语言大模型 / LLM

daVinci-LLM:Towards the Science of Pretraining

daVinci-LLM：迈向预训练的科学

Yiwei Qin, Yixiu Liu, Tiantian Mi, Muhang Xie, Zhen Huang, Weiye Si, Pengrui Lu, Siyuan Feng, Xia Wu, Liming Liu, Ye Luo, Jinlong Hou, Qipeng Guo, Yu Qiao, Pengfei Liu

机构 * SII ； SJTU（上海交通大学） ； GAIR 纠错

专题命中 领域大模型 ：LLM(title,abstract)；pretraining(title,abstract)；post-training(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出daVinci-LLM，通过结合工业级资源与科研自由，探索预训练的科学方法。采用开放范式，通过数据达尔文主义框架和两阶段适应课程，训练3B参数模型，验证处理深度对能力的影响及不同领域饱和动态的差异。

Misleading Large Language Models used (or misused) in Scientific Peer-Reviewing via Hidden Prompt-Injection Attacks

通过隐藏提示注入攻击误导用于科学同行评审的大型语言模型

Matteo Gioele Collu, Umberto Salviati, Roberto Confalonieri, Mauro Conti, Giovanni Apruzzese

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

AI总结 研究探讨了通过隐藏提示注入攻击误导科学同行评审中使用的大型语言模型的潜力，设计了不可见于人类读者但能引导LLM输出的对抗性提示，并评估了其在不同系统和论文中的鲁棒性。

Comments Accepted to ACM TAISAP

Multilingual Medical Reasoning for Question Answering with Large Language Models

多语言医疗推理用于问答的大型语言模型

Pietro Ferrazzi, Aitor Soroa, Rodrigo Agerri

机构 * HiTZ Center - Ixa, University of the Basque Country EHU（HiTZ中心 - Ixa，巴斯克大学EHU） 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 本文提出基于维基百科医疗知识生成多语言推理轨迹的方法，通过检索增强生成技术生成英文、意大利语和西班牙语的50万条轨迹，提升医疗问答性能，达到8B参数模型的最新水平。

Comments Under Review

BRIDGE: Benchmarking Large Language Models for Understanding Real-world Clinical Practice Text

BRIDGE：用于评估大语言模型理解现实世界临床实践文本的基准测试

Jiageng Wu, Bowen Gu, Ren Zhou, Kevin Xie, Doug Snyder, Yixing Jiang, Valentina Carducci, Richard Wyss, Rishi J Desai, Emily Alsentzer, Leo Anthony Celi, Adam Rodman, Sebastian Schneeweiss, Jonathan H. Chen, Santiago Romero-Brufau, Kueiyu Joshua Lin, Jie Yang

机构 * Brigham and Women's Hospital（布莱根妇女医院） ； Harvard Medical School（哈佛医学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Massachusetts Institute of Technology（麻省理工学院） ； Mayo Clinic（梅奥诊所） ； Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院） ； Harvard University（哈佛大学） ； Stanford University（斯坦福大学） ； Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心） ； Kempner Institute for the Study of Natural and Artificial Intelligence（肯普纳自然与人工智能研究所） ； Broad Institute of MIT and Harvard（博德研究所） ； Harvard Data Science Initiative（哈佛数据科学计划） 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BRIDGE基准测试，涵盖9种语言的87项任务，涵盖患者护理全过程的六个临床阶段和20种应用，评估95种LLM在不同推理策略下的性能差异，展示开源模型与专业模型的性能对比。

Silicon Bureaucracy and AI Test-Oriented Education: Contamination Sensitivity and Score Confidence in LLM Benchmarks

硅 bureaucracy 与 AI 考试导向教育：LLM 测试基准中的污染敏感性与分数可信度

Yiliang Song, Hongjun An, Jiangan Chen, Xuanchen Yan, Huan Song, Jiawei Shao, Xuelong Li

机构 * Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI）） ； Guangxi Normal University（广西师范大学） ； Northwestern Polytechnical University（西北工业大学） 纠错

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

AI总结 本文探讨了基于测试基准的LLM评估体系，指出其依赖于基准分数直接反映真实泛化能力的假设，并提出审计框架以分析污染敏感性和分数可信度。

Comments Remove the NeurIPS 2026 template

Context parroting: A simple but tough-to-beat baseline for foundation models in scientific machine learning

上下文鹦鹉：一种简单但难以击败的基础模型基准，用于科学机器学习中的基础模型

Yuanzhao Zhang, William Gilpin

机构 * Santa Fe Institute（圣塔菲研究所） ； 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 ：foundation model(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 本文指出基础模型常通过简单鹦鹉策略预测，而非鹦鹉时易出现收敛到均值等失败模式。简单鹦鹉模型在低维混沌、湍流等动态系统预测中表现优于主流模型，且计算成本低。

Comments International Conference on Learning Representations (ICLR 2026)

Improving Conversational Recommendation with Contextual Adaptation of External Recommenders and LLM-based Reranking

通过外部推荐系统和LLM的上下文适应改进对话推荐

Chuang Li, Weida Liang, Hengchang Hu, See-Kiong Ng, Min-Yen Kan, Haizhou Li, Yang Deng

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CARE框架，结合外部推荐系统和LLM进行上下文适应，提升对话推荐的准确性，实验表明在ReDial和INSPIRED数据集上提升54%和25%。

Comments Accepted to ECIR 2026 (13 pages, 9 figures)

Journal ref Advances in Information Retrieval. ECIR 2026. Lecture Notes in Computer Science, vol 16484

Domain-Invariant Prompt Learning for Vision-Language Models

领域不变提示学习用于视觉-语言模型

Arsham Gholamzadeh Khoee, Yinan Yu, Robert Feldt

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

AI总结 本文提出DiCoOp，通过对抗训练方法提升视觉-语言模型在不同领域中的泛化能力，有效解决领域偏移问题。

Learning to Diagnose Privately: DP-Powered LLMs for Radiology Report Classification

在隐私保护下学习：用于放射报告分类的DP驱动LLM

Payel Bhattacharjee, Fengwei Tian, Geoffrey D. Rubin, Joseph Y. Lo, Nirav Merchant, Heidi Hanson, John Gounley, Ravi Tandon

机构 * National Institute of Standards and Technology（美国国家标准与技术研究院） ； Colorado State University（科罗拉多州立大学） ； University of Arizona（亚利桑那大学） ； Duke University（杜克大学） 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 本文提出一种结合差分隐私与LoRA的隐私保护LLM微调框架，用于多异常放射报告分类，通过生成标签训练小型模型，在强隐私保障下实现高效推理。

Comments Accepted in IEEE ACCESS, 2026

Sommelier: Scalable Open Multi-turn Audio Pre-processing for Full-duplex Speech Language Models

Sommelier: 可扩展的开放式多轮音频预处理用于全双工语音语言模型

Kyudan Jung, Jihwan Kim, Soyoon Kim, Jeonghoon Kim, Jaegul Choo, Cheonbok Park

机构 * KAIST AI（韩国科学技术院人工智能） ； NAVER Cloud（NAVER云） 纠错

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

AI总结 为全双工语音语言模型设计了一种鲁棒且可扩展的开源数据处理流程，以解决自然对话中的重叠和背通道问题，提升多说话人对话数据的质量和可用性。

Comments 34 pages, 7 figures, 11 tables

LLM-Powered Workflow Optimization for Multidisciplinary Software Development: An Automotive Industry Case Study

基于大语言模型的多学科软件开发工作流优化：汽车工业案例研究

Shuai Wang, Yinan Yu, Earl Barr, Dhasarathy Parthasarathy

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； University College London（伦敦大学学院） 纠错

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

AI总结 本文提出基于图的工作流优化方法，利用大语言模型替代手动协调，提升多学科软件开发效率，通过汽车行业案例验证，实现93.7%的F1分数，将API开发时间从5小时缩短至7分钟。

Comments Accepted to FSE 2026 Industrial Track

CrossHGL: A Text-Free Foundation Model for Cross-Domain Heterogeneous Graph Learning

CrossHGL：一种无文本的跨领域异构图学习基础模型

Xuanze Chen, Jiajun Zhou, Yadong Li, Shanqing Yu, Qi Xuan

机构 * Institute of Cyberspace Security, Zhejiang University of Technology（浙江工业大学网络空间安全研究院） ； Binjiang Cyberspace Security Institute of ZJUT（浙江工业大学滨江网络空间安全研究院） ； Soovar Technologies Co., Ltd.（杭州速沃科技有限公司） 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CrossHGL，一种无文本的跨领域异构图学习基础模型，通过语义保持转换策略和三提示机制实现多领域迁移学习，实验显示在节点和图级别任务中均优于现有方法。

Project Imaging-X: A Survey of 1000+ Open-Access Medical Imaging Datasets for Foundation Model Development

Project Imaging-X：1000多个开放访问医学影像数据集的调查

Zhongying Deng, Cheng Tang, Ziyan Huang, Jiashi Lin, Ying Chen, Junzhi Ning, Chenglong Ma, Jiyao Liu, Wei Li, Yinghao Zhu, Shujian Gao, Yanyan Huang, Sibo Ju, Yanzhou Su, Pengcheng Chen, Wenhao Tang, Tianbin Li, Haoyu Wang, Yuanfeng Ji, Hui Sun, Shaobo Min, Liang Peng, Feilong Tang, Haochen Xue, Rulin Zhou, Chaoyang Zhang, Wenjie Li, Shaohao Rui, Weijie Ma, Xingyue Zhao, Yibin Wang, Kun Yuan, Zhaohui Lu, Shujun Wang, Jinjie Wei, Lihao Liu, Dingkang Yang, Lin Wang, Yulong Li, Haolin Yang, Yiqing Shen, Lequan Yu, Xiaowei Hu, Yun Gu, Yicheng Wu, Benyou Wang, Minghui Zhang, Angelica I. Aviles-Rivero, Qi Gao, Hongming Shan, Xiaoyu Ren, Fang Yan, Hongyu Zhou, Haodong Duan, Maosong Cao, Shanshan Wang, Bin Fu, Xiaomeng Li, Zhi Hou, Chunfeng Song, Lei Bai, Yuan Cheng, Yuandong Pu, Xiang Li, Wenhai Wang, Hao Chen, Jiaxin Zhuang, Songyang Zhang, Huiguang He, Mengzhang Li, Bohan Zhuang, Zhian Bai, Rongshan Yu, Liansheng Wang, Yukun Zhou, Xiaosong Wang, Xin Guo, Guanbin Li, Xiangru Lin, Dakai Jin, Mianxin Liu, Wenlong Zhang, Qi Qin, Conghui He, Yuqiang Li, Ye Luo, Nanqing Dong, Jie Xu, Wenqi Shao, Bo Zhang, Qiujuan Yan, Yihao Liu, Jun Ma, Zhi Lu, Yuewen Cao, Zongwei Zhou, Jianming Liang, Shixiang Tang, Qi Duan, Dongzhan Zhou, Chen Jiang, Yuyin Zhou, Yanwu Xu, Jiancheng Yang, Shaoting Zhang, Xiaohong Liu, Siqi Luo, Yi Xin, Chaoyu Liu, Haochen Wen, Xin Chen, Alejandro Lozano, Min Woo Sun, Yuhui Zhang, Yue Yao, Xiaoxiao Sun, Serena Yeung-Levy, Xia Li, Jing Ke, Chunhui Zhang, Zongyuan Ge, Ming Hu, Jin Ye, Zhifeng Li, Yirong Chen, Yu Qiao, Junjun He

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Institute of Optics and Fine Mechanics（上海光学精密机械研究所） ； Fudan University（复旦大学） ； University of Cambridge（剑桥大学） ； Shanghai Jiao Tong University（上海交通大学） ； The University of Hong Kong（香港大学） ； Fuzhou University（福州大学） ； University of Washington（华盛顿大学） ； Stanford University（斯坦福大学） ； Incept Labs ； Monash University（莫纳什大学） ； Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； The Hong Kong Polytechnic University（香港理工大学） ； South China University of Technology（华南理工大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心） ； Chinese Academy of Sciences（中国科学院） ； Tsinghua University（清华大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与产业研究院） ； Shanghai Academy of Artificial Intelligence for Science（上海科学智能研究院） ； Nankai University（南开大学） ； The Chinese University of Hong Kong（香港中文大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Zhejiang University（浙江大学） ； School of Informatics, Xiamen University（厦门大学信息学院） ； University College London（伦敦大学学院） ； Sun Yat-sen University（中山大学） ； Alibaba Group, DAMO Academy, New York, NY, USA（阿里巴巴集团达摩院（纽约）） ； Tongji University（同济大学） ； University of Toronto（多伦多大学） ； Department of Psychological and Cognitive Sciences, Tsinghua University（清华大学心理与认知科学系） ； Johns Hopkins University（约翰霍普金斯大学） ； Arizona State University（亚利桑那州立大学） ； Academy for Clinical Innovation and Translation of Shanghai（上海临床创新转化研究院） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； ELLIS Institute Finland（芬兰ELLIS研究所） ； Aalto University（阿尔托大学） ； Shandong University（山东大学） ； Xi’an Jiaotong University（西安交通大学） 纠错

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

AI总结 本文调查了1000多个开放访问医学影像数据集，揭示了其规模小、任务碎片化和分布不均的问题，并提出元数据驱动融合方法和交互发现门户，为医学影像数据集的整合和基础模型发展提供路线图。

Comments 157 pages, 19 figures, 26 tables. Project repo: \url{https://github.com/uni-medical/Project-Imaging-X}

Beyond the Answer: Decoding the Behavior of LLMs as Scientific Reasoners

超越答案：解码LLM作为科学推理者的行为

Rohan Pandey, Eric Ye, Michael Li

机构 * University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本文通过定制遗传Pareto算法优化提示，研究提示对科学推理行为的影响，揭示模型特定的局部逻辑，并探讨其可迁移性和脆弱性。

Comments Accepted at the Post-AGI Science and Society Workshop at ICLR 2026

ASTER -- Agentic Science Toolkit for Exoplanet Research

ASTER -- 用于系外行星研究的代理科学工具包

Emilie Panek, Alexander Roman, Gaurav Shukla, Leonardo Pagliaro, Katia Matcheva, Konstantin Matchev

机构 * University of Alabama（阿拉巴马大学） ； University of Padova（帕多瓦大学） 纠错

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

AI总结 ASTER通过整合AI代理与领域专用工具，为系外行星大气分析提供统一平台，支持多步骤数据处理和检索任务。

Comments 17 pages, 10 figures

Meta-Contrastive Learning for Vision-Language Models via Task-Adaptive CLIP Training

通过任务自适应CLIP训练实现视觉语言模型的元对比学习

Merham Fouladvand, Peuroly Batra

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

AI总结 本文提出一种域条件元对比学习框架，通过任务自适应CLIP训练提升视觉语言模型跨域泛化能力，引入域嵌入和交叉域对齐正则化，增强模型在域偏移下的鲁棒性。

Retrieving Classes of Causal Orders with Inconsistent Knowledge Bases

通过不一致知识库检索因果顺序的类别

Federico Baldo, Simon Ferreira, Charles K. Assaad

机构 * Sorbonne Université, INSERM, Institut Pierre Louis d’Epidémiologie et de Santé Publique（索邦大学，法国国家健康与医学研究院，皮埃尔·路易流行病学与公共卫生研究所） 纠错

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

AI总结 本文提出通过LLM计算变量对一致性分数，构建半完全偏图以提取因果顺序抽象，从而有效恢复正确因果顺序，提供可靠的因果框架。

Comments CLeaR 2026 & UAI 2025 Workshop on Causal Abstractions and Representations

LongCat-Next: Lexicalizing Modalities as Discrete Tokens

LongCat-Next：将模态词典化为离散标记

Meituan LongCat Team, Bin Xiao, Chao Wang, Chengjiang Li, Chi Zhang, Chong Peng, Hang Yu, Hao Yang, Haonan Yan, Haoze Sun, Haozhe Zhao, Hong Liu, Hui Su, Jiaqi Zhang, Jiawei Wang, Jing Li, Kefeng Zhang, Manyuan Zhang, Minhao Jing, Peng Pei, Quan Chen, Taofeng Xue, Tongxin Pan, Xiaotong Li, Xiaoyang Li, Xiaoyu Zhao, Xing Hu, Xinyang Lin, Xunliang Cai, Yan Bai, Yan Feng, Yanjie Li, Yao Qiu, Yerui Sun, Yifan Lu, Ying Luo, Yipeng Mei, Yitian Chen, Yuchen Xie, Yufang Liu, Yufei Chen, Yulei Qian, Yuqi Peng, Zhihang Yu, Zhixiong Han, Changran Wang, Chen Chen, Dian Zheng, Fengjiao Chen, Ge Yang, Haowei Guo, Haozhe Wang, Hongyu Li, Huicheng Jiang, Jiale Hong, Jialv Zou, Jiamu Li, Jianping Lin, Jiaxing Liu, Jie Yang, Jing Jin, Jun Kuang, Juncheng She, Kunming Luo, Kuofeng Gao, Lin Qiu, Linsen Guo, Mianqiu Huang, Qi Li, Qian Wang, Rumei Li, Siyu Ren, Wei Wang, Wenlong He, Xi Chen, Xiao Liu, Xiaoyu Li, Xu Huang, Xuanyu Zhu, Xuezhi Cao, Yaoming Zhu, Yifei Cao, Yimeng Jia, Yizhen Jiang, Yufei Gao, Zeyang Hu, Zhenlong Yuan, Zijian Zhang, Ziwen Wang

机构 * Meituan LongCat Team（美团LongCat团队） 纠错

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

AI总结 LongCat-Next提出了一种统一框架DiNA，通过共享离散空间实现多模态一致建模，引入dNaViT实现任意分辨率的标记化与反标记化，构建出单一自回归目标处理文本、视觉和音频的多模态模型，突破离散视觉建模的性能瓶颈。

Comments LongCat-Next Technical Report

Within the MDT Room: Situated in Multidisciplinary Team-Grounded Agent Debate for Clinical Diagnosis

在MDT房间内：多学科团队基础的智能体辩论用于临床诊断

Peng Kuai, Yukun Yang, Shaolun Ruan, Junchi Xu, Yanjie Zhang, Lin Zhang, Min Zhu, Rui Sheng

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MDTRoom系统，通过将多智能体讨论转化为结构化可查看的工作空间，帮助医生与智能体协作，提升罕见病诊断效率。

Towards a Medical AI Scientist

迈向医疗AI科学家

Hongtao Wu, Boyun Zheng, Dingjie Song, Yu Jiang, Jianfeng Gao, Lei Xing, Lichao Sun, Yixuan Yuan

机构 * The Chinese University of Hong Kong（香港中文大学） ； Lehigh University（里海大学） ； Stanford University（斯坦福大学） ； Microsoft Research（微软研究院） 纠错

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

AI总结 本文提出医疗AI科学家框架，通过临床工程师协同推理机制生成可落地的医学研究想法，并基于结构化医学规范和伦理政策撰写论文，验证其在171案例、19临床任务和6种数据模态中的高质量表现。

FigEx2: Visual-Conditioned Panel Detection and Captioning for Scientific Compound Figures

FigEx2: 科学复合图像的视觉条件化面板检测与标注

Jifeng Song, Arun Das, Pan Wang, Hui Ji, Kun Zhao, Yufei Huang

机构 * University of Pittsburgh（匹兹堡大学） ； UPMC Hillman Cancer Center（UPMC希尔曼癌症中心） 纠错

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

AI总结 针对科学复合图像中缺乏标注的问题，FigEx2通过视觉条件化框架直接从图像生成面板标注，提升下游预训练和检索性能，同时引入噪声感知门控融合模块和分阶段SFT+RL策略。

OEMA: Ontology-Enhanced Multi-Agent Collaboration Framework for Zero-Shot Clinical Named Entity Recognition

OEMA：基于本体的多智能体协作框架用于零样本临床命名实体识别

Xinli Tao, Xin Dong, Xuezhong Zhou

机构 * Department of Artificial Intelligence, Beijing Key Lab of Traffic Data Analysis ； Mining , School of Computer Science \& Technology, Beijing Jiaotong University , Beijing , 100044 , China 纠错

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

AI总结 本文提出OEMA框架，通过多智能体协作提升零样本临床NER性能，结合自标注器、判别器和预测器，实现接近监督学习的准确率。

Comments 12 pages, 4 figures, 4 tables

Journal ref JAMIA Open, 2026, ooag049

Deep Research of Deep Research: From Transformer to Agent, From AI to AI for Science

深度研究的深度研究：从Transformer到代理，从AI到AI为科学

Yipeng Yu

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

AI总结 本文探讨深度研究的定义与发展方向，整合行业深度研究与AI为科学的视角，提出生成式AI的双支柱，并讨论AI4S在各学科的进展及挑战。

Conversational Agents and the Understanding of Human Language: Reflections on AI, LLMs, and Cognitive Science

对话代理与人类语言的理解：对人工智能、大语言模型和认知科学的反思

Andrei Popescu-Belis

机构 * HEIG-VD / HES-SO（瑞士西部应用科学与艺术大学伊韦尔东工程与管理高等学院） ； EPFL（瑞士洛桑联邦理工学院） 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 本文探讨计算机自然语言处理与人类语言能力理解的关系，分析NLP发展与语言能力理论的异同，指出语言技术的进步未显著深化人类语言处理机制的理解。

Comments 7 pages

TianJi:An autonomous AI meteorologist for discovering physical mechanisms in atmospheric science

TianJi:一种自主AI气象学家，用于发现大气科学中的物理机制

Kaikai Zhang, Xiang Wang, Haoluo Zhao, Nan Chen, Mengyang Yu Jing-Jia Luo, Tao Song, Fan Meng

机构 * School of Artificial Intelligence, Nanjing University of Information Science and Technology（南京信息工程大学人工智能学院） ； State Key Laboratory of Climate System Prediction and Risk Management (CPRM), Nanjing University of Information Science and Technology（南京信息工程大学气候系统预测与风险管理国家重点实验室） ； College of Computer Science and Technology, China University of Petroleum（中国石油大学计算机科学与技术学院） 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 TianJi通过自主驱动复杂数值模型验证物理机制，实现零人工干预的高效大气科学研究，压缩研究周期至数小时。

One stout to rule them all: Reconciling artificial intelligence, data science and malted alcoholic beverages

一剂强药统治一切：调和人工智能、数据科学和麦芽啤酒

Dmitrii Usynin, Elena Shmakova, Michael Rheinberger

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

AI总结 本文提出分布式饮料分析框架DBA，通过实证研究揭示消费者需求，验证AI模型在分析啤酒趋势中的局限性。

Artificial Intelligence in Science: Returns, Reallocation, and Reorganization

人工智能在科学中的应用：回报、再分配与重组

Moh Hosseinioun, Brian Uzzi, Henrik Barslund Fosse

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

AI总结 本文研究AI如何重塑科学研究生产，发现其主要影响在于科研组织的重组，而非即时效率提升。AI项目更注重人力资本和团队规模，且未来可能带来生产力增长。

MGDIL: Multi-Granularity Summarization and Domain-Invariant Learning for Cross-Domain Social Bot Detection

MGDIL：多粒度摘要与领域不变学习用于跨领域社交机器人检测

Boyu Qiao, Yunman Chen, Kun Li, Wei Zhou, Songlin Hu, Yunya Song

专题命中 领域大模型 ：LLM(abstract)；instruction tuning(abstract)

AI总结 本文提出MGDIL框架，通过多粒度摘要和领域不变学习提升跨领域社交机器人检测的鲁棒性，结合任务导向指令微调与领域对抗学习，实现更稳定的领域不变特征学习。

Synergizing Discriminative Exemplars and Self-Refined Experience for MLLM-based In-Context Learning in Medical Diagnosis

融合判别示例与自我优化经验的医学诊断基于MLLM的上下文学习

Wenkai Zhao, Zipei Wang, Mengjie Fang, Di Dong, Jie Tian, Lingwei Zhang

机构 * CAS Key Laboratory of Molecular Imaging, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所分子影像重点实验室） ； School of Software, North University of China（中北大学软件学院） 纠错

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

AI总结 本文提出Clinician Mimetic Workflow框架，结合判别示例核心集选择与自我优化经验总结，提升医学诊断中基于MLLM的上下文学习性能，超越零样本通用和医疗MLLM，并接近全监督视觉模型。

Accelerating Scientific Discovery with Autonomous Goal-evolving Agents

通过自主目标演化的代理加速科学发现

Yuanqi Du, Botao Yu, Tianyu Liu, Tony Shen, Junwu Chen, Jan G. Rittig, Kunyang Sun, Yikun Zhang, Aarti Krishnan, Yu Zhang, Daniel Rosen, Rosali Pirone, Zhangde Song, Bo Zhou, Cassandra Masschelein, Yingze Wang, Haorui Wang, Haojun Jia, Chao Zhang, Hongyu Zhao, Martin Ester, Nir Hacohen, Teresa Head-Gordon, Carla P. Gomes, Huan Sun, Chenru Duan, Philippe Schwaller, Wengong Jin

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

AI总结 本文提出SAGA代理，通过双层架构自动设计优化目标函数，提升科学发现效率，应用于抗生素、纳米抗体等设计任务，取得显著成果。