语言大模型 / LLM

Predicting LLM Output Length via Entropy-Guided Representations

通过熵引导表示预测LLM输出长度

Huanyi Xie, Yubin Chen, Liangyu Wang, Lijie Hu, Di Wang

机构 * King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学） ； Provable Responsible AI and Data Analytics (PRADA) Lab（可验证负责任人工智能与数据分析实验室） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） 纠错

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

AI总结 本文提出熵引导标记池化和渐进长度预测方法，有效减少LLM推理中的计算浪费，提升吞吐量。

Unifying Group-Relative and Self-Distillation Policy Optimization via Sample Routing

通过样本路由统一组相对和自蒸馏策略优化

Gengsheng Li, Tianyu Yang, Junfeng Fang, Mingyang Song, Mao Zheng, Haiyun Guo, Dan Zhang, Jinqiao Wang, Tat-Seng Chua

机构 * Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所基础模型研究中心） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； National University of Singapore（新加坡国立大学） ； Tencent（腾讯） ； Wuhan AI Research（武汉人工智能研究院） 纠错

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

AI总结 本文提出SRPO框架，通过样本路由整合GRPO和SDPO的优势，解决自蒸馏在长期训练中的稳定性问题，实现快速早期改进与长周期稳定性的结合。

Learning to Play Blackjack: A Curriculum Learning Perspective

学习玩21点：从课程学习视角出发

Amirreza Alasti, Efe Erdal, Yücel Celik, Theresa Eimer

机构 * Leibniz University Hannover（莱布尼茨汉诺威大学） ； Leibniz AI Academy（莱布尼茨人工智能学院） 纠错

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

AI总结 本文提出利用大语言模型动态生成课程，提升强化学习在复杂环境中的效率和性能，应用于21点游戏，通过分阶段训练提升Q学习和DQN代理的表现。

Comments Accepted as an oral presentation at the International Conference on Distributed Artificial Intelligence (DAI 2025). 16 pages, 7 figures

Modular Energy Steering for Safe Text-to-Image Generation with Foundation Models

模块化能量引导用于基础模型的安全文本到图像生成

Yaoteng Tan, Zikui Cai, M. Salman Asif

机构 * University of California Riverside（加州大学河滨分校） ； University of Maryland（马里兰大学） 纠错

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

AI总结 本文提出一种基于梯度反馈的引导框架，利用预训练基础模型的潜在估计实现安全可控的文本到图像生成，适用于扩散和流匹配模型，提升生成质量与鲁棒性。

Robot Collapse: Supply Chain Backdoor Attacks Against VLM-based Robotic Manipulation

机器人崩溃：针对基于VLM的机器人操控的供应链后门攻击

Xianlong Wang, Hewen Pan, Hangtao Zhang, Minghui Li, Shengshan Hu, Ziqi Zhou, Lulu Xue, Peijin Guo, Aishan Liu, Leo Yu Zhang, Xiaohua Jia

机构 * City University of Hong Kong（香港城市大学） ； Huazhong University of Science and Technology（华中科技大学） ； Beihang University（北京航空航天大学） ； Griffith University（格里菲斯大学） 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TrojanRobot框架，通过在模块化机器人策略中嵌入恶意模块，操控LLM到VLM路径，验证了在18个真实任务和4个VLM上的优越性。

Batched Contextual Reinforcement: A Task-Scaling Law for Efficient Reasoning

批量上下文强化：一种任务扩展定律以实现高效推理

Bangji Yang, Hongbo Ma, Jiajun Fan, Ge Liu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； 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 本文提出批量上下文强化方法，通过在共享上下文窗口中同时解决多个问题，实现高效推理，减少token消耗并提升准确性。

Comments 43 pages, 5 figures, 24 tables

VISTA: Visualization of Token Attribution via Efficient Analysis

VISTA: 通过高效分析实现令牌归因的可视化

Syed Ahmed, Bharathi Vokkaliga Ganesh, Jagadish Babu P, Karthick Selvaraj, Praneeth Talluri, Sanket Hingne, Anubhav Kumar, Anushka Yadav, Pratham Kumar Verma, Kiranmayee Janardhan, Mandanna A N

机构 * Infosys Limited（印孚瑟斯有限公司） 纠错

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

AI总结 本文提出了一种轻量且通用的方法，用于可视化令牌重要性，以理解生成式AI系统如何感知和优先处理输入文本信息，无需额外计算成本。

Comments 12 pages, 3 figures

NCCL EP: Towards a Unified Expert Parallel Communication API for NCCL

NCCL EP：迈向统一的专家并行通信API

Amos Goldman, Nimrod Boker, Maayan Sheraizin, Nimrod Admoni, Artem Polyakov, Subhadeep Bhattacharya, Fan Yu, Kai Sun, Georgios Theodorakis, Hsin-Chun Yin, Peter-Jan Gootzen, Aamir Shafi, Assaf Ravid, Salvatore Di Girolamo, James Dinan, Xiaofan Li, Manjunath Gorentla Venkata, Gil Bloch

机构 * Oak Ridge National Laboratory（橡树岭国家实验室） ； University of New Mexico（新墨西哥大学） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） 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NCCL EP，一种基于NCCL设备API的MoE通信库，提供统一的调度和组合原语，支持低延迟和高吞吐模式，提升大语言模型的通信性能。

Comments 13 pages, 8 figures, 7 tables

ExpertFlow: Efficient Mixture-of-Experts Inference via Predictive Expert Caching and Token Scheduling

ExpertFlow：通过预测专家缓存和令牌调度实现高效的混合专家推理

Xin He, Shunkang Zhang, Kaijie Tang, Shaohuai Shi, Yuxin Wang, Zihao Zeng, Zhenheng Tang, Xiaowen Chu, Haiyan Yin, Ivor W. Tsang, Yew Soon Ong

机构 * CFAR, Agency for Science, Technology and Research (A*STAR), Singapore（新加坡科技研究局CFAR） ； The Hong Kong University of Science and Technology, Hong Kong（香港科技大学） ； Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Hong Kong Baptist University, Hong Kong（香港浸会大学） ； Nanyang Technological University, Singapore（南洋理工大学） ； The Hong Kong University of Science and Technology (Guangzhou), China（香港科技大学（广州）） 纠错

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

AI总结 本文提出ExpertFlow，通过预测专家缓存和令牌调度实现高效的混合专家推理，减少GPU内存使用达93.72%，提升推理吞吐量达10倍。

Comments Accepted in DAC'26, Mixture-of-Experts, Inference, Offloading

Why Instruction-Based Unlearning Fails in Diffusion Models?

为何基于指令的反学习在扩散模型中失效？

Zeliang Zhang, Rui Sun, Jiani Liu, Qi Wu, Chenliang Xu

机构 * University of Rochester（罗切斯特大学） ； UCLA（加州大学洛杉矶分校） ； UCSB（加州大学圣塔芭芭拉分校） 纠错

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

AI总结 研究探讨了基于指令的反学习在扩散模型中的有效性，发现扩散模型在仅依赖自然语言反学习指令时无法有效抑制目标概念，揭示了提示级指令的局限性。

go-$m$HC: Direct Parameterization of Manifold-Constrained Hyper-Connections via Generalized Orthostochastic Matrices

go-$m$HC：通过广义正交随机矩阵直接参数化流形约束超连接

Torque Dandachi, Sophia Diggs-Galligan

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

AI总结 go-$m$HC通过广义正交随机矩阵直接参数化流形约束超连接，实现高效且精确的双重随机矩阵参数化，提升模型表达能力和效率。

Comments 29 pages, 30 figures, 9 tables. Includes supplementary material

EventHub: Data Factory for Generalizable Event-Based Stereo Networks without Active Sensors

EventHub：无需主动传感器的通用事件基立体网络数据工厂

Luca Bartolomei, Fabio Tosi, Matteo Poggi, Stefano Mattoccia, Guillermo Gallego

机构 * Advanced Research Center on Electronic System (ARCES)（电子系统高级研究中心 (ARCES)） ； TU Berlin, Robotics Institute Germany（柏林工业大学德国机器人研究所） ； Einstein Center Digital Future（爱因斯坦数字未来中心） ； SCIoI Excellence Cluster（SCIoI卓越集群） 纠错

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

AI总结 EventHub利用标准彩色图像生成代理标注和事件，无需主动传感器的地面真实标注，重新利用先进RGB立体模型处理事件数据，提升立体网络的泛化能力。

Comments CVPR 2026. Project Page: https://bartn8.github.io/eventhub/ Code: https://github.com/bartn8/eventhub

SPAR: Single-Pass Any-Resolution ViT for Open-vocabulary Segmentation

SPAR：单次通过任意分辨率ViT用于开放词汇分割

Naomi Kombol, Ivan Martinović, Siniša Šegvić, Giorgos Tolias

专题命中 效率与部署 ：language model(abstract)

AI总结 SPAR通过单次通过任意分辨率ViT实现高效高分辨率推理，提升开放词汇分割的mIoU性能，无需架构改动或像素级监督。

Comments Accepted to CVPR 2026

Efficient Reasoning via Thought Compression for Language Segmentation

通过思维压缩实现高效的语言分段推理

Qing Zhou, Shiyu Zhang, Yuyu Jia, Junyu Gao, Weiping Ni, Junzheng Wu, Qi Wang

机构 * Northwestern Polytechnical University, China（西北工业大学） ； Northwest Institute of Nuclear Technology, China（西北核技术研究所） 纠错

专题命中 效率与部署 ：prompting(abstract)

AI总结 WISE通过压缩推理过程提升语言分段性能，采用自蒸馏目标确保简洁总结与详细解释的语义一致性，实验显示其在ReasonSeg基准上达到58.3 cIoU，推理长度减少近5倍。

T5Gemma-TTS Technical Report

T5Gemma-TTS 技术报告

Chihiro Arata, Kiyoshi Kurihara

专题命中 效率与部署 ：language model(abstract)

AI总结 T5Gemma-TTS 通过跨注意力机制实现持久文本条件，提升多语言语音合成质量与可控性。

Boosting Vision-Language-Action Finetuning with Feasible Action Neighborhood Prior

通过可行动作邻域先验提升视觉-语言-动作微调

Haochen Niu, Kanyu Zhang, Shuyu Yin, Qinghai Guo, Peilin Liu, Fei Wen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Huawei Technologies（华为技术有限公司） 纠错

专题命中 效率与部署 ：SFT(abstract)

AI总结 本文提出FAN引导正则化方法，通过调整模型输出分布以匹配FAN几何特性，提升VLA适应的样本效率和泛化能力。

Comments Accepted by CVPR 2026

GenOM: Ontology Matching with Description Generation and Large Language Model

GenOM：基于描述生成和大语言模型的本体匹配

Yiping Song, Jiaoyan Chen, Renate A. Schmidt

机构 * The University of Manchester（曼彻斯特大学） 纠错

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 GenOM通过生成文本定义增强本体概念语义，结合嵌入模型检索对齐候选并利用精确匹配工具提升精度，实验表明其在生物医学领域表现优异，超越传统系统和近期大语言模型方法。

Comments Accepted for publication in World Wide Web (Springer). This version includes revisions based on peer review

Countering Catastrophic Forgetting of Large Language Models for Better Instruction Following via Weight-Space Model Merging

通过权重空间模型融合提升大语言模型的指令跟随能力以对抗灾难性遗忘

Mengxian Lyu, Cheng Peng, Ziyi Chen, Mengyuan Zhang, Jieting Li Lu, Yonghui Wu

机构 * University of Florida（佛罗里达大学） ； Department of Health Outcomes and Biomedical Informatics, College of Medicine, University of Florida（佛罗里达大学医学院健康结果与生物医学信息学系） ； Department of Engineering Education, Herbert Wertheim College of Engineering, University of Florida（佛罗里达大学赫伯特·韦特海姆工程学院工程教育系） ； Preston A. Wells, Jr. Center for Brain Tumor Therapy, Lillian S. Wells Department of Neurosurgery, University of Florida（佛罗里达大学莉莉安·S·威尔斯神经外科系普雷斯顿·A·威尔斯脑肿瘤治疗中心） 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 本文提出通过权重空间模型融合方法，有效缓解大语言模型在医疗领域微调时的灾难性遗忘问题，保留指令跟随能力并提升医疗任务表现。

Towards Position-Robust Talent Recommendation via Large Language Models

基于大语言模型的鲁棒人才推荐方法

Silin Du, Hongyan Liu

机构 * Department of Management Science and Engineering, Tsinghua University（清华大学管理科学与工程系） 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

AI总结 本文提出L3TR框架，通过块注意力机制和局部位置编码缓解位置偏差，结合ID采样方法解决训练与推理阶段候选集大小不一致问题，提升人才推荐效果。

Can Large Language Models Self-Correct in Medical Question Answering? An Exploratory Study

大语言模型能否在医疗问答中自我纠正？一项探索性研究

Zaifu Zhan, Mengyuan Cui, Rui Zhang

机构 * Department of Electrical and Computer Engineering, University of Minnesota（明尼苏达大学电气与计算机工程系） ； Division of Computational Health Sciences, Department of Surgery, University of Minnesota（明尼苏达大学外科学系计算健康科学部） ； Department of Software Engineering, University of St. Thomas（圣托马斯大学软件工程系） 纠错

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

AI总结 本文探讨大语言模型在医疗问答中的自我反思能力，通过比较标准Co-T提示与迭代自我反思循环，发现自我反思并不总能提升准确性，且效果依赖于数据集和模型。

Detecting Reference Errors in Scientific Literature with Large Language Models

利用大型语言模型检测科学文献中的参考错误

Tianmai M. Zhang, Neil F. Abernethy

机构 * University of Washington（华盛顿大学） 纠错

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

AI总结 本文研究了大型语言模型在检测科学论文中引用错误的能力，通过专家标注的数据集验证了模型在有限上下文和无微调情况下的检测效果，为人工智能辅助科学写作提供了新思路。

Journal ref AMIA Annu Symp Proc. 2025 May 22;2024:1549-1556. PMID: 41726520; PMCID: PMC12919499

NeuroNarrator: A Generalist EEG-to-Text Foundation Model for Clinical Interpretation via Spectro-Spatial Grounding and Temporal State-Space Reasoning

NeuroNarrator：一种通过频谱-空间定位和时间状态空间推理的通用EEG到文本基础模型，用于临床解释

Guoan Wang, Shihao Yang, Jun-en Ding, Hao Zhu, Feng Liu

机构 * Stevens Institute of Technology（史蒂文斯理工学院） 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.CL、cs.LG

AI总结 NeuroNarrator通过频谱-空间定位和时间状态空间推理，将EEG信号转化为临床文本，解决传统EEG分析方法在临床解释中的局限性。

Reducing Hallucinations in LLM-based Scientific Literature Analysis Using Peer Context Outlier Detection

通过同侪上下文异常检测减少基于LLM的科学文献分析中的幻觉

Daniel Xie, Maxwell J. Jacobson, Adil Wazeer, Haiyan Wang, Xinghang Zhang, Yexiang Xue

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Peer Context Outlier Detection方法，通过文档间关系提升数据提取准确性，实验显示在6个科学领域达到98%的异常检测精度，减少幻觉并提高自动化系统可信度。

A Multi-Agent Human-LLM Collaborative Framework for Closed-Loop Scientific Literature Summarization

一种多智能体人-大语言模型协作框架用于闭环科学文献摘要

Maxwell J. Jacobson, Daniel Xie, Jackson Shen, Adil Wazeer, Haiyan Wang, Xinghang Zhang, Yexiang Xue

机构 * Purdue University（普渡大学） 纠错

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

AI总结 本文提出一种多智能体人-大语言模型协作框架，通过整合LLM、结构化AI和人类科学家，实现科学文献的提取、分析与迭代优化，展示了AI辅助文献综述在发现科学模式中的应用。

Is Clinical Text Enough? A Multimodal Study on Mortality Prediction in Heart Failure Patients

临床文本足够吗？关于心力衰竭患者死亡预测的多模态研究

Oumaima El Khettari, Virgile Barthet, Guillaume Hocquet, Joconde Weller, Emmanuel Morin, Pierre Zweigenbaum

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

AI总结 本研究比较了文本、结构化数据和多模态方法在心力衰竭患者短期死亡预测中的表现，发现实体层面的表示能提升预测性能，而监督多模态融合表现最佳。

Comments Accepted in LREC 2026

Intern-S1-Pro: Scientific Multimodal Foundation Model at Trillion Scale

Intern-S1-Pro：万亿参数科学多模态基础模型

Yicheng Zou, Dongsheng Zhu, Lin Zhu, Tong Zhu, Yunhua Zhou, Peiheng Zhou, Xinyu Zhou, Dongzhan Zhou, Zhiwang Zhou, Yuhao Zhou, Bowen Zhou, Zhanping Zhong, Zhijie Zhong, Haiteng Zhao, Penghao Zhao, Xiaomeng Zhao, Zhiyuan Zhao, Yechen Zhang, Jin Zhang, Wenwei Zhang, Hongjie Zhang, Zhuo Zhang, Wenlong Zhang, Bo Zhang, Chao Zhang, Chen Zhang, Yuhang Zang, Fei Yuan, Jiakang Yuan, Jiashuo Yu, Jinhui Yin, Haochen Ye, Qian Yao, Bowen Yang, Danni Yang, Kaichen Yang, Ziang Yan, Jun Xu, Yicheng Xu, Wanghan Xu, Xuenan Xu, Chao Xu, Ruiliang Xu, Shuhao Xing, Long Xing, Xinchen Xie, Ling-I Wu, Zijian Wu, Zhenyu Wu, Lijun Wu, Yue Wu, Jianyu Wu, Wen Wu, Fan Wu, Xilin Wei, Qi Wei, Bingli Wang, Rui Wang, Ziyi Wang, Zun Wang, Yi Wang, Haomin Wang, Yizhou Wang, Lintao Wang, Yiheng Wang, Longjiang Wang, Bin Wang, Jian Tong, Zhongbo Tian, Huanze Tang, Chen Tang, Shixiang Tang, Yu Sun, Qiushi Sun, Xuerui Su, Qisheng Su, Chenlin Su, Demin Song, Jin Shi, Fukai Shang, Yuchen Ren, Pengli Ren, Xiaoye Qu, Yuan Qu, Jiantao Qiu, Yu Qiao, Biqing Qi, Runyu Peng, Tianshuo Peng, Jiahui Peng, Qizhi Pei, Zhuoshi Pan, Linke Ouyang, Wenchang Ning, Yichuan Ma, Zerun Ma, Ningsheng Ma, Runyuan Ma, Chengqi Lyu, Haijun Lv, Han Lv, Lindong Lu, Kuikun Liu, Jiangning Liu, Yuhong Liu, Kai Liu, Hongwei Liu, Zhoumianze Liu, Mengjie Liu, Ziyu Liu, Wenran Liu, Yang Liu, Liwei Liu, Kaiwen Liu, Junyao Lin, Junming Lin, Tianyang Lin, Dahua Lin, Jianze Liang, Linyang Li, Peiji Li, Zonglin Li, Zehao Li, Pengze Li, Guoyan Li, Lingkai Kong, Linglin Jing, Zhenjiang Jin, Feifei Jiang, Qian Jiang, Junhao Huang, Zixian Huang, Haian Huang, Zhouqi Hua, Ermo Hua, Han Hu, Linfeng Hou, Yinan He, Conghui He, Tianyao He, Xu Guo, Qipeng Guo, Aijia Guo, Yuzhe Gu, Lixin Gu, Jingyang Gong, Qiming Ge, Jiaye Ge, Songyang Gao, Jianfei Gao, Xinyu Fang, Caihua fan, Yue Fan, Yanhui Duan, Zichen Ding, Shengyuan Ding, Ning Ding, Xuanlang Dai, Erfei Cui, Ganqu Cui, Pei Chu, Tao Chu, Guangran Cheng, Yu Cheng, Kai Chen, Yongkang Chen, Chiyu Chen, Guanzhou Chen, Qiaosheng Chen, Sitao Chen, Xin Chen, Haojiong Chen, Yicheng Chen, Weihan Cao, Yuhang Cao, Qinglong Cao, Lei Bai

机构 * Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 Intern-S1-Pro是首个万亿参数科学多模态基础模型，具备跨通用与科学领域的能力提升，融合强推理、图像-文本理解及先进代理能力，专精于100余项科学任务。

LLM Agents as Social Scientists: A Human-AI Collaborative Platform for Social Science Automation

LLM代理作为社会科学家：一种人机协作的社会科学自动化平台

Lei Wang, Yuanzi Li, Jinchao Wu, Heyang Gao, Xiaohe Bo, Xu Chen, Ji-Rong Wen

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； Beijing Key Laboratory of Big Data Management and Analysis Methods（大数据管理与分析方法北京市重点实验室） 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S-Researcher平台，通过LLM代理实现社会科学研究的高效化与规模化，结合自动编程、分布式架构和反馈驱动微调，构建人机协作的研究闭环，验证了三种推理模式在社会科学中的应用。

DISCO-TAB: A Hierarchical Reinforcement Learning Framework for Privacy-Preserving Synthesis of Complex Clinical Data

DISCO-TAB：一种用于隐私保护合成复杂临床数据的分层强化学习框架

Arshia Ilaty, Hossein Shirazi, Amir Rahmani, Hajar Homayouni

机构 * Computational Science Research Center, San Diego State University（圣地亚哥州立大学计算科学研究中心） ； School of Nursing and Department of Computer Science, University of California, Irvine（加州大学尔湾分校护理学院与计算机科学系） ； Fowler College of Business, San Diego State University（圣地亚哥州立大学福勒商学院） ； Department of Computer Science, San Diego State University（圣地亚哥州立大学计算机科学系） 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 本文提出DISCO-TAB框架，结合微调LLM与多目标判别器，通过强化学习优化，解决临床数据生成中的复杂依赖和类别不平衡问题，提升合成数据的临床有效性与统计真实性。

IDEA2: Expert-in-the-loop competency question elicitation for collaborative ontology engineering

IDEA2: 专家在环的协作本体工程能力问题 elicitation

Elliott Watkiss-Leek, Reham Alharbi, Harry Rostron, Andrew Ng, Ewan Johnson, Andrew Mitchell, Terry R. Payne, Valentina Tamma, Jacopo de Berardinis

机构 * School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学院） ； College of Computer Science and Engineering, Taibah University（塔伊巴大学计算机科学与工程学院） ； Unilever Plc., Materials Innovation Factory, University of Liverpool（联合利华公司，利物浦大学材料创新工厂） 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 IDEA2通过整合大语言模型和专家反馈，解决本体工程中能力问题提取的瓶颈，提升问题相关性和可接受性。

AssetOpsBench: Benchmarking AI Agents for Task Automation in Industrial Asset Operations and Maintenance

AssetOpsBench：工业资产运维任务自动化AI代理的基准测试

Dhaval Patel, Shuxin Lin, James Rayfield, Nianjun Zhou, Chathurangi Shyalika, Suryanarayana R Yarrabothula, Roman Vaculin, Natalia Martinez, Fearghal O'donncha, Jayant Kalagnanam

机构 * IBM ； University of South Carolina（南卡罗来纳大学） ； IBM Research（IBM研究院） 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AssetOpsBench，一个统一框架，用于协调和评估工业4.0中的领域专用代理。该框架包含四个领域代理目录、140+人工撰写的自然语言查询数据集及模拟的CouchDB后端物联网环境，通过三个关键指标分析工具-代理与计划-执行者范式的架构权衡，并系统化发现新兴故障模式。

Comments 25 pages, 18 figures