语言大模型 / LLM

FGR-ColBERT: Identifying Fine-Grained Relevance Tokens During Retrieval

FGR-ColBERT：检索过程中识别细粒度相关性标记

Antonín Jarolím, Martin Fajčík

机构 * Brno University of Technology（布尔诺理工大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；分类 cs.CL

AI总结 FGR-ColBERT通过整合来自LLM的细粒度相关性信号改进检索模型，在MS MARCO上实现更高的token级F1分数，同时保持高效和高召回率。

ONE-SHOT: Compositional Human-Environment Video Synthesis via Spatial-Decoupled Motion Injection and Hybrid Context Integration

ONE-SHOT：通过空间解耦的运动注入与混合上下文整合进行组合人类-环境视频合成

Fengyuan Yang, Luying Huang, Jiazhi Guan, Quanwei Yang, Dongwei Pan, Jianglin Fu, Haocheng Feng, Wei He, Kaisiyuan Wang, Hang Zhou, Angela Yao

机构 * National University of Singapore（新加坡国立大学） ； Baidu Inc.（百度公司） 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 本文提出ONE-SHOT框架，通过空间解耦运动注入和混合上下文整合，实现高效的人类-环境视频合成，优于现有方法，具有更好的结构控制和创意多样性。

Comments 23 pages, 7 figures

ACT Now: Preempting LVLM Hallucinations via Adaptive Context Integration

现在行动：通过自适应上下文整合预防治愈LVLM幻觉

Bei Yan, Yuecong Min, Jie Zhang, Shiguang Shan, Xilin Chen

机构 * University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 本文提出ACT方法，通过自适应整合上下文信息缓解LVLM幻觉问题，采用视觉上下文探索和语义上下文聚合技术，有效减少幻觉并提升生成性能。

ANVIL: Accelerator-Native Video Interpolation via Codec Motion Vector Priors

ANVIL：通过编码器运动向量先验实现加速器原生视频插值

Shibo Liu

机构 * North China University of Science and Technology（华北理工大学） 纠错

专题命中 效率与部署 ：post-training(abstract)

AI总结 ANVIL通过利用H.264/AVC解码器的运动向量预对齐输入帧，解决了移动NPUs上实时视频插值的三个结构部署障碍，实现了1080p 8位整数精度下的12.8ms推理。

Comments 12 pages, 4 figures, 10 tables. Submitted to IEEE TCSVT. v3: Fixed architecture diagram and caption to accurately reflect the 4-level U-Net implementation

EditCtrl: Disentangled Local and Global Control for Real-Time Generative Video Editing

EditCtrl: 解耦的局部和全局控制用于实时生成视频编辑

Yehonathan Litman, Shikun Liu, Dario Seyb, Nicholas Milef, Yang Zhou, Carl Marshall, Shubham Tulsiani, Caleb Leak

机构 * Meta Reality Labs（Meta现实实验室） ； Carnegie Mellon University（卡内基梅隆大学） ； Meta AI 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 本文提出EditCtrl，通过局部和全局控制模块实现高效视频修复，提升编辑质量和计算效率，支持多区域编辑和内容传播。

Comments Project page: https://yehonathanlitman.github.io/edit_ctrl

EoS-FM: Can an Ensemble of Specialist Models act as a Generalist Feature Extractor?

EoS-FM：一个专家集合能否作为通用特征提取器？

Pierre Adorni, Minh-Tan Pham, Stéphane May, Sébastien Lefèvre

机构 * IRISA, Université Bretagne Sud, UMR 6074（IRISA，南布列塔尼大学，UMR 6074） ； Centre National d’Études Spatiales (CNES)（法国国家空间研究中心（CNES）） ； UiT The Arctic University of Norway（挪威北极大学） 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 本文提出一种高效的新方法，通过分解训练过程为轻量级任务特定的ConvNeXtV2专家，构建遥感基础模型，提升效率和可扩展性。

Error Propagation Mechanisms and Compensation Strategies for Quantized Diffusion

量化扩散模型中的误差传播机制与补偿策略

Songwei Liu, Chao Zeng, Chenqian Yan, Xurui Peng, Xing Wang, Fangmin Chen, Xing Mei

机构 * ByteDance Inc.（字节跳动公司） 纠错

专题命中 效率与部署 ：post-training(abstract)

AI总结 本文提出了一种基于理论框架的误差传播建模与补偿策略，通过数学推导得到每一步量化误差传播方程，并在多个图像数据集上验证了该策略对误差传播的抑制效果，显著提升了PTQ方法的性能。

When Labels Are Scarce: A Systematic Mapping of Label-Efficient Code Vulnerability Detection

当标签稀缺时：一种系统性地映射标签高效代码漏洞检测方法

Noor Khalal, Chakib Fettal, Lazhar Labiod, Mohamed Nadif

专题命中 效率与部署 ：LLM(abstract)

AI总结 本文系统性地映射了减少对人工标签依赖的代码漏洞检测方法，综合了五种范式家族及其机制，并提出了设计图和约束优先决策指南以指导实际应用。

The Collective Turing Test: Large Language Models Can Generate Realistic Multi-User Discussions

集体图灵测试：大型语言模型可以生成逼真的多用户讨论

Azza Bouleimen, Giordano De Marzo, Taehee Kim, Nicol`o Pagan, Hannah Metzler, Silvia Giordano, Anikó Hannák, David Garcia

机构 * University of Zurich（苏黎世大学） ； University of Konstanz（康斯坦茨大学） ； Complexity Science Hub（复杂性科学中心） ； University of Applied Sciences and Arts of Southern Switzerland（瑞士南部应用科学与艺术大学） 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.CL、cs.AI

AI总结 本文研究了大型语言模型在模拟社交媒体多用户讨论中的真实性，通过对比人类和AI生成的讨论内容，发现AI生成的讨论有39%被误认为真实，揭示了LLM在社交模拟中的潜力与潜在滥用风险。

Leveraging Large Language Models to Bridge Cross-Domain Transparency in Stablecoins

利用大型语言模型弥合稳定币跨领域透明度

Yuexin Xiang, Yuchen Lei, Yuanzhe Zhang, Qin Wang, Tsz Hon Yuen, Andreas Deppeler, Jiangshan Yu

机构 * Faculty of Information Technology, Monash University（莫纳什大学信息技术学院） ； School of Cyber Science and Engineering, Wuhan University（武汉大学网络空间安全学院） ； Digital Trust Centre, Nanyang Technological University（南洋理工大学数字信任中心） ； School of Business, Monash University（莫纳什大学商学院） ； School of Computer Science, The University of Sydney（悉尼大学计算机科学学院） 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整合稳定币跨领域透明度，通过语义对齐发行披露与市场数据，揭示披露与可验证数据间的系统性差距，提升去中心化金融的自动化审计能力。

Foundation Model-guided Iteratively Prompting and Pseudo-Labeling for Partially Labeled Medical Image Segmentation

基于基础模型的迭代提示与伪标签方法用于部分标注的医学图像分割

Qiaochu Zhao, Wei Wei, David Horowitz, Richard Bakst, Yading Yuan

机构 * Department of Biomedical Engineering, Columbia University（哥伦比亚大学生物医学工程系） ； Department of Radiation Oncology, Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心放射肿瘤科） ； Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所） ； Herbert Irving Comprehensive Cancer Center, Columbia University（哥伦比亚大学赫伯特·欧文综合癌症中心） ； Department of Radiation Oncology, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院放射肿瘤科） 纠错

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

AI总结 本文提出IPnP框架，通过训练网络与冻结基础模型协作，迭代生成并优化未标注器官的伪标签，提升部分标注条件下医学图像分割性能。

Comments 5 pages, 5 figures. Accepted for presentation at IEEE International Symposium on Biomedical Imaging (ISBI) 2026

The Energy Footprint of LLM-Based Environmental Analysis: LLMs and Domain Products

基于大语言模型的环境分析能耗：LLM与领域产品

Alicia Bao, Jiamian He, Angel Hsu, Diego Manya, Ji, Zhang

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Arboretica ； Data-Driven EnviroLab UNC Institute for Environment（北卡罗来纳大学环境研究所数据驱动环境实验室） 纠错

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

AI总结 本文研究了领域特定RAG系统与通用LLM在能耗上的差异，通过分解工作流程评估了ChatNetZero和ChatNDC的能耗，发现领域设计显著影响能耗与输出质量。

AgentExpt: Automating AI Experiment Design with LLM-based Resource Retrieval Agent

AgentExpt: 基于LLM的资源检索代理自动化AI实验设计

Yu Li, Lehui Li, Lin Chen, Qingmin Liao, Fengli Xu, Yong Li

机构 * Tsinghua University（清华大学） ； Shandong University（山东大学） ； Northeastern University（东北大学） 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

AI总结 本文提出基于LLM的资源检索代理框架，通过自动化数据收集和集体感知增强检索，提升实验设计的自动化和可解释性，实验结果显示在Recall@20和HitRate@5上分别提升5.85%和8.30%。

Comments 10 pages

Human-in-the-Loop Control of Objective Drift in LLM-Assisted Computer Science Education

人机协同控制LLM辅助计算机科学教育中的目标漂移

Mark Dranias, Adam Whitley

机构 * Asheville Institute for Memory and Longevity（阿什维尔记忆与长寿研究所） ； University of North Carolina Asheville（北卡罗来纳大学阿什维尔分校） 纠错

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

AI总结 本文提出一种人机协同的教学方法，通过分离规划与执行，训练学生在代码生成前指定接受标准和架构约束，以稳定AI辅助学习过程。

Comments 8 pages

EvalBlocks: A Modular Pipeline for Rapidly Evaluating Foundation Models in Medical Imaging

EvalBlocks：一种模块化流水线，用于快速评估医学影像中的基础模型

Jan Tagscherer, Sarah de Boer, Lena Philipp, Fennie van der Graaf, Dré Peeters, Joeran Bosma, Lars Leijten, Bogdan Obreja, Ewoud Smit, Alessa Hering

机构 * Radboud University Medical Center（拉德堡德大学医学中心） ； Diagnostic Image Analysis Group, Radboud University Medical Center, Nijmegen, The Netherlands（荷兰奈梅亨拉德堡德大学医学中心诊断图像分析组） 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EvalBlocks，一种模块化框架，用于高效评估医学影像基础模型，通过集中跟踪实验和结果，实现快速迭代和模型创新。

Comments Accepted and published in BVM 2026 proceedings (Springer)

One Panel Does Not Fit All: Case-Adaptive Multi-Agent Deliberation for Clinical Prediction

一个面板并不适用于所有情况：面向临床预测的案例自适应多智能体协商

Yuxing Lu, Yushuhong Lin, Jason Zhang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Peking University（北京大学） 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

AI总结 本文提出CAMP框架，通过动态组建专家团队应对临床预测中的案例异质性，采用三值投票机制和混合路由策略，实现更精确的诊断预测和住院疗程生成，优于现有方法。

Auto-Slides: An Interactive Multi-Agent System for Creating and Customizing Research Presentations

Auto-Slides：一个用于创建和定制研究演示的交互式多智能体系统

Yuheng Yang, Wenjia Jiang, Yang Wang, Yi Song, Yiwei Wang, Chi Zhang

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Auto-Slides系统，利用大语言模型将学术论文转化为结构化的多模态幻灯片，通过交互式编辑器实现个性化学习，提升学习者对复杂概念的理解与参与度。

Comments Project Homepage: https://auto-slides.github.io/

Temporal Dependencies in In-Context Learning: The Role of Induction Heads

上下文学习中的时间依赖性：归纳头的作用

Anooshka Bajaj, Deven Mahesh Mistry, Sahaj Singh Maini, Yash Aggarwal, Billy Dickson, Zoran Tiganj

机构 * Department of Computer Science, Indiana University Bloomington（印第安纳大学布卢明顿分校计算机科学系） 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 研究揭示了归纳头在上下文学习中对时间依赖性处理的关键作用，通过实验表明归纳头影响信息检索的顺序性。

ChatGPT for automated grading of short answer questions in mechanical ventilation

ChatGPT用于机械通气在线课程中短答案题的自动评分

Tejas Jade, Alex Yartsev

机构 * Shri Atal Bihari Vajpayee Medical College and Research Institute（阿塔尔·比哈里·瓦杰帕伊医学院与研究所） ； Bowring and Lady Curzon Hospitals（鲍林与莱迪·柯曾医院） ； Rajiv Gandhi University of Health Sciences（拉吉夫·甘地健康科学大学） ； Intensive Care Service, Westmead Hospital（韦斯特米德医院重症监护服务部） 纠错

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

AI总结 研究评估ChatGPT在机械通气在线课程中短答案题自动评分的准确性，发现其评分低于人类评分员，且一致性差，尤其在评价和分析类题目上表现最差，警示LLM在研究生课程评分中的潜在风险。

Journal ref Focus on Health Professional Education: A Multi-Professional Journal, 27(1), 90-104 (2026)

BloClaw: An Omniscient, Multi-Modal Agentic Workspace for Next-Generation Scientific Discovery

BloClaw：面向下一代科学发现的全能多模态智能工作空间

Yao Qin, Yangyang Yan, Jinhua Pang, Xiaoming Zhang

机构 * AI Innovation Department, Beijing 1st Biotech Group Co., Ltd.（北京第一生物技术集团有限公司AI创新部） ； Diplomatic Negotiation Simulation and Data Lab（外交谈判模拟与数据实验室） ； First Medical Center, Chinese PLA General Hospital（中国人民解放军总医院第一医学中心） 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 本文提出BloClaw，一种多模态操作系统，通过XML-Regex路由协议、运行时状态拦截沙箱和状态驱动动态视口UI三大创新，提升科学计算助手的鲁棒性和自适应能力。

UCell: rethinking generalizability and scaling of bio-medical vision models

UCell：重新思考生物医学视觉模型的通用性和扩展性

Nicholas Kuang, Vanessa Scalon, Ji Yu

机构 * Vanderbilt University, School of Medicine（范德堡大学医学院） ； UConn Health, Center for Regenerative Medicine and Skeletal Development（康涅狄格大学健康中心再生医学与骨骼发育中心） ； UConn Health, Center for Cell Analysis and Modeling（康涅狄格大学健康中心细胞分析与建模中心） 纠错

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

AI总结 本文提出UCell模型，通过递归结构提升小模型性能，证明其在单细胞分割任务中可与大模型媲美，且无需大规模预训练数据，具备良好的泛化能力。

CliffSearch: Structured Agentic Co-Evolution over Theory and Code for Scientific Algorithm Discovery

CliffSearch: 基于理论与代码的结构化代理共进化用于科学算法发现

Youssef Mroueh, Carlos Fonseca, Brian Belgodere, David Cox

机构 * IBM Research（IBM研究院） 纠错

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

AI总结 CliffSearch通过结构化代理共进化框架，在科学算法发现中优先考虑科学可解释性和正确性，同时优化任务指标，在受控新颖性约束下实现发现流程。

Making Sense of AI Agents Hype: Adoption, Architectures, and Takeaways from Practitioners

解析AI代理 hype：采用、架构与从业者洞察

Ruoyu Su, Matteo Esposito, Roberta Capuano, Rafiullah Omar, June Sallou, Henry Muccini, Davide Taibi

机构 * University of Oulu（奥卢大学） ； University of L’Aquila（拉奎拉大学） ； Wageningen University（瓦赫宁根大学） ； University of Southern Denmark（南丹麦大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 本文通过分析138场从业者会议演讲，探讨了企业如何采用基于代理的架构，识别常见架构策略及模式，并分析了LLM驱动代理系统在应用领域和技术实现中的使用情况。

Unified Architecture Metamodel of Information Systems Developed by Generative AI

由生成式AI开发的信息系统统一架构元模型

Oleg Grynets, Vasyl Lyashkevych

机构 * EPAM Systems 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 本文提出一种统一架构框架，通过选择中小企业架构框架，实现LLM导向应用的架构统一，支持代码到文档到代码的闭环转换，提升LLM生成的准确性与稳定性。

Comments 22 pages, 13 figures, 12 tables, 28 references

Mine-JEPA: In-Domain Self-Supervised Learning for Mine-Like Object Classification in Side-Scan Sonar

Mine-JEPA: 针对侧扫声呐中矿类物体分类的领域自监督学习

Taeyoun Kwon, Youngwon Choi, Hyeonyu Kim, Myeongkyun Cho, Junhyeok Choi, Moon Hwan Kim

机构 * Maum AI Inc.（Maum AI公司） ； Seoul National University（首尔大学） ； KAIST（韩国科学技术院） ； Yonsei University（延世大学） 纠错

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

AI总结 本文提出Mine-JEPA，首个针对侧扫声呐矿类物体分类的领域自监督学习框架，通过SIGReg损失在1170张未标记声呐图像上预训练，实现二分类F1得分0.935，优于DINOv3。

Comments 9 pages, 3 figures, 6 tables. Accepted at CVPR 2026 MACVi Workshop

Excite, Attend and Segment (EASe): Domain-Agnostic Fine-Grained Mask Discovery with Feature Calibration and Self-Supervised Upsampling

激发、关注和分割（EASe）：基于特征校准和自监督上采样的领域无关细粒度遮罩发现

Deepank Singh, Anurag Nihal, Vedhus Hoskere

机构 * University of Houston（休斯顿大学） 纠错

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

AI总结 EASe通过引入语义感知上采样与通道激发（SAUCE）和自监督上采样（CAFE）方法，实现了在复杂场景中精确的细粒度遮罩发现，优于现有最先进方法。

Agentic AI for Clinical Urgency Mapping and Queue Optimization in High-Volume Outpatient Departments: A Simulation-Based Evaluation

面向高流量门诊部的临床紧急程度映射与队列优化的代理AI：基于模拟的评估

Ravish Gupta, Saket Kumar, Maulik Dang

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文提出一种代理AI框架，通过模拟评估在印度公立医院门诊部中，利用多语言症状捕捉、严重性预测、医生分配优化等方法，提升危急患者处理效率，实现紧急程度动态调整和队列优化。

Comments 17 pages, 3 figures, 7 tables. Code available at https://github.com/ravyg/opd-agentic-ai-triage

Towards Reliable Truth-Aligned Uncertainty Estimation in Large Language Models

迈向大语言模型中可靠的真实性对齐不确定性估计

Ponhvoan Srey, Quang Minh Nguyen, Xiaobao Wu, Anh Tuan Luu

机构 * Nanyang Technological University（南洋理工大学） ； KAIST（韩国科学技术院） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出Truth AnChoring方法，通过将原始分数映射到事实对齐分数，解决不确定性估计指标在低信息区域的非判别性问题，提升大语言模型的可靠性。

On the Non-Identifiability of Steering Vectors in Large Language Models

大型语言模型中转向向量的不可识别性

Sohan Venkatesh, Ashish Mahendran Kurapath

机构 * Manipal Institute of Technology Bengaluru（马尼帕尔理工学院班加罗尔校区） 纠错

专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；分类 cs.AI、cs.LG

AI总结 研究揭示大型语言模型中转向向量的不可识别性，指出在白盒单层访问下，转向向量因行为上无法区分的干预等价类而无法唯一确定，强调需超越行为测试的结构约束以实现可靠对齐干预。

Comments Code available at https://github.com/sohv/non-identifiability

Closing the Confidence-Faithfulness Gap in Large Language Models

弥合大语言模型中的置信度-忠实度差距

Miranda Muqing Miao, Lyle Ungar

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

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.CL、cs.AI

AI总结 本文通过线性探针和对比激活添加分析，揭示大语言模型中置信度信号与校准的线性关系，提出双阶段适应性引导流程以提升校准对齐。