语言大模型 / LLM

The Cognitive Firewall:Securing Browser Based AI Agents Against Indirect Prompt Injection Via Hybrid Edge Cloud Defense

认知防火墙：通过混合边缘云防御保护基于浏览器的AI代理免受间接提示注入攻击

Qianlong Lan, Anuj Kaul

机构 * eBay Inc（eBay公司） 纠错

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

AI总结 本文提出认知防火墙，通过混合边缘云防御机制，有效降低基于浏览器的AI代理遭受间接提示注入攻击的成功率，同时显著提升系统响应效率。

You only need 4 extra tokens: Synergistic Test-time Adaptation for LLMs

你只需要4个额外的标记：用于LLM的协同测试时间适应

Yijie Xu, Huizai Yao, Zhiyu Guo, Pengteng Li, Aiwei Liu, Xuming Hu, Weiyu Guo, Hui Xiong

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Hong Kong University of Science and Technology（香港科技大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出SyTTA框架，通过输入侧困惑度和输出侧预测熵的协同作用，实现无需标注数据的LLM测试时间适应，显著提升农业问答任务的性能。

Comments Under Review

Automated Discovery of Test Oracles for Database Management Systems Using LLMs

利用大型语言模型自动发现数据库管理系统测试 oracle

Qiuyang Mang, Runyuan He, Suyang Zhong, Xiaoxuan Liu, Huanchen Zhang, Alvin Cheung

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

AI总结 本文提出Argus框架，利用LLM生成语义等价的SQL骨架，并通过形式化证明确保正确性，从而自动发现数据库管理系统中的测试oracle，发现40个新bug。

UI-Voyager: A Self-Evolving GUI Agent Learning via Failed Experience

UI-Voyager：一种通过失败经验自我进化的GUI代理学习

Zichuan Lin, Feiyu Liu, Yijun Yang, Jiafei Lyu, Yiming Gao, Yicheng Liu, Zhicong Lu, Yangbin Yu, Mingyu Yang, Junyou Li, Deheng Ye, Jie Jiang

机构 * Tencent（腾讯） 纠错

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

AI总结 本文提出UI-Voyager，一种两阶段自我进化的移动GUI代理，通过拒绝微调和组相对自蒸馏提升GUI任务的效率和性能，实验显示其在AndroidWorld上达到81.0%的Pass@1成功率。

Comments Code and models are available at https://github.com/ui-voyager/UI-Voyager

HDPO: Hybrid Distillation Policy Optimization via Privileged Self-Distillation

HDPO：通过特权自蒸馏的混合蒸馏策略优化

Ken Ding

机构 * NVIDIA（英伟达） 纠错

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

AI总结 HDPO通过结合强化学习与特权自蒸馏解决RL在数学推理中遇到的'悬崖'提示问题，提升覆盖指标并保持贪婪准确性。

How Vulnerable Are Edge LLMs?

边缘大语言模型有多脆弱？

Ao Ding, Hongzong Li, Zi Liang, Zhanpeng Shi, Shuxin Zhuang, Shiqin Tang, Rong Feng, Ping Lu

机构 * China University of Geoscience Beijing（中国地质大学（北京）） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Hong Kong Polytechnic University（香港理工大学） ； Jilin University（吉林大学） ； City University of Hong Kong（香港城市大学） ； Chinese Academy of Sciences（中国科学院） ； City University of Hong Kong (Dongguan)（香港城市大学（东莞）） 纠错

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

AI总结 研究探讨了在边缘设备上部署的量化大语言模型在查询基础上的知识提取风险，提出CLIQ框架提升语义覆盖并减少冗余，实验显示其在BERTScore、BLEU和ROUGE指标上优于原始查询，揭示了量化无法有效防护查询提取的潜在安全风险。

APreQEL: Adaptive Mixed Precision Quantization For Edge LLMs

APreQEL: 适应性混合精度量化用于边缘大语言模型

Meriem Bouzouad, Yuan-Hao Chang, Jalil Boukhobza

机构 * Lab-STICC, CNRS UMR 6285 , ENSTA, Institut Polytechnique de Paris（法国巴黎理工学院STICC实验室、CNRS UMR 6285、ENSTA） ； National Taiwan University（台湾国立台湾大学） 纠错

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

AI总结 本文提出了一种适应性混合精度量化方法，通过分析层间贡献和硬件平台行为，优化边缘部署中的内存、延迟和精度平衡。

S-Path-RAG: Semantic-Aware Shortest-Path Retrieval Augmented Generation for Multi-Hop Knowledge Graph Question Answering

S-Path-RAG：基于语义的最短路径检索增强生成用于多跳知识图谱问答

Rong Fu, Yemin Wang, Tianxiang Xu, Yongtai Liu, Weizhi Tang, Wangyu Wu, Xiaowen Ma, Simon Fong

机构 * University of Macau（澳门大学） ； Xiamen University（厦门大学） ； Peking University（北京大学） ； Hanyang University（翰阳大学） ； University of Liverpool（利物浦大学） ； Zhejiang University（浙江大学） 纠错

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

AI总结 S-Path-RAG通过混合加权k最短路径、束搜索和约束随机游走策略，实现语义感知的多跳知识图谱问答，提升检索效率与生成准确性。

Journal ref WWW 2026

TuneShift-KD: Knowledge Distillation and Transfer for Fine-tuned Models

TuneShift-KD：用于微调模型的知识蒸馏与迁移

Yushi Guan, Jeanine Ohene-Agyei, Daniel Kwan, Jean Sebastien Dandurand, Yifei Zhang, Nandita Vijaykumar

机构 * Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Vector Institute, Toronto, Canada（多伦多大学向量研究所） 纠错

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

AI总结 本文提出TuneShift-KD方法，通过少量示例自动将微调模型的专业知识蒸馏并迁移到目标模型，利用困惑度差异识别专业领域知识，无需训练判别器或训练数据集。

Tiny Inference-Time Scaling with Latent Verifiers

微小推理时间缩放与潜在验证器

Davide Bucciarelli, Evelyn Turri, Lorenzo Baraldi, Marcella Cornia, Lorenzo Baraldi, Rita Cucchiara

机构 * University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学） ； University of Pisa（比萨大学） 纠错

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

AI总结 本文提出VHS验证器，直接在扩散变换器单步生成器的中间隐藏表示上操作，减少验证成本并提升性能，实现更高效的推理时间缩放。

Comments Findings of CVPR 2026 - Code at: https://aimagelab.github.io/VHS/

SiftMoE: Similarity-Aware Energy-Efficient Expert Selection for Wireless Distributed MoE Inference

SiftMoE：基于相似性的能量高效专家选择用于无线分布式MoE推断

Qian Chen, Xianhao Chen, Kaibin Huang

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

AI总结 本文提出SiftMoE，通过相似性分析在无线分布式MoE推断中平衡通信成本与推理精度，减少能耗并保持准确性。

Comments 14 pages, 8 figures

Self-Evolving Multi-Agent Framework for Efficient Decision Making in Real-Time Strategy Scenarios

自适应演化多智能体框架用于实时战略场景中的高效决策

Li Ma, Hao Peng, Yiming Wang, Hongbin Luo, Jie Liu, Kongjing Gu, Guanlin Wu, Hui Lin, Lei Ren

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

AI总结 本文提出SEMA框架，通过自适应校准模型偏差和动态观察剪枝，提升实时战略场景中的决策效率与一致性，实验显示其在StarCraft II地图上胜率更高且决策延迟降低超过50%。

Comments 17 pages, 6 figures. Submitted to SCIS (Science China Information Science)

AI-Ready Control System for the Fermilab Accelerator Complex

面向 Fermilab 加速器复杂系统的 AI 准备控制系统

Tia Miceli, Erik Gottschalk, Donovan Tooke, Evan Milton, Robert Santucci, Hayden Hoschouer, Michael Balcewicz, Jennifer Case, Abhishek Deshpande, Kit Fieldhouse, Sudeshna Ganguly, Beau Harrison, Aisha Ibrahim, Thomas Kobilarcik, Michael Olander, Abhishek Pathak, Jason St. John, Aaron Sauers

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

AI总结 本文提出面向 Fermilab 加速器复杂系统的 AI 准备控制系统，涵盖 MLOps 框架、数据质量框架及大语言模型整合，以支持高强度可靠运行。

Comments 43 pages, 31 tables, 11 figures

Schema on the Inside: A Two-Phase Fine-Tuning Method for High-Efficiency Text-to-SQL at Scale

内部架构：一种两阶段微调方法，用于大规模高效文本到SQL

Chinmay Soni, Shivam Chourasia, Gaurav Kumar, Hitesh Kapoor

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

AI总结 本文提出一种两阶段监督微调方法，使模型能内部化整个数据库架构，减少输入token至100以下，提升文本到SQL的精度和效率。

Comments 8 pages, 6 figures. Published in the Proceedings of the Fortieth AAAI Conference on Artificial Intelligence (AAAI-26), 2026

Journal ref Proceedings of the AAAI Conference on Artificial Intelligence 40(47) (2026) 40110-40117

Uncertainty Makes It Stable: Curiosity-Driven Quantized Mixture-of-Experts

不确定性使其稳定：基于好奇心的量化专家混合框架

Sebastián Andrés Cajas Ordóñez, Luis Fernando Torres Torres, Mackenzie J. Meni, Carlos Andrés Duran Paredes, Eric Arazo, Cristian Bosch, Ricardo Simon Carbajo, Yuan Lai, Leo Anthony Celi

机构 * MIT Critical Data（MIT关键数据） ； Université de Rennes（里昂大学） ； Technetium Engineering（Technetium工程） ； Institución Universitaria Colegio Mayor del Cauca（科瓦卡大学学院） ； CeADAR - Ireland’s Centre for AI（爱尔兰人工智能中心） ； University College Dublin（都柏林大学） ； Tsinghua University（清华大学） ； Beth Israel Deaconess Medical Center（贝瑟尔以色列德acons医院） ； Harvard T.H. Chan School of Public Health（哈佛T.H.陈公共卫生学院） 纠错

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

AI总结 本文提出基于好奇心驱动的量化专家混合框架，通过贝叶斯知识不确定性路由提升模型在资源受限设备上的精度与推理延迟稳定性，实验证明其在音频分类任务中具有更高的准确率和更低的能耗。

Accelerating Diffusion-based Video Editing via Heterogeneous Caching: Beyond Full Computing at Sampled Denoising Timestep

通过异构缓存加速基于扩散的视频编辑：超越采样去噪时间步的全计算

Tianyi Liu, Ye Lu, Linfeng Zhang, Chen Cai, Jianjun Gao, Yi Wang, Kim-Hui Yap, Lap-Pui Chau

机构 * Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 本文提出HetCache框架，通过利用扩散基于掩码视频到视频生成中的异构性，减少冗余注意力运算，提升视频编辑效率与质量。

Comments 10 pages, 6 figures, accepted by CVPR2026

TsetlinWiSARD: On-Chip Training of Weightless Neural Networks using Tsetlin Automata on FPGAs

TsetlinWiSARD：基于FPGA的Tsetlin自动机实现重量神经网络的芯片级训练

Shengyu Duan, Marcos L. L. Sartori, Rishad Shafik, Alex Yakovlev

机构 * Institute for Clarity in Documentation（清晰文档研究所） ； Inria Paris-Rocquencourt（巴黎-罗克琴库特研究所） ； Rajiv Gandhi University（拉吉夫·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒实验室） 纠错

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

AI总结 本文提出TsetlinWiSARD，利用Tsetlin自动机实现重量神经网络的概率反馈学习，提升芯片级训练效率，实现1000倍加速和资源消耗降低。

Comments Accepted at the 63rd Design Automation Conference (DAC 2026)

Diverse AI Personas Can Mitigate the Homogenization Effect in Human-AI Collaborative Ideation

多样化的人工智能角色可以缓解人机协作构思中的同质化效应

Yun Wan, Yoram M Kalman

机构 * University of Houston - Downtown（休斯顿大学-市中心分校） 纠错

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

AI总结 本研究通过多样化的人工智能角色生成故事构思，发现其能保持故事多样性，挑战了生成式AI的创造力与多样性权衡假设，强调了设计实践对协作创造力的重要性。

Journal ref Computers in Human Behavior: Artificial Humans, 2026

Xiaomi-Robotics-0: An Open-Sourced Vision-Language-Action Model with Real-Time Execution

Xiaomi-Robotics-0：一个具有实时执行能力的开源视觉-语言-动作模型

Rui Cai, Jun Guo, Xinze He, Piaopiao Jin, Jie Li, Bingxuan Lin, Futeng Liu, Wei Liu, Fei Ma, Kun Ma, Feng Qiu, Heng Qu, Yifei Su, Qiao Sun, Dong Wang, Donghao Wang, Yunhong Wang, Rujie Wu, Diyun Xiang, Yu Yang, Hangjun Ye, Yuan Zhang, Quanyun Zhou

机构 * Xiaomi Robotics（小米机器人） 纠错

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

AI总结 本文提出Xiaomi-Robotics-0，通过精心设计的训练配方和部署策略，实现了高效且流畅的实时执行。模型在大规模跨体机器人轨迹和视觉语言数据上预训练，支持广泛的动作生成能力，并在真实机器人任务中表现出色。

Comments Project page: https://xiaomi-robotics-0.github.io

ROMAN: Reward-Orchestrated Multi-Head Attention Network for Autonomous Driving System Testing

ROMAN：基于奖励协调的多头注意力网络用于自动驾驶系统测试

Jianlei Chi, Yuzhen Wu, Jiaxuan Hou, Xiaodong Zhang, Ming Fan, Suhui Sun, Weijun Dai, Bo Li, Jianguo Sun, Jun Sun

机构 * IEEE Publication Technology Group（IEEE出版技术组） ； Hangzhou Institute of Technology, Xidian University（杭州科技学院，西安电子科技大学） ； Qingdao Port International Co., Ltd.（青岛港口国际有限公司） ； Shandong Port Qingdao Port Group Co., Ltd.（山东港口青岛港集团有限公司） ； University of Science and Technology of China（中国科学技术大学） ； Xi’an Jiaotong University（西安交通大学） ； Singapore Management University（新加坡管理大学） 纠错

专题命中 效率与部署 ：LLM(abstract)

AI总结 ROMAN通过结合多头注意力网络与交通法规加权机制，生成高风险违规场景，提升自动驾驶系统测试的全面性与针对性。

Comments The manuscript includes 13 pages, 8 tables, and 7 figures

AdvSplat: Adversarial Attacks on Feed-Forward Gaussian Splatting Models

AdvSplat：对抗攻击针对前馈高斯点云模型

Yiran Qiao, Yiren Lu, Yunlai Zhou, Rui Yang, Linlin Hou, Yu Yin, Jing Ma

机构 * Case Western Reserve University（凯斯西储大学） 纠错

专题命中 效率与部署 ：pretraining(abstract)

AI总结 本文研究了对抗攻击对前馈高斯点云模型的影响，提出两种高效的黑盒算法，通过频域参数化优化像素空间扰动，验证了输入图像中不可察觉的扰动对重建结果的破坏性。

Training a Large Language Model for Medical Coding Using Privacy-Preserving Synthetic Clinical Data

利用隐私保护的合成临床数据训练大型语言模型进行医学编码

John Cook, Michael Wyatt, Peng Wei, Iris Chin, Santosh Gupta, Van Zyl Van Vuuren, Richie Siburian, Amanda Spicer, Kristen Viviano, Alda Cami, Raunaq Malhotra, Zhewei Yao, Jeff Rasley, Gaurav Kaushik

机构 * Veradigm ； Snowflake 纠错

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

AI总结 本文研究了利用隐私保护的合成临床数据训练大型语言模型进行医学编码的可行性，通过微调Llama 3-70B模型，实现了ICD-10-CM和CPT代码的高精度预测，显著提升了编码准确性。

Comments 20 pages, 6 figures

Sequence-aware Large Language Models for Explainable Recommendation

序列感知的可解释推荐大型语言模型

Gangyi Zhang, Runzhe Teng, Chongming Gao

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SELLER框架，结合用户行为与物品语义，通过混合专家适配器对齐LLM信号，统一评估框架提升推荐解释质量与实际效用。

DepthCharge: A Domain-Agnostic Framework for Measuring Depth-Dependent Knowledge in Large Language Models

DepthCharge: 一个领域无关的框架，用于测量大语言模型中的深度知识

Alexander Sheppert

机构 * Capitol Technology University（卡波尔科技大学） 纠错

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

AI总结 DepthCharge通过自适应探针、实时事实验证和生存统计，评估大语言模型在任意领域中持续准确回答的深度，揭示标准基准隐藏的性能差异。

PLACID: Privacy-preserving Large language models for Acronym Clinical Inference and Disambiguation

PLACID：隐私保护的大语言模型用于缩写临床推断和消歧

Manjushree B. Aithal, Ph. D., Alexander Kotz, James Mitchell, Ph. D

机构 * Department of Biomedical Informatics, University of Colorado Anschutz（科罗拉多大学安舒茨分校生物医学信息学系） 纠错

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

AI总结 本文提出PLACID模型，通过本地部署的小参数模型实现隐私保护的临床缩写消歧，利用通用本地模型检测缩写并路由至领域特定的生物医学模型以提高扩展准确性。

Comments 10 pages, 2 figures, Under review AMIA Symposium

Internal Safety Collapse in Frontier Large Language Models

前沿大语言模型中的内部安全崩溃

Yutao Wu, Xiao Liu, Yifeng Gao, Xiang Zheng, Hanxun Huang, Yige Li, Cong Wang, Bo Li, Xingjun Ma, Yu-Gang Jiang

机构 * Deakin University（德克萨斯大学） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究院） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海多模态具身人工智能重点实验室） ； City University of Hong Kong（香港城市大学） ； The University of Melbourne（墨尔本大学） ； Singapore Management University（新加坡管理大学） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 研究揭示了前沿大语言模型中一种关键故障模式——内部安全崩溃，通过构建ISC-Bench测试集，发现模型在执行某些任务时会持续生成有害内容，且比传统劫持攻击更危险。

Comments 15 pages of the main text, qualitative examples of jailbreaks may be harmful in nature

Large Language Models and Scientific Discourse: Where's the Intelligence?

大语言模型与科学 discourse：智能在哪里？

Harry Collins, Simon Thorne

机构 * Institute of Education, UCL（伦敦大学教育学院） ； School of Technologies, Cardiff Metropolitan University（卡迪夫 metropolitan 大学技术学院） 纠错

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 本文探讨大语言模型如何通过与人类知识构建方式的比较，分析科学知识的形成过程及其与LLM的差异，指出LLM在处理早期科学知识时的局限性，并通过蒙提·霍尔问题和 overshadowing 现象说明人类在知识构建中的主导作用。

Exploring Self-Tracking Practices of Older Adults with CVD to Inform the Design of LLM-Enabled Health Data Sensemaking

探索心血管疾病老年人的自我追踪实践以指导LLM赋能的健康数据解读设计

Duosi Dai, Pavithren V S Pakianathan, Gunnar Treff, Mahdi Sareban, Jan David Smeddinck, Sanna Kuoppamäki

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

AI总结 研究探讨老年人如何解读自我追踪数据，并提出基于LLM的健康数据解读设计方向，强调情感参与、患者自主性及对话促进。

Comments 23 pages,4 figures, 3 tables

From Physician Expertise to Clinical Agents: Preserving, Standardizing, and Scaling Physicians' Medical Expertise with Lightweight LLM

从医生专业能力到临床代理：通过轻量级大语言模型保留、标准化和扩展医生的医学专业知识

Chanyong Luo, Jirui Dai, Zhendong Wang, Kui Chen, Jiaxi Yang, Bingjie Lu, Jing Wang, Jiaxin Hao, Bing Li, Ruiyang He, Yiyu Qiao, Chenkai Zhang, Kaiyu Wang, Zhi Liu, Zeyu Zheng, Yan Li, Xiaohong Gu

机构 * the School of Chinese Medicine, the Beijing University of Chinese Medicine, Beijing, China（中国中医药大学中医学院，北京中医药大学，北京，中国） ； the School of Pharmacy, Nanjing University of Chinese Medicine, Nanjing, China（南京中医药大学药学院，南京，中国） ； the Infectious disease department, Dongfang Hospital, Beijing University of Chinese Medicine, Beijing, China（北京中医药大学东四医院感染科，北京，中国） ； the Gulou Hospital of Traditional Chinese Medicine of Beijing，Beijing, China（北京中医药大学附属鼓楼中医医院，北京，中国） ； the Department of Computer Science, Johns Hopkins University, Baltimore, USA（约翰霍普金斯大学计算机科学系，美国马里兰州巴尔的摩市） ； the Department of Education, Dongzhimen Hospital, Beijing University of Chinese Medicine, Beijing, China（北京中医药大学东直门医院教育部，北京，中国） ； the Department of Pediatrics, Wangjing Hospital, China Academy of Chinese Medical Sciences, Beijing, China（中国医学科学院北京协和医院儿科部，北京，中国） ； the School of Information Engineering, Huzhou University, Huzhou, China（湖州大学信息工程学院，湖州，中国） ； Research Center for Scientific Data Hub, Zhejiang Lab, Hangzhou, China（浙江省实验室科学数据中心研究中心，杭州，中国） ； the Frontier Basic Research Center, Zhejiang Lab, Hangzhou, China（浙江省实验室前沿基础研究中心，杭州，中国） ； the Research Center for High Efficiency Computing Infrastructure, Zhejiang Lab, Hangzhou, China（浙江省实验室高效计算基础设施研究中心，杭州，中国） 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 本文提出Med-Shicheng框架，通过轻量级大语言模型系统学习并转移知名中医的辨证论治理念及案例依赖适应规则，实现医学知识的标准化和规模化应用。

VILLA: Versatile Information Retrieval From Scientific Literature Using Large LAnguage Models

VILLA：利用大语言模型从科学文献中进行多用途信息检索

Blessy Antony, Amartya Dutta, Sneha Aggarwal, Vasu Gatne, Ozan Gökdemir, Samantha Grimes, Adam Lauring, Brian R. Wasik, Anuj Karpatne, T. M. Murali

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

AI总结 本文提出VILLA框架，通过构建病毒突变提取任务，解决复杂开放任务中科学信息提取的挑战，展示其在信息检索中的优越性能。

Comments Under review at ACM KDD 2026 (AI for Sciences Track)