语言大模型 / LLM

Clinically Interpretable Sepsis Early Warning via LLM-Guided Simulation of Temporal Physiological Dynamics

基于LLM的临床可解释性脓毒症早期预警：时间生理动态模拟

Weizhi Nie, Zhen Qu, Weijie Wang, Chunpei Li, Ke Lu, Bingyang Zhou, Hongzhi Yu

机构 * School of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院） ； Department of Information Engineering and Computer Science, University of Trento（特伦托大学信息工程与计算机科学系） ； Department of Orthopedics, Affiliated Kunshan Hospital of Jiangsu University（江苏大学附属昆山医院骨科部） ； Tianjin University Chest Hospital（天津大学胸科医院） ； Haihe Hospital, Tianjin University（天津大学海河医院） ； Key Laboratory of Education Blockchain and Intelligent Technology, Ministry of Education, Guangxi Normal University（广西师范大学教育区块链与智能技术重点实验室） 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.LG

AI总结 本文提出基于LLM的时间生理动态模拟框架，通过模拟疾病前的生理轨迹，实现可解释的脓毒症早期预警，实验表明其在AUC指标上优于传统方法，并提供可解释的风险趋势。

Surrogate modeling for interpreting black-box LLMs in medical predictions

对医疗预测中黑箱大语言模型的代理建模解释

Changho Han, Songsoo Kim, Dong Won Kim, Leo Anthony Celi, Jaewoong Kim, SungA Bae, Dukyong Yoon

机构 * Medical Big Data Research Center, Seoul National University Medical Research Center, Seoul National University College of Medicine（首尔国立大学医学院医学大数据研究中心，首尔国立大学医学院） ； Department of Biomedical Systems Informatics, Yonsei University College of Medicine（延世大学医学院生物医学系统信息学系） ； Laboratory for Computational Physiology, Massachusetts Institute of Technology（麻省理工学院计算生理学实验室） ； Division of Pulmonary, Critical Care and Sleep Medicine, Beth Israel Deaconess Medical Center（贝斯以色列德aconess医疗中心呼吸科、重症医学科和睡眠医学科） ； Department of Biostatistics, Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院生物统计学系） ； Department of Cardiology, Yongin Severance Hospital, Yonsei University College of Medicine（延世大学医学院永宁松甫医院心内科） ； Center for Digital Health, Yongin Severance Hospital, Yonsei University Health System（延世大学健康系统永宁松甫医院数字健康中心） ； Institute for Innovation in Digital Healthcare, Severance Hospital, Seoul, Republic of Korea（首尔松甫医院数字医疗创新研究所） 纠错

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

AI总结 本文提出一种代理建模框架，通过输入输出对近似复杂系统，揭示LLM编码知识的范围，揭示医疗预测中潜在的不准确和偏见。

QuarkMedSearch: A Long-Horizon Deep Search Agent for Exploring Medical Intelligence

QuarkMedSearch: 一种长Horizon深度搜索代理用于探索医学智能

Zhichao Lin, Zhichao Liang, Gaoqiang Liu, Meng Xu, Baoyu Xiang, Shuxin Zhao, Yao Wu, Jian Xu, Guanjun Jiang

机构 * Qwen Applications Business Group, Alibaba（阿里巴巴文库应用事业部） 纠错

专题命中 领域大模型 ：SFT(summary_cn,abstract)；foundation model(abstract)；post-training(abstract)；分类 cs.AI

AI总结 本文提出QuarkMedSearch，通过构建医疗多跳数据、训练策略和评估基准，提升垂直领域性能。采用两阶段SFT和RL训练策略，结合大规模医疗知识图谱和实时探索生成长Horizon训练数据，实验显示其在开源模型中表现优异。

Improving Clinical Diagnosis with Counterfactual Multi-Agent Reasoning

通过反事实多智能体推理提升临床诊断

Zhiwen You, Xi Chen, Aniket Vashishtha, Simo Du, Gabriel Erion-Barner, Hongyuan Mei, Hao Peng, Yue Guo

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Jacobi Medical Center, Albert Einstein College of Medicine（雅各布医疗中心，阿尔伯特·爱因斯坦学院） ； Department of Emergency Medicine, Beth Israel Deaconess Medical Center（贝斯以色列医疗中心急诊科） ； Leaning machines（Leanings machines） 纠错

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

AI总结 本文提出一种基于反事实推理的多智能体诊断框架，通过反事实案例编辑和反事实概率差距方法，提升诊断准确性与可解释性，尤其在复杂和模糊病例中表现突出。

Differentially Private De-identification of Dutch Clinical Notes: A Comparative Evaluation

差分隐私的荷兰临床笔记去标识化：比较评估

Michele Miranda, Xinlan Yan, Nishant Mishra, Rachel Murphy, Ameen Abu-Hanna, Sébastien Bratières, Iacer Calixto

机构 * Sapienza University of Rome（罗马大学） ； Translated ； Amsterdam UMC（阿姆斯特丹大学医学中心） ； University of Amsterdam（阿姆斯特丹大学） 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 研究比较了差分隐私、命名实体识别和大型语言模型在荷兰临床文本去标识化中的性能，发现结合语言预处理可显著提升隐私与效用的平衡。

DWTSumm: Discrete Wavelet Transform for Document Summarization

DWTSumm：基于离散小波变换的文档摘要

Rana Salama, Abdou Youssef, Mona Diab

机构 * School of Engineering and Applied Science, George Washington University（乔治华盛顿大学工程与应用科学学院） ； Faculty of Computers and Artificial Intelligence, Cairo University（开罗大学计算机与人工智能学院） ； Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所） 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.LG

AI总结 本文提出一种基于离散小波变换的多分辨率框架，用于长文档摘要，通过分解文本为全局和局部成分，提升摘要的语义相似性和事实一致性。

Biomedical systems biology workflow orchestration and execution with PoSyMed

生物医学系统生物学工作流编排与执行与PoSyMed

Simon Süwer, Zoe Chervontseva, Kester Bagemihl, Jan Baumbach, Olga Tsoy, Andreas Maier

机构 * Institute for Computational Systems Biomedicine, University of Hamburg（计算系统生物医学研究所，汉堡大学） ； Faculty of Science, Computer Science, Vrije Universiteit Amsterdam（科学与计算机科学学院，阿姆斯特丹自由大学） ； Department for Mathematics and Computer Science, University of Southern Denmark（数学与计算机科学系，南丹麦大学） 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.AI

AI总结 PoSyMed平台通过模块化架构和容器化流程，提升生物医学分析的可重复性与透明度，利用大语言模型辅助工具识别与参数设置。

AgenticQwen: Training Small Agentic Language Models with Dual Data Flywheels for Industrial-Scale Tool Use

AgenticQwen：通过双数据飞轮训练小型代理语言模型以实现工业级工具使用

Yuanjie Lyu, Chengyu Wang, Haonan Zheng, Yuanhao Yue, Junbing Yan, Ming Wang, Jun Huang

机构 * Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 本文提出AgenticQwen模型，通过多轮强化学习在合成数据和有限开源数据上训练，结合推理强化学习和代理强化学习的双数据飞轮，提升工业场景下的多步骤推理和工具使用能力。

mcdok at SemEval-2026 Task 13: Finetuning LLMs for Detection of Machine-Generated Code

mcdok在SemEval-2026任务13中的应用：微调大语言模型以检测机器生成的代码

Adam Skurla, Dominik Macko, Jakub Simko

机构 * Faculty of Information Technology, Brno University of Technology（布拉格技术学院） ； Kempelen Institute of Intelligent Technologies（智能技术研究所） 纠错

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

AI总结 本文通过微调大语言模型，针对多领域机器生成代码检测问题，提出了改进的mcdok方法，提升了对不同编程语言代码片段的检测能力，但在部分子任务上仍有提升空间。

M-CARE: Standardized Clinical Case Reporting for AI Model Behavioral Disorders, with a 20-Case Atlas and Experimental Validation

M-CARE：用于AI模型行为障碍的标准化临床案例报告，附20例图谱及实验验证

Jihoon Jeong

机构 * Department of Electrical Engineering and Computer Science, Daegu Gyeongbuk Institute of Science and Technology (DGIST)（大邱庆bu科学技术大学电气工程与计算机科学系） ； ModuLabs 纠错

专题命中 领域大模型 ：RLHF(abstract,abstract_cn)；分类 cs.CL、cs.AI、cs.LG

AI总结 M-CARE框架通过20例案例分析，提出AI行为障碍的诊断与分类方法，揭示Shell指令对模型行为的主导作用及领域依赖性特征。

Comments 31 pages, 5 figures, 14 tables. Second paper in the Model Medicine series (Paper #1: arXiv:2603.04722)

MOMO: A framework for seamless physical, verbal, and graphical robot skill learning and adaptation

MOMO：一种无缝物理、语言和图形机器人技能学习与适应框架

Markus Knauer, Edoardo Fiorini, Maximilian Mühlbauer, Stefan Schneyer, Promwat Angsuratanawech, Florian Samuel Lay, Timo Bachmann, Samuel Bustamante, Korbinian Nottensteiner, Freek Stulp, Alin Albu-Schäffer, João Silvério, Thomas Eiband

机构 * German Aerospace Center (DLR), Institute of Robotics and Mechatronics (RMC)（德国航空航天中心（DLR）机器人与机电研究所） ； School of Computation, Information and Technology (CIT), Technical University of Munich (TUM)（计算、信息与技术学院（CIT），慕尼黑技术大学） 纠错

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

AI总结 本文提出MOMO框架，通过三种互补交互方式实现机器人技能的灵活适应，结合触觉、自然语言和图形界面，提升非专家用户在工业环境中的应用能力。

Comments 15 pages, 13 figures, 3 tables

From Rookie to Expert: Manipulating LLMs for Automated Vulnerability Exploitation in Enterprise Software

从新手到专家：利用LLMs实现企业软件自动漏洞利用

Moustapha Awwalou Diouf, Maimouna Tamah Diao, Iyiola Emmanuel Olatunji, Abdoul Kader Kaboré, Jordan Samhi, Gervais Mendy, Samuel Ouya, Jacques Klein, Tegawendé F. Bissyandé

专题命中 领域大模型 ：LLM(abstract,abstract_cn)；prompting(abstract)

AI总结 本文展示如何利用公开的LLMs将新手转变为具备攻击能力的用户，提出RSA策略以绕过安全机制，验证了LLMs在漏洞利用中的有效性，挑战了传统安全原则。

Automating Computational Reproducibility in Social Science: Comparing Prompt-Based and Agent-Based Approaches

在社会科学中自动化计算可重复性：比较基于提示和基于代理的方法

Syed Mehtab Hussain Shah, Frank Hopfgartner, Arnim Bleier

机构 * University of Koblenz Koblenz Germany ； University of Koblenz 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 研究探讨了大型语言模型和AI代理能否自动诊断和修复计算失败，通过可控的可重复性测试平台评估两种方法在不同复杂度下的表现，发现基于代理的方法在可重复性上表现更优。

Comments 12 pages, 5 figures. Submitted to ACM conference

Weighting What Matters: Boosting Sample Efficiency in Medical Report Generation via Token Reweighting

权重什么重要：通过标记重加权提升医学报告生成的样本效率

Alexander Weers, Daniel Rueckert, Martin J. Menten

机构 * TUM School of Computation, Information and Technology（慕尼黑技术大学计算、信息与技术学院） ； Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； Department of Computing, Imperial College London（伦敦帝国学院计算机系） 纠错

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

AI总结 本文通过标记重加权方法提升医学报告生成的样本效率，实验表明在眼科报告生成中，该方法在较少训练数据下也能获得高质量报告。