语言大模型 / LLM

Large Language Models for Software Testing Education: an Experience Report

大型语言模型在软件测试教育中的应用：经验报告

Peng Yang, Yunfeng Zhu, Chao Chang, Shengcheng Yu, Zhenyu Chen, Yong Tang

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

AI总结 本文通过混合方法研究，探讨学生在使用LLM进行测试任务时的交互问题及教学策略，提出轻量级提示框架以提升测试脚本生成能力。

Comments Paper Accepted by the ACM International Conference on the Foundations of Software Engineering (FSE 2026) Software Engineering Education Track

Architecting software monitors for control-flow anomaly detection through large language models and conformance checking

通过大型语言模型和符合性检查构建软件监视器以实现控制流异常检测

Francesco Vitale, Francesco Flammini, Mauro Caporuscio, Nicola Mazzocca

机构 * University of Naples Federico II（那不勒斯费德里科二世大学） ； University of Applied Sciences and Arts of Southern Switzerland（瑞士南部应用科学与艺术大学） ； University of Florence（佛罗伦萨大学） ； Linnaeus University（林奈大学） 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.LG

AI总结 本文提出利用大型语言模型和符合性检查构建软件监视器，以检测控制流异常。通过在铁路交通管理系统中测试，该方法实现了82.849%的控制流覆盖率和95.957%的F1分数。

Automating Clinical Information Retrieval from Finnish Electronic Health Records Using Large Language Models

使用大语言模型自动化从芬兰电子健康记录中检索临床信息

Mikko Saukkoriipi, Nicole Hernandez, Jaakko Sahlsten, Kimmo Kaski, Otso Arponen

机构 * Aalto University School of Science（阿尔托大学理学院） ； Tampere University（坦佩雷大学） ； Tampere University Hospital（坦佩雷大学医院） 纠错

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 本文提出一种本地部署的临床上下文问答框架，通过EHR直接回答临床问题，验证了开源大语言模型在无外部数据传输情况下检索患者特定信息的准确性与可行性。

Towards Supporting Penetration Testing Education with Large Language Models: an Evaluation and Comparison

面向利用大语言模型支持渗透测试教育：一项评估与比较

Martin Nizon-Deladoeuille, Brynjólfur Stefánsson, Helmut Neukirchen, Thomas Welsh

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

AI总结 本文评估大语言模型在渗透测试教育中的有效性，通过15项任务测试6种模型，发现GPT-4o mini表现最一致，但需结合WhiteRabbitNeo提升工具推荐能力。

Comments To be published in: 11th IEEE International Conference on Social Networks Analysis, Management and Security (SNAMS-2024), IEEE

Automating Domain-Driven Design: Experience with a Prompting Framework

自动化领域驱动设计：提示框架的经验

Tobias Eisenreich, Husein Jusic, Stefan Wagner

机构 * Chair of Software Engineering Technical University of Munich Heilbronn, Germany ； Engineering Team FTAPI Software GmbH Munich, Germany 纠错

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

AI总结 本文提出一个提示框架，通过结构化大语言模型交互自动化领域驱动设计的核心活动，通过案例研究验证其在真实需求下的有效性，发现后期步骤易积累误差，LLM能增强但无法替代架构专业知识。

Comments \c{opyright} 20XX IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works

Adversarial News and Lost Profits: Manipulating Headlines in LLM-Driven Algorithmic Trading

对抗性新闻与损失利润：在基于大语言模型的算法交易中操纵头条

Advije Rizvani, Giovanni Apruzzese, Pavel Laskov

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 研究探讨了在基于大语言模型的算法交易中，通过操纵新闻头条导致模型误判的风险，分析了Unicode同音替代和隐藏文本条款对模型影响，并量化了其对收益的负面影响。

Comments This work has been accepted for publication at the IEEE Conference on Secure and Trustworthy Machine Learning (SaTML). The final version will be available on IEEE Xplore

Can Small Models Reason About Legal Documents? A Comparative Study

小型模型能否对法律文件进行推理？一项比较研究

Snehit Vaddi

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 本文通过测试九种模型在三个法律基准上的表现，发现3B参数的混合专家模型在法律持有识别上优于GPT-4o-mini，且提示策略影响显著，few-shot提示效果最佳。

Comments 17 pages, 9 models, 5 prompting strategies, 3 legal benchmarks, 405 experiments

KALAVAI: Predicting When Independent Specialist Fusion Works -- A Quantitative Model for Post-Hoc Cooperative LLM Training

KALAVAI：预测独立专家融合何时有效——一个事后合作大语言模型训练的定量模型

Ramchand Kumaresan

机构 * Murai Labs 纠错

专题命中 领域大模型 ：LLM(title)；分类 cs.CL、cs.AI、cs.LG

AI总结 KALAVAI提出一个定量模型，通过事后融合独立训练的领域专家，预测协作增益，验证了在不同规模模型上的融合效果及路由精度。

ZEBRA-Prop: A Zero-Shot Embedding-Based Rapid and Accessible Regression Model for Materials Properties

ZEBRA-Prop：一种基于零样本嵌入的快速且易用的材料属性回归模型

Ryoma Yamamoto, Akira Takahashi, Kei Terayama, Yu Kumagai, Fumiyasu Oba

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ZEBRA-Prop模型，利用领域专用LLM和文本嵌入技术，无需微调即可实现材料属性预测，训练时间减少95%，提升预测性能。

Toward Reliable Scientific Visualization Pipeline Construction with Structure-Aware Retrieval-Augmented LLMs

迈向可靠科学可视化管道构建的结构感知检索增强型大语言模型

Guanghui Zhao, Zhe Wang, Yu Dong, Guan Li, GuiHua Shan

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

AI总结 本文提出结构感知检索增强型大语言模型，用于生成可执行的科学可视化管道，通过提供 vtk.js 代码示例提高模块选择和执行顺序的准确性，降低人工修正成本。

Can LLMs Produce Original Astronomy Research in a Semester? A Graduate Class Experiment

大语言模型能否在一学期内完成原创天文研究？一门研究生课程实验

Ann Zabludoff, Chen-Yu Chuang, Parker Thomas Johnson, Yichen Liu, Brina Bianca Martinez, Neev Shah, Lucille Steffes, Gabriel Glen Weible

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

AI总结 本研究探讨了大语言模型在 unfamiliar 领域进行原创天文研究的能力，发现尽管学生普遍认为模型节省时间，但模型在复杂代码生成、数据检索和准确性方面存在不足，同时学生担忧模型可能抑制创造力。

Comments 17 pages; white paper about a graduate class experiment on using LLMs for scientific research in Fall 2025 at the University of Arizona

Clinical named entity recognition in the Portuguese language: a benchmark of modern BERT models and LLMs

葡萄牙语临床命名实体识别：现代BERT模型和LLM的基准测试

Vinicius Anjos de Almeida, Sandro Saorin da Silva, Josimar Chire, Leonardo Vicenzi, Nícolas Henrique Borges, Helena Kociolek, Sarah Miriã de Castro Rocha, Frederico Nassif Gomes, Júlia Cristina Ferreira, Oge Marques, Lucas Emanuel Silva e Oliveira

机构 * Spesia ； Faculdade de Medicina, Universidade de São Paulo（圣保罗大学医学院） ； Pontifícia Universidade Católica do Paraná (PUCPR)（巴拉那天主教大学） ； Florida Atlantic University（佛罗里达大西洋大学） ； Universidade Federal do Paraná (UFPR)（巴拉那联邦大学） 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 本文评估了BERT和LLM在葡萄牙语临床命名实体识别中的表现，发现mmBERT-base在微平均F1分数上表现最佳，通过迭代分层和过采样策略提升了性能。

Comments Under peer review. GitHub: https://github.com/GRUPOMED4U/clinical_ner_benchmark_paper

ClimateCheck 2026: Scientific Fact-Checking and Disinformation Narrative Classification of Climate-related Claims

ClimateCheck 2026：气候相关主张的科学事实核查与虚假信息叙述分类

Raia Abu Ahmad, Max Upravitelev, Aida Usmanova, Veronika Solopova, Georg Rehm

机构 * Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI)（德国人工智能研究中心） ； Technische Universität Berlin（柏林工业大学） ； Leuphana Universität Lüneburg（吕讷堡大学） ； Humboldt-Universität zu Berlin（柏林洪堡大学） 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 ClimateCheck 2026通过扩大训练数据和新增虚假信息叙述分类任务，挑战气候相关主张的自动核查，揭示传统指标的系统性偏差。

Comments Accepted at NSLP@LREC 2026

Retrieval-Augmented Generation Based Nurse Observation Extraction

基于检索增强生成的护士观察提取

Kyomin Hwang, Nojun Kwak

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

AI总结 本文提出自动流程减轻护士负担，通过RAG方法提取临床观察，达到0.796的F1分数。

Not Minds, but Signs: Reframing LLMs through Semiotics

并非心灵，而是符号：通过符号学重新审视大语言模型

Davide Picca

机构 * University of Lausanne（洛桑大学） 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 本文挑战将大语言模型视为认知系统的倾向，提出符号学视角，强调模型通过符号操作和意义生成参与文化过程，而非模拟人类思维。

Temporal Coverage Bias in Financial Panel Data: A Coverage-Aware Structuring Framework with Evidence from the Dhaka Stock Exchange

金融面板数据中的时间覆盖偏差：一种覆盖意识的结构化框架及达卡证券交易所的实证研究

Tashreef Muhammad

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

AI总结 本文提出一种覆盖意识的结构化框架，用于解决金融面板数据中因时间覆盖不一致导致的偏差问题，并通过达卡证券交易所的数据验证了该方法对收益率动态和波动性的影响。

Comments 16 pages, 7 figures, 2 tables

Adapting Segment Anything Model 3 for Concept-Driven Lesion Segmentation in Medical Images: An Experimental Study

为医学图像中的概念驱动病变分割适应Segment Anything Model 3：一项实验研究

Guoping Xu, Jayaram K. Udupa, Yubing Tong, Xin Long, Ying Zhang, Jie Deng, Weiguo Lu, You Zhang

机构 * The Medical Artificial Intelligence and Automation (MAIA) Laboratory, Department of Radiation Oncology, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心放射肿瘤学系医学人工智能与自动化（MAIA）实验室） ； Medical Image Processing Group, Department of Radiology, University of Pennsylvania（宾夕法尼亚大学放射学系医学图像处理组） ； Division of Digestive and Liver Diseases, Department of Internal Medicine, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心内科学系消化与肝脏疾病科） 纠错

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

AI总结 本文评估SAM3在多模态医学图像中的病变分割性能，通过几何框和概念提示提升鲁棒性，并展示其跨模态泛化能力。

Comments 31 pages, 8 figures