AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
HyEvo：自演化混合代理工作流用于高效推理
机构 * East China Normal University（华东师范大学） ； Beihang University（北京航空航天大学） ； Shanghai University of International Business and Economics（上海对外经贸大学） ； Fudan University（复旦大学）
专题命中 效率与部署 ：LLM(abstract)；分类 cs.AI
AI总结 HyEvo通过混合原子合成方法，结合概率LLM节点和确定性代码节点，提升推理效率，减少计算成本和延迟。
TinyML增强立方卫星任务能力
机构 * Interdisciplinary Transformation University of Austria（奥地利跨学科转型大学） ； ETH Zurich（苏黎世联邦理工学院）
专题命中 效率与部署 ：post-training(abstract)
AI总结 本文提出基于TinyML的卷积神经网络优化部署流程，用于立方卫星 onboard 图像分类，实现高效能、低能耗的推理，通过结构化迭代剪枝和量化压缩，降低内存和存储需求，满足实时处理需求。
Comments Accepted at the 17th ACM/IEEE International Conference on Cyber-Physical Systems (ICCPS) 2026
FeatureSLAM: 实时特征增强的3D高斯点云SLAM
机构 * CVSSP, Computer Science and Electronic Engineering, University of Surrey（Surrey大学计算机科学与电子工程系） ； Surrey Institute for People-Centered Artificial Intelligence, University of Surrey（Surrey大学人中心人工智能研究所） ； Industrial 3D Robotics（Industrial 3D Robotics公司）
专题命中 效率与部署 ：foundation model(abstract)
AI总结 本文提出一种实时SLAM系统，结合高效相机跟踪与逼真特征映射，利用3D高斯点云技术。核心贡献是将密集特征栅格化整合到新视角合成中，提升语义准确性，优于传统RGB-D输入，增强跟踪与映射精度。
面向人类的大型语言模型在内容分析中的工作流程
专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出了一种面向人类的大型语言模型在内容分析中的工作流程，涵盖注释、摘要和信息提取三个任务，强调通过API利用LLM的潜力，并提供验证方法和最佳实践以解决黑盒、提示敏感和幻觉等问题。
深呼吸：通过哨兵令牌增强大语言模型的语言建模
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，北京大学计算机学院） ； School of Software & Microelectronics, Peking University（北京大学软件与微电子学院） ； Tencent Hunyuan（腾讯文言） ； Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Alibaba Group（阿里巴巴集团）
专题命中 领域大模型 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL
AI总结 本文提出通过插入哨兵令牌使大语言模型能够总结离散文本块信息，提升长文本建模能力，实验验证了方法的有效性。
大型语言模型、人类评审员和作者在评估风湿病学观察性研究的STROBE检查表中的一致性
机构 * Sakarya University, Faculty of Medicine, Department of Internal Medicine, Division of Rheumatology（萨克森大学医学院内科学系风湿病科） ； St Luke’s Medical Center (Global City), Philippines（菲律宾St Luke’s医疗中心（全球城）） ； New Cross Hospital, The Royal Wolverhampton Trust, Wolverhampton, United Kingdom（英国伍尔弗汉普顿皇家信托新交叉医院） ； Lancaster University Medical School, Lancaster University, Lancaster, United Kingdom（英国兰卡斯特大学医学学院，兰卡斯特大学，兰卡斯特，英国） ； Department of Rheumatology, Royal Lancaster Infirmary, Lancaster, United Kingdom（英国兰卡斯特皇家医院风湿病科，兰卡斯特，英国） ； Department of Rheumatology, Royal Wolverhampton Hospitals NHS Trust, Wolverhampton, UK（英国伍尔弗汉普顿皇家医院 NHS信托风湿病科，伍尔弗汉普顿，英国）
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 研究比较了大型语言模型、人类评审员和作者在评估风湿病学观察性研究的STROBE检查表中的一致性，发现模型在基本格式上与人类评审员一致，但在复杂方法学问题上表现较差。
Comments 19 pages, 2 figures, 2 supplementary figures
Dementia-R1: 从无结构临床笔记中通过强化预训练和推理进行真实世界痴呆症预后预测
机构 * Graduate School of AI, KAIST, Republic of Korea（韩国科学技术院人工智能研究生院） ； Haeundae Paik Hospital, Inje University, Republic of Korea（韩国延世大学海云台医院） ； Asan Medical Center, University of Ulsan College of Medicine, Republic of Korea（韩国釜山大学医学院阿桑医院）
专题命中 领域大模型 ：pretraining(title)；LLM(abstract)；large language model(abstract)；language model(abstract)
AI总结 本文提出Dementia-R1框架，通过强化学习解决长期痴呆症预后预测问题，通过预训练提升疾病进展推理能力，在真实世界数据集上达到84.02%的AUROC，优于现有模型。
你的 LLM-as-a-Recommender 代理可信吗？LLM 的推荐容易被偏见（偏好）所 hack
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)
AI总结 本文提出 BiasRecBench 评估基准，揭示 LLM-as-a-Recommender 在高价值任务中易受偏见影响的漏洞，通过合成数据和注入上下文偏见，发现即使具备充足推理能力的代理也常受偏见影响。
LoASR-Bench：评估大型语音语言模型在跨语言家族低资源自动语音识别中的表现
机构 * Kyoto University（京都大学） ； Institute for Infocomm Research, Agency for Science, Technology and Research（信息通信研究机构，科技研究局）
专题命中 领域大模型 ：language model(title,abstract)；large language model(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出LoASR-Bench，评估最新SpeechLM在低资源语言上的ASR性能，涵盖25种语言9个语系，揭示最新SpeechLM在低资源语言处理中的局限性。
可扩展的跨设施联邦学习用于多超级计算机上的科学基础模型
机构 * Mathematics and Computer Science Division, Argonne National Laboratory（阿贡国家实验室数学与计算机科学 division） ； Data Science and Learning Division, Argonne National Laboratory（阿贡国家实验室数据科学与学习 division） ； Department of Computer Science, University of Chicago（芝加哥大学计算机科学系）
专题命中 领域大模型 ：foundation model(title)；large language model(abstract)；language model(abstract)；分类 cs.LG
AI总结 本文提出了一种跨设施联邦学习框架，用于异构HPC环境，通过Globus Compute和Transfer orchestration实现大规模模型训练，验证了在HPC设施上进行联邦学习的可行性，并指出了调度器感知算法设计的重要性。
面向燃烧科学的全栈领域增强：构建与优化
机构 * Peking University（北京大学） ； AI for Science Institute, Beijing（AI for Science研究院，北京）
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 本文提出首个针对燃烧科学的全栈领域增强LLM工作流程，整合自动领域语料构建、增量预训练、指令微调及可验证奖励强化学习，构建标准化评估基准FlameBench，显著提升燃烧科学推理性能。
基于大语言模型的航空领域电子元件资格语义数据整合
机构 * Politecnico di Milano, DEIB（米兰Politecnico大学DEIB系） ； Quantia Consulting（Quantia咨询公司） ； Motus ml（Motus ml实验室） ； Thales Alenia Space（Thales Alenia空间公司）
专题命中 领域大模型 ：LLM(title)；分类 cs.AI
AI总结 本文提出利用虚拟知识图谱和大语言模型整合航空领域电子元件资格数据，通过本体数据访问和向量搜索提升检索效率，减少人工处理成本。
Comments ESWC 2026
重新审视基因本体知识发现：基于层次特征选择和人工智能代理虚拟学习小组
专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.LG
AI总结 本文提出基于人工智能代理的虚拟学习小组，通过层次特征选择提取与衰老相关的生物知识，验证了其在不同模式生物中的有效性。
ReXInTheWild：医疗照片理解的统一基准
机构 * Department of Biomedical Informatics, Harvard Medical School（哈佛医学院生物医学信息学系） ； National Strategic Technology Research Institute, Seoul National University Hospital（首尔国立大学医院国家战略技术研究所） ； Department of Medicine, Division of Gastroenterology, Massachusetts General Hospital（麻省总医院内科与消化内科部门） ； Department of Neuroradiology, Heidelberg University Hospital（海德堡大学医院神经放射科部门） ； King Abdulaziz Medical City, National Guard Health Affairs（国王阿卜杜勒-阿齐兹医疗城，国民守卫健康事务局） ； Division of Pulmonary, Critical Care, and Sleep Medicine, University of Cincinnati（辛辛那提大学肺科、重症医学及睡眠医学部门）
专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.LG
AI总结 本文提出ReXInTheWild基准，通过484张医学文献来源的照片和7个临床主题的955个多项选择问题，评估视觉-语言模型对医疗照片内容的理解能力，揭示不同模型在细粒度图像理解和医学推理上的性能差异。
Comments 11 pages, 4 figures
MedQ-Engine：一种用于医疗图像质量评估中进化多模态大语言模型的闭环数据引擎
机构 * Fudan University, Shanghai, China（复旦大学，上海，中国） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室，上海，中国）
专题命中 领域大模型 ：large language model(abstract)；language model(abstract)
AI总结 本文提出MedQ-Engine，通过闭环数据引擎迭代评估模型，发现失败原型，利用人类在循环注释提升模型性能，使8B参数模型在医疗图像质量评估中超越GPT-4o 13%并接近人类专家水平。
医学文献中检测到的AI生成文本日益增多：开放获取文章中的纵向分析
专题命中 领域大模型 ：large language model(abstract)；language model(abstract)
AI总结 研究通过分析2022年1月至2025年3月JAMA Network Open发表的文章，发现医学文献中AI生成文本比例逐年上升，不同文章类型和领域存在显著差异，但检测工具的局限性需谨慎解读。
Comments 7 pages, 2 figures
通过多模态对比学习提升网络安全任务的泛化能力
机构 * Huawei Paris Research Center, France（华为巴黎研究中心，法国）
专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI
AI总结 本文提出多模态对比学习框架，通过文本指导 payloads 分类，提升网络安全任务的泛化能力，并在合成基准和真实数据集上验证效果。
Comments Submitted to Euro S&P - 5th International Workshop on Designing and Measuring Security in Systems with AI
AIGQ: 电商查询推荐的端到端混合生成架构
机构 * Taobao \& Tmall Group of Alibaba Hangzhou China ； University of Electronic Science ； Taobao \& Tmall Group of Alibaba
专题命中 领域大模型 ：SFT(abstract)；分类 cs.AI
AI总结 AIGQ通过端到端生成框架解决电商查询推荐中的语义浅层、冷启动差和偶然性问题，采用兴趣感知列表监督微调和兴趣感知列表组相对策略优化，提升查询相关性和列表属性。
FB-CLIP：基于前景-背景解耦的细粒度零样本异常检测
机构 * Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences（西安光学精密机械研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Xi’an Jiaotong University（西安交通大学） ； Zhongnan Hospital of Wuhan University（武汉大学中南医院）
专题命中 领域大模型 ：language model(abstract)；分类 cs.AI
AI总结 本文提出FB-CLIP框架，通过多策略文本表示和前景-背景分离，提升细粒度零样本异常检测的准确性和定位能力。
关于医学视觉-语言嵌入中的锥效应与模态间隙
机构 * CentraleSupélec, Université Paris-Saclay, France（中央理工巴黎高等学院，巴黎萨克雷大学，法国） ； University of Porto, Portugal（葡萄牙波尔图大学） ； University of Michigan, USA（美国密歇根大学） ； Federal University of São Paulo, Brazil（巴西圣保罗联邦大学） ； Universidad del Cauca, Colombia（哥伦比亚考卡大学） ； Universidad de Buenos Aires, Argentina（阿根廷布宜诺斯艾利斯大学）
专题命中 领域大模型 ：language model(abstract)；分类 cs.LG
AI总结 本文研究了视觉语言模型中的锥效应及其对多模态性能的影响，通过轻量级机制调控模态间隙，发现医学数据集对间隙调节更敏感，但过度消除间隙并非最优，任务相关分离更佳。
视觉-语言属性解耦与强化用于终身人物重识别
机构 * Wangxuan Institute of Computer Technology, Peking University, Beijing, China（北京大学王轩计算机技术研究院，北京，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） ； School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan, China（华中科技大学人工智能与自动化学院，武汉，中国）
专题命中 领域大模型 ：language model(abstract)
AI总结 本文提出VLADR方法，通过视觉-语言属性解耦与强化提升跨域知识迁移，增强抗遗忘与泛化能力，实验表明在抗遗忘和泛化能力上优于现有方法。
Comments Accepted by CVPR 2026
GeoLAN：大型语言模型中潜在解释方向的几何学习
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； Florida Institute for National Security Applied Artificial Intelligence Group（佛罗里达国家安全应用人工智能小组） ； University of Florida（佛罗里达大学）
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.LG
AI总结 GeoLAN通过将token表示视为几何轨迹，结合Kakeya猜想相关条件，提升大语言模型的几何指标和公平性，尤其在中等规模模型中表现显著。
评估可解释性代理中的陷阱
机构 * Kempner Institute at Harvard University（哈佛大学 Kempner 机构） ； Northeastern University（东北大学） ； Boston University（波士顿大学） ； MIT（麻省理工学院）
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 本文研究了自动化电路分析中可解释性代理的评估挑战，提出基于模型组件功能互换性的无监督内在评估方法，揭示了复制评估的局限性。
通过对比信号引导扩散重建以实现平衡的视觉表示
机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, CAS（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） ； School of Computer Science and Tech., University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Institute of Information Engineering, CAS（信息工程研究所，中国科学院） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）
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 本文提出通过对比信号优化扩散重建，以提升CLIP中判别能力和细节感知能力，解决传统方法在平衡视觉表示上的不足。
既非此处亦非彼处：多语言编码器中混合语言文本的跨语言表示动态
机构 * Indian Institute of Science Education and Research（印度科学教育与研究学院） ； Microsoft Corporation（微软公司）
专题命中 知识编辑与模型理解 ：language model(abstract)；post-training(abstract)；分类 cs.CL
AI总结 研究探讨多语言编码器对混合语言文本的内部表示，发现标准模型在英语和印地语间表现良好，但混合文本与任一语言连接松散。通过训练混合数据可提升英语混合文本对齐，但损害英语-印地语对齐。引入三语后训练目标，使混合文本表示更接近构成语言，提升跨语言理解。
Comments 24 pages
面向虚假相关性缓解的超类引导的表示解耦
机构 * New York University（纽约大学） ； NYU Grossman School of Medicine（纽约大学 Grossman 医学院） ； Zhejiang University（浙江大学）
专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出利用超类引导解耦表示以缓解虚假相关性，通过预训练视觉-语言模型的梯度注意力对齐和理论支持的最小最大最优特征使用策略，提升模型对复杂组结构和虚假相关性的鲁棒性。
审查审查者：图增强的大语言模型用于电商争议裁决
机构 * Purdue University（普渡大学） ； Amazon（亚马逊）
专题命中 知识编辑与模型理解 ：LLM(abstract)；分类 cs.CL
AI总结 本文提出图增强的大语言模型，通过显式动作建模和冲突建模解决电商争议裁决中的信息不对称问题，提升裁决一致性。
Comments 10 pages, 3 figures, KDD 2026 Applied Data Science Track
蒙特卡洛置信预测用于量化射电星系分类中的不确定性
专题命中 知识编辑与模型理解 ：foundation model(abstract)
AI总结 本文探讨了蒙特卡洛置信预测在射电星系分类中量化不确定性方面的应用，通过对比不同不确定性度量方法，评估其有效性。
Comments Accepted to RAS Techniques & Instruments
AURORA：适应性统一表示用于鲁棒超声分析
机构 * MBZUAI ； NIT Silchar（Silchar国立理工学院） ； Birmingham City University（伯明翰城市大学）
专题命中 知识编辑与模型理解 ：foundation model(abstract)
AI总结 本文提出基于Transformer视觉编码器的统一多任务框架，解决超声图像在不同设备、操作者和解剖目标下的泛化问题，通过轻量级多尺度特征金字塔实现像素级预测与全局推理，提升多任务性能。
CDEoH：基于大语言模型的类别驱动自动算法设计
机构 * Key Laboratory of Water Big Data Technology of Ministry of Water Resources（水利部水大数据技术重点实验室） ； College of Computer Science and Software Engineering, Hohai University（河海大学计算机科学与软件工程学院） ； Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系） ； State Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室）
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 本文提出CDEoH，通过显式建模算法类别并平衡性能与多样性，提升进化稳定性，在多尺度组合优化问题中表现优异。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈