语言大模型 / LLM

DynaMate2: runtime registration of expert-defined tools for agentic scientific workflow automation

DynaMate2：使代理AI民主化，用于专家设计的定制工作流

Orlando A. Mendible-Barreto, Ajay Vallabh, Ubaldo M. Córdova-Figueroa, Yamil J. Colón

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

AI总结 本文提出DynaMate2，一种分层代理框架和开源模板，旨在降低研究人员将现有专家定义的Python函数转换为AI可调用工具的门槛，通过让LLM负责任务路由和工具选择，而非生成科学代码，从而实现自动化科学工作流的民主化。

Can Generalist Vision Language Models (VLMs) Rival Specialist Medical VLMs? Benchmarking and Strategic Insights

通用视觉语言模型（VLMs）能否在医疗领域超越专门化模型？基准测试与战略洞察

Yuan Zhong, Ruinan Jin, Qi Dou, Xiaoxiao Li

机构 * The Chinese University of Hong Kong（香港中文大学） ； The University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） 纠错

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

AI总结 研究比较了通用与专门化医疗VLMs的性能，发现高效微调的通用模型在多数任务中表现可比或更优，尤其在处理未见医疗模态时。

Comments version 5

LELA: an LLM-based Entity Linking Approach with Zero-Shot Domain Adaptation

LELA：一种基于大语言模型的实体链接方法，具有零样本领域适应

Samy Haffoudhi, Fabian M. Suchanek, Nils Holzenberger

机构 * Télécom Paris Institut Polytechnique de Paris（巴黎电信理工学院） 纠错

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

AI总结 LELA是一种基于大语言模型的实体链接方法，通过零样本领域适应实现高效准确的实体链接，优于传统微调方法。

Comments Accepted at ISWC 2026. Extended version with appendices

Towards Interpretable Foundation Models for Retinal Fundus Images

面向视网膜眼底图像的可解释基础模型

Samuel Ofosu Mensah, Camila Roa, Kerol Djoumessi, Philipp Berens

机构 * Hertie Institute for AI in Brain Health（人工智能与脑健康赫尔特研究所） ； Tübingen AI Center（图宾根人工智能中心） ； University of Tübingen（图宾根大学） 纠错

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

AI总结 本文提出Dual-IFM，通过局部和全局可解释性方法，在视网膜眼底图像中实现可解释的基础模型，提升了模型在医疗影像中的鲁棒性。

Comments 11 pages, 3 figures, 4 tables, submitted to iMIMIC workshop at MICCAI 2026

PARSE: Provenance-Aware Retrieval Sanitization for Professional Domain LLM Agents

PARSE: 面向专业领域LLM Agent的溯源感知检索净化

Aaditya Pai

机构 * Data Science Institute（数据科学研究所） 纠错

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

AI总结 针对真实企业文档中提示注入攻击难以防御的问题，提出PARSE方法，通过分类句子注入可能性、提取结构化事实并验证一致性，将攻击成功率从25.4%降至15.6%，同时保持86.9%的实用性。

Comments 8 pages, 3 figures, 2 tables

ScienceMeter: Tracking Scientific Knowledge Updates in Language Models

科学计量器：追踪语言模型中的科学知识更新

Yike Wang, Shangbin Feng, Yulia Tsvetkov, Hannaneh Hajishirzi

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

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

AI总结 该研究针对大语言模型科学知识易过时问题，引入科学计量器框架，定义知识保留、获取、预测三个指标，通过主张判断和生成任务，在十个领域数据集上评估五种知识更新方法，发现提升科学知识更新机制关键且具挑战。

CrochetBench: Can Vision-Language Models Move from Describing to Doing in Crochet Domain?

CrochetBench：视觉语言模型能否在钩针领域从描述转向实践？

Peiyu Li, Xiaobao Huang, Ting Hua, Nitesh V. Chawla

机构 * University of Notre Dame（诺特大学） 纠错

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

AI总结 探讨视觉语言模型在钩针领域从描述到实践的转变，采用CrochetPARADE DSL进行评估，涵盖多种任务，发现评估转变时性能下降，揭示模型局限性，为评估多模态模型过程能力提供新视角。

Comments ACL2026 main-long

Journal ref Proceedings of ACL 2026, Vol. 1, pp. 13229-13251

Monitoring Transformative Technological Convergence Through LLM-Extracted Semantic Entity Triple Graphs

通过大语言模型提取的语义实体三元组图监测变革性技术融合

Alexander Sternfeld, Andrei Kucharavy, Dimitri Percia David, Alain Mermoud, Julian Jang-Jaccard, Nathan Monnet

机构 * Institute of Entrepeneurship and Management, HES-SO（企业家精神与管理研究所） ； Cyber-Defence Campus, armasuisse, Science and Technology（网络安全校园，armasuisse，科学技术） 纠错

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

AI总结 研究如何监测变革性技术融合，利用大语言模型从非结构化文本提取语义三元组构建图，通过新方法和指标检测融合信号，经多阶段处理，在两个数据集验证，能识别融合模式，提供技术预测框架。

Agent Skill Framework: Perspectives on the Potential of Small to Medium Language Models in Industrial Environments

Agent技能框架：中小型语言模型在工业环境中的潜力视角

Yangjie Xu, Lujun Li, Lama Sleem, Niccolo Gentile, Yewei Song, Yiqun Wang, Siming Ji, Wenbo Wu, Radu State

机构 * University of Luxembourg（卢森堡大学） ； Foyer S.A.（Foyer公司） ； Princeton University（普林斯顿大学） ； Université Paris-Saclay（巴黎萨克雷大学） 纠错

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

AI总结 研究在资源受限的工业场景中，中小型开源语言模型（270M-80B）使用Agent技能的效果，发现30B-80B模型受益显著，而小型模型技能选择困难，思考变体提升有限且增加GPU开销。

Comments 12 pages

Routesplain: Towards Faithful and Intervenable Routing for Software-related Tasks

Routesplain：面向软件相关任务的可信赖且可干预的路由方法

Adam Štorek, Vikas Upadhyay, Marianne Menglin Liu, Daniel W. Peterson, Anshul Mittal, Sujeeth Bharadwaj, Fahad Shah, Sujith Ravi, Dan Roth

机构 * Columbia University（哥伦比亚大学） ； Oracle AI 纠错

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

AI总结 Routesplain是首个面向软件相关任务的LLM路由工具，通过提取可解释概念路由，在8项软件任务上的16种LLM中，其性能优于单个模型且不逊于黑盒基线，可提升响应质量并降低成本。

Comments Accepted to COLM 2026

See Me, Believe Me: Causality, Intersectionality, and Interventions Improving the Appearance of Patients

看见我，相信我：提升患者外观的因果关系、交叉性与干预措施

Kenya S. Andrews, Mesrob I. Ohannessian, Elena Zheleva

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

AI总结 本研究构建结构化因果模型（SCM）探究医疗记录中证言不公的人口统计特征交叉性，通过有选择性编辑医生记录或用LLM修改，发现针对性编辑可改善患者经历感知、转移责任至外部因素。

Unforgettable Generalization in Language Models

语言模型的不可遗忘泛化

Eric Zhang, Leshem Choshen, Jacob Andreas

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

AI总结 该研究探究语言模型通过随机标签微调遗忘技能时的行为差异，发现遗忘泛化程度与初始预测置信度和训练数据表示变异性相关，且遗忘为浅层，凸显技能移除的难度与不可预测性。

Comments 18 pages, 9 figures, published in First Conference on Language Modeling 2024

Journal ref First Conference on Language Modeling (2024)

Patient-centered data science: an integrative framework for evaluating and predicting clinical outcomes in the digital health era

以患者为中心的数据科学：数字健康时代评估与预测临床结局的整合框架

Mohsen Amoei, Dan Poenaru

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

AI总结 本研究提出数字健康时代以患者为中心的数据科学整合框架，结合多类数据构建数字患者表征，采用多智能体AI方法优化患者结局，助力构建学习型医疗系统，提升数字健康创新的临床转化效果。

ASTER: Latent Pseudo-Anomaly Generation for Unsupervised Time-Series Anomaly Detection

ASTER: 用于无监督时间序列异常检测的潜在伪异常生成

Romain Hermary, Samet Hicsonmez, Dan Pineau, Abd El Rahman Shabayek, Djamila Aouada

机构 * University of Montreal（蒙特利尔大学） ； Université de Montréal（蒙特利尔大学） 纠错

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

AI总结 提出ASTER框架，在潜在空间生成伪异常训练Transformer分类器，结合预训练LLM增强表示，在三个基准数据集上达到最优性能。

Comments Published in ICPR 2026

DSAEval: Evaluating Data Science Agents on a Wide Range of Real-World Data Science Problems

DSAEval：在广泛真实世界数据科学问题上评估数据科学智能体

Maojun Sun, Yifei Xie, Yue Wu, Ruijian Han, Binyan Jiang, Defeng Sun, Yancheng Yuan, Jian Huang

机构 * Department of Data Science and Artificial Intelligence, Hong Kong Polytechnic University（数据科学与人工智能系，香港理工大学） ； Department of Applied Mathematics, Hong Kong Polytechnic University（应用数学系，香港理工大学） 纠错

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

AI总结 提出包含641个真实数据科学问题的基准DSAEval，涵盖多模态环境感知、多查询交互和多维评估，系统评估13个先进LLM智能体，发现Claude-Sonnet-4.5综合最优，多模态感知提升视觉任务性能2.04%-11.30%。

A Dynamic Self-Evolving Extraction System

一种动态自演化抽取系统

Moin Amin-Naseri, Hannah Kim, Estevam Hruschka

机构 * Megagon Labs（Megagon实验室） 纠错

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

AI总结 提出DySECT系统，通过LLM抽取三元组构建知识库，结合概率知识和图推理丰富知识，再反馈优化抽取器，形成闭环持续提升。

Vision-Language Enhanced Foundation Model for Semi-Supervised Medical Image Segmentation

增强视觉-语言能力的半监督医学图像分割基础模型

Jiaqi Guo, Mingzhen Li, Hanyu Su, Keigo Healy, Lexiaozi Fan, Neda Tavakoli, Santiago López-Tapia, Daniel Kim, Aggelos K. Katsaggelos

机构 * ECE, Northwestern University（电气工程与计算机科学系，西北大学） ； Stats, Northwestern University（统计学系，西北大学） ； Radiology, Northwestern University（放射学系，西北大学） 纠错

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

AI总结 本文提出VESSA模型，通过增强视觉-语言能力的半监督方法提升医学图像分割精度，实验表明其在有限标注条件下表现优于现有方法。

Lesioned Multimodal Language Models Reproduce Aphasic Picture-Naming Patterns

受损多模态语言模型再现失语症患者的图片命名模式

Yong Yang, Xiang Guan, Sophie Arheix-Parras, Saeed Ahmadi, Roger Newman-Norlund, Leonardo Bonilha, Christopher Rorden, Julius Fridriksson, Rutvik H. Desai, Srihari Nelakuditi

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

AI总结 研究未针对临床模拟设计的通用语言模型能否再现失语症患者图片命名错误模式，通过对多模态语言模型进行扰动配置，建立定量框架再现个体失语症错误模式，表明语言模型或可成为中风后失语症患者数字替身。

Comments 15 pages, 8 figures; supplementary materials (18 pages, 6 sections) included

Forgetting-Resistant and Lesion-Aware Source-Free Domain Adaptive Fundus Image Analysis with Vision-Language Model

具有遗忘抵抗性和病变意识的源无关域自适应视网膜图像分析与视觉-语言模型

Zheang Huai, Hui Tang, Hualiang Wang, Xiaomeng Li

机构 * The Hong Kong University of Science（香港科学与技术大学） 纠错

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

AI总结 本文提出FRLA方法，通过保留目标模型的自信预测和利用ViL模型的细粒度知识，提升视网膜图像诊断的源无关域自适应性能。

Comments Some experimental results in Section 3 are based on comparisons that may not be entirely fair

VisCoP: Visual Probing for Video Domain Adaptation of Vision Language Models

VisCoP：用于视觉语言模型视频域适应的视觉探测

Dominick Reilly, Manish Kumar Govind, Le Xue, Srijan Das

机构 * University of North Carolina at Charlotte（北卡罗来纳州立大学查塔努加分校） ； Elorian AI（Elorian人工智能公司） 纠错

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

AI总结 研究针对视觉语言模型在新领域性能下降问题，提出参数高效的VisCoP框架，通过可学习视觉探测器增强视觉编码器，在多种适应设置下评估，该框架优于现有策略，能有效适应新领域且保留源域能力。

Comments ECCV 2026

6 Fingers, 1 Kidney: Natural Adversarial Medical Images Reveal Critical Weaknesses of Vision-Language Models

6根手指，1个肾脏：自然对抗性医学图像揭示视觉语言模型的关键弱点

Leon Mayer, Piotr Kalinowski, Caroline Ebersbach, Marcel Knopp, Tim Rädsch, Evangelia Christodoulou, Annika Reinke, Fiona R. Kolbinger, Lena Maier-Hein

机构 * German Cancer Research Center (DKFZ) Heidelberg, Division of Intelligent Medical Systems（德国癌症研究中心（DKFZ）海德堡，智能医学系统部门） ； Medical Faculty, Heidelberg University（海德堡大学医学院） ； Faculty of Mathematics and Computer Science, Heidelberg University（海德堡大学数学与计算机科学学院） ； HIDSS4Health - Helmholtz Information and Data Science School for Health, Karlsruhe/Heidelberg（HIDSS4Health - 哈勃-马克斯信息与数据科学健康学院，卡尔斯鲁厄/海德堡） ； Helmholtz Imaging, German Cancer Research Center (DKFZ)（哈勃-马克斯成像，德国癌症研究中心（DKFZ）） ； Engineering Faculty, Heidelberg University（海德堡大学工程学院） ； School of Computation, Information and Technology, TUM（技术大学（TUM）计算、信息与技术学院） ； Weldon School of Biomedical Engineering, Purdue University（普渡大学韦尔登生物医学工程学院） ； Department of Visceral, Thoracic and Vascular Surgery, University Hospital and Faculty of Medicine Carl Gustav Carus, TUD Dresden University of Technology（visceral、胸腔和血管外科部门，技术大学（TUD）德累斯顿大学医院和医学院） ； National Center for Tumor Diseases (NCT), NCT Heidelberg, a partnership between DKFZ and University Hospital Heidelberg（肿瘤疾病国家中心（NCT），海德堡NCT，DKFZ与海德堡大学医院之间的合作） ； Heidelberg University Hospital, Surgical Clinic, Surgical AI Research Group（海德堡大学医院，外科诊所，外科人工智能研究组） ； Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI), Abu Dhabi, UAE（Mohamed Bin Zayed人工智能大学（MBZUAI），阿布扎赫，阿拉伯联合酋长国） 纠错

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

AI总结 提出AdversarialAnatomyBench基准，测试25个视觉语言模型在罕见解剖变异上的表现，发现准确率从71%降至28%，且模型缩放和干预无法解决。

HUKUKBERT: Domain-Specific Language Model for Turkish Law

HUKUKBERT：土耳其法律领域的专用语言模型

Mehmet Utku Öztürk, Tansu Türkoğlu, Buse Buz-Yalug

机构 * Kalitte Inc.（Kalitte公司） ； Aibrite Inc.（Aibrite公司） ； University of Eastern Finland（东芬兰大学） 纠错

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

AI总结 本文提出HUKUKBERT，首个针对土耳其法律的全面语言模型，通过混合领域自适应预训练方法，在18GB法律语料上训练，实现84.40%的Top-1准确率，并在官方土耳其法院判决结构分割任务中达到92.8%的文档通过率。

Comments 15 pages

Journal ref Öztürk, M. U., Türkoğlu, T., & Buz-Yalug, B. (2026). HukukBERT: Domain-Specific Language Model for Turkish Law. Journal of Computational Law and Legal Technology, 1-15

NEURON: A Neuro-symbolic System for Grounded Clinical Explainability

NEURON：一种面向临床可解释性的神经符号系统

Anuradha Chandrasekaran, Dimitrios Zikos, Mutlu Mete, Alan Pang, Brady D. Lund, Kewei Sha

机构 * University of North Texas（北卡罗来纳大学达顿分校） ； Texas Tech University Health Sciences Center（德克萨斯农工大学健康科学中心） 纠错

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

AI总结 NEURON结合医学本体和机器学习模型，提升预测可靠性与临床可解释性，通过RAG层生成自然语言解释，在MIMIC-IV数据集上提升AUC至0.84-0.88。

Revolutionizing Finance with LLMs: An Overview of Applications and Insights

用LLMs革新金融：应用与洞察综述

Huaqin Zhao, Zhengliang Liu, Zihao Wu, Yiwei Li, Tianze Yang, Peng Shu, Shaochen Xu, Haixing Dai, Lin Zhao, Hanqi Jiang, Yi Pan, Junhao Chen, Yifan Zhou, Zheyuan Zhang, Zeyu Zhang, Ruitong Sun, Gengchen Mai, Ninghao Liu, Tianming Liu

机构 * School of Computing, The University of Georgia（佐治亚大学计算机学院） ； Computer Science and Engineering, The 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） ； Department of Geography, University of Georgia（佐治亚大学地理系） 纠错

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

AI总结 本文综述了LLMs在金融领域的应用与洞察，探讨了其在自动化报告、市场预测和投资建议等方面的作用，并展示了GPT-4在金融任务中的表现。

OpenAg: Democratizing Agricultural Intelligence

OpenAg：推动农业智能的平民化

Srikanth Thudumu, Jason Fisher

机构 * Institute of Applied Artificial Intelligence and Robotics (IAAIR)（应用人工智能与机器人研究所） 纠错

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

AI总结 本研究提出OpenAg框架，结合多类技术构建农业通用人工智能系统，以解决现有农业智能系统的不足，助力符合当地实际的农业决策。

Comments 10 pages, 1 figure

ArtifactLinker: Linking Scientific Artifacts for Automatic State-of-the-Art Discovery

ArtifactLinker: 通过自动发现最新研究成果来链接科学制品

Haofei Yu, Jiaxuan You, Peter Clark, Bodhisattwa Prasad Majumder, Kyle Richardson

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Allen Institute for AI（人工智能算法研究所） 纠错

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

AI总结 本文提出ArtifactLinker框架，通过图神经网络和大语言模型预测模型-数据集链接，并通过编码实验验证，以实现自动发现最新研究成果

Comments 10 pages

El Agente Gráfico: A Semantic Execution Runtime for Scientific Agents

图形代理：用于科学代理的结构化执行图

Jiaru Bai, Abdulrahman Aldossary, Thomas Swanick, Marcel Müller, Yeonghun Kang, Changhyeok Choi, Naruki Yoshikawa, Zijian Zhang, Jin Won Lee, Tsz Wai Ko, Aiwei Yin, Mohammad Ghazi Vakili, Chris Crebolder, Varinia Bernales, Alán Aspuru-Guzik

机构 * School of Computer Science, McGill University（计算机科学学院，麦吉尔大学） 纠错

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

AI总结 El Agente Gráfico通过结构化执行图和类型安全机制，实现科学代理的高效自动化，适用于复杂计算任务。

The User Asks, Platforms Compete: How Agentic Recommendation Markets Take Shape

用户提问，平台竞争：代理推荐市场如何形成

Deyao Hong, Kehan Zheng, Qian Li, Jun Zhang, Jie Jiang, Hongning Wang

机构 * Tsinghua University（清华大学） ； Tencent Inc.（腾讯公司） 纠错

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

AI总结 研究基于LLM的代理推荐市场，用户先提需求平台竞争注意力。实验发现新设置在获取与注意力间有紧张关系，竞争引发平台策略行为，关联反馈可增加购买机会，强调设计代理推荐需综合考虑多方面并作为联合机制设计问题。

LLMAR: A Tuning-Free Recommendation Framework for Sparse and Text-Rich Industrial Domains

LLMAR：一种适用于稀疏且文本丰富的工业领域的无调优推荐框架

Ryogo Hishikawa, Ichiro Kataoka, Shinya Yuda

机构 * Hitachi, Ltd. Research and Development Group（日立株式会社研发部门） ； Hitachi Power Solutions Co., Ltd.（日立电力解决方案公司） 纠错

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

AI总结 LLMAR通过无调优框架整合大语言模型推理，捕捉用户潜在动机，解决工业领域数据稀疏问题，提升推荐准确率和效率。

Comments 10 pages, 3 figures

LAMUS: A Large-Scale Corpus for Legal Argument Mining from U.S. Caselaw using LLMs

LAMUS：利用LLMs构建大规模美国判例法法律论证语料库

Serene Wang, Lavanya Pobbathi, Haihua Chen

机构 * University of North Texas（北卡罗来纳大学达顿分校） 纠错

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

AI总结 LAMUS利用LLMs构建大规模美国判例法法律论证语料库，通过数据驱动方法提升法律NLP研究的可扩展性和实证支持。

Comments This article has been peer reviewed and formally published in the Journal of Computational Law and Legal Technology (JCLLT). The final Version of Record is available at: https://doi.org/10.47852/bonviewJCLLT62029649