Laux

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

AI总结 本文提出一种结合关系型与属性图数据的数据管理服务器，通过引用值替代外键协调两种模型，将其知识模型提供给大语言模型生成工具，还给出基于三元组的知识库示例以验证该系统的可行性。

Comments 7 pages, 4 figures, 4 tables

Journal ref IARIA Congress 2026 : The 2026 IARIA Annual Congress on Frontiers in Science, Technology, Services, and Applications

ATLAS: Learning to Recommend Across Unseen Domains

ATLAS：学习在未见域间进行推荐

Pervez Shaik, Prosenjit Biswas, Abhinav Thorat, Ravi Kolla, Niranjan Pedanekar

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

AI总结 ATLAS是一种多源推荐域泛化框架，无需目标域适配或LLM预训练，可从异构源域学习域不变表示，在未见域零样本推荐中优于多种基线，HitRate平均提升24%。

Comments 18 pages, 5 figures, 14 tables. Includes appendix with proofs and additional experiments