语言大模型 / LLM

Same Facts, Different Diagnosis: Measuring and Mitigating Narrative Anchoring in Clinical Language Models

相同事实，不同诊断：临床语言模型中叙事锚定的测量与缓解

Prabhjot Singh, Pritam Deka, Vijay Chennareddy

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Queen’s University Belfast（贝尔法斯特女王大学） ； Middlesex University London（伦敦密德萨斯大学） 纠错

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

AI总结 本研究针对临床语言模型的叙事锚定偏差，构建含1000个USMLE案例的基准，提出NarrativeShield三智能体流水线，可大幅降低叙事锚定差距并减少不稳定决策，同时发布数据集供相关研究使用。

LLM-Guided Initialization for Accelerated Hybrid Quantum-Classical Medical Image Classification

大语言模型引导的初始化用于加速混合量子-经典医学图像分类

Riza Alaudin Syah, Irwan Alnarus Kautsar, Haza Nuzly Bin Abdull Hamed

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

AI总结 该研究提出大语言模型引导的AdaInit初始化方法，结合GPU加速量子模拟，在乳腺X线摄影分类任务中，相比随机初始化大幅提升梯度方差与收敛速度，保持相同分类准确率，验证了方法的有效性与兼容性。

Comments Presented at IAICT 2026, Bali, Indonesia

Toward an Organizational Science of Multi-Agent LLM Systems: Decoupling Who, How, and Which Algorithm

迈向多智能体大语言模型系统的组织科学：解耦谁、如何以及使用哪种算法

Huan Chen, Xiang Song, Jian Jin, Pan Ren, Liang-Jie Zhang

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

AI总结 研究多智能体大语言模型系统中组织、协调与协作协议问题，IMACS 将三者分离，通过对照比较和自适应组织路由学习协议，揭示责任分配位置影响结果，强调组织设计需依模型重新验证或学习。

Comments 8 pages, 2 figures

Ranked by Position: Order Sensitivity as an Exploitable Attack Surface in LLM Listwise Recommenders

按位置排序：顺序敏感性作为大语言模型列表式推荐器中可利用的攻击面

Ge Zhang, Jingru Cheng, Huiyuan Chen

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

AI总结 研究大语言模型列表式推荐器中因位置偏差产生的顺序敏感性攻击面，引入“promo@k”量化漏洞，通过实验得出不同方法对其的影响，证明输入候选顺序是安全相关攻击向量。

Comments 13 pages, 6 figures, 11 tables. Code and data available at https://github.com/geoz-lab/position_bias_attack

Opaque Epistemic Mediation: How LLM Deployment Configurations Shape the Validation of Pseudo-Science

不透明的认知中介：大型语言模型部署配置如何塑造伪科学的验证

Davide Scarso, Hugo Noronha de Almeida, Joaquim Pina

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 研究商业大语言模型对伪科学主张的验证，通过测试四个模型家族在不同时间点的表现，发现Grok快速版本评分异常高，还发现模型行为受部署配置影响，如无声补丁、输出差异等，强调这一现象需新的认知问责形式。

Comments 16 pages, 2 tables

Industrial Tokenization for LLM-Based Health Intelligence: A Federated Architecture for Industrial Evidence Integration

基于大语言模型的工业健康智能的工业令牌化：一种用于工业证据集成的联邦架构

Deshui Li, Xiao-Ming Yuan, Zishun Wang

机构 * Mingyang Smart Energy Co., Ltd.（明阳智慧能源集团股份有限公司） 纠错

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

AI总结 研究工业健康管理中异构信息源集成问题，提出工业令牌化概念及联邦架构，将特定源分析输出转为工业令牌，以实现跨源推理。给出基于振动诊断输出等的端到端诊断令牌路径，定位工业令牌化为语义接口。

Comments 10 pages, 1 figure

More Is Not More: What Matters for Diversity in LLM Opinions?

更多并非更好：大语言模型观点多样性的关键因素是什么？

Qiyang Yao

机构 * New York University（纽约大学） 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 研究大语言模型观点多样性，通过析因实验分离输入条件设定和交互架构两维度，在7个模型上评估，发现更多角色细节非单调增多样性，不同架构探索不同观点区，组合架构覆盖更广，低成本措施效果差，揭示多样性受干预结构形式和组合影响。

LLM-Guided Task-Semantic Field Factorization for Industrial Process Forecasting

用于工业过程预测的大语言模型引导的任务语义场分解

Youcheng Zong, Runda Jia, Mingxuan Ren, Dakuo He

机构 * College of Information Science and Engineering, Northeastern University（东北大学信息科学与工程学院） 纠错

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

AI总结 针对工业过程预测中标记数据稀缺等问题，提出大语言模型引导的任务语义场分解框架TSF，通过构建任务语义场，结合传统时间序列主干进行训练和推理，在多任务上降低平均绝对误差，增加参数少且推理开销小。

RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM

RAGU：一个具有紧凑域适应语言模型的多步图检索增强生成引擎

Mikhail Komarov, Ivan Bondarenko, Stanislav Shtuka, Oleg Sedukhin, Roman Shuvalov, Yana Dementyeva, Matvey Solovyov, Nikolay O. Nikitin

机构 * ITMO University（圣彼得堡国立信息技术机械与光学大学） ； Novosibirsk State University（新西伯利亚国立大学） ； Far Eastern Federal University（远东联邦大学） 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 研究针对现有GraphRAG系统问题，提出RAGU引擎，通过分离提取与合并多步处理知识图。核心方法包括两阶段提取等。贡献在于训练的Meno-Lite-0.1模型表现出色，在多方面超越其他模型，且RAGU安装简单、运行要求低并开源。

Faithful by Design: Evaluating and Improving LLM-Generated Clinical Trial Summaries for Multi-Stakeholder Audiences

设计忠实性：评估和改进面向多利益相关方受众的大语言模型生成的临床试验摘要

Robert Williams

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） 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 研究针对大语言模型生成的临床试验摘要的忠实性问题，引入基准评估框架，用特定数据库试验、提示模板和注释模式评估，对比多个模型的基线测量，开发知识图谱增强检索系统，结果显示该系统改进显著，且不同模型改进途径有别。

Comments 8 pages, 8 figures

Which Algorithm Specification Formats Help Language Models Implement Machine Learning Algorithms?

哪种算法规范格式有助于语言模型实现机器学习算法？

Masahiro Kato, Taka Kato

机构 * Data Analytics Department, Mizuho-DL Financial Technology, Co., Ltd.（Mizuho-DL金融科技公司数据分析部门） ； NP-hard Inc.（NP-hard公司） 纠错

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

AI总结 研究算法规范书面格式对大语言模型首次实现准确性的影响，比较多种格式在五个机器学习任务、三个模型和四个实验设置下的表现，发现不同情况下各格式效果有差异，给出写作建议。

Odyssey: Constructing Verifiable Local Truth-Preserving Foundation Models

Odyssey: 构建可验证的局部保真基础模型

Sridhar Mahadevan

机构 * Adobe Research（Adobe 研究院） ； 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 ：foundation model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.AI、cs.LG

AI总结 提出一种名为ODYSSEY的范畴论框架，通过组合“foundries”构建可验证的局部保真基础模型，并引入Universal Foundry Learning和Foundry SQL实现形式化构造与查询。

Comments 34 pages

Interleaved Speech Language Models Latently Work In Text

交错式语音语言模型在文本中隐式工作

Talia Sternberg, Gallil Maimon, Yossi Adi

机构 * The Hebrew University of Jerusalem（耶路撒冷希伯来大学） 纠错

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

AI总结 通过logit透镜分析发现，交错式语音-文本语言模型在中间层隐式转录语音为文本，然后基于文本空间预测下一个词，再转换回语音域，揭示了语音与文本模态的内部交互机制。

Comments Preprint. 23 pages, 20 figures, 5 tables

Specialty-Specific Medical Language Model for Immune-Mediated Diseases

免疫介导疾病的专科医学语言模型

Veysel Kocaman, Gursev Pirge, Yigit Gul, Ace Vo, Zhenya Nargizyan, David Talby

机构 * John Snow Labs Inc.（约翰·斯诺实验室公司） 纠错

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

AI总结 针对免疫介导和传染病领域，通过专家标注数据集和临床领域嵌入的Transformer模型，提出专科NER模型，F1达0.89，优于基线和零样本方法。

Comments 15 pages, 5 figures. Funded in part by NIAID/NIH under contract 75N93024C00010

Does Slightly Mean Somewhat? Measuring Vague Intensity Words in LLM Numeric Actions

‘稍微’意味着‘ somewhat’吗？在LLM数值行为中测量模糊强度词

Daniel Tabach

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 本文研究了语言模型在必须生成数值行为时是否保留强度词的顺序意义，发现模型在数值输出中压缩了模糊强度词，其解释依赖于状态并接近操作边界时出现不连续性。

Comments 9 figures, 2 tables, 16 references

MedExAgent: Training LLM Agents to Ask, Examine, and Diagnose in Noisy Clinical Environments

MedExAgent：训练LLM代理在嘈杂的临床环境中提问、检查和诊断

Yicheng Gao, Xiaolin Zhou, Yahan Li, Yue Zhao, Ruishan Liu

机构 * University of Southern California（南加州大学） ； Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 本文提出MedExAgent，通过两阶段流程训练医疗诊断代理，结合合成对话和DAPO优化，实现高效诊断与成本控制。

Tree-of-Text: A Tree-based Prompting Framework for Table-to-Text Generation in the Sports Domain

树-文本：一种基于树的提示框架，用于体育领域中的表格到文本生成

Shang-Hsuan Chiang, Tsan-Tsung Yang, An-Zi Yen, Wen-Chih Peng

机构 * National Yang Ming Chiao Tung University 纠错

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

AI总结 本文提出Tree-of-Text框架，通过三阶段生成过程提升表格到文本生成的精度与效率，在多个体育数据集上表现优异。

Comments Accepted by ACL SRW 2025: Long Paper (Oral)

EVE: A Domain-Specific LLM Framework for Earth Intelligence

EVE：面向地球智能的领域专用LLM框架

Àlex R. Atrio, Antonio Lopez, Jino Rohit, Yassine El Ouahidi, Marcello Politi, Vijayasri Iyer, Umar Jamil, Sébastien Bratières, Nicolas Longépé

机构 * Pi School（Pi学校） ； Mistral AI ； Translated ； ESA Φ \Phi -lab（ESA Φ实验室） 纠错

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

AI总结 EVE首次提出开源端到端框架，构建24B领域适应模型，在地球观测和科学基准上超越同类模型，提供系统化评估基准和生产系统，支持350名试点用户。

Comments To be published in the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)

Debate as Reward: A Multi-Agent Reward System for Scientific Ideation via RL Post-Training

辩论作为奖励：一种用于科学构想的多智能体奖励系统通过RL后训练

Moein Salimi, Babak Hosseini Mohtasham, Amin Aghakasiri, Mahdi Naieni, Amir Hossein Qeysarbeigi, Mohammad Masih Shalchian Nazer, Zahra Azar, Mahdi Jafari Siavoshani, Mohammad Hossein Rohban

机构 * Sharif University of Technology（谢里夫理工学院） ； University of Tehran（德黑兰大学） 纠错

专题命中 领域大模型 ：post-training(title)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本文提出一种多智能体奖励系统，通过RL后训练提升科学构想的质量，解决奖励黑客问题，实验显示其在新颖性、可行性和有效性上优于现有方法。

Catalog-Native LLM: Speaking Item-ID Dialect with Less Entanglement for Recommendation

基于目录的LLM：以更少的纠缠进行推荐的口语化项ID表达

Reza Shirkavand, Xiaokai Wei, Chen Wang, Zheng Hui, Heng Huang, Michelle Gong

机构 * University of Maryland - College Park（马里兰大学帕克分校） ； Roblox ； University of Cambridge（剑桥大学） 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.LG

AI总结 本文提出IDIOMoE模型，通过将物品交互历史视为语言空间中的本地方言，结合预训练LLM的文本理解和协作信号，提升推荐性能。

Fighting AI with AI: AI-Agent Augmented DNS Blocking of LLM Services during Student Evaluations

用AI对抗AI：AI代理增强的DNS阻断LLM服务以应对学生评估

Yonas Kassa, James Bonacci, Ping Wang

机构 * School of Data Intelligence and Technology, Robert Morris University（罗伯特莫里斯大学数据智能与技术学院） 纠错

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

AI总结 本文提出AI-Sinkhole框架，利用AI代理和DNS阻断动态阻止考试期间出现的LLM聊天服务，通过量化LLM实现可解释分类，提升学术严谨性。

Comments accepted at ITNG 2026

This Treatment Works, Right? Evaluating LLM Sensitivity to Patient Question Framing in Medical QA

这种治疗有效吗？评估LLM在医疗问答中对患者问题表述的敏感性

Hye Sun Yun, Geetika Kapoor, Michael Mackert, Ramez Kouzy, Wei Xu, Junyi Jessy Li, Byron C. Wallace

机构 * Northeastern University（东北大学） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UT MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院） 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 研究评估了LLM在医疗问答中对问题表述方式的敏感性，发现不同表述方式会导致不一致结论，尤其在多轮对话中更为明显，强调了在高风险场景中需重视表述鲁棒性。

Comments 31 pages, 4 tables, 19 figures

Discrete Prototypical Memories for Federated Time Series Foundation Models

联邦时间序列基础模型的离散原型记忆

Liwei Deng, Qingxiang Liu, Xinhe Niu, Shengchao Chen, Sheng Sun, Yuankai Wu, Guodong Long, Yuxuan Liang

机构 * Australian Artificial Intelligence Institute, University of Technology Sydney（澳大利亚人工智能研究所，悉尼科技大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shenzhen University（深圳大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Sichuan University（四川大学） 纠错

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

AI总结 本文提出FeDPM框架，通过离散原型记忆解决联邦学习中时间序列数据与文本空间语义不匹配的问题，提升模型泛化能力与效率。

Comments 13 pages,5 figures

Can Humans Tell? A Dual-Axis Study of Human Perception of LLM-Generated News

人类能否辨识？对LLM生成新闻的人类感知双轴研究

Alexander Loth, Martin Kappes, Marc-Oliver Pahl

机构 * Frankfurt University of Applied Sciences（法兰克福应用技术大学） 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 研究探讨人类能否区分LLM生成与人工写作的新闻，发现人类无法可靠区分，且认知疲劳导致准确性下降，指出用户层面的检测不可行，需系统级对策。

Comments 6 pages, 6 figures, 1 table. Accepted at the 18th ACM Web Science Conference (WebSci Companion '26)

NeuroNarrator: A Generalist EEG-to-Text Foundation Model for Clinical Interpretation via Spectro-Spatial Grounding and Temporal State-Space Reasoning

NeuroNarrator：一种通过频谱-空间定位和时间状态空间推理的通用EEG到文本基础模型，用于临床解释

Guoan Wang, Shihao Yang, Jun-en Ding, Hao Zhu, Feng Liu

机构 * Stevens Institute of Technology（史蒂文斯理工学院） 纠错

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

AI总结 NeuroNarrator通过频谱-空间定位和时间状态空间推理，将EEG信号转化为临床文本，解决传统EEG分析方法在临床解释中的局限性。

LLM-Meta-SR: In-Context Learning for Evolving Selection Operators in Symbolic Regression

LLM-Meta-SR: 上下文学习用于符号回归中演化的选择算子

Hengzhe Zhang, Qi Chen, Bing Xue, Wolfgang Banzhaf, Mengjie Zhang

机构 * Centre for Data Science and Artificial Intelligence & School of Engineering and Computer Science, Victoria University of Wellington（惠灵顿维多利亚大学数据科学与人工智能中心及工程与计算机科学学院） ； Department of Computer Science and Engineering, Michigan State University（密歇根州立大学计算机科学与工程系） 纠错

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

AI总结 本文提出一种元学习框架，使LLM自动设计进化符号回归算法的选择算子，解决现有方法中语义指导不足和代码膨胀问题，实验表明LLM设计的选择算子优于九个专家设计基线，达到最先进的性能。

Silicon Bureaucracy and AI Test-Oriented Education: Contamination Sensitivity and Score Confidence in LLM Benchmarks

硅 bureaucracy 与 AI 考试导向教育：LLM 测试基准中的污染敏感性与分数可信度

Yiliang Song, Hongjun An, Jiangan Chen, Xuanchen Yan, Huan Song, Jiawei Shao, Xuelong Li

机构 * Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI）） ； Guangxi Normal University（广西师范大学） ； Northwestern Polytechnical University（西北工业大学） 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 本文探讨了基于测试基准的LLM评估体系，指出其依赖于基准分数直接反映真实泛化能力的假设，并提出审计框架以分析污染敏感性和分数可信度。

Comments Remove the NeurIPS 2026 template

From Physician Expertise to Clinical Agents: Preserving, Standardizing, and Scaling Physicians' Medical Expertise with Lightweight LLM

从医生专业能力到临床代理：通过轻量级大语言模型保留、标准化和扩展医生的医学专业知识

Chanyong Luo, Jirui Dai, Zhendong Wang, Kui Chen, Jiaxi Yang, Bingjie Lu, Jing Wang, Jiaxin Hao, Bing Li, Ruiyang He, Yiyu Qiao, Chenkai Zhang, Kaiyu Wang, Zhi Liu, Zeyu Zheng, Yan Li, Xiaohong Gu

机构 * the School of Chinese Medicine, the Beijing University of Chinese Medicine, Beijing, China（中国中医药大学中医学院，北京中医药大学，北京，中国） ； the School of Pharmacy, Nanjing University of Chinese Medicine, Nanjing, China（南京中医药大学药学院，南京，中国） ； the Infectious disease department, Dongfang Hospital, Beijing University of Chinese Medicine, Beijing, China（北京中医药大学东四医院感染科，北京，中国） ； the Gulou Hospital of Traditional Chinese Medicine of Beijing，Beijing, China（北京中医药大学附属鼓楼中医医院，北京，中国） ； the Department of Computer Science, Johns Hopkins University, Baltimore, USA（约翰霍普金斯大学计算机科学系，美国马里兰州巴尔的摩市） ； the Department of Education, Dongzhimen Hospital, Beijing University of Chinese Medicine, Beijing, China（北京中医药大学东直门医院教育部，北京，中国） ； the Department of Pediatrics, Wangjing Hospital, China Academy of Chinese Medical Sciences, Beijing, China（中国医学科学院北京协和医院儿科部，北京，中国） ； the School of Information Engineering, Huzhou University, Huzhou, China（湖州大学信息工程学院，湖州，中国） ； Research Center for Scientific Data Hub, Zhejiang Lab, Hangzhou, China（浙江省实验室科学数据中心研究中心，杭州，中国） ； the Frontier Basic Research Center, Zhejiang Lab, Hangzhou, China（浙江省实验室前沿基础研究中心，杭州，中国） ； the Research Center for High Efficiency Computing Infrastructure, Zhejiang Lab, Hangzhou, China（浙江省实验室高效计算基础设施研究中心，杭州，中国） 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 本文提出Med-Shicheng框架，通过轻量级大语言模型系统学习并转移知名中医的辨证论治理念及案例依赖适应规则，实现医学知识的标准化和规模化应用。

DALDALL: Data Augmentation for Lexical and Semantic Diverse in Legal Domain by leveraging LLM-Persona

DALDALL：通过利用LLM-Persona实现法律领域词义多样性的数据增强

Janghyeok Choi, Jaewon Lee, Sungzoon Cho

机构 * Department of Industrial Engineering, Seoul National University, Seoul, South Korea（工业工程系，首尔国立大学，首尔，韩国） 纠错

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

AI总结 本文提出DALDALL框架，通过利用法律领域专业角色生成高质量合成查询，提升词义多样性并保持语义一致性，在CLERC和COLIEE基准测试中表现优异。

LLM-Augmented Computational Phenotyping of Long Covid

增强型语言模型的长期新冠计算表型分析

Jing Wang, Jie Shen, Amar Sra, Qiaomin Xie, Jeremy C Weiss

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

AI总结 本文提出基于LLM的Grace Cycle框架，通过迭代整合假设生成、证据提取和特征优化，发现长期新冠的三个临床亚型，为复杂纵向数据的表型筛查提供统计学支持。