语言大模型 / LLM

A Scoping Review of AI-Driven Digital Interventions in Mental Health Care: Mapping Applications Across Screening, Support, Monitoring, Prevention, and Clinical Education

关于AI驱动的数字干预在心理健康护理中的综述：跨筛查、支持、监控、预防和临床教育的应用映射

Yang Ni, Fanli Jia

机构 * School of International and Public Affairs（国际与公共事务学院） ； Columbia University（哥伦比亚大学） ； Department of Psychology（心理学系） ； Seton Hall University（塞顿·霍尔大学） 纠错

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

AI总结 本文综述了AI驱动的数字干预在心理健康护理中的应用，涵盖筛查、支持、监控、预防和临床教育五个阶段，总结了LLM、ML模型和自主对话代理的应用，并提出四支柱框架以指导AI增强的心理健康护理发展。

Comments Please cite the published version. Thank you. Y. Ni and F. Jia. 2025. A Scoping Review of AI-Driven Digital Interventions in Mental Health Care: Mapping Applications Across Screening, Support, Monitoring, Prevention, and Clinical Education. Healthcare 13, 10 (2025), 1205. DOI:https://doi.org/10.3390/healthcare13101205

Journal ref Healthcare 2025, 13(10), 1205

MedArena: Comparing LLMs for Medicine-in-the-Wild Clinician Preferences

MedArena: 比较医疗领域LLM的临床医生偏好

Eric Wu, Kevin Wu, Jason Hom, Paul H. Yi, Angela Zhang, Alejandro Lozano, Jeff Nirschl, Jeff Tangney, Kevin Byram, Braydon Dymm, Narender Annapureddy, Eric Topol, David Ouyang, James Zou

机构 * Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系） ； Department of Biomedical Data Science, Stanford University（斯坦福大学生物医学数据科学系） ； Division of Hospital Medicine, Department of Medicine, Stanford School of Medicine（斯坦福医学院医学部住院医学科） ； Department of Radiology, St. Jude Children's Research Hospital（圣 Jude 儿童研究医院放射科） ； University of California, San Francisco（旧金山大学） ； Department of Pathology and Laboratory Medicine, University of Wisconsin School of Medicine and Public Health（威斯康星大学医学与公共卫生学院病理学与实验室医学系） ； Doximity, San Francisco, CA, USA（Doximity公司） ； Department of Medicine, Division of Rheumatology and Immunology, Vanderbilt University Medical Center（范德比尔特大学医学中心医学系风湿病与免疫学科） ； Department of Neurology, Charleston Area Medical Center（查尔斯顿医疗中心神经科） ； Department of Translational Medicine, Scripps Research Translational Institute（斯克里普斯研究转化研究所转化医学系） ； Kaiser Permanente Division of Research（凯撒医疗集团研究部） 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 MedArena通过真实临床问题和医生偏好比较LLM，揭示临床实用性与基准性能的差异，强调可读性和临床细节的重要性。

FederatedFactory: Generative One-Shot Learning for Extremely Non-IID Distributed Scenarios

FederatedFactory: 生成式单次学习用于极端非独立同分布分布式场景

Andrea Moleri, Christian Internò, Ali Raza, Markus Olhofer, David Klindt, Fabio Stella, Barbara Hammer

机构 * Honda Research Institute Europe（本田欧洲研究院） ； University of Milan-Bicocca（米兰-比科卡大学） ； Bielefeld University（比勒菲尔德大学） ； Cold Spring Harbor Laboratory（冷泉港实验室） 纠错

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

AI总结 FederatedFactory通过生成式先验倒置联邦单位，实现无冲突的分布式学习，提升医疗影像基准测试性能，恢复中央上限表现，且支持模块化反向学习。

Sample-Efficient Adaptation of Drug-Response Models to Patient Tumors under Strong Biological Domain Shift

在强生物领域转移下实现药物反应模型对患者肿瘤的样本高效适应

Camille Jimenez Cortes, Philippe Lalanda, German Vega

机构 * Université Grenoble Alpes（格勒诺布尔大学） 纠错

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

AI总结 本文探讨了在强生物领域转移下，通过分离表征学习与任务监督来提高药物反应模型对患者肿瘤适应的样本效率，提出了一种分阶段迁移学习框架，通过无监督预训练提升临床数据的预测效果。

Segmentation-before-Staining Improves Structural Fidelity in Virtual IHC-to-Multiplex IF Translation

在虚拟IHC到多通道IF转换中，先分割再染色提高结构保真度

Junhyeok Lee, Han Jang, Heeseong Eum, Joon Jang, Kyu Sung Choi

机构 * Interdisciplinary Program in Cancer Biology, Seoul National University College of Medicine（癌症生物学跨学科项目，首尔国立大学医学院） ； Interdisciplinary Program in Bioengineering, Seoul National University（生物工程跨学科项目，首尔国立大学） ； Department of Biomedical Sciences, Seoul National University（生物医学科学系，首尔国立大学） ； Department of Radiology, Seoul National University Hospital（放射科，首尔国立大学医院） ； Department of Radiology, Seoul National University College of Medicine（放射科，首尔国立大学医学院） ； Healthcare AI Research Institute, Seoul National University Hospital（医疗人工智能研究 institute，首尔国立大学医院） 纠错

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

AI总结 本文提出一种无需监督的条件策略，通过预训练的核分割模型生成连续细胞概率图，结合保持局部强度统计的正则化项，提升虚拟染色的核计数保真度和感知质量。

Comments 11 pages, 2 figures, 2 tables. Submitted to MICCAI 2026

Time-Layer Adaptive Alignment for Speaker Similarity in Flow-Matching Based Zero-Shot TTS

基于流匹配的零样本文本到语音系统中的时间层自适应对齐

Haoyu Li, Mingyang Han, Yu Xi, Dongxiao Wang, Hankun Wang, Haoxiang Shi, Boyu Li, Jun Song, Bo Zheng, Shuai Wang, Kai Yu

专题命中 领域大模型 ：language model(abstract)

AI总结 本文提出TLA-SA方法，通过联合利用时间与层次变化提升说话人一致性，在研究和工业数据集上显著提高说话人相似度，并在不同模型架构中表现良好。

Comments Submitted to INTERSPEECH 2026

Understanding Moral Reasoning Trajectories in Large Language Models: Toward Probing-Based Explainability

理解大型语言模型中的道德推理轨迹：迈向基于探测的可解释性

Fan Huang, Haewoon Kwak, Jisun An

机构 * Indiana University Bloomington（印第安纳大学布卢明顿分校） 纠错

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

AI总结 研究探讨了大型语言模型在道德决策中的推理轨迹，通过分析六个模型和三个基准，发现道德推理涉及多框架 deliberation，提出MRC指标以衡量模型一致性。

Persona-Conditioned Risk Behavior in Large Language Models: A Simulated Gambling Study with GPT-4.1

具有人格条件的风险行为在大语言模型中的表现：基于GPT-4.1的模拟赌博研究

Sankalp Dubedy

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文通过模拟赌博实验研究GPT-4.1在不同社会经济人格下的风险行为，发现其行为符合卡尼曼和特沃斯基的前景理论预测，揭示了大语言模型潜在的认知偏差。

Comments 21 pages, 13 figures, 9 tables. Independent research. Submitted to arXiv for open dissemination

DynHD: Hallucination Detection for Diffusion Large Language Models via Denoising Dynamics Deviation Learning

DynHD: 通过去噪动态偏差学习检测扩散大语言模型的幻觉

Yanyu Qian, Yue Tan, Yixin Liu, Wang Yu, Shirui Pan

机构 * Nanyang Technological University, Singapore（新加坡南洋理工大学） ； Griffith University, Australia（澳大利亚格里菲斯大学） 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 本文提出DynHD，通过空间和时间视角解决扩散大语言模型幻觉检测中的信息密度不均和去噪动态建模问题，采用语义感知证据构造模块和偏差检测器提升检测性能。

Comments 15 pages, 8 figures, 5 tables

Can LLMs Detect Their Confabulations? Estimating Reliability in Uncertainty-Aware Language Models

LLMs能否检测其编造？在不确定性感知语言模型中估计可靠性

Tianyi Zhou, Johanne Medina, Sanjay Chawla

机构 * KTH Royal Institute of Technology（皇家理工学院） ； QCRI, HBKU（哈马德 bin 玉素菲大学量子计算与人工智能研究所） 纠错

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

AI总结 研究探讨了上下文信息如何影响模型行为，并提出利用token级不确定性来指导内部表示聚合的可靠性估计方法，通过实验发现正确上下文能提升回答准确性，而误导性上下文常导致自信错误响应。

Comments Published at AAAI'26

CFM: Language-aligned Concept Foundation Model for Vision

CFM：面向视觉的语言对齐概念基础模型

Kai Wittenmayer, Sukrut Rao, Amin Parchami-Araghi, Bernt Schiele, Jonas Fischer

机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所） 纠错

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

AI总结 CFM提出一种语言对齐的概念基础模型，提供细粒度可解释的概念，提升视觉任务的解释能力，实现分类、分割和描述生成的高性能表现。

Comments 53 pages, 29 figures, 4 tables

Is Conformal Factuality for RAG-based LLMs Robust? Novel Metrics and Systematic Insights

基于RAG的LLM的符合事实性是否具有鲁棒性？新颖的度量和系统性洞察

Yi Chen, Daiwei Chen, Sukrut Madhav Chikodikar, Caitlyn Heqi Yin, Ramya Korlakai Vinayak

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 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、cs.AI、cs.LG

AI总结 本文系统分析了RAG-based LLMs在符合事实性方面的可靠性与实用性，提出新的信息度量方法，发现高事实性水平导致输出空洞，符合事实性不鲁棒于分布偏移，轻量蕴含验证器更高效且表现优异。

Comments 56 pages

Embedding-Aware Feature Discovery: Bridging Latent Representations and Interpretable Features in Event Sequences

嵌入感知特征发现：连接潜在表示与可解释特征在事件序列中

Artem Sakhno, Ivan Sergeev, Alexey Shestov, Omar Zoloev, Elizaveta Kovtun, Gleb Gusev, Andrey Savchenko, Maksim Makarenko

机构 * Sber AI Lab（Sber AI实验室） ； ISP RAS Research Center for Trusted AI（俄罗斯科学院信息与系统研究所可信人工智能研究中心） 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.AI、cs.LG

AI总结 本文提出EAFD框架，通过结合预训练事件序列嵌入与自反思LLM驱动特征生成代理，解决嵌入与特征管道间的断层问题，实现特征的发现、评估与优化，提升事件序列处理性能。

Segmentation-Based Attention Entropy: Detecting and Mitigating Object Hallucinations in Large Vision-Language Models

基于分割的注意力熵：在大视觉-语言模型中检测和缓解对象幻觉

Jiale Song, Jiaxin Luo, Xue-song Tang, Kuangrong Hao, Mingbo Zhao

机构 * School of Information and Intelligent Science, Donghua University, Shanghai, 201620, China（信息与智能科学学院，东华大学，上海，201620，中国） 纠错

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

AI总结 本文提出基于分割的注意力熵(SAE)，通过语义分割量化视觉注意力不确定性，设计可靠性评分和注意力调整方法，有效缓解大视觉-语言模型中的对象幻觉问题。

Do Not Leave a Gap: Hallucination-Free Object Concealment in Vision-Language Models

不要留下空白：视觉-语言模型中的无幻觉物体遮蔽

Amira Guesmi, Muhammad Shafique

机构 * Engineering Division, New York University Abu Dhabi, UAE（纽约大学阿布扎比分校工程系） 纠错

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

AI总结 本文提出一种背景一致的物体遮蔽攻击方法，通过重新编码视觉表示使目标物体与背景一致，避免幻觉产生，实验显示其能有效遮蔽目标物体并减少幻觉。

Why the Valuable Capabilities of LLMs Are Precisely the Unexplainable Ones

为何大语言模型的宝贵能力恰恰是无法解释的那些

Quan Cheng

机构 * Tsinghua University（清华大学） 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.AI

AI总结 本文提出论点：大语言模型真正有价值的能力恰恰是无法用人类可读的离散规则完全描述的部分。通过专家系统等价性证明，若LLM能力可被规则完全描述，则等同于专家系统，但专家系统在历史上和实证上均弱于LLM，从而产生矛盾。

Comments 12 pages, v2: added correction to Polanyi on why tacit knowledge is tacit (structural vs quantitative), unified three independent intellectual threads (Smolensky, Dreyfus, dynamical systems theory)

Vision-Language Model Based Multi-Expert Fusion for CT Image Classification

基于视觉-语言模型的多专家融合用于CT图像分类

Jianfa Bai, Kejin Lu, Runtian Yuan, Qingqiu Li, Jilan Xu, Junlin Hou, Yuejie Zhang, Rui Feng

机构 * College of Computer Science and Artificial Intelligence, Shanghai Key Laboratory of Intelligent Information Processing, Fudan University（复旦大学计算机科学与人工智能学院，上海智能信息处理重点实验室） ； University of Oxford（牛津大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 知识编辑与模型理解 ：language model(title)

AI总结 本文提出一种三阶段源感知多专家框架，通过构建肺部感知3D专家、开发MedSigLIP基专家和训练源分类器，提升多源CT图像中新冠检测的鲁棒性，实验结果显示在不同阶段模型在宏F1、ACC和AUC指标上均取得优异成绩。

Interpretative Interfaces: Designing for AI-Mediated Reading Practices and the Knowledge Commons

解释性界面：为AI中介的阅读实践和知识公共领域进行设计

Gabrielle Benabdallah

机构 * University of Washington（华盛顿大学） 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

AI总结 本文探讨通过设计解释性界面促进用户与AI模型的交互，使非专家用户能干预语言模型的表示空间，通过直接操作观察和注释模型内部表示的变化，从而推动AI解释性作为交互设计而非纯技术问题。

Comments Accepted at the Proceedings of the CHI 2026 Workshop: Ethics at the Front-End

CompliantVLA-adaptor: VLM-Guided Variable Impedance Action for Safe Contact-Rich Manipulation

CompliantVLA-adaptor：基于视觉-语言模型的变量阻抗控制用于安全的高接触密度操作

Heng Zhang, Wei-Hsing Huang, Qiyi Tong, Gokhan Solak, Puze Liu, Kaidi Zhang, Sheng Liu, Jan Peters, Yu She, Arash Ajoudani

机构 * Human-Robot Interfaces and Interaction Lab, Istituto Italiano di Tecnologia, Genoa, Italy（人机交互实验室，意大利理工学院，热那亚，意大利） ； Ph.D. program of national interest in Robotics and Intelligent Machines (DRIM) and Università di Genova, Genoa, Italy（机器人与智能机器国家利益博士项目和热那亚大学，热那亚，意大利） ； Edwardson School of Industrial Engineering, Purdue University, West Lafayette, IN 47907, USA（工业工程埃德华森学校，普渡大学，西拉法克萨，印第安纳州47907，美国） ； Georgia Institute of Technology, Atlanta, USA（佐治亚理工学院，亚特兰大，美国） ； German Research Center for AI, Germany（德国人工智能研究中心，德国） ； TU Darmstadt, Darmstadt, Germany（图宾根大学，图宾根，德国） ； Karlsruhe Institute of Technology, Karlsruhe, Germany（卡尔斯鲁厄理工学院，卡尔斯鲁厄，德国） 纠错

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

AI总结 本文提出CompliantVLA-adaptor，通过引入基于视觉语言模型的上下文感知变量阻抗控制，提升接触密集任务的安全性和有效性。方法通过图像和自然语言解读任务上下文，调节阻抗控制器的刚度和阻尼参数，并利用实时力/扭矩反馈确保安全。实验表明在模拟和现实任务中均优于基线方法。

Comments under review

Kestrel: Grounding Self-Refinement for LVLM Hallucination Mitigation

Kestrel: 为降低LVLM幻觉而引入自反思

Jiawei Mao, Hardy Chen, Haoqin Tu, Yuhan Wang, Letian Zhang, Zeyu Zheng, Huaxiu Yao, Zirui Wang, Cihang Xie, Yuyin Zhou

机构 * UC Santa Cruz（加州大学圣克ruz分校） ； UC Berkeley（加州大学伯克利分校） ； UNC-Chapel Hill（北卡罗来纳大学教堂山分校） ； Apple（苹果公司） 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 Kestrel提出一种无需训练的框架，通过显式视觉 grounding 与证据验证自反思机制减少LVLM幻觉，实验显示在POPE和MME-Hallucination基准上性能提升，同时提供透明的验证轨迹。

Comments 16 pages, 11 figures, 5 tables

OneWorld: Taming Scene Generation with 3D Unified Representation Autoencoder

OneWorld: 通过3D统一表示自编码器驯服场景生成

Sensen Gao, Zhaoqing Wang, Qihang Cao, Dongdong Yu, Changhu Wang, Tongliang Liu, Mingming Gong, Jiawang Bian

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·泽亚德人工智能大学） ； AISphere ； Shanghai Jiao Tong University（上海交通大学） ； University of Melbourne（墨尔本大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 OneWorld通过3D统一表示自编码器直接在3D空间中进行扩散，解决跨视角一致性和几何一致性问题，实验表明其生成的3D场景质量优于现有2D方法。

Comments Code: https://github.com/SensenGao/OneWorld

SOMP: Scalable Gradient Inversion for Large Language Models via Subspace-Guided Orthogonal Matching Pursuit

SOMP：通过子空间引导的正交匹配追踪实现大规模语言模型的可扩展梯度反向

Yibo Li, Qiongxiu Li

机构 * Politecnico di Milano（米兰理工学院） ； Aalborg University（奥胡斯大学） 纠错

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

AI总结 本文提出SOMP框架，通过子空间引导的正交匹配追踪解决大规模语言模型在大批次和长序列下的梯度反向问题，实现更高的重建保真度和计算效率。

Comments 18 pages, 4 figures, 13 tables

Arabic Morphosyntactic Tagging and Dependency Parsing with Large Language Models

阿拉伯词法句法标注与依赖解析中的大语言模型

Mohamed Adel, Bashar Alhafni, Nizar Habash

机构 * Computational Approaches to Modeling Language Lab（语言建模方法计算实验室） ； New York University Abu Dhabi（纽约大学阿布扎克分校） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

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

AI总结 本文评估了大语言模型在阿拉伯语词法句法标注和依赖解析任务中的表现，发现提示设计和示例选择对性能影响显著，专有模型在特征层面标注接近监督基线，且在依赖解析中具有竞争力。

Political Alignment in Large Language Models: A Multidimensional Audit of Psychometric Identity and Behavioral Bias

大语言模型中的政治倾向：心理测量身份与行为偏见的多维审计

Adib Sakhawat, Tahsin Islam, Takia Farhin, Syed Rifat Raiyan, Hasan Mahmud, Md Kamrul Hasan

机构 * Systems and Software Lab (SSL) Department of Computer Science and Engineering（系统与软件实验室（SSL）计算机科学与工程系） 纠错

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

AI总结 研究通过多维心理测量工具审计26个大语言模型，发现模型在政治倾向上聚类于自由主义左 quadrant，且模型身份解释了大部分变异性，但心理测量意识形态未显著预测分类误差。

Comments Under review, 25 pages, 6 figures, 23 tables

Large Language Models for Combinatorial Optimization: A Systematic Review

大语言模型用于组合优化：系统综述

Francesca Da Ros, Michael Soprano, Luca Di Gaspero, Kevin Roitero

机构 * University of Udine（乌迪大学） 纠错

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

AI总结 本文系统回顾了大语言模型在组合优化中的应用，分析了103项研究，涵盖任务类型、模型架构、数据集及应用领域，并探讨了未来发展方向。

BadLLM-TG: A Backdoor Defender powered by LLM Trigger Generator

BadLLM-TG：一种由LLM触发生成器驱动的后门防御系统

Ruyi Zhang, Heng Gao, Songlei Jian, Yusong Tan, Haifang Zhou

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

AI总结 本文提出BadLLM-TG，利用大语言模型的知识，通过提示驱动强化学习生成触发器，用于缓解后门攻击，实验表明其在减少攻击成功率方面表现优异。

Comments 5pages, 2 figures

Small Talk, Big Impact? LLM-based Conversational Agents to Mitigate Passive Fatigue in Conditional Automated Driving

小声谈，大影响？基于LLM的对话代理用于缓解条件自动化驾驶中的被动疲劳

Lewis Cockram, Yueteng Yu, Jorge Pardo, Xiaomeng Li, Andry Rakotonirainy, Jonny Kuo, Sebastien Demmel, Mike Lenné, Ronald Schroeter

专题命中 其他LLM ：LLM(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 本文研究了基于LLM的对话代理在条件自动化驾驶中缓解被动疲劳的效果，通过实验证明该代理能提升驾驶员警觉性，并揭示了用户对代理的偏好特征。

Comments Preview version of CHI '26 Conference on Human Factors in Computing Systems

Evo-Retriever: LLM-Guided Curriculum Evolution with Viewpoint-Pathway Collaboration for Multimodal Document Retrieval

Evo-Retriever：基于观点-路径协作的LLM引导课程进化多模态文档检索框架

Weiqing Li, Jinyue Guo, Yaqi Wang, Haiyang Xiao, Yuewei Zhang, Guohua Liu, Hao Henry Wang

机构 * Alibaba Cloud Computing（阿里巴巴云计算） 纠错

专题命中 其他LLM ：LLM(title,abstract)；language model(abstract)

AI总结 本文提出Evo-Retriever框架，通过LLM引导的课程进化和观点-路径协作提升多模态文档检索性能，实现在ViDoRe V2和MMEB数据集上达到SOTA水平。

Comments Accepted by CVPR2026

From Vulnerabilities to Remediation: A Systematic Literature Review of LLMs in Code Security

从漏洞到修复：对LLMs在代码安全中应用的系统文献综述

Enna Basic, Alberto Giaretta

机构 * Department of Computer Science, Örebro University（奥雷布罗大学计算机科学系） 纠错

专题命中 其他LLM ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.CL、cs.AI

AI总结 本文系统综述了LLMs在代码安全中的应用，探讨其引入漏洞类型、漏洞检测与修复能力及提示策略影响，以及数据中毒攻击对其性能的影响。

UMO: Unified In-Context Learning Unlocks Motion Foundation Model Priors

UMO：统一上下文学习解锁运动基础模型先验

Xiaoyan Cong, Zekun Li, Zhiyang Dou, Hongyu Li, Omid Taheri, Chuan Guo, Abhay Mittal, Sizhe An, Taku Komura, Wojciech Matusik, Michael J. Black, Srinath Sridhar

机构 * Brown University（布朗大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Meta Reality Lab（Meta现实实验室） ； Max-Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； University of Hong Kong（香港大学） 纠错

专题命中 其他LLM ：foundation model(title,abstract)

AI总结 UMO通过统一框架解锁运动基础模型先验，支持多种跨模态和上下文生成任务，提升文本到运动合成性能。

Comments Project Page: https://oliver-cong02.github.io/UMO.github.io/