语言大模型 / LLM

Analyzing the Performance of ChatGPT in Cardiology and Vascular Pathologies

分析ChatGPT在心血管病和血管病理学中的性能

Walid Hariri

机构 * Labged Laboratory, Computer Science department（Labged实验室，计算机科学系） ； Badji Mokhtar Annaba University（Badji Mokhtar安纳巴大学） 纠错

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

AI总结 研究评估ChatGPT在医学教育中回答心血管病和血管病理学难题的性能，结果显示其在准确性上优于两名医学学生。

Shoot First, Ask Questions Later? Building Rational Agents that Explore and Act Like People

先行动，后提问？构建能探索和行动像人的理性代理

Gabriel Grand, Valerio Pepe, Jacob Andreas, Joshua B. Tenenbaum

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT Brain and Cognitive Sciences（麻省理工学院脑科学与认知科学） ； Harvard SEAS（哈佛大学工程学院） 纠错

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

AI总结 本文提出了一种基于贝叶斯实验设计的蒙特卡洛推理策略，用于构建能像人类一样探索和行动的理性代理，在战舰和Guess Who?任务中提升了代理性能。

Comments ICLR 2026

K-MaT: Knowledge-Anchored Manifold Transport for Cross-Modal Prompt Learning in Medical Imaging

K-MaT: 基于知识的流形传输用于医学影像中的跨模态提示学习

Jiajun Zeng, Shadi Albarqouni

机构 * University of Bonn（波恩大学） ； University Hospital Bonn（波恩大学医院） ； Clinic for Diagnostic and Interventional Radiology（诊断与介入放射科） 纠错

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

AI总结 K-MaT通过基于知识的流形传输实现跨模态提示学习，提升医学影像模型在不同模态间的泛化能力。

InfoGatherer: Principled Information Seeking via Evidence Retrieval and Strategic Questioning

InfoGatherer: 通过证据检索和策略性提问进行原理化的信息获取

Maksym Taranukhin, Shuyue Stella Li, Evangelos Milios, Geoff Pleiss, Yulia Tsvetkov, Vered Shwartz

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） ； CIFAR AI Chair（CIFAR人工智能主席） ； University of Washington（华盛顿大学） ； Dalhousie University（达尔豪斯大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.CL

AI总结 InfoGatherer通过证据检索和策略性提问，结合结构化证据网络和Dempster-Shafer理论，实现原理化的信息获取，提升医疗和法律任务中的可靠性与可解释性。

Comments Under review

Evolving Medical Imaging Agents via Experience-driven Self-skill Discovery

通过经验驱动的自我技能发现进化医疗影像代理

Lin Fan, Pengyu Dai, Zhipeng Deng, Haolin Wang, Xun Gong, Yefeng Zheng, Yafei Ou

机构 * Southwest Jiaotong University, China（西南交通大学） ； The University of Tokyo, Japan（东京大学） ； RIKEN, Japan（日本理化学研究所） ； Westlake University, China（西湖大学） ； Hokkaido University, Japan（北海道大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 MACRO通过经验驱动的自我技能发现，实现医疗影像代理的自我进化，提升多步骤协调精度和跨领域泛化能力。

Comments 18 pages, 4 figures, 3 tables

MOOSEnger -- a Domain-Specific AI Agent for the MOOSE Ecosystem

MOOSEnger -- 一个针对MOOSE生态系统的领域特定AI代理

Mengnan Li, Jason Miller, Zachary Prince, Alexander Lindsay, Cody Permann

机构 * Idaho National Laboratory（爱达荷国家实验室） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 MOOSEnger 是一个专为MOOSE生态系统的AI代理，通过检索增强生成和领域特定工具提升多物理场仿真效率。

Doctor or Patient? Synergizing Diarization and ASR for Code-Switched Hinglish Medical Conditions Extraction

医生还是病人？协同语音识别与说话人识别用于代码混合希金斯医疗条件提取

Séverin Baroudi, Yanis Labrak, Shashi Kumar, Joonas Kalda, Sergio Burdisso, Pawel Cyrta, Juan Ignacio Alvarez-Trejos, Petr Motlicek, Hervé Bredin, Ricard Marxer

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文提出了一种端到端神经说话人识别与向量聚类方法，用于代码混合希金斯医疗条件提取，通过领域特定微调和错误校正，实现了较高的转录准确率，并在DISPLACE-M挑战中取得优异成绩。

Comments Submitted for review at Interspeech 2026

A Semi-Supervised Framework for Breast Ultrasound Segmentation with Training-Free Pseudo-Label Generation and Label Refinement

一种用于乳腺超声分割的半监督框架，具有无训练伪标签生成和标签细化

Ruili Li, Jiayi Ding, Ruiyu Li, Yilun Jin, Shiwen Ge, Yuwen Zeng, Xiaoyong Zhang, Eichi Takaya, Jan Vrba, Noriyasu Homma

机构 * Tohoku University Graduate School of Medicine（东北大学医学研究科） ； Advanced Institute of Convergence Knowledge Informatics（融合知识信息先进研究所） ； Research Institute of Electrical Communication, Tohoku University（东北大学电气通信研究所） ； National Institute of Technology, Sendai College（名古屋国立技术大学送崎学院） ； State Key Laboratory of Oncology in South China, Sun Yat-sen University Cancer Center（南方肿瘤学国家重点实验室，中山大学肿瘤中心） ； Department of Mathematics, Informatics, and Cybernetics, University of Chemistry and Technology（化学与技术大学数学、信息学与自动控制系） ； School of Software Technology, Zhejiang University（浙江大学软件技术学院） ； Southeast University, School of Cyber Science and Engineering（东南大学网络科学与工程学院） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 本文提出一种无训练伪标签生成和标签细化的半监督框架，通过跨域结构迁移提升乳腺超声分割性能，实现低标注下的高效分割。

Detecting Semantic Alignments between Textual Specifications and Domain Models

检测文本规范与领域模型之间的语义对齐

Shwetali Shimangaud, Lola Burgueño, Rijul Saini, Jörg Kienzle

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文提出了一种基于自然语言处理和大型语言模型的方法，用于检测文本规范与领域模型之间的语义对齐，通过分类模型元素的对齐状态并提供相关证据句子，实现高精度的对齐检测。

Shifting Adaptation from Weight Space to Memory Space: A Memory-Augmented Agent for Medical Image Segmentation

从权重空间到记忆空间的迁移适应：一种用于医学图像分割的记忆增强代理

Bowen Chen, Qiaohui Gao, Shaowen Wan, Shanhui Sun, Wei Liu, Xiang Li, Tianming Liu, Lin Zhao

机构 * Department of Electrical and Computer Engineering, University of California, Santa Barbara, Santa Barbara, CA 93106, USA（电子工程系，加州大学圣芭芭拉分校） ； College of Engineering, Northeastern University, Boston, MA 02115, USA（工程学院，东北大学） ； Department of Biomedical Engineering, New Jersey Institute of Technology, Newark, NJ 07102, USA（生物医学工程系，新泽西理工学院） ； United Imaging Intelligence, Burlington, MA 01803, USA（联合影像智能公司） ； Department of Radiation Oncology, Mayo Clinic, Scottsdale, AZ 85259, USA（放射肿瘤科，梅奥诊所） ； Department of Radiology, Massachusetts General Hospital and Harvard Medical School, Boston, MA 02115, USA（放射科，麻省总医院和哈佛医学院） ； School of Computing, University of Georgia, Athens, GA 30602, USA（计算学院，佐治亚大学） 纠错

专题命中 领域大模型 ：foundation model(abstract)

AI总结 本文提出MemSeg-Agent，通过将适应从权重空间转移到记忆空间，实现少样本学习、联邦监督学习和测试时间适应，提升医学图像分割的泛化能力和效率。

SAAIPAA: Optimizing aspect-angles-invariant physical adversarial attacks on SAR target recognition models

SAAIPAA：优化面向角度不变的物理对抗攻击以对抗SAR目标识别模型

Isar Lemeire, Yee Wei Law, Sang-Heon Lee, William Meakin, Tat-Jun Chin

专题命中 领域大模型 ：prompting(abstract)

AI总结 SAAIPAA 通过物理建模优化角度不变的对抗攻击，提升 SAR 目标识别模型的鲁棒性。

HART: Data-Driven Hallucination Attribution and Evidence-Based Tracing for Large Language Models

HART: 基于数据的幻觉归因与证据导向追踪用于大语言模型

Shize Liang, Hongzhi Wang

机构 * Faculty of Computing, Harbin Institute of Technology（计算机学院，哈尔滨工业大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL

AI总结 HART通过结构化建模方法提升大语言模型幻觉归因与证据追踪的准确性与可解释性。

Who We Are, Where We Are: Mental Health at the Intersection of Person, Situation, and Large Language Models

我们是谁，我们在哪里：心理状况在个体、情境和大语言模型交汇处

Nikita Soni, August Håkan Nilsson, Syeda Mahwish, Vasudha Varadarajan, H. Andrew Schwartz, Ryan L. Boyd

机构 * Department of Computer Science, Stony Brook University（石英布大学计算机科学系） ； Oslo Metropolitan University, Oslo Business School（奥斯陆 Metropolitan 大学奥斯陆商学院） ； University of Texas at Dallas, Dept. of Psychology（德克萨斯大学达拉斯分校心理学系） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；large language model(title)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出了一种结合心理学理论和大语言模型的可解释模型，用于预测幸福感并识别适应性与适应不良的自我状态。

Evaluating LLM Alignment With Human Trust Models

评估大语言模型与人类信任模型的对齐性

Anushka Debnath, Stephen Cranefield, Bastin Tony Roy Savarimuthu, Emiliano Lorini

机构 * School of Computing, University of Otago, New Zealand（奥塔哥大学计算机学院，新西兰） ； IRIT, CNRS, Toulouse University, France（IRIT，法国国家科学研究中心，图卢兹大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本文通过对比提示生成嵌入向量，评估了EleutherAI/gpt-j-6B对信任的内部表示，发现其最接近Castelfranchi社会认知模型。

Comments This paper will appear in the post-proceedings of ICAART 2026

From Entropy to Calibrated Uncertainty: Training Language Models to Reason About Uncertainty

从熵到校准的不确定性：训练语言模型以推理不确定性

Azza Jenane, Nassim Walha, Lukas Kuhn, Florian Buettner

机构 * German Cancer Research Center (DKFZ)（德国癌症研究中心（DKFZ）） ； German Cancer Consortium (DKTK)（德国癌症联盟（DKTK）） ； Goethe University Frankfurt, Germany（法兰克福歌德大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；LLM(abstract)；large language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出一种三阶段流程，通过训练语言模型以在测试时高效推断校准的不确定性，提升模型在高风险领域的可靠性与泛化能力。

Comments 4 pages, submitted to AISTATS Workshop

Structured Multidimensional Representation Learning for Large Language Models

结构化多维表示学习用于大语言模型

Alaa El Ichi, Khalide Jbilou, Mohamed El Guide, Franck Dufrenois

机构 * Université du Littoral Cote d’Opale（勒阿弗尔海岸大学） ； LMPA（LMPA研究所） ； FGSES, University Mohammed VI Polytechnic（穆莱·伊沙克六世理工学院FGSES研究所） ； LISIC（LISIC研究所） 纠错

专题命中 知识编辑与模型理解 ：large language model(title)；language model(title)；分类 cs.CL

AI总结 本文提出一种基于谱分解的张量变换器，通过结构化多维表示学习压缩大语言模型参数，同时保持模型性能。

Comments 25 pages, 6 figures. Preprint of a journal submission

Do Foundation Models Know Geometry? Probing Frozen Features for Continuous Physical Measurement

基础模型知道几何吗？通过冻结特征进行连续物理测量

Yakov Pyotr Shkolnikov

专题命中 知识编辑与模型理解 ：foundation model(title)；LLM(abstract)；language model(abstract)；分类 cs.AI

AI总结 研究发现视觉-语言模型通过冻结特征可实现连续几何测量，LoRA微调和架构分析揭示了路径训练缺陷及中层注意力头对几何信号的重要性。

Lyapunov Probes for Hallucination Detection in Large Foundation Models

Lyapunov探针用于大型基础模型中的幻觉检测

Bozhi Luan, Gen Li, Yalan Qin, Jifeng Guo, Yun Zhou, Faguo Wu, Hongwei Zheng, Wenjun Wu, Zhaoxin Fan

机构 * Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing, School of Artificial Intelligence, Beihang University（北京未来区块链与隐私计算先进创新中心，人工智能学院，北航） ； School of Electronic and Information Engineering, State Key Laboratory of CNS/ATM, Beihang University（电子与信息工程学院， CNS/ATM 国家重点实验室，北航） ； National Key Laboratory of Information Systems Engineering, National University of Defense Technology（信息系统工程国家重点实验室，国防科技大学） ； Beijing Academy of Blockchain and Edge Computing（北京区块链与边缘计算研究院） ； Shanghai University（上海大学） 纠错

专题命中 知识编辑与模型理解 ：foundation model(title)；large language model(abstract)；language model(abstract)

AI总结 通过Lyapunov探针检测大型基础模型中的幻觉，利用动力系统稳定性理论分析知识过渡区域的边界特征。

DEX-AR: A Dynamic Explainability Method for Autoregressive Vision-Language Models

DEX-AR: 一种用于自回归视觉-语言模型的动态可解释性方法

Walid Bousselham, Angie Boggust, Hendrik Strobelt, Hilde Kuehne

机构 * Tuebingen AI Center University of Tuebingen（图宾根人工智能中心图宾根大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室） ； IBM Research（IBM研究院） 纠错

专题命中 知识编辑与模型理解 ：language model(title,abstract)；分类 cs.AI

AI总结 DEX-AR是一种针对自回归视觉-语言模型的动态可解释性方法，通过生成2D热图来解释模型决策过程，提升模型可解释性和性能评估。

Comments Project page: https://walidbousselham.com/DEX-AR

MARLIN: Multi-Agent Reinforcement Learning with Murmuration Intelligence and LLM Guidance for Reservoir Management

MARLIN: 基于星群智能与大语言模型引导的多智能体强化学习在水库管理中的应用

Heming Fu, Shan Lin, Guojun Xiong

专题命中 知识编辑与模型理解 ：LLM(title,abstract)

AI总结 MARLIN通过结合生物启发规则与大语言模型，实现多智能体强化学习在水库管理中的去中心化协调，提升不确定性处理能力并加快洪水响应。

Comments AAMAS'26

Can LLMs Capture Expert Uncertainty? A Comparative Analysis of Value Alignment in Ethnographic Qualitative Research

LLMs能否捕捉专家不确定性？对人类学质性研究中价值对齐的比较分析

Arina Kostina, Marios Dikaiakos, Alejandro Porcel, Tassos Stassopoulos

机构 * University of Cyprus（塞浦路斯大学） ； University of Cambridge（剑桥大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文研究LLMs在人类学质性研究中捕捉专家不确定性的能力，发现Qwen在价值对齐上表现最佳，但需进一步探讨模型偏差问题。

Comments Accepted for a poster session at BIG.AI at MIT 2026

Make VLM Recognize Visual Hallucination on Cartoon Character Image with Pose Information

使VLM在卡通角色图像上通过姿态信息识别视觉幻觉

Bumsoo Kim, Wonseop Shin, Kyuchul Lee, Yonghoon Jung, Sanghyun Seo

机构 * Chung-Ang University（Chung-Ang 大学） ； Coupang（韩国Coupang） 纠错

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出基于姿态信息的VLM幻觉检测方法，通过上下文学习提升识别准确率，实验表明在卡通角色图像中幻觉检测效果提升50%-80%。

Comments Accepted at WACV 2025, Project page: https://gh-bumsookim.github.io/Cartoon-Hallucinations-Detection/. (Fixed typos)

NOTAI.AI: Explainable Detection of Machine-Generated Text via Curvature and Feature Attribution

NOTAI.AI：通过曲率和特征归因进行可解释的机器生成文本检测

Oleksandr Marchenko Breneur, Adelaide Danilov, Aria Nourbakhsh, Salima Lamsiyah

机构 * Department of Computer Science, University of Luxembourg（卢森堡大学计算机科学系） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract)；分类 cs.CL

AI总结 NOTAI.AI通过曲率和特征归因技术，结合神经网络和统计特征，实现对机器生成文本的可解释检测，并提供结构化解释和交互式分析。

Comments 8 pages, 7 figures

Phys2Real: Fusing VLM Priors with Interactive Online Adaptation for Uncertainty-Aware Sim-to-Real Manipulation

Phys2Real: 融合视觉语言模型先验与交互在线适应以实现不确定性感知的仿真到现实操控

Maggie Wang, Stephen Tian, Aiden Swann, Ola Shorinwa, Jiajun Wu, Mac Schwager

机构 * Stanford University（斯坦福大学） ； Princeton University（普林斯顿大学） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.AI

AI总结 Phys2Real通过融合视觉语言模型先验与交互适应，提升仿真到现实操控的不确定性感知与任务成功率。

Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026

Spectral Probing of Feature Upsamplers in 2D-to-3D Scene Reconstruction

特征上采样器在2D到3D场景重建中的频谱探测

Ling Xiao, Yuliang Xiu, Yue Chen, Guoming Wang, Toshihiko Yamasaki

机构 * Hokkaido University（北海道大学） ； Westlake University（西湖大学） ； Zhejiang University（浙江大学） ； The University of Tokyo（东京大学） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 本文提出频谱诊断框架，通过六个指标评估特征上采样器对3D重建的影响，发现频谱一致性比空间细节更关键。

Latent space design of interatomic potentials

原子间势能的潜在空间设计

Susan R. Atlas

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 本文提出了一种基于第一性原理和DFT定理的原子间势能设计方法，通过构建潜在空间模式和量子嵌入，实现简洁且物理基础的势能表示，提升预测和解释能力。

Comments 17 pages, 3 figures

Rethinking Concept Bottleneck Models: From Pitfalls to Solutions

重新思考概念瓶颈模型：从误区到解决方案

Merve Tapli, Quentin Bouniot, Wolfgang Stammer, Zeynep Akata, Emre Akbas

专题命中 知识编辑与模型理解 ：language model(abstract)

AI总结 CBM-Suite通过引入熵度量、非线性层和蒸馏损失，系统解决概念瓶颈模型的准确性、可解释性和系统性研究问题。

Comments Accepted to CVPR 2026

Escaping The Big Data Paradigm in Self-Supervised Representation Learning

在自监督表征学习中摆脱大数据范式

Carlos Vélez García, Miguel Cazorla, Jorge Pomares

机构 * Institute for Computer Science（计算机科学研究所） ； University of Alicante（阿利坎特大学） ； DFISTS 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 本文提出SCOTT和MIM-JEPA方法，在小数据下实现高效自监督表征学习，无需大规模数据集。

Comments Code and implementation available at: https://github.com/inescopresearch/scott

Journal ref Computer Vision and Image Understanding, 2026, 104698

Algorithmic Collusion by Large Language Models

大语言模型的算法合谋

Sara Fish, Yannai A. Gonczarowski, Ran I. Shorrer

机构 * a pawfessor of economics and of computer science（经济与计算机科学教授） ； OpenAI’s Researcher Access Program（OpenAI研究员访问计划） ； Google’s Gemini Academic Program（Google的Gemini学术计划） ； Cloud Research Credits Program（云研究信用计划） ； Anthropic ； NSF Graduate Research Fellowship（NSF研究生研究 fellowship） ； Kempner Institute Graduate Fellowship（Kempner研究所研究生 fellowship） ； National Science Foundation (NSF-BSF grant No. 2343922)（国家科学基金会（NSF-BSF grant No. 2343922）） ； Harvard FAS Dean’s Competitive Fund for Promising Scholarship（哈佛大学哈佛大学教务处有前途的学术研究竞争基金） ； Harvard FAS Inequality in America Initiative（哈佛大学哈佛大学美国不平等倡议） ； United States–Israel Binational Science Foundation (BSF grant 2022417)（美国-以色列双边科学基金会（BSF grant 2022417）） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.AI

AI总结 研究发现大语言模型在寡头市场中因指令变化导致超竞争性定价，揭示了AI定价代理监管的挑战。

Structured Exploration vs. Generative Flexibility: A Field Study Comparing Bandit and LLM Architectures for Personalised Health Behaviour Interventions

结构探索与生成灵活性：一项比较带宽和LLM架构在个性化健康行为干预中的田野研究

Dominik P. Hofer, Haochen Song, Rania Islambouli, Laura Hawkins, Ananya Bhattacharjee, Meredith Franklin, Joseph Jay Williams, Jan D. Smeddinck

专题命中 其他LLM ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文通过田野研究比较带宽和LLM架构在个性化健康行为干预中的效果，发现LLM方法更有效，但带宽优化未带来额外帮助性，揭示了结构探索与生成灵活性的权衡。

Comments Currently under review at a conference