语言大模型 / LLM

GSI Agent: Domain Knowledge Enhancement for Large Language Models in Green Stormwater Infrastructure

GSI代理：面向绿色雨水基础设施的大语言模型领域知识增强

Shaohuang Wang

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

AI总结 本文提出GSI代理，通过监督微调、检索增强生成和代理推理流程，提升大语言模型在绿色雨水基础设施任务中的领域知识能力，实验表明其在领域任务中的表现显著提升。

SolarGPT-QA: A Domain-Adaptive Large Language Model for Educational Question Answering in Space Weather and Heliophysics

SolarGPT-QA: 一个用于空间天气和太阳物理学教育问答的领域自适应大语言模型

Santosh Chapagain, MohammadReza EskandariNasab, Onur Vural, Shah Muhammad Hamdi, Soukaina Filali Boubrahimi

机构 * Utah State University（犹他州立大学） 纠错

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

AI总结 SolarGPT-QA基于LLaMA-3基础模型构建，通过科学文献和大规模问答数据训练，提升空间科学教育中的问答能力，展现领域自适应在科学准确性和教育效果上的平衡。

Comments This is preliminary work towards a broader SolarGPT framework

A Human-Centred Architecture for Large Language Models-Cognitive Assistants in Manufacturing within Quality Management Systems

面向制造业质量管理体系的以人为本的大型语言模型-认知助手架构

Marcos Galdino, Johanna Grahl, Tobias Hamann, Anas Abdelrazeq, Ingrid Isenhardt

机构 * Laboratory for Machine Tools and Production Engineering (WZL) of RWTH Aachen University（鲁姆哈根工业大学机械加工与生产工程实验室） 纠错

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

AI总结 本文提出一种基于组件的架构，用于将LLM-CAs集成到制造业QMS中，提升灵活性、可扩展性和知识管理。

Characterizing Delusional Spirals through Human-LLM Chat Logs

通过人类-大语言模型聊天日志表征妄想螺旋

Jared Moore, Ashish Mehta, William Agnew, Jacy Reese Anthis, Ryan Louie, Yifan Mai, Peggy Yin, Myra Cheng, Samuel J Paech, Kevin Klyman, Stevie Chancellor, Eric Lin, Nick Haber, Desmond C. Ong

机构 * Stanford University（斯坦福大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of Chicago（芝加哥大学） ； Independent Researcher（独立研究者） ； Harvard Belfer Center（哈佛贝尔弗中心） ； University of Minnesota（明尼苏达大学） ； The 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 本文通过分析19名受聊天机器人影响用户的历史对话日志，揭示了妄想螺旋中用户与聊天机器人互动模式及心理危害，提出28项代码用于评估对话中的妄想、自伤和AI拟人化现象。

Comments To appear at ACM FAccT 2026

Prompt Sensitivity and Answer Consistency of Small Open-Source Language Models for Clinical Question Answering in Low-Resource Healthcare

小开源语言模型在低资源医疗场景中的提示敏感性与答案一致性

Shravani Hariprasad

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 研究评估了五种开源模型在三个医疗问答数据集上的表现，发现一致性与准确性独立，Llama 3.2在准确性与可靠性上表现最佳，但领域预训练不足以保证结构化医疗问答的正确性。

Comments 30 pages, 7 figures, 2 tables

Exploring different approaches to customize language models for domain-specific text-to-code generation

探索不同方法以定制语言模型用于领域特定的文本到代码生成

Luís Freire, Fernanda A. Andaló, Nicki Skafte Detlefsen

机构 * Technical University of Denmark（丹麦技术大学） ； The LEGO Group（乐高集团） 纠错

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

AI总结 本文探讨了如何通过合成数据集定制小型语言模型用于领域特定的代码生成，比较了少样本提示、检索增强生成和LoRA微调三种方法，发现LoRA在准确性和领域对齐上表现更优。

ReFORM: Review-aggregated Profile Generation via LLM with Multi-Factor Attention for Restaurant Recommendation

ReFORM：基于LLM与多因素注意力的评论聚合资料生成用于餐厅推荐

Moonsoo Park, Seulbeen Je, Donghyeon Park

机构 * University of Southern California, USA（美国南加州大学） ； Sejong University, South Korea（韩国世宗大学） 纠错

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

AI总结 本文提出ReFORM框架，利用LLM和多因素注意力机制从评论中生成用户和物品资料，提升餐厅推荐的鲁棒性和性能。

Domain Mixture Design via Log-Likelihood Differences for Aligning Language Models with a Target Model

通过对数似然差异设计领域混合以对齐语言模型与目标模型

Ryo Kishino, Riku Shiomi, Hiroaki Yamagiwa, Momose Oyama, Hidetoshi Shimodaira

机构 * Kyoto University（京都大学） ； RIKEN（理化学研究所） 纠错

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

AI总结 本文通过设计训练数据的领域混合，利用对数似然空间对齐模型方向，减少KL散度并提升下游任务性能。

Zephyrus: An Agentic Framework for Weather Science

Zephyrus：一种用于气象科学的代理框架

Sumanth Varambally, Marshall Fisher, Jas Thakker, Yiwei Chen, Zhirui Xia, Yasaman Jafari, Ruijia Niu, Manas Jain, Veeramakali Vignesh Manivannan, Zachary Novack, Luyu Han, Srikar Eranky, Salva Rühling Cachay, Taylor Berg-Kirkpatrick, Duncan Watson-Parris, Yi-An Ma, Rose Yu

机构 * UC San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 本文提出Zephyrus框架，结合大语言模型与天气数据交互，解决传统模型缺乏语言推理的问题，通过新基准测试展示其在天气任务中的优越性能。

Vision-Language Models for Infrared Industrial Sensing in Additive Manufacturing Scene Description

面向增材制造场景的红外工业感知的视觉-语言模型

Nazanin Mahjourian, Vinh Nguyen

机构 * Department of Mechanical and Aerospace Engineering, Michigan Technological University（机械与航空航天工程系，密歇根技术大学） 纠错

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

AI总结 本文提出VLM-IRIS框架，通过预处理红外图像为RGB兼容输入，利用CLIP编码器实现无监督的零样本工作件存在检测，展示了在热成像中的高精度应用。

When Stability Fails: Hidden Failure Modes Of LLMS in Data-Constrained Scientific Decision-Making

当稳定性失效：在数据受限的科学决策中LLM的隐藏故障模式

Nazia Riasat

机构 * North Dakota State University（北达科他州立大学） 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、cs.LG

AI总结 研究揭示LLM在数据受限科学决策中稳定性不足的问题，通过控制评估框架发现其在正确性、提示敏感性和输出有效性方面的缺陷。

Comments 13 pages, 5 figures. Accepted at ICLR 2026 Workshop: I Can't Believe It's Not Better (ICBINB 2026). OpenReview: https://openreview.net/pdf?id=vf8vs2ibso

PulmoVec: A Two-Stage Stacking Meta-Learning Architecture Built on the HeAR Foundation Model for Multi-Task Classification of Pediatric Respiratory Sounds

PulmoVec：基于HeAR基础模型的两阶段堆叠元学习架构，用于儿童呼吸音的多任务分类

Izzet Turkalp Akbasli, Oguzhan Serin

机构 * Department of Pediatric Intensive Care Medicine, Life Support Center, Hacettepe University（儿科重症医学科、生命支持中心、哈切塔佩大学） ； Department of Pediatric Emergency Medicine, Life Support Center, Hacettepe University Faculty of Medicine（儿科急诊医学科、生命支持中心、哈切塔佩大学医学院） 纠错

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

AI总结 本文提出PulmoVec框架，基于HeAR模型实现儿童呼吸音的多任务分类，通过堆叠元学习提升分类性能，展示了其在儿科呼吸医学中的应用潜力。

Comments 14 pages, 2 figures, 4 tables; supplementary material included (4 tables, 3 multi-panel figures)

Towards Reliable Generation of Executable Workflows by Foundation Models

面向通过基础模型生成可执行工作流的可靠性

Sogol Masoumzadeh, Keheliya Gallaba, Dayi Lin, Ahmed E. Hassan

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

AI总结 本文提出利用静态分析反馈改进基础模型生成的工作流，通过Timon静态分析器检测并修复缺陷，提升工作流的可靠性与自动化水平。

RECOVER: Robust Entity Correction via agentic Orchestration of hypothesis Variants for Evidence-based Recovery

RECOVER：通过假设变体的代理协作进行证据驱动的实体纠正

Abhishek Kumar, Aashraya Sachdeva

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

AI总结 针对ASR中罕见和领域特定术语的实体识别难题，RECOVER框架通过代理协作利用多个假设，结合LLM纠正，提升实体识别准确率和召回率。

Comments Under review. Submitted to Interspeech 2026

InViC: Intent-aware Visual Cues for Medical Visual Question Answering

InViC：面向医疗视觉问答的意图感知视觉线索

Zhisong Wang, Ziyang Chen, Zanting Ye, Hongze Zhu, Yefeng Zheng, Yong Xia

机构 * National Engineering Laboratory for Integrated Aero-Space-Ground-Ocean Big Data Application Technology, School of Computer Science and Engineering, Northwestern Polytechnical University, Xi’an 710072, China（集成空天地海大数据应用技术国家工程实验室，计算机科学与工程学院，西北工业大学，西安710072，中国） ； Westlake University（西湖大学） ； Southern Medical University（南方医科大学） 纠错

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

AI总结 本文提出InViC框架，通过引入Cue Tokens Extraction模块和两阶段微调策略，提升医疗视觉问答中意图对齐的视觉证据利用，验证了瓶颈化训练在提高可信度上的有效性。

Comments 10 pages, 2 figures

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