语言大模型 / LLM

VoteGCL: Enhancing Graph-based Recommendations with Majority-Voting LLM-Rerank Augmentation

VoteGCL: 通过多数投票LLM重排序增强基于图的推荐

Minh-Anh Nguyen, Bao Nguyen, Ha Lan N. T., Tuan Anh Hoang, Duc-Trong Le, Dung D. Le

机构 * Center for AI Research, VinUniversity（越南 Vin 大学人工智能研究中心） ； The Chinese University of Hong Kong（香港中文大学） ； RMIT University（皇家墨尔本理工大学） ； VNU University of Engineering and Technology（越南工程与技术大学） 纠错

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

AI总结 本文提出利用LLM和物品文本描述增强交互数据，通过多数投票生成高置信度合成用户-物品交互，结合图对比学习框架缓解分布偏移和流行度偏差，实验显示提升准确率并减少流行度偏差。

Experiments or Outcomes? Probing Scientific Feasibility in Large Language Models

实验还是结果？在大型语言模型中探测科学可行性

Seyedali Mohammadi, Manas Gaur, Francis Ferraro

机构 * University of Maryland, Baltimore County（马里兰大学巴尔的摩分校） 纠错

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

AI总结 本文探讨了在大型语言模型中科学可行性的评估，发现提供结果证据比实验描述更可靠，结果能提升准确性，而实验文本可能因上下文不完整而退化。

Comments Accepted at ACL 2026

Album: executable building blocks for scientific imaging routines, from sharing to LLM-assisted orchestration

Album: 科学成像流程的可执行构建模块，从共享到LLM辅助编排

Jan Philipp Albrecht, Deborah Schmidt, Lucas Rieckert, Maximilian Otto, Kyle Harrington

专题命中 领域大模型 ：LLM(title,title_cn)

AI总结 Album通过两个核心机制实现科学流程的可执行打包与共享，支持可复现执行和LLM辅助编排，适用于多领域科学应用。

Comments 38 pages, 7 figures

GraphRAG-IRL: Personalized Recommendation with Graph-Grounded Inverse Reinforcement Learning and LLM Re-ranking

基于图的反强化学习与大语言模型重排序的个性化推荐

Siqi Liang, Xiawei Wang, Yudi Zhang, Jiaying Zhou

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

AI总结 GraphRAG-IRL结合图基础特征构建、反强化学习和基于人设的大语言模型重排序，通过最大熵反强化学习模型实现校准预排序，并利用LLM对短候选列表进行重排序，提升推荐效果。

Xpertbench: Expert Level Tasks with Rubrics-Based Evaluation

Xpertbench：基于评分标准的专家级任务

Xue Liu, Xin Ma, Yuxin Ma, Yongchang Peng, Duo Wang, Zhoufutu Wen, Ge Zhang, Kaiyuan Zhang, Xinyu Chen, Yida Ding, Tianci He, Jiani Hou, Liang Hu, Ziyun Huang, Yongzhe Hui, Jianpeng Jiao, Chennan Ju, Yingru Kong, Yiran Li, Jiashuo Liu, Mengyun Liu, Luyao Ma, Fei Ni, Yiqing Ni, Pengbo Niu, Yueyan Qiu, Yanle Ren, Xinyu Shen, Zilin Shi, Zaiyuan Wang, Wenjie Yue, Chun Zhang, Shiyu Zhang, Xinyi Zhang, Kaiwen Zhao, Zhenwei Zhu, Shanshan Wu, Qi Zhao, Wenhao Huang

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

AI总结 XpertBench通过精心设计的高保真任务评估LLM在专业领域的能力，揭示了当前AI系统在专家级任务上的性能瓶颈，展示了模型在不同领域中的表现差异。

Coding-Free and Privacy-Preserving Agentic Framework for Data-Driven Clinical Research

无编码且隐私保护的代理框架用于数据驱动的临床研究

Taehun Kim, Hyeryun Park, Hyeonhoon Lee, Yushin Lee, Kyungsang Kim, Hyung-Chul Lee

机构 * Infmedix, Co., Ltd.（Infmedix公司） ； Department of Transdisciplinary Studies, Seoul National University（首尔国立大学跨学科研究系） ； Healthcare AI Research Institute, Seoul National University Hospital（首尔国立大学医院医疗人工智能研究所） ； Department of Medicine, Seoul National University College of Medicine（首尔国立大学医学院医学系） ； Department of Transdisciplinary Medicine, Seoul National University Hospital（首尔国立大学医院跨学科医学系） ； Department of Radiology, Massachusetts General Hospital and Harvard Medical School（麻省总医院放射科及哈佛医学院） 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 本文提出CARIS框架，通过整合大语言模型与模块化工具，实现无需编程的自然语言驱动研究，提升临床研究效率与隐私保护。

Comments 10 pages, 5 figures, 2 tables, Supplementary Appendix

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