语言大模型 / LLM

ALL-FEM: Agentic Large Language models Fine-tuned for Finite Element Methods

ALL-FEM：面向有限元方法的代理式大语言模型

Rushikesh Deotale, Adithya Srinivasan, Yuan Tian, Tianyi Zhang, Pavlos Vlachos, Hector Gomez

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

AI总结 ALL-FEM通过代理式AI与领域专用微调LLM结合，实现固体力学、流体力学及多物理场问题的自动有限元分析，其微调模型在39个基准测试中达到71.79%的代码级成功率。

Beyong Tokens: Item-aware Attention for LLM-based Recommendation

超越标记：面向LLM推荐的项感知注意力

Xiaokun Zhang, Bowei He, Jiamin Chen, Ziqiang Cui, Chen Ma

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

AI总结 本文提出项感知注意力机制，通过区分项内和项间标记关系，提升LLM在推荐中的表现，实验证明其有效性。

From Myopic Selection to Long-Horizon Awareness: Sequential LLM Routing for Multi-Turn Dialogue

从短视选择到长周期意识：面向多轮对话的序列LLM路由

Jiarui Zhang, Xiangyu Liu, Yong Hu, Chaoyue Niu, Hang Zeng, Shaojie Tang, Fan Wu, Guihai Chen

机构 * School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院） ； WeChat, Tencent Inc, Beijing, China（腾讯北京研发中心） ； University at Buffalo, New York, United States（布法罗大学） 纠错

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

AI总结 本文提出DialRouter，通过MCTS探索对话分支并学习轻量路由策略，实现多轮对话的高效路由，提升任务成功率并优化性能成本比。

Generation-Augmented Generation: A Plug-and-Play Framework for Private Knowledge Injection in Large Language Models

生成增强生成：一种用于大语言模型私有知识注入的即插即用框架

Rongji Li, Jian Xu, Yi Chen, Xueqing Chen, Yisheng Yang, Jiayi Wang, Xingyu Chen, Chunyu Xie, Dawei Leng, Xu-Yao Zhang

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences（自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Zhongguancun Academy（中关村学院） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院） ； AI Research（360人工智能研究院） 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 本文提出GAG框架，通过将私有专业知识作为辅助模态注入冻结的基础模型，解决私有知识注入中的效率与效果平衡问题，在科学和通用领域问答中均表现出色。

UniDetect: LLM-Driven Universal Fraud Detection across Heterogeneous Blockchains

UniDetect: 基于大语言模型的跨异构区块链通用欺诈检测

Shuyi Miao, Wangjie Qiu, Shengda Zhuo, Fei Shen, Dan Lin, Xingtong Yu, Chua Tat-Seng, Zhiming Zheng

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

AI总结 UniDetect利用大语言模型生成跨异构区块链账户的交易摘要文本，结合两阶段交替训练策略，提升欺诈检测性能，在多个区块链上实现5.57%-7.58%的KS提升，跨链零样本检测准确率超94.58%。

ContextLens: Modeling Imperfect Privacy and Safety Context for Legal Compliance

ContextLens：建模不完美隐私和安全上下文以满足法律合规

Haoran Li, Yulin Chen, Huihao Jing, Wenbin Hu, Tsz Ho Li, Chanhou Lou, Hong Ting Tsang, Sirui Han, Yangqiu Song

机构 * Beihang University（北京航空航天大学） ； HKUST（香港科技大学） ； National University of Singapore（新加坡国立大学） ； Faculty of Law, University of Macau（澳门大学法学院） 纠错

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

AI总结 本文提出ContextLens框架，利用LLM建模法律领域上下文，识别已知和未知因素以提升合规评估，实验表明其能有效提升LLM合规性评估性能。

Comments Accepted by ACL 26

MultiDocFusion: Hierarchical and Multimodal Chunking Pipeline for Enhanced RAG on Long Industrial Documents

多文档融合：一种用于长工业文档增强RAG的分块流程

Joongmin Shin, Chanjun Park, Jeongbae Park, Jaehyung Seo, Heuiseok Lim

机构 * Human-inspired AI Research（人机协同人工智能研究所） ； Department of Computer Science and Engineering（计算机科学与工程系） ； School of Software（软件学院） 纠错

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

AI总结 针对长工业文档结构复杂的问题，提出MultiDocFusion分块流程，结合视觉解析、OCR提取、层次结构重建和DFS分组，提升RAG检索精度和问答质量。

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing

Neuro-symbolic Static Analysis with LLM-generated Vulnerability Patterns

基于大语言模型的神经符号静态分析

Penghui Li, Songchen Yao, Josef Sarfati Korich, Changhua Luo, Jianjia Yu, Yinzhi Cao, Junfeng Yang

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

AI总结 本文提出MoCQ框架，结合大语言模型生成漏洞检测模式，实现高精度与高扩展性的静态分析，发现46个新漏洞模式并识别25个未知漏洞。

Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with A Generalist Foundation Model and Multimodal Database

通过通用基础模型和多模态数据库实现跨异构临床环境的超快速心血管成像

Zi Wang, Mingkai Huang, Zhang Shi, Hongjie Hu, Lan Lan, Hui Zhang, Yan Li, Xi Hu, Qing Lu, Zongming Zhu, Qiong Yao, Yuxiang Dai, Fanwen Wang, Yinzhe Wu, Jun Lyu, Qianqian Gao, Guangming Xu, Zhenxuan Zhang, Haosen Zhang, Qing Li, Guangming Wang, Tianxing He, Lizhen Lan, Siyue Li, Le Xue, Mengting Sun, Yuntong Lyu, Junpu Hu, Jiayu Zhu, Rizwan Ahmad, Zhengyu Bu, Xianling Qian, Guanke Cai, Ruiyu Cao, Weirui Cai, Chang Xu, Yuyang Ren, Feidan Yu, Siying Ma, Ziqiang Xu, Xinran Chen, Sha Hua, Daniel Kim, Yajing Zhang, Chen Ouyang, Wenjia Bai, Jing Qin, Yucheng Yang, Daniel Rueckert, He Wang, Qian Tao, Claudia Prieto, Michael Markl, Alistair Young, Lianming Wu, Shuo Wang, Chen Qin, Mengsu Zeng, Xihong Hu, Haibo Xu, Xiaobo Qu, Hao Li, Guang Yang, Chengyan Wang

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

AI总结 本文提出CardioMM模型，通过统一语义理解和物理约束数据一致性，实现跨不同扫描仪、协议和患者情况的稳健重建，验证了24倍加速仍能保持关键心脏表型和诊断图像质量。

Comments Github: https://github.com/wangziblake/CardioMM_MMCMR-427K

Cross-Domain Transfer with Particle Physics Foundation Models: From Jets to Neutrino Interactions

跨领域迁移与粒子物理基础模型：从喷注到中微子相互作用

Gregor Krzmanc, Vinicius Mikuni, Benjamin Nachman, Callum Wilkinson

机构 * Department of Physics, Stanford University（斯坦福大学物理系） ； Nagoya University, Kobayashi-Maskawa Institute（名古屋大学滨坂-马萨卡瓦研究所） ； Fundamental Physics Directorate, SLAC National Accelerator Laboratory（SLAC国家加速器实验室基础物理部门） ； Lawrence Berkeley National Laboratory（伯克利国家实验室） 纠错

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

AI总结 本文探讨了基于粒子物理基础模型的跨领域迁移能力，通过在中微子实验中实现能量回归和分类任务，验证了预训练模型在不同能量尺度和探测器技术下的泛化能力。

Comments 12 pages, 8 figures

GoodPoint: Learning Constructive Scientific Paper Feedback from Author Responses

GoodPoint: 从作者回复中学习建设性科学论文反馈

Jimin Mun, Chani Jung, Xuhui Zhou, Hyunwoo Kim, Maarten Sap

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Independent Researcher（独立研究者） ； NVIDIA 纠错

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

AI总结 本文提出GoodPoint方法，通过作者回复中的成功信号进行微调和偏好优化，提升反馈的有效性和实用性，实验显示其在反馈匹配和作者感知价值上优于现有模型。

Comments 22 pages, 6 figures

Identifying and Mitigating Gender Cues in Academic Recommendation Letters: An Interpretability Case Study

识别和缓解学术推荐信中的性别线索：一个可解释性案例研究

Charlotte S. Alexander, Shane Storks, Souradip Pal, Sayak Chakrabarty, Arushi Sharma, Mlen-Too Wesley, Bailey Russo

机构 * Scheller College of Business（施谢尔商学院） ； Georgia Institute of Technology（佐治亚理工学院） ； Weinberg Institute for Cognitive Science（认知科学研究所） ； University of Michigan - Ann Arbor（密歇根大学安娜堡分校） ； School of Electrical and Computer Engineering（电气与计算机工程学院） ； Purdue University（普渡大学） ； Department of Computer Science（计算机科学系） ； Northwestern University（西北大学） ； Iowa State University（爱荷华州立大学） ； College of Computing（计算学院） 纠错

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

AI总结 本研究探讨Transformer编码器模型和大语言模型在去除姓名和代词后，能否从匿名推荐信中推断出申请人的性别，发现存在显著的性别泄露，并通过移除隐含性别线索降低模型准确性，但性别预测仍优于随机猜测。

Comments 17 pages, 3 figures

Agentic Discovery with Active Hypothesis Exploration for Visual Recognition

具有主动假设探索的代理发现用于视觉识别

Jaywon Koo, Jefferson Hernandez, Ruozhen He, Hanjie Chen, Chen Wei, Vicente Ordonez

机构 * Rice University（里士大学） 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HypoExplore框架，通过进化分支发现视觉识别的神经网络架构，通过大语言模型生成假设并评估改进，最终在CIFAR-10上实现94.11%的准确率，并在其他数据集上展示出优越性能。

Leveraging LLMs and Heterogeneous Knowledge Graphs for Persona-Driven Session-Based Recommendation

利用大语言模型和异构知识图谱进行基于人设的会话驱动推荐

Muskan Gupta, Suraj Thapa, Jyotsana Khatri

专题命中 领域大模型 ：LLM(abstract,abstract_cn)

AI总结 本文提出基于异构知识图谱和大语言模型的会话驱动推荐框架，通过构建异构知识图谱并学习用户人设，提升稀疏或冷启动场景下的个性化推荐效果。

Cross-Attentive Multiview Fusion of Vision-Language Embeddings

多视图交叉注意力的视觉-语言嵌入融合

Tomas Berriel Martins, Martin R. Oswald, Javier Civera

机构 * University of Zaragoza, Spain（阿拉贡大学，西班牙） ； University of Amsterdam, Netherlands（阿姆斯特丹大学，荷兰） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 本文提出一种多视图Transformer架构，通过跨视图视觉-语言描述符进行注意力融合，提升3D语义和实例分类性能，同时利用多视图一致性作为自监督信号。

Learning Project-wise Subsequent Code Edits via Interleaving Neural-based Induction and Tool-based Deduction

通过交错神经基础归纳与工具基础演绎学习项目级后续代码编辑

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

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文提出TRACE方法，通过结合神经归纳与工具演绎，提升项目级代码编辑的范围、精度与效率。

Comments ASE 2025 conference paper, 13 pages

Journal ref Proc. IEEE/ACM ASE 2025, pp. 1377-1389