语言大模型 / LLM

EgoCross: Benchmarking Multimodal Large Language Models for Cross-Domain Egocentric Video Question Answering

EgoCross：多模态大语言模型跨领域眼动视频问答基准测试

Yanjun Li, Yuqian Fu, Tianwen Qian, Qi'ao Xu, Silong Dai, Danda Pani Paudel, Luc Van Gool, Xiaoling Wang

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 EgoCross提出一个跨领域眼动视频问答基准，评估多模态大语言模型在不同领域中的泛化能力，揭示现有模型在非日常领域任务中的局限性。

Debiasing International Attitudes: LLM Agents for Simulating US-China Perception Changes

消除国际偏见：用于模拟中美感知变化的LLM代理

Nicholas Sukiennik, Yichuan Xu, Yuqing Kan, Jinghua Piao, Yuwei Yan, Chen Gao, Yong Li

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

AI总结 本研究提出基于LLM代理的框架，通过去偏机制模拟中美感知变化，发现魔鬼代言人代理最有效缓解偏见。

Comments Submitted to TCSS

Cognitively Layered Data Synthesis for Domain Adaptation of LLMs to Space Situational Awareness

认知分层数据合成用于LLM在空间态势感知领域的领域适应

Ding Linghu, Cheng Wang, Da Fan, Wei Shi, Kaifeng Yin, Xiaoliang Xue, Fan Yang, Haiyi Ren, Cong Zhang

机构 * Qian Xuesen Laboratory of Space Technology（钱学森空间技术实验室） ； China Academy of Space Technology（中国航天科技研究院） ； State Key Laboratory of Space Information System and Integrated Application（空间信息系统与集成应用国家重点实验室） 纠错

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

AI总结 本文提出BD-FDG框架，通过认知分层问题建模和结构化知识组织，构建高质量SFT数据集，提升LLM在空间态势感知领域的适应性能。

Automatic Cardiac Risk Management Classification using large-context Electronic Patients Health Records

基于大上下文电子健康记录的自动心脏风险管理分类

Jacopo Vitale, David Della Morte, Luca Bacco, Mario Merone, Mark de Groot, Saskia Haitjema, Leandro Pecchia, Bram van Es

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 本文提出了一种基于大上下文电子健康记录的自动心脏风险管理分类方法，通过定制Transformer架构在纵向临床文本中实现高精度的风险分层。

Comments 17 pages, 3 figures, 5 tables

Meissa: Multi-modal Medical Agentic Intelligence

Meissa：多模态医疗代理智能

Yixiong Chen, Xinyi Bai, Yue Pan, Zongwei Zhou, Alan Yuille

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Cornell University（康奈尔大学） 纠错

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

AI总结 Meissa是一种轻量级多模态医疗代理智能模型，通过离线学习策略选择与执行，实现高效医疗决策。

FetalAgents: A Multi-Agent System for Fetal Ultrasound Image and Video Analysis

FetalAgents：一种用于胎儿超声图像和视频分析的多智能体系统

Xiaotian Hu, Junwei Huang, Mingxuan Liu, Kasidit Anmahapong, Yifei Chen, Yitong Luo, Yiming Huang, Xuguang Bai, Zihan Li, Yi Liao, Haibo Qu, Qiyuan Tian

机构 * Tsinghua University（清华大学） ； University of California San Diego（加州大学圣地亚哥分校） ； West China Second University Hospital, Sichuan University（四川大学华西第二医院） 纠错

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

AI总结 FetalAgents是一种多智能体系统，通过动态协调视觉专家，实现胎儿超声图像和视频的端到端分析与报告，提供高准确性和流程对齐的解决方案。

CovertComBench: A First Domain-Specific Testbed for LLMs in Wireless Covert Communication

CovertComBench: 一个用于无线隐蔽通信中LLM的首个领域特定测试平台

Zhaozhi Liu, Jiaxin Chen, Yuanai Xie, Yuna Jiang, Minrui Xu, Xiao Zhang, Pan Lai, Zan Zhou

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

AI总结 CovertComBench是首个用于评估LLM在无线隐蔽通信中安全约束优化能力的领域特定测试平台，揭示了LLM在高阶数学推导上的不足，强调需通过外部工具增强构建可信无线AI系统。

Comments 6 pages, corrected a typo: "DeepSeek-R1:70B" was previously incorrectly written as "DeepSeek-V3.2:70B"

Vision-Language Models Encode Clinical Guidelines for Concept-Based Medical Reasoning

视觉-语言模型编码临床指南以实现基于概念的医学推理

Mohamed Harmanani, Bining Long, Zhuoxin Guo, Paul F. R. Wilson, Amirhossein Sabour, Minh Nguyen Nhat To, Gabor Fichtinger, Purang Abolmaesumi, Parvin Mousavi

机构 * Queen’s University（女王大学） ； University of British Columbia（不列颠哥伦比亚大学） ； McMaster University（麦马斯特大学） ； Vector Institute（向量研究所） 纠错

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

AI总结 MedCBR通过整合临床指南与视觉-语言模型，提升医学影像诊断的可解释性和决策支持能力。

Comments CVPR 2026 Findings

Generative AI and LLMs in Industry: A text-mining Analysis and Critical Evaluation of Guidelines and Policy Statements Across Fourteen Industrial Sectors

生成式AI与大语言模型在工业中的应用：对十四大工业部门指南和政策声明的文本挖掘分析与批判性评估

Junfeng Jiao, Saleh Afroogh, Kevin Chen, David Atkinson, Amit Dhurandhar

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

AI总结 本文通过文本挖掘分析十四大工业部门的指南和政策声明，评估生成式AI和大语言模型的治理挑战，提出负责任整合的建议。

TA-GGAD: Testing-time Adaptive Graph Model for Generalist Graph Anomaly Detection

TA-GGAD: 通用图异常检测的测试时自适应图模型

Xiong Zhang, Hong Peng, Changlong Fu, Xin Jin, Yun Yang, Cheng Xie

机构 * School of Software and AI, Yunnan University（云南大学软件与人工智能学院） 纠错

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

AI总结 TA-GGAD提出一种测试时自适应图模型，解决通用图异常检测中的域移问题，实现跨域泛化和高检测准确率。

GraphKeeper: Graph Domain-Incremental Learning via Knowledge Disentanglement and Preservation

GraphKeeper: 通过知识解耦与保留实现图领域增量学习

Zihao Guo, Qingyun Sun, Ziwei Zhang, Haonan Yuan, Huiping Zhuang, Xingcheng Fu, Jianxin Li

机构 * SKLCCSE, School of Computer Science and Engineering, Beihang University（信息与通信工程学院，北京航空航天大学） ； Shien-Ming Wu School of Intelligent Engineering, South China University of Technology（智能工程学院，华南理工大学） ； Key Lab of Education Blockchain and Intelligent Technology, Guangxi Normal University（教育区块链与智能技术重点实验室，广西师范大学） 纠错

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

AI总结 GraphKeeper通过知识解耦与保留解决图领域增量学习中的灾难性遗忘问题，实现跨多领域稳定学习。

Comments Accepted by the Main Track of NeurIPS-2025

MIL-PF: Multiple Instance Learning on Precomputed Features for Mammography Classification

MIL-PF：基于预计算特征的多实例学习用于乳腺分类

Nikola Jovišić, Milica Škipina, Nicola Dall'Asen, Dubravko Ćulibrk

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

AI总结 MIL-PF通过预计算特征和轻量级聚合模块，实现高效乳腺分类，减少训练复杂性并提升分类性能。

Comments 10 pages, 2 figures, 4 tables. Code will be released

Automated Thematic Analysis for Clinical Qualitative Data: Iterative Codebook Refinement with Full Provenance

临床定性数据的自动化主题分析：带完整溯源的迭代代码书精炼

Seungjun Yi, Joakim Nguyen, Huimin Xu, Terence Lim, Joseph Skrovan, Mehak Beri, Hitakshi Modi, Andrew Well, Carlos M. Mery, Yan Zhang, Mia K. Markey, Ying Ding

专题命中 领域大模型 ：LLM(abstract)；分类 cs.CL

AI总结 本文提出一个结合迭代代码书精炼和完整溯源追踪的自动化主题分析框架，在多个临床和社交媒体语料库上取得了较高的综合质量评分，且在四个数据集上显著提升了代码重用性和分布一致性。

Comments Submitted to AMIA 2026 Annual Symposium (American Medical Informatics Association)

LiDAR Remote Sensing Meets Weak Supervision: Concepts, Methods, and Perspectives

LiDAR遥感与弱监督学习：概念、方法与展望

Yuan Gao, Shaobo Xia, Pu Wang, Xiaohuan Xi, Sheng Nie, Cheng Wang

机构 * aircas.ac.cn（航空科学研究院） 纠错

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

AI总结 本文从弱监督学习视角系统回顾了LiDAR遥感的最新进展，探讨了弱监督方法在数据解释、参数反演及跨域适应中的应用，并展望了WSL在提升LiDAR遥感性能与泛化能力方面的未来方向。

Journal ref ISPRS Journal of Photogrammetry and Remote Sensing Volume 235, May 2026, Pages 72-104