语言大模型 / LLM

To Adapt or not to Adapt, Rethinking the Value of Medical Knowledge-Aware Large Language Models

是否适应？重新思考医疗知识意识大型语言模型的价值

Ane G. Domingo-Aldama, Iker De La Iglesia, Maitane Urruela, Aitziber Atutxa, Ander Barrena

机构 * University of the Basque Country（巴斯克大学） 纠错

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

AI总结 研究通过比较通用与临床LLM在多选题任务中的表现，发现临床模型在英语任务中不占优势，但在西班牙语任务中表现更好，表明现有评估框架可能不足以体现真实医疗专业知识。

Attribution-Driven Explainable Intrusion Detection with Encoder-Based Large Language Models

基于编码器的大型语言模型的归因驱动可解释入侵检测

Umesh Biswas, Shafqat Hasan, Syed Mohammed Farhan, Nisha Pillai, Charan Gudla

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

AI总结 本文提出利用基于编码器的大型语言模型进行网络入侵检测，通过归因分析揭示模型决策由有意义的流量行为模式驱动，提升透明度和信任度。

The Human Condition as Reflected in Contemporary Large Language Models

人类境况在当代大语言模型中的反映

W. Russell Neuman

机构 * New York University（纽约大学） 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

AI总结 本文通过分析六个领先生成模型对人类文化行为的回应，揭示了大语言模型中隐藏的文化结构，探讨了人类社会生活的压缩表征。

Teaching Astronomy with Large Language Models

用大语言模型教授天文学

Yuan-Sen Ting, Teaghan O'Briain

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

AI总结 研究通过结构化指导和文档要求，探讨学生如何通过大语言模型发展AI素养，开发了天文辅导系统AstroTutor，并与通用LLM结合教学，发现LLM评分与人类评估高度相关且反馈更详细一致，同时展示了基于LLM的面试式考试作为替代传统评估的潜力。

Comments 17 pages, 8 figures. Codes here: https://github.com/teaghan/computeastro-tutor. Published in the Open Journal of Astrophysics

Fighting AI with AI: AI-Agent Augmented DNS Blocking of LLM Services during Student Evaluations

用AI对抗AI：AI代理增强的DNS阻断LLM服务以应对学生评估

Yonas Kassa, James Bonacci, Ping Wang

机构 * School of Data Intelligence and Technology, Robert Morris University（罗伯特莫里斯大学数据智能与技术学院） 纠错

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

AI总结 本文提出AI-Sinkhole框架，利用AI代理和DNS阻断动态阻止考试期间出现的LLM聊天服务，通过量化LLM实现可解释分类，提升学术严谨性。

Comments accepted at ITNG 2026

Closing the Speech-Text Gap with Limited Audio for Effective Domain Adaptation in LLM-Based ASR

通过有限音频缩小语音-文本差距以实现基于LLM的ASR的有效领域适应

Thibault Bañeras-Roux, Sergio Burdisso, Esaú Villatoro-Tello, Dairazalia Sánchez-Cortés, Shiran Liu, Severin Baroudi, Shashi Kumar, Hasindri Watawana, Manjunath K E, Kadri Hacioglu, Petr Motlicek, Andreas Stolcke

机构 * Idiap Research Institute（Idiap 研究所） ； Laboratoire d'Informatique et des Systèmes（信息系统实验室） ； Uniphore ； Brno University of Technology（布尔诺理工大学） 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 本文研究了有限音频在基于LLM的ASR领域适应中的作用，比较了纯文本适应、配对语音-文本适应和混合批处理策略，发现少量语音能有效提升性能。

Comments Submitted to Interspeech

Towards the Development of an LLM-Based Methodology for Automated Security Profiling in Compliance with Ukrainian Cybersecurity Regulations

迈向基于大语言模型的自动化安全配置方法的开发：符合乌克兰网络安全法规

Daniil Shafranskyi, Iryna Stopochkina, Mykola Ilin

机构 * National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”（乌克兰国立技术大学“伊戈尔·西科尔斯基基辅理工学院”） 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 本文探讨将国际最佳实践整合到国家监管体系中，提出利用大语言模型实现自动化安全配置的方法，以应对高密度混合威胁环境下的网络安全挑战。

Comments 12 pages, 2 figures

Scientific Knowledge-driven Decoding Constraints Improving the Reliability of LLMs

基于科学知识的解码约束：提升大语言模型的可靠性

Maotian Ma, Zheni Zeng, Zhenghao Liu, Yukun Yan

机构 * Nanjing University（南京大学） ； Tsinghua University（清华大学） ； Northeastern University（东北大学） 纠错

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

AI总结 本文提出SciDC方法，通过整合领域知识与强约束提升LLM在科学任务中的可靠性，实验显示在工业配方设计、肿瘤诊断和逆合成规划中平均准确率提升12%。

In-Context Learning in Speech Language Models: Analyzing the Role of Acoustic Features, Linguistic Structure, and Induction Heads

语音语言模型中的上下文学习：分析语音特征、语言结构和归纳头的作用

Charlotte Pouw, Hosein Mohebbi, Afra Alishahi, Willem Zuidema

机构 * ILLC, University of Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究所） ； CSAI, Tilburg University（蒂尔堡大学认知科学与人工智能系） 纠错

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

AI总结 研究探讨了语音模型中上下文学习中语音特征、语言结构和归纳头的影响，发现语速显著影响学习效果，而音高和强度影响较小，归纳头在语音上下文学习中起因果作用。

Comments Submitted to COLM 2026

MedGRPO: Multi-Task Reinforcement Learning for Heterogeneous Medical Video Understanding

MedGRPO：异构医学视频理解的多任务强化学习

Yuhao Su, Anwesa Choudhuri, Zhongpai Gao, Benjamin Planche, Van Nguyen Nguyen, Meng Zheng, Yuhan Shen, Arun Innanje, Terrence Chen, Ehsan Elhamifar, Ziyan Wu

机构 * Northeastern University（东北大学） ； United Imaging Intelligence（联影智能） 纠错

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

AI总结 本文提出MedGRPO框架，通过跨数据集奖励归一化和医学LLM评判器提升医学视频理解的训练效果，建立基础基准和训练方法。

Comments Accepted at CVPR 2026

Bi-level Heterogeneous Learning for Time Series Foundation Models: A Federated Learning Approach

双层异构学习用于时间序列基础模型：一种联邦学习方法

Shengchao Chen, Guodong Long, Dikai Liu, Jing Jiang

机构 * Australian AI Institute, University of Technology Sydney（澳大利亚人工智能研究所，悉尼科技大学） ； Robotics Institute, University of Technology Sydney（机器人研究所，悉尼科技大学） 纠错

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

AI总结 本文提出双层异构学习方法，通过联邦学习减少跨域干扰，提升时间序列基础模型在点预测和概率预测中的性能，同时实现零样本学习。

Comments 31 pages

LUMINA: Foundation Models for Topology Transferable ACOPF

LUMINA：适用于拓扑可转移ACOPF的基座模型

Yijiang Li, Zeeshan Memon, Hongwei Jin, Stefano Fenu, Keunju Song, Sunash B Sharma, Parfait Gasana, Hongseok Kim, Liang Zhao, Kibaek Kim

机构 * Argonne National Laboratory（阿贡国家实验室） ； Emory University（埃默里大学） ； Sogang University（西江大学） 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LUMINA框架，通过系统研究ACOPF问题，提炼出三个指导科学基座模型设计的原则，旨在解决受约束科学系统中的物理定律和安全限制挑战。

SentinelSphere: Integrating AI-Powered Real-Time Threat Detection with Cybersecurity Awareness Training

SentinelSphere：将AI驱动的实时威胁检测与网络安全意识培训相结合

Nikolaos D. Tantaroudas, Ilias Karachalios, Andrew J. McCracken

机构 * Institute of Communications and Computer Systems (ICCS), National Technical University of Athens（雅典国家技术大学通信与计算机系统研究所） ； National Technical University of Athens（雅典国家技术大学） ； DASKALOS-APPS 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 SentinelSphere结合AI实时威胁检测与LLM驱动的网络安全培训，通过增强DNN和量化Phi-4模型提升检测准确性和教育效果，解决网络安全人才短缺与人为弱点问题。

Comments 21

A Systematic Study of Retrieval Pipeline Design for Retrieval-Augmented Medical Question Answering

检索增强医疗问答中检索流程设计的系统研究

Nusrat Sultana, Abdullah Muhammad Moosa, Kazi Afzalur Rahman, Sajal Chandra Banik

机构 * Department of Mechatronics & Industrial Engineering, Chittagong University of Engineering & Technology（吉大港工程与技术大学机电与工业工程系） ； Department of Mechanical Engineering, Chittagong University of Engineering & Technology（吉大港工程与技术大学机械工程系） 纠错

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

AI总结 本文系统评估了检索增强医疗问答的性能，发现检索增强显著提升了零样本医疗问答效果，最佳配置为密集检索加查询改写和重排序，准确率达60.49%。

Severity-Aware Weighted Loss for Arabic Medical Text Generation

针对严重程度的加权损失用于阿拉伯语医疗文本生成

Ahmed Alansary, Molham Mohamed, Ali Hamdi

机构 * October University for Modern Sciences \& Arts, Egypt 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 本文提出一种考虑临床严重程度的加权损失方法，用于优化阿拉伯语医疗文本生成，通过动态调整token级损失以提升关键交互性能，实验表明在不同模型上均取得显著提升。

Comments 10 pages, 1 figure, 2 tables, ICTIS2026

Plasma GraphRAG: Physics-Grounded Parameter Selection for Gyrokinetic Simulations

等离子体图RAG：用于磁流体动力学模拟的物理基础参数选择

Ruichen Zhang, Feda AlMuhisen, Chenguang Wan, Zhisong Qu, Kunpeng Li, Youngwoo Cho, Kyungtak Lim, Virginie Grandgirard, Xavier Garbet

机构 * Nanyang Technological University（南洋理工大学） ； CEA, IRFM（法国原子能委员会，磁聚变研究所） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） ； School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学物理与数学科学学院） 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 本文提出Plasma GraphRAG，结合图检索增强生成与大语言模型，实现自动化、物理基础的参数范围识别，提升模拟可靠性并加速科学发现。

Comments 9 pages, 8 figures

ARIA: Adaptive Retrieval Intelligence Assistant -- A Multimodal RAG Framework for Domain-Specific Engineering Education

ARIA：自适应检索智能助手——面向领域特定工程教育的多模态RAG框架

Yue Luo, Dibakar Roy Sarkar, Rachel Herring Sangree, Somdatta Goswami

机构 * Dalian University of Technology（大连理工大学） ； Johns Hopkins University（约翰霍普金斯大学） 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 ARIA通过多模态内容提取管道和e5-large-v2模型，实现领域特定工程教育的智能教学助手，展现高精度和教学一致性，验证了其在课程相关问题上的高准确率和响应质量。

FMI@SU ToxHabits: Evaluating LLMs Performance on Toxic Habit Extraction in Spanish Clinical Texts

FMI@SU ToxHabits：评估LLMs在西班牙临床文本中毒瘾习惯提取性能

Sylvia Vassileva, Ivan Koychev, Svetla Boytcheva

机构 * Faculty of Mathematics and Informatics, Sofia University St. Kliment Ohridski（索非亚大学圣克利门特奥赫里德斯基数学与信息学学院） 纠错

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

AI总结 本文提出了一种识别西班牙临床文本中毒瘾习惯实体的方法，通过LLMs在零样本、少样本和提示优化中发现GPT-4.1在少样本提示下表现最佳，达到0.65的F1分数，展示了非英语语言命名实体识别的潜力。

Comments 8 pages, 1 figure, 6 tables, Challenge and Workshop BC9 Large Language Models for Clinical and Biomedical NLP, International Joint Conference on Artificial Intelligence IJCAI 2025

Are LLMs Ready for Computer Science Education? A Cross-Domain, Cross-Lingual and Cognitive-Level Evaluation Using Professional Certification Exams

LLMs是否准备好用于计算机科学教育？通过专业认证考试进行跨领域、跨语言和认知层面的评估

Chen Gao, Chi Liu, Zhengquan Luo, Dongfu Xiao, Maiying Sui, Sheng Shen, Congcong Zhu, Huajie Chen, Xuhan Zuo, Zongyuan Ge, Tianqing Zhu, Wanlei Zhou, Xiaotong Han

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

AI总结 本文通过专业认证考试数据评估了四个LLM在跨语言、认知层次和领域知识上的表现，发现GPT-5在英文考试中表现最佳，Qwen-Plus在中文环境中更优，DeepSeek-R1在跨语言表现最平衡，但Llama-3.3在高阶推理和鲁棒性上存在明显不足。

Comments 40 pages including Appendix

Personalization as a Game: Equilibrium-Guided Generative Modeling for Physician Behavior in Pharmaceutical Engagement

个性化作为游戏：面向药企参与的医师行为均衡引导生成建模

Suyash Mishra

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

AI总结 本文提出EGPF框架，结合贝叶斯博弈论、范畴论等，通过生成式AI实现超个性化医师参与，引入率-失真均衡准则和机制设计模块，实验显示预测准确率提升34%。

Comments 24 Pages

EditFlow: Benchmarking and Optimizing Code Edit Recommendation Systems via Reconstruction of Developer Flows

EditFlow：通过开发者流程重建实现代码编辑推荐系统的基准测试与优化

Chenyan Liu, Yun Lin, Jiaxin Chang, Jiawei Liu, Binhang Qi, Bo Jiang, Zhiyong Huang, Jin Song Dong

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

AI总结 本文提出EditFlow，通过重建开发者编辑流程，解决代码编辑推荐系统在数据收集、基准测试和统一优化中的关键挑战，提升开发者生产力。

Comments This paper has been accepted to the Proceedings of the ACM on Programming Languages (OOPSLA 2026). (Proc. ACM Program. Lang., Vol. 10, OOPSLA1)

MAE-SAM2: Mask Autoencoder-Enhanced SAM2 for Clinical Retinal Vascular Leakage Segmentation

MAE-SAM2：基于掩码自编码器的SAM2用于临床视网膜血管渗漏分割

Xin Xing, Irmak Karaca, Amir Akhavanrezayat, Samira Badrloo, Quan Dong Nguyen, Mahadevan Subramaniam

机构 * University of Nebraska Omaha（内布拉斯加大学奥马哈分校） ； Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心） ； Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出MAE-SAM2，一种用于荧光素血管造影图像视网膜血管渗漏分割的新基础模型。通过结合自监督学习与SAM2，该方法在实验中优于现有模型，实现更高的Dice分数和IoU，性能提升5%。

Extracting Breast Cancer Phenotypes from Clinical Notes: Comparing LLMs with Classical Ontology Methods

从临床笔记中提取乳腺癌表型：比较大语言模型与经典本体方法

Abdullah Bin Faiz, Arbaz Khan Shehzad, Asad Afzal, Momin Tariq, Muhammad Siddiqi, Muhammad Usamah Shahid, Maryam Noor Awan, Muddassar Farooq

机构 * CureMD Research（CureMD研究） ； Shifa International Hospital（希法国际医院） 纠错

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

AI总结 本文提出基于大语言模型的框架，用于从临床笔记中提取乳腺癌相关表型，并与传统本体方法进行比较，验证了LLM在提取医学知识方面的有效性。

Noise Immunity in In-Context Tabular Learning: An Empirical Robustness Analysis of TabPFN's Attention Mechanisms

上下文表格学习中的噪声免疫力：对TabPFN注意力机制的实证鲁棒性分析

James Hu, Mahdi Ghelichi

机构 * Model Development Innovation, Risk Management TD Bank（TD银行风险管理模型开发创新部门） 纠错

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

AI总结 本文通过实验证明TabPFN在存在无关预测器、相关特征组和标签噪声等条件下表现出高度鲁棒性，其预测性能和内部行为保持稳定。

FlowExtract: Procedural Knowledge Extraction from Maintenance Flowcharts

FlowExtract：从维护流程图中提取过程知识

Guillermo Gil de Avalle, Laura Maruster, Eric Sloot, Christos Emmanouilidis

机构 * University of Groningen（格罗宁根大学） ； Philips Consumer Lifestyle B.V.（飞利浦消费生活方式有限公司） 纠错

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

AI总结 本文提出FlowExtract，通过分离元素检测与连接性重建，利用YOLOv8和EasyOCR提取标准流程图节点，结合新边检测方法实现高精度连接提取，优于视觉语言模型基线，为可查询的过程知识表示提供实用路径。

EviSnap: Faithful Evidence-Cited Explanations for Cold-Start Cross-Domain Recommendation

EviSnap：为冷启动跨领域推荐提供可信的证据引用解释

Yingjun Dai, Ahmed El-Roby

机构 * Carleton University（卡尔顿大学） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 EviSnap通过证据引用生成可信解释，提升冷启动跨领域推荐系统的可解释性与准确性，实验显示其优于现有基线方法。

Comments 8 pages

AugLift: Depth-Aware Input Reparameterization Improves Domain Generalization in 2D-to-3D Pose Lifting

AugLift：基于深度的输入重参数化提升2D到3D姿态提升的领域泛化

Nikolai Warner, Wenjin Zhang, Hamid Badiozamani, Irfan Essa, Apaar Sadhwani

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Rutgers University（罗格斯大学） ； Amazon（亚马逊） ； Stanford University（斯坦福大学） 纠错

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

AI总结 AugLift通过将姿态提升的表示从2D坐标转换为6D几何描述，改进了领域泛化。在检测任务中，它减少了跨数据集MPJPE并提高了分布内准确性，展示了基础模型深度在补充显式3D增强方面的有效性。

Comments Preprint. Under review

Enhancing Secure Intent-Based Networking with an Agentic AI: The EU Project MARE Approach

通过代理AI增强安全意图导向网络：欧盟项目MARE方法

Iulisloi Zacarias, Marla Grunewald, Fin Gentzen, Xavi Masip-Bruin, Admela Jukan

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文提出一种增强意图导向网络的框架，结合代理AI提升安全性，设计多代理多供应商架构，支持连接外部安全知识库。

Comments This work may be submitted to the IEEE for possible publication

Infrastructure First: Enabling Embodied AI for Science in the Global South

基础设施优先：为全球南方科学赋能具身AI

Shaoshan Liu, Jie Tang, Marwa S. Hassan, Mohamed H. Sharkawy, Moustafa M. G. Fouda, Tiewei Shang, Zixin Wang

机构 * Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS)（深圳市人工智能与机器人研究院（AIRS）） ； South China University of Technology（华南理工大学） ； National Research Centre (NRC)（国家研究中心（NRC）） ； British University in Egypt (BUE)（埃及英国大学（BUE）） ； National Institute of Clean-and-Low-Carbon Energy（国家清洁低碳能源研究所） 纠错

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

AI总结 本文探讨了通过具身AI赋能科学的基础设施优先方法，强调在人力、电力和网络受限的全球南方地区，通过可靠边缘计算、能效硬件和开放标准等基础设施提升科学能力。

CraterBench-R: Instance-Level Crater Retrieval for Planetary Scale

CraterBench-R: 行为级陨石坑检索用于行星尺度

Jichao Fang, Lei Zhang, Michael Phillips, Wei Luo

机构 * Northern Illinois University（北伊利诺伊大学） ； University of Arizona（亚利桑那大学） 纠错

专题命中 领域大模型 ：pretraining(abstract)

AI总结 本文提出CraterBench-R，通过实例级图像检索解决行星表面陨石坑分析问题，展示自监督Vision Transformers在陨石坑检索中的优势，并提出实例-令牌聚合方法提升效率。

Comments Accepted at the EarthVision 2026 Workshop at CVPR 2026