语言大模型 / LLM

MoE-GS: Mixture of Experts for Dynamic Gaussian Splatting

MoE-GS：动态高斯散射的专家混合

In-Hwan Jin, Hyeongju Mun, Joonsoo Kim, Kugjin Yun, Kyeongbo Kong

机构 * Pusan National University（釜山国立大学） ； Electronics and Telecommunications Research Institute（电子电信研究所） 纠错

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)

AI总结 MoE-GS通过专家混合技术提升动态高斯散射的渲染质量与效率，实现更一致的时空一致性结果。

Comments Accepted by ICLR 2026

TrasMuon: Trust-Region Adaptive Scaling for Orthogonalized Momentum Optimizers

TrasMuon：基于正交动量优化器的可信区域自适应缩放

Peng Cheng, Jiucheng Zang, Qingnan Li, Liheng Ma, Yufei Cui, Yingxue Zhang, Boxing Chen, Ming Jian, Wen Tong

机构 * Department of XXX, University of YYY, Location, Country ； School of ZZZ, Institute of WWW, Location, Country ； Department of Combinatorics ； Optimization, University of Waterloo, Waterloo, Canada ； Huawei Canadian Research Institute, Canada ； McGill University \& Mila-Quebec AI Institue, Canada 纠错

专题命中 效率与部署 ：language model(abstract)；分类 cs.AI、cs.LG

AI总结 TrasMuon通过结合全局RMS校准和能量基于的可信区域裁剪，改进了Muon优化器的稳定性与收敛速度，适用于视觉和语言模型。

The Neural Compass: Probabilistic Relative Feature Fields for Robotic Search

神经罗盘：基于概率相对特征场的机器人搜索

Gabriele Somaschini, Adrian Röfer, Abhinav Valada

机构 * Department of Computer Science, University of Freiburg（弗赖堡大学计算机科学系） 纠错

专题命中 效率与部署 ：language model(abstract)；分类 cs.LG

AI总结 本文提出ProReFF模型，通过概率相对特征场实现机器人搜索任务中的高效物体定位，实验表明其在模拟环境中比基线方法更高效，接近人类水平性能。

Comments 9 pages, 7 figures, 2 tables, submitted to IROS 2026

Efficient Credal Prediction through Decalibration

通过去校准实现高效的可信预测

Paul Hofman, Timo Löhr, Maximilian Muschalik, Yusuf Sale, Eyke Hüllermeier

机构 * LMU Munich（慕尼黑大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； DFKI (DSA)（德意志联邦防务研究所） 纠错

专题命中 效率与部署 ：foundation model(abstract)；分类 cs.LG

AI总结 本文提出了一种基于相对似然的高效可信预测方法，通过去校准技术实现对复杂模型的高效可信集生成。

Not All Queries Need Deep Thought: CoFiCot for Adaptive Coarse-to-fine Stateful Refinement

并非所有查询都需要深度思考：CoFiCot用于自适应粗到细状态细化

Dongxu Zhang, Hongqiang Lin, Yiding Sun, Pengyu Wang, Qirui Wang, Ning Yang, Jihua Zhu

机构 * Xi’an Jiaotong University（西安交通大学） ； Zhejiang University（浙江大学） ； The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）） ； Institute of Automation CASIA（中国科学院自动化研究所） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.CL

AI总结 CoFiCot通过自适应粗到细框架，利用多指标分类器和状态依赖传播过程，提升大语言模型在不同任务上的推理能力与上下文一致性。

Privacy-Preserving End-to-End Full-Duplex Speech Dialogue Models

隐私保护的端到端全双工语音对话模型

Nikita Kuzmin, Tao Zhong, Jiajun Deng, Yingke Zhu, Tristan Tsoi, Tianxiang Cao, Simon Lui, Kong Aik Lee, Eng Siong Chng

机构 * Nanyang Technological University（南洋理工大学） ； A*STAR ； Huawei Leibniz Research Center（华为莱比锡研究中心） ； The Chinese University of Hong Kong（香港中文大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI

AI总结 本文提出两种流式匿名化方法，通过增强隐私保护在全双工语音对话模型中显著提升安全性，同时保持高效响应速度。

ITO: Images and Texts as One via Synergizing Multiple Alignment and Training-Time Fusion

通过协同多模态对齐和训练时融合实现图像与文本一体化：ITO

Hanpeng Liu, Yaqian Li, Zidan Wang, Shuoxi Zhang, Zonglin Zhao, Zihao Bo, Rinyoichi Takezoe, Kaiwen Long, Kun He

机构 * School of Computer Science（计算机科学学院） ； Huazhong University of Science and Technology（华中科技大学） ； Li Auto Inc.（力汽车公司） ； Institute of AI for Industries, Chinese Academy of Sciences（产业人工智能研究院，中国科学院） 纠错

专题命中 效率与部署 ：pretraining(abstract)；分类 cs.AI

AI总结 ITO通过协同多模态对齐与训练时融合机制，提升图像与文本表示的一致性，有效解决模态间结构化交互问题。

FakeZero: Real-Time, Privacy-Preserving Misinformation Detection for Facebook and X

FakeZero：面向Facebook和X的实时隐私保护虚假信息检测

Soufiane Essahli, Oussama Sarsar, Ahmed Bentajer, Anas Motii, Imane Fouad

机构 * College of Computing, Mohammed VI Polytechnic University（计算学院，摩洛哥穆莱·易卜拉欣polytechnic大学） ； Cadi Ayyad University, National School of Applied Science of Safi, MISCOM Lab（卡迪·阿亚德大学，萨菲应用科学国家学校，MISCOM实验室） 纠错

专题命中 效率与部署 ：post-training(abstract)；分类 cs.CL

AI总结 FakeZero通过本地计算实现实时隐私保护的虚假信息检测，采用三阶段训练课程，在资源受限条件下达到高准确率和低延迟的检测效果。

Comments Accepted for publication in the Proceedings of the 24th IEEE International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom 2025) Privacy track, 11 pages, 8 figures

Aurora: Towards Universal Generative Multimodal Time Series Forecasting

Aurora：迈向通用生成多模态时间序列预测

Xingjian Wu, Jianxin Jin, Wanghui Qiu, Peng Chen, Yang Shu, Bin Yang, Chenjuan Guo

机构 * East China Normal University（东华师范大学） 纠错

专题命中 效率与部署 ：foundation model(abstract)；分类 cs.LG

AI总结 Aurora通过多模态输入和零样本推理，提升跨领域时间序列预测的泛化能力。

GDM4MMIMO: Generative Diffusion Models for Massive MIMO Communications

GDM4MMIMO：用于大规模MIMO通信的生成扩散模型

Zhenzhou Jin, Li You, Huibin Zhou, Yuanshuo Wang, Xiaofeng Liu, Xinrui Gong, Xiqi Gao, Derrick Wing Kwan Ng, Xiang-Gen Xia

机构 * National Mobile Communications Research Laboratory, Southeast University, Nanjing 210096, China（南京东南大学国家移动通信研究实验室） ； Purple Mountain Laboratories, Nanjing 211100, China（南京紫金山实验室） ； Huawei Technologies Co., Ltd., Suzhou 215100, China（华为技术有限公司） ； School of Electrical Engineering and Telecommunications, University of New South Wales, Sydney, 2052, Australia（新南威尔士大学电子与电信学院） ； Department of Electrical and Computer Engineering, University of Delaware, Newark, DE 19716 USA（德克萨斯大学达勒姆分校电子与计算机工程系） 纠错

专题命中 效率与部署 ：foundation model(abstract)；分类 cs.LG

AI总结 本文提出利用生成扩散模型（GDM）提升大规模MIMO通信中的信道状态信息（CSI）获取效率，探讨其在近场信道估计中的应用及未来研究方向。

Comments 6 pages, 3 figures

A 1.6-fJ/Spike Subthreshold Analog Spiking Neuron in 28 nm CMOS

基于28nm CMOS的1.6fJ/脉冲子阈值类脑神经元

Marwan Besrour, Takwa Omrani, Jacob Lavoie, Gabriel Martin-Hardy, Esmaeil Ranjbar Koleibi, Jeremy Menard, Konin Koua, Philippe Marcoux, Mounir Boukadoum, Rejean Fontaine

专题命中 效率与部署 ：post-training(abstract)

AI总结 基于28nm CMOS工艺，设计了1.6fJ/脉冲子阈值类脑神经元，用于构建能效混合信号神经形态系统级芯片，实现了82.5%的MNIST数据集准确率。

OV-DEIM: Real-time DETR-Style Open-Vocabulary Object Detection with GridSynthetic Augmentation

OV-DEIM：基于网格合成增强的实时开放词汇目标检测

Leilei Wang, Longfei Liu, Xi Shen, Xuanlong Yu, Ying Tiffany He, Fei Richard Yu, Yingyi Chen

机构 * Intellindust AI Lab（Intellindust AI实验室） ； Guangdong Laboratory of Artificial Intelligence（广东人工智能实验室） ； College of Computer Science（计算机科学学院） ； Software Engineering, Shenzhen University, China（软件工程，深圳大学，中国） ； School of Information Technology, Carleton University, Canada（信息科技学院，卡尔顿大学，加拿大） ； Institute for Research in Biomedicine, Bellinzona, Switzerland（生物医学研究 institute，贝尔林扎，瑞士） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 OV-DEIM提出了一种基于DEIMv2框架的实时开放词汇目标检测方法，结合网格合成增强策略提升效率和罕见类别识别能力。

Green-VLA: Staged Vision-Language-Action Model for Generalist Robots

Green-VLA: 通用机器人中的分阶段视觉-语言-动作模型

I. Apanasevich, M. Artemyev, R. Babakyan, P. Fedotova, D. Grankin, E. Kupryashin, A. Misailidi, D. Nerus, A. Nutalapati, G. Sidorov, I. Efremov, M. Gerasyov, D. Pikurov, Y. Senchenko, S. Davidenko, D. Kulikov, M. Sultankin, K. Askarbek, O. Shamanin, D. Statovoy, E. Zalyaev, I. Zorin, A. Letkin, E. Rusakov, A. Silchenko, V. Vorobyov, S. Sobolnikov, A. Postnikov

专题命中 效率与部署 ：pretraining(abstract)

AI总结 Green-VLA是一种面向真实环境的分阶段视觉-语言-动作模型，通过多阶段训练和强化学习对齐，提升机器人在多样化形态上的泛化能力和性能。

Comments 22 pages, 14 figures

Quantized Visual Geometry Grounded Transformer

量化视觉几何基础变换器

Weilun Feng, Haotong Qin, Mingqiang Wu, Chuanguang Yang, Yuqi Li, Xiangqi Li, Zhulin An, Libo Huang, Yulun Zhang, Michele Magno, Yongjun Xu

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院人工智能安全国家重点实验室，计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； ETH Zürich（苏黎世联邦理工学院） ； City College of New York, City University of New York, USA（纽约城市学院，纽约城市大学，美国） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 效率与部署 ：post-training(abstract)

AI总结 本文提出QuantVGGT，首个针对大规模VGGT的量化框架，通过双平滑细粒度量化和噪声过滤多样化采样技术，在保持高精度的同时实现显著的内存减少和加速。

Comments Accepted by ICLR 2026

Efficient Diffusion-Based 3D Human Pose Estimation with Hierarchical Temporal Pruning

高效扩散模型基于层次时间剪枝的3D人体姿态估计

Yuquan Bi, Hongsong Wang, Xinli Shi, Zhipeng Gui, Jie Gui, Yuan Yan Tang

机构 * School of Cyber Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； School of Computer Science and Engineering, Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications, Ministry of Education, Southeast University（东南大学计算机科学与工程学院、新一代人工智能技术及其交叉应用国家重点实验室） ； National Center for Applied Mathematics, Southeast University（东南大学应用数学国家中心） ； Purple Mountain Laboratories, Nanjing（紫金山实验室） ； Engineering Research Center of Blockchain Application, Supervision and Management (Southeast University), Ministry of Education（区块链应用、监督与管理工程研究中心（东南大学）） ； Department of Computer and Information Science, University of Macau（澳门大学计算机与信息科学系） ； Faculty of Science and Technology, UOW College Hong Kong（香港大学学院科技学院） 纠错

专题命中 效率与部署 ：SFT(abstract)

AI总结 本文提出一种高效扩散模型基于层次时间剪枝的3D人体姿态估计方法，通过分阶段剪枝策略显著降低计算成本并提升推理效率。

Comments Accepted by IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHOLOGY

S$^2$Q-VDiT: Accurate Quantized Video Diffusion Transformer with Salient Data and Sparse Token Distillation

S$^2$Q-VDiT: 精确量化视频扩散变换器与显著数据和稀疏令牌蒸馏

Weilun Feng, Haotong Qin, Chuanguang Yang, Xiangqi Li, Han Yang, Yuqi Li, Zhulin An, Libo Huang, Michele Magno, Yongjun Xu

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

专题命中 效率与部署 ：post-training(abstract)

AI总结 S$^2$Q-VDiT通过显著数据选择和稀疏令牌蒸馏提升视频扩散变换器的量化性能，实现无损压缩和加速推理。

Comments Accepted by NeurIPS 2025

Med-Evo: Test-time Self-evolution for Medical Multimodal Large Language Models

Med-Evo: 医疗多模态大语言模型的测试时自演化

Dunyuan Xu, Xikai Yang, Juzheng Miao, Yaoqian Li, Jinpeng Li, Pheng-Ann Heng

机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong, China（计算机科学与工程系，香港中文大学，香港，中国） ； Institute of Medical Intelligence and XR, The Chinese University of Hong Kong, Hong Kong, China（医学智能与XR研究所，香港中文大学，香港，中国） 纠错

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

AI总结 Med-Evo通过无标签强化学习和伪标签技术提升医疗多模态大语言模型性能，实验表明在医疗VQA任务中显著优于现有方法。

Leveraging Large Language Models for Automated Scalable Development of Open Scientific Databases

利用大型语言模型实现开放科学数据库的自动化可扩展开发

Nikita Gautam, Doina Caragea, Ignacio Ciampitti, Federico Gomez

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

AI总结 本文提出利用大型语言模型构建开放科学数据库的自动化方法，通过结合关键词查询、API数据检索和文本分类，实现高效且可扩展的领域特定数据库开发。

TS-MLLM: A Multi-Modal Large Language Model-based Framework for Industrial Time-Series Big Data Analysis

TS-MLLM：一种基于多模态大语言模型的工业时间序列大数据分析框架

Haiteng Wang, Yikang Li, Yunfei Zhu, Jingheng Yan, Lei Ren, Laurence T. Yang

机构 * School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院） ； School of Software, Beihang University（北京航空航天大学软件学院） ； Hangzhou International Innovation Institute, Beihang University（北京航空航天大学杭州国际创新研究院） ； State Key Laboratory of Intelligent Manufacturing System Technology（智能制造系统技术国家重点实验室） ； School of Computer and Artificial Intelligence, Zhengzhou University（郑州大学计算机与人工智能学院） ； Department of Computer Science, St. Francis Xavier University（圣弗朗西斯科大学计算机科学系） 纠错

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 TS-MLLM通过多模态大语言模型联合建模时序信号、频域图像和文本知识，提升工业时间序列预测的鲁棒性、效率和泛化能力。

Automated Extraction of Material Properties using LLM-based AI Agents

基于LLM的材料属性自动提取

Subham Ghosh, Abhishek Tewari

机构 * Mehta Family School of Data Science and Artificial Intelligence（梅塔家族数据科学与人工智能学院） ； Indian Institute of Technology Roorkee（印度理工学院罗尔基分校） ； Department of Metallurgical and Materials Engineering（冶金与材料工程系） 纠错

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

AI总结 本研究提出基于LLM的自动材料属性提取方法，构建了大规模热电数据集，实现了高准确率和低成本的属性提取流程，为材料发现提供了新的工具和基础。

Journal ref Computational Materials Science 265 (2026)

RedSage: A Cybersecurity Generalist LLM

RedSage：一种网络安全通用型大语言模型

Naufal Suryanto, Muzammal Naseer, Pengfei Li, Syed Talal Wasim, Jinhui Yi, Juergen Gall, Paolo Ceravolo, Ernesto Damiani

专题命中 领域大模型 ：LLM(title,abstract)；pretraining(abstract)；post-training(abstract)；分类 cs.CL、cs.AI

AI总结 RedSage通过领域感知的代理增强和预训练，提升网络安全专长和通用推理能力，实现开源本地部署。

Comments Published at ICLR 2026; Project page: https://risys-lab.github.io/RedSage/

Healthy LLMs? Benchmarking LLM Knowledge of UK Government Public Health Information

健康的大语言模型？对大语言模型在英国政府公共卫生信息领域知识的评估

Joshua Harris, Fan Grayson, Felix Feldman, Timothy Laurence, Toby Nonnenmacher, Oliver Higgins, Leo Loman, Selina Patel, Thomas Finnie, Samuel Collins, Michael Borowitz

机构 * UK Health Security Agency (UKHSA)（英国卫生安全局） 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PubHealthBench基准测试，评估LLM在公共卫生领域的知识，发现最新LLM在多项选择题中表现优异，但在自由回答中需进一步改进。

Comments 27 pages, 9 pages main text

An Senegalese Legal Texts Structuration Using LLM-augmented Knowledge Graph

利用LLM增强的知识图谱对塞内加尔法律文本进行结构化

Oumar Kane, Mouhamad M. Allaya, Dame Samb, Mamadou Bousso

机构 * Sciences and Technologies | Economic and Social Sciences（科技 | 经济和社会科学） ； Iba Der Thiam University（伊巴德里亚姆大学） ； Social Sciences, Iba Der Thiam University, Thies, Senegal（社会科学，伊巴德里亚姆大学，泰西，塞内加尔） 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 本研究利用LLM增强的知识图谱对塞内加尔法律文本进行结构化处理，提取7967篇文章并构建图数据库，提升法律信息的可访问性和理解性。

Comments 8 pages, 8 figures, 2 tables, 1 algorithm

From LLM Reasoning to Autonomous AI Agents: A Comprehensive Review

从大语言模型推理到自主AI代理：全面综述

Mohamed Amine Ferrag, Norbert Tihanyi, Merouane Debbah

机构 * Department of Computer and Network Engineering（计算机与网络工程系） ； United Arab Emirates University（阿联酋大学） ； Technology Innovation Institute（技术创新研究院） ； Eötvös Loránd University（埃斯特哈齐·洛朗大学） ； Research Institute for Digital Future（数字未来研究院） ； Khalifa University（卡塔尔大学） 纠错

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

AI总结 本文综述了大语言模型和自主AI代理的发展，提出了涵盖多种任务的基准分类法，并讨论了未来研究方向。

From Passive Consumption to Active Interaction: Exploring Interactive LLM Scaffolding to Support Learning Engagement

从被动消费到主动互动：探索交互式LLM支架以支持学习参与

Zixin Chen, Haotian Li, Zhe Liu, Huamin Qu, Xing Xie

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

AI总结 本文探讨在LLM生成的支架中嵌入轻量级交互组件，以促进学习参与并提高短期学习效果。

Comments CHI EA 2026

Journal ref Extended Abstracts of the ACM CHI Conference on Human Factors in Computing Systems 2026

Spoken Conversational Agents with Large Language Models

基于大语言模型的语音对话代理

Chao-Han Huck Yang, Andreas Stolcke, Larry Heck

机构 * NVIDIA Research（NVIDIA研究） 纠错

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

AI总结 本文探讨了如何通过大语言模型构建语音对话代理，涵盖从级联到端到端系统的路径，以及跨模态对齐和联合训练等关键技术，同时讨论了隐私、安全和评估中的开放问题。

Comments Accepted to EMNLP 2025 Tutorial

StyleBench: Evaluating Speech Language Models on Conversational Speaking Style Control

StyleBench: 评估语音语言模型在对话说话风格控制中的表现

Haishu Zhao, Aokai Hao, Yuan Ge, Zhenqiang Hong, Tong Xiao, Jingbo Zhu

机构 * NLP Lab, School of Computer Science and Engineering, Northeastern University, Shenyang, China（计算机科学与工程学院自然语言处理实验室，东北大学，沈阳，中国） ； NiuTrans Research, Shenyang, China（尼乌透研究，沈阳，中国） 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 StyleBench是一个多轮对话基准测试，用于评估语音语言模型在情感、速度、音量和音调四个维度上的风格强度控制能力，并揭示了SLMs与通用语言模型之间的性能差距。

\$OneMillion-Bench: How Far are Language Agents from Human Experts?

一千万基准：语言代理距离人类专家还有多远？

Qianyu Yang, Yang Liu, Jiaqi Li, Jun Bai, Hao Chen, Kaiyuan Chen, Tiliang Duan, Jiayun Dong, Xiaobo Hu, Zixia Jia, Yang Liu, Tao Peng, Yixin Ren, Ran Tian, Zaiyuan Wang, Yanglihong Xiao, Gang Yao, Lingyue Yin, Ge Zhang, Chun Zhang, Jianpeng Jiao, Zilong Zheng, Yuan Gong

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

AI总结 一千万基准通过400个专家精选任务评估语言代理在专业领域中的可靠性、深度和实践能力。

Comments 39 pages, 9 figures, 8 tables

GraphProp: Training the Graph Foundation Models using Graph Properties

GraphProp: 基于图属性训练图基础模型

Ziheng Sun, Qi Feng, Lehao Lin, Chris Ding, Jicong Fan

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

AI总结 GraphProp通过强调结构泛化，提升图基础模型在跨领域任务中的表现，尤其在无节点属性图的处理上效果显著。

Comments The paper will be extensively rewritten to resolve fundamental limitations, particularly concerning the influence of graph properties on performance across various graph tasks

Conformal Prediction for Risk-Controlled Medical Entity Extraction Across Clinical Domains

面向多临床领域的风险控制医疗实体提取的符合预测

Manil Shrestha, Edward Kim

机构 * Department of Computer Science, Drexel University（计算机科学系，德雷塞尔大学） 纠错

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

AI总结 本文提出一种符合预测框架，用于多临床领域医疗实体提取，发现模型在不同领域中校准方向不同，需根据文档结构和任务需求调整阈值以确保安全部署。