语言大模型 / LLM

SAGER: Self-Evolving User Policy Skills for Recommendation Agent

SAGER：面向推荐代理的自进化用户策略技能

Zhen Tao, Riwei Lai, Chenyun Yu, Weixin Chen, Li Chen, Beibei Kong, Lei Cheng, Chengxiang Zhuo, Zang Li, Qingqiang Sun

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

AI总结 SAGER通过为每个用户分配专用策略技能，实现个性化推荐代理的自进化推理，实验表明其在四个公开基准上达到最优性能，证明个性化推理过程是推荐改进的新来源。

From PhysioNet to Foundation Models -- A History and Potential Futures

从PhysioNet到基础模型——一段历史与潜在未来

Gari D. Clifford

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

AI总结 文章回顾了过去30年医学数据与模型共享的发展历程，探讨了基础模型、Tiny-ML和边缘计算等未来方向，以及开放获取代码、比赛机制和科学可重复性等关键问题。

Comments 56 pages, 6 figures, 3 tables. Extended from: Gari D. Clifford. Past, Present and Future Challenges in Sharing Science: From PhysioNet to Foundation Models. 51st Computing in Cardiology, Karlsruhe, Germany, 51:1-4, 2024

User Prompting Strategies and ChatGPT Contextual Adaptation Shape Conversational Information-Seeking Experiences

用户提示策略与ChatGPT上下文适应影响对话信息检索体验

Haoning Xue, Yoo Jung Oh, Xinyi Zhou, Xinyu Zhang, Berit Oxley

专题命中 领域大模型 ：prompting(title,abstract)

AI总结 研究探讨用户提示策略和ChatGPT响应风格如何影响对话信息检索体验，发现只有19.1%的用户使用提示策略，且这些用户教育程度较高且倾向民主党。ChatGPT在争议性话题中表现出更高的认知复杂性和外部引用，但复杂的响应被感知为不受欢迎，却产生了更积极的相关态度。

CoDA: Towards Effective Cross-domain Knowledge Transfer via CoT-guided Domain Adaptation

CoDA：通过引导式推理的领域适应实现有效的跨领域知识迁移

Jianzhi Yan, Le Liu, Buzhou Tang, Yang Xiang, Dongning Sun, Zhiming Li

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory（鹏城实验室） 纠错

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

AI总结 针对跨领域知识迁移中领域分布偏移问题，CoDA通过轻量适配器和基于特征的知识蒸馏结合MMD分布匹配，有效对齐源域与目标域的潜在推理表示，提升逻辑推理任务性能。

Comments 12 pages, 6 figures

Can Continual Pre-training Bridge the Performance Gap between General-purpose and Specialized Language Models in the Medical Domain?

持续预训练能否缩小通用与专用语言模型在医疗领域的性能差距？

Niclas Doll, Jasper Schulze Buschhoff, Shalaka Satheesh, Hammam Abdelwahab, Héctor Allende-Cid, Katrin Klug

机构 * Fraunhofer IAIS（弗劳恩霍夫人工智能研究所） ； Lamarr Institute（拉马尔研究所） 纠错

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

AI总结 本文通过持续预训练和融合技术，缩小专用模型与大通用模型的性能差距，构建了DeFineMed模型家族，证明专用模型在医疗任务中具有竞争力。

Comments Accepted to the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026, San Diego, California, July 2 - 7, 2026) as a main conference paper

CAST: Modeling Semantic-Level Transitions for Complementary-Aware Sequential Recommendation

CAST：基于语义级转换的互补意识序列推荐建模

Qian Zhang, Lech Szymanski, Haibo Zhang, Jeremiah D. Deng

机构 * School of Computing, University of Otago（奥塔哥大学计算机学院） ； University of New South Wales（新南威尔士大学） 纠错

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

AI总结 本文提出CAST框架，通过语义级转换模块和互补先验注入模块，有效捕捉可靠互补关系，提升序列推荐性能。

Comments 10 pages, 5 figures

EviSearch: A Human in the Loop System for Extracting and Auditing Clinical Evidence for Systematic Reviews

EviSearch：一个用于系统综述中提取和审计临床证据的人机协作系统

Naman Ahuja, Saniya Mulla, Muhammad Ali Khan, Zaryab Bin Riaz, Kaneez Zahra Rubab Khakwani, Mohamad Bassam Sonbol, Irbaz Bin Riaz, Vivek Gupta

机构 * Arizona State University（亚利桑那州立大学） ； Mayo Clinic（梅奥诊所） 纠错

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

AI总结 EviSearch通过多智能体系统自动化从原始试验PDF中生成与本体对齐的临床证据表，并提供细胞级可追溯性以供审计和人工验证，提升提取精度并减少手动校对负担。

AD-Copilot: A Vision-Language Assistant for Industrial Anomaly Detection via Visual In-context Comparison

AD-Copilot：通过视觉上下文比较实现工业异常检测的视觉-语言助手

Xi Jiang, Yue Guo, Jian Li, Yong Liu, Bin-Bin Gao, Hanqiu Deng, Jun Liu, Heng Zhao, Chengjie Wang, Feng Zheng

机构 * Department of Computer Science and Engineering, Southern University of Science and Technology（计算机科学与工程系，南方科技大学） ； Macau University of Science and Technology（澳门科技大学） ； Tencent YouTu Lab（腾讯YouTu实验室） ； Nanjing University（南京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Centre for Frontier AI Research, A*STAR（前沿人工智能研究中心，A*STAR） 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 AD-Copilot通过视觉上下文比较提升工业异常检测性能，采用新颖的数据筛选流程和比较编码器，在多个基准测试中取得优异成绩，超越人类专家水平。

Comments Code and models are released at https://github.com/jam-cc/AD-Copilot

Multi-agent Self-triage System with Medical Flowcharts

多代理自分级系统与医疗流程图

Yujia Liu, Sophia Yu, Hongyue Jin, Jessica Wen, Alexander Qian, Terrence Lee, Mattheus Ramsis, Gi Won Choi, Lianhui Qin, Xin Liu, Edward J. Wang

机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； The Design Lab, University of California San Diego（加州大学圣地亚哥分校设计实验室） ； Department of Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系） ； Department of Medicine, Kaiser Permanente（Kaiser 医疗集团医学部） ； Department of Radiation Oncology, University of California San Francisco（加州大学旧金山分校放射肿瘤学部） ； Department of Emergency Medicine, University of California San Francisco（加州大学旧金山分校急诊医学部） ； Division of Cardiology, Department of Medicine, University of California San Diego（加州大学圣地亚哥分校医学部心内科分会） ； Department of Orthopaedic Surgery, Korea University Ansan Hospital（韩国大学安山医院骨科部） ； Google Research, Seattle, WA, USA（谷歌研究（西雅图，华盛顿州）） ； Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·阿伦计算机科学与工程学校） 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 本文提出一种多代理自分级系统，利用100个经临床验证的流程图提升医疗决策的准确性与透明度，通过检索、决策和聊天代理实现患者个性化推荐，实验显示在大规模合成数据集上达到高准确率。

Journal ref Nature Health (2026)

CLIPoint3D: Language-Grounded Few-Shot Unsupervised 3D Point Cloud Domain Adaptation

CLIPoint3D: 基于语言的少样本无监督3D点云领域适应

Mainak Singha, Sarthak Mehrotra, Paolo Casari, Subhasis Chaudhuri, Elisa Ricci, Biplab Banerjee

机构 * University of Trento（特伦托大学） ； MDSR Labs Adobe（Adobe MDSR实验室） ； IIT Bombay（印度理工学院班加罗尔分校） ； Fondazione Bruno Kessler（布鲁诺·科斯勒基金会） 纠错

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

AI总结 本文提出CLIPoint3D，首个基于CLIP的3D点云无监督领域适应框架，通过知识驱动的提示调优和熵引导视图采样策略，实现跨领域3D点云适应，实验表明在PointDA-10和GraspNetPC-10基准上性能提升3-16%。

Comments Accepted in CVPR 2026

REVEAL: Multimodal Vision-Language Alignment of Retinal Morphometry and Clinical Risks for Incident AD and Dementia Prediction

REVEAL：多模态视图-语言对齐的视网膜形态学与临床风险预测

Seowung Leem, Lin Gu, Chenyu You, Kuang Gong, Ruogu Fang

机构 * J. Crayton Pruitt Family Department of Biomedical Engineering, University of Florida（佛罗里达大学J. Crayton Pruitt家族生物医学工程系） ； Research Institute of Electrical Communication, Tohoku University（东北大学电气通信研究所） ； Department of Applied Mathematics & Statistics, Stony Brook University（石溪大学应用数学与统计学系） ； Department of Computer Science, Stony Brook University（石溪大学计算机科学系） 纠错

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

AI总结 REVEAL通过多模态对齐视网膜形态学与临床风险因素，提前8年预测阿尔茨海默病和痴呆症，优于现有模型。

Comments Accepted for publication a MIDL 2026

Scientific tools and Innovation: Big Science Facilities Yield More Novel and Interdisciplinary Knowledge

科学工具与创新：大型科学设施产生更多新颖和跨学科知识

Mingze Zhang, Yizhan Li, Yutong Li, Zexia Li

专题命中 领域大模型 ：prompting(abstract)

AI总结 研究通过分析大型科学设施的出版物，发现其使用率显著增加，且支持这些设施的出版物在新颖性和跨学科整合方面表现更佳，尤其在非物理科学领域，表明设施间知识溢出效应增强。

Comments 25 pages, 3 figures

STAR-Teaming: A Strategy-Response Multiplex Network Approach to Automated LLM Red Teaming

STAR-Teaming：一种基于策略-响应多plex网络的自动化LLM红队方法

MinJae Jung, YongTaek Lim, Chaeyun Kim, Junghwan Kim, Kihyun Kim, Minwoo Kim

机构 * DATUMO INC（DATUMO公司） 纠错

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

AI总结 本文提出STAR-Teaming，一种基于多plex网络的自动化红队方法，通过网络驱动优化生成有效攻击策略，提升LLM策略漏洞的可解释性并降低计算成本。

Comments Accepted at ACL 2026 Findings

Mind the Unseen Mass: Unmasking LLM Hallucinations via Soft-Hybrid Alphabet Estimation

注意未见的质量：通过软混合字母估计揭示LLM幻觉

Hongxing Pan, Yingying Guo, Wenqing Kuang, Jiashi Lu

机构 * School of Data Science（数据科学学院） 纠错

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

AI总结 本文提出SHADE方法，通过结合通用Good-Turing覆盖与图谱特征，解决小样本下LLM语义字母估计问题，提升不确定性量化性能。

Comments 7 pages, 1 figure, 3 tables

OmniParser V2: Structured-Points-of-Thought for Unified Visual Text Parsing and Its Generality to Multimodal Large Language Models

OmniParser V2：结构化思维点用于统一的视觉文本解析及其在多模态大语言模型中的通用性

Wenwen Yu, Zhibo Yang, Jianqiang Wan, Sibo Song, Jun Tang, Wenqing Cheng, Yuliang Liu, Xiang Bai

机构 * School of Information Science and Engineering, East China University of Science and Technology（东华大学信息科学与工程学院） ； School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院） ； School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） ； School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院） ； Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 本文提出OmniParser V2，通过结构化思维点提示方案统一视觉文本解析任务，简化流程并提升性能，在多个数据集上取得最佳结果，并验证其在多模态大语言模型中的通用性。

Comments Accepted by IEEE TPAMI

STaD: Scaffolded Task Design for Identifying Compositional Skill Gaps in LLMs

STaD：基于支架任务设计的LLM组合技能缺口识别

Sungeun An, Swanand Ravindra Kadhe, Shailja Thakur, Chad DeLuca, Hima Patel

机构 * IBM Research（IBM研究院） 纠错

专题命中 知识编辑与模型理解 ：LLM(title_cn,summary_cn)；分类 cs.CL、cs.AI

AI总结 STaD框架通过生成受控变体任务，系统探测LLM在组合技能上的不足，揭示不同模型的独特技能缺口。

Comments 9 pages, 3 figures, 3 tables, ACL Findings 2026

Cell-Based Representation of Relational Binding in Language Models

基于细胞的语言模型中关系绑定的表示

Qin Dai, Benjamin Heinzerling, Kentaro Inui

机构 * Tohoku University（东大大学） ； RIKEN（日本科学技術研究所） ； AIP（Advanced Institute for Prognostic Studies） ； MBZUAI（马克斯·普朗克研究所） 纠错

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

AI总结 研究揭示语言模型通过细胞绑定表示进行关系绑定，通过多句子数据验证了细胞子空间的可解码性及跨上下文迁移能力。

Once Correct, Still Wrong: Counterfactual Hallucination in Multilingual Vision-Language Models

一旦正确，仍错误：多语言视觉-语言模型中的反事实幻觉

Basel Mousi, Fahim Dalvi, Shammur Chowdhury, Firoj Alam, Nadir Durrani

机构 * Qatar Computing Research Institute, HBKU（卡塔尔计算研究所，哈姆丹·本·哈马德大学） 纠错

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

AI总结 研究探讨多语言视觉-语言模型在文化背景下反事实幻觉的问题，提出M²CQA基准测试，通过17个中东国家图像和多语言对比陈述评估模型性能，发现阿拉伯语尤其在方言中反事实幻觉率显著上升。

Where Fake Citations Are Made: Tracing Field-Level Hallucination to Specific Neurons in LLMs

伪造引用的产生地：追踪领域层面的幻觉到LLM中的特定神经元

Yuefei Chen, Yihao Quan, Xiaodong Lin, Ruixiang Tang

机构 * Rutgers University（罗格斯大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title_cn,summary_cn)；分类 cs.CL、cs.AI

AI总结 研究发现LLM生成虚假引用时，作者名错误率最高，领域特定的幻觉神经元通过内部模型信号可检测和缓解。

RepIt: Steering Language Models with Concept-Specific Refusal Vectors

RepIt：通过概念特定拒绝向量引导语言模型

Vincent Siu, Nathan W. Henry, Nicholas Crispino, Yang Liu, Dawn Song, Chenguang Wang

机构 * University of California, Santa Cruz（加州大学圣克鲁兹分校） ； University of California, Berkeley（加州大学伯克利分校） 纠错

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

AI总结 RepIt通过隔离语言模型激活中的概念特定表示，揭示当前安全评估的漏洞，展示如何利用少量资源实现针对特定概念的拒绝抑制。

Comments ICLR 2026

FaithLens: Detecting and Explaining Faithfulness Hallucination

FaithLens：检测并解释忠实性幻觉

Shuzheng Si, Qingyi Wang, Haozhe Zhao, Yuzhuo Bai, Guanqiao Chen, Kangyang Luo, Gang Chen, Fanchao Qi, Minjia Zhang, Baobao Chang, Maosong Sun

机构 * Tsinghua University（清华大学） ； DeepLang AI ； Fudan University（复旦大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学香槟分校） ； Peking University（北京大学） 纠错

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

AI总结 本文提出FaithLens模型，通过合成训练数据和规则强化学习，有效检测并解释大语言模型中的忠实性幻觉，优于GPT-5.2和o3模型，提升可信度与效率。

Comments ACL 2026 (Findings)

Towards Scalable Lifelong Knowledge Editing with Selective Knowledge Suppression

迈向可扩展的终身知识编辑与选择性知识抑制

Dahyun Jung, Jaewook Lee, Heuiseok Lim

机构 * Department of Computer Science and Engineering, Korea University（韩国大学计算机科学与工程系） 纠错

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

AI总结 本文提出LightEdit方法，通过选择性知识抑制实现高效终身知识编辑，实验表明其在多个基准测试中表现优异，且降低了训练成本，提升了可扩展性。

AI usage in string theory, a case study: String Vacua in the Interior of Moduli Space

人工智能在弦论中的应用：弦真空在模空间内部的案例研究

Timm Wrase

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)

AI总结 本文探讨了在模空间内部的四维N=1Minkowski真空，通过Landau-Ginzburg模型描述，分析了人工智能在弦论中的应用及对弦景观和swampland猜想的贡献。

Comments 8 real pages + AI content; proceedings of the workshop "Recent Progress in Computational String Geometry,'' held at the Chennai Mathematical Institute in India in January 2026; comments welcome

Think Before Writing: Feature-Level Multi-Objective Optimization for Generative Citation Visibility

在写作前思考：生成引用可见性的特征级多目标优化

Zikang Liu, Peilan Xu

机构 * School of Artificial Intelligence, Nanjing University of Information Science and Technology（人工智能学院，南京信息科学技术大学） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.AI

AI总结 本文提出FeatGEO框架，通过特征级多目标优化提升生成内容的引用可见性，同时保持内容质量。实验表明其优于基于词级的优化方法。

Comments 14 pages, 5 figures

Probing for Reading Times

探测阅读时间

Eleftheria Tsipidi, Samuel Kiegeland, Francesco Ignazio Re, Tianyang Xu, Mario Giulianelli, Karolina Stanczak, Ryan Cotterell

机构 * ETH Zürich（苏黎世联邦理工学院） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； University College London（伦敦大学学院） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)；分类 cs.CL

AI总结 本文通过眼动追踪数据，利用正则化线性回归比较语言模型各层表示在预测阅读时间等指标上的表现，发现早期层表示在预测早期眼动指标上优于 surprisal，但对总阅读时间而言 surprisal 仍更优。

Comments ACL 2026 (main conference)

SEAT: Sparse Entity-Aware Tuning for Knowledge Adaptation while Preserving Epistemic Abstention

SEAT：稀疏实体感知调谐以实现知识适应同时保持认知回避

William F. Shen, Xinchi Qiu, Nicola Cancedda, Nicholas D. Lane

机构 * University of Cambridge（剑桥大学） ； Meta 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract_cn)；分类 cs.AI

AI总结 SEAT通过稀疏调谐和实体扰动KL正则化，在保持认知回避能力的同时提升知识获取，无需对齐数据或后续重对齐，有效提升未知查询的人工评估回避率。

GAIR: Location-Aware Self-Supervised Contrastive Pre-Training with Geo-Aligned Implicit Representations

GAIR：具有地理对齐隐式表示的定位感知自监督对比预训练

Zeping Liu, Ni Lao, Zhangyu Wang, Junfeng Jiao, Gengchen Mai

机构 * SEAI Lab, Department of Geography and the Environment, The University of Texas at Austin（地理与环境系SEAI实验室，德克萨斯大学奥斯汀分校） ； Google LLC, Mountain View, CA, USA（谷歌公司，山景城，加利福尼亚州，美国） ； SIT Lab, School of Computing and Information Science, The University of Maine（计算与信息科学系SIT实验室，缅因大学） ； Urban Information Lab, School of Architecture, The University of Texas at Austin（城市信息实验室，建筑系，德克萨斯大学奥斯汀分校） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)；分类 cs.AI

AI总结 GAIR通过引入隐式神经表示模块，解决地理空间任务中多模态数据的局部化表示问题，实现跨模态的地理对齐，提升空间关系建模能力。

Comments Accepted by ISPRS Journal of Photogrammetry and Remote Sensing

Remindful: Designing Reminder Systems for Caregiver Interpretation in Dementia Care

Remindful：为痴呆症护理中的照护者解释设计提醒系统

Joy Lai, Alex Mihailidis

专题命中 知识编辑与模型理解 ：prompting(abstract)

AI总结 Remindful通过整合照护者视角的提醒功能，支持家庭环境中的痴呆症护理，研究发现提醒系统能增强照护者的 reassurance 和协调，但其效果高度依赖于具体情境。

BED-LLM: Intelligent Information Gathering with LLMs and Bayesian Experimental Design

BED-LLM：利用LLM和贝叶斯实验设计进行智能信息收集

Deepro Choudhury, Sinead Williamson, Adam Goliński, Ning Miao, Freddie Bickford Smith, Michael Kirchhof, Yizhe Zhang, Tom Rainforth

机构 * University of Oxford（牛津大学） ； Apple（苹果公司） ； City University of Hong Kong（香港城市大学） ； University of Somewhere（某大学） ； Institute of Something（某研究所） ； Company Ltd（某有限公司） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本文提出了一种基于贝叶斯实验设计框架的通用方法，通过迭代选择最大化信息增益的问题来提升LLM的信息收集能力，展示了BED-LLM在20 Questions游戏中优于传统提示方法的性能。

Comments Published at the International Conference on Learning Representations 2026

What Makes an LLM a Good Optimizer? A Trajectory Analysis of LLM-Guided Evolutionary Search

什么使一个LLM成为好的优化器？LLM引导的进化搜索轨迹分析

Xinhao Zhang, Xi Chen, François Portet, Maxime Peyrard

机构 * Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔INP、LIG实验室） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 研究通过分析15个LLM在8个任务上的优化轨迹，发现初始能力相似的模型会产生差异大的搜索轨迹，强优化器表现为局部细化，弱优化器则出现语义漂移，解决方案新颖性只有在搜索保持局部化时才有效。

Comments 9 pages, 8 figures, Accepted at Findings of ACL 2026