语言大模型 / LLM

From Classical Machine Learning to Emerging Foundation Models: Review on Multimodal Data Integration for Cancer Research

从经典机器学习到新兴基础模型：癌症研究中多模态数据整合的综述

Amgad Muneer, Muhammad Waqas, Maliazurina B Saad, Eman Showkatian, Rukhmini Bandyopadhyay, Hui Xu, Wentao Li, Joe Y Chang, Zhongxing Liao, Cara Haymaker, Luisa Solis Soto, Carol C Wu, Natalie I Vokes, Xiuning Le, Lauren A Byers, Don L Gibbons, John V Heymach, Jianjun Zhang, Jia Wu

机构 * Department of Imaging Physics, The University of Texas MD Anderson Cancer Center（影像物理系，德克萨斯大学MD安德森癌症中心） ； Department of Thoracic/Head and Neck Medical Oncology, The University of Texas MD Anderson Cancer Center（胸腔/头颈医学肿瘤科，德克萨斯大学MD安德森癌症中心） ； Department of Thoracic Radiation Oncology, The University of Texas MD Anderson Cancer Center（胸腔放射肿瘤科，德克萨斯大学MD安德森癌症中心） ； Department of Translational Molecular Pathology, The University of Texas MD Anderson Cancer Center（转化分子病理学系，德克萨斯大学MD安德森癌症中心） ； Department of Thoracic Imaging, The University of Texas MD Anderson Cancer Center（胸腔影像科，德克萨斯大学MD安德森癌症中心） 纠错

专题命中 效率与部署 ：foundation model(title,abstract)；分类 cs.AI

AI总结 本文综述了多模态数据整合在癌症研究中的应用，探讨了传统机器学习向基础模型转变的趋势，以及多组学与先进影像数据整合的最新方法和挑战。

Comments 10 figures, 5 tables

Journal ref Artificial Intelligence Review 59, 119 (2026)

Efficient Multi-Agent System Training with Data Influence-Oriented Tree Search

高效多智能体系统训练中的数据影响导向树搜索

Wentao Shi, Zichun Yu, Fuli Feng, Xiangnan He, Chenyan Xiong

机构 * University of Science and Technology of China（中国科学技术大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 效率与部署 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出数据影响导向树搜索框架，通过影响评分指导树搜索和数据选择，提升多智能体系统训练效率与效果。

Comments Accepted by ACL 2026 Main;

Developing Models of Procedural Skills using an AI-assisted Text-to-Model Approach

利用AI辅助的文本到模型方法开发程序技能模型

Rahul K. Dass, Shubham Puri, Arpit Khandelwal, Xiao Jin, Ashok K. Goel

专题命中 效率与部署 ：LLM(abstract,abstract_cn)；prompting(abstract)

AI总结 本文提出一种AI辅助的文本到模型方法，通过本体约束提示和模板生成，将教学材料转化为完整的任务-方法-知识模型，显著降低结构化程序技能表示的构建成本，使大规模AI辅导系统部署成为可能。

Comments 10 pages. To appear in Proceedings of the 13th ACM Conference on Learning at Scale (L@S '26)

SOLAR-RL: Semi-Online Long-horizon Assignment Reinforcement Learning

SOLAR-RL：半在线长 horizon 分配强化学习

Jichao Wang, Liuyang Bian, Yufeng Zhou, Han Xiao, Yue Pan, Guozhi Wang, Hao Wang, Zhaoxiong Wang, Yafei Wen, Xiaoxin Chen, Shuai Ren, Lingfang Zeng

机构 * vivo AI Lab（vivo人工智能实验室） ； Zhejiang Lab（浙江实验室） ； CUHK MMLab（香港大学多模态实验室） ； Hubei University（湖北省大学） ； Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院） 纠错

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 SOLAR-RL通过整合全局轨迹信息到离线学习中，提升GUI任务的长horizon完成率和鲁棒性，提供高效样本利用的自主导航方案。

Comments 14 pages, 11 figures. Accepted to Findings of the Association for Computational Linguistics: ACL 2026

Can QPP Choose the Right Query Variant? Evaluating Query Variant Selection for RAG Pipelines

QPP能否选择正确的查询变体？评估RAG流水线中的查询变体选择

Negar Arabzadeh, Andrew Drozdov, Michael Bendersky, Matei Zaharia

机构 * UC Berkeley（伯克利大学） ； Databricks（Databricks公司） 纠错

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文研究了在RAG流水线中如何选择最佳查询变体，通过大规模实验评估了预检索和后检索预测器的性能，发现检索相关性与生成保真度之间存在'效用差距'，但QPP能有效提升端到端质量。

Guess-Verify-Refine: Data-Aware Top-K for Sparse-Attention Decoding on Blackwell via Temporal Correlation

猜测-验证-细化：基于数据的Blackwell上的稀疏注意力解码Top-K

Long Cheng, Ritchie Zhao, Timmy Liu, Mindy Li, Xianjie Qiao, Kefeng Duan, Yu-Jung Chen, Xiaoming Chen, Bita Darvish Rouhani, June Yang

专题命中 效率与部署 ：LLM(abstract,abstract_cn)

AI总结 本文提出Guess-Verify-Refine算法，通过利用解码步骤间的时序相关性，优化稀疏注意力解码中的Top-K选择，提升性能并保持精确性。

Comments 31 Pages, 11 figures

Efficient approximations of matrix multiplication using truncated decompositions

利用截断分解高效近似矩阵乘法

Suvendu Kar, Hariprasad M., Sai Gowri J. N., Murugesan Venkatapathi

专题命中 效率与部署 ：large language model(abstract)；language model(abstract)

AI总结 本文提出利用截断奇异值分解和循环分解高效近似大规模稠密矩阵乘法，方法在算术运算上具有O(n² log n)的复杂度，且在相对误差约1%的容忍度下表现良好，同时展示了在大型语言模型中的效率提升。

Multi-Token Prediction via Self-Distillation

通过自蒸馏实现多token预测

John Kirchenbauer, Abhimanyu Hans, Brian Bartoldson, Micah Goldblum, Ashwinee Panda, Tom Goldstein

机构 * University of Maryland（马里兰大学） ； Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室） ； Columbia University（哥伦比亚大学） ； TogetherAI 纠错

专题命中 效率与部署 ：language model(abstract)；分类 cs.CL、cs.LG

AI总结 本文提出通过自蒸馏将预训练的自回归语言模型转换为快速独立的多token预测模型，无需额外辅助模型或复杂管道，实现更快的解码速度和更高的准确性。

Comments 9 pages and 5 figures in the main body

Digital Modeling of Spatial Pathway Activity from Histology Reveals Tumor Microenvironment Heterogeneity

从组织学图像数字建模揭示肿瘤微环境异质性

Ling Liao, Changhuei Yang, Maxim Artyomov, Mark Watson, Adam Kepecs, Haowen Zhou, Alexey Sergushichev, Richard Cote

专题命中 效率与部署 ：foundation model(abstract)；分类 cs.AI

AI总结 通过从组织学图像预测空间通路活性，研究肿瘤微环境异质性，发现TGFb信号在乳腺和肺癌数据集中预测准确率最高，且空间活动图谱与预期一致。

Comments The paper was withdrawn because the original submission was an early draft manuscript and not the final version for publication

An End-to-End Ukrainian RAG for Local Deployment. Optimized Hybrid Search and Lightweight Generation

端到端的乌克兰RAG系统用于本地部署。优化的混合搜索和轻量级生成

Mykola Trokhymovych, Yana Oliinyk, Nazarii Nyzhnyk

机构 * Pompeu Fabra University（庞皮乌斯·法布拉大学） ； Independent Researcher（独立研究者） 纠错

专题命中 效率与部署 ：language model(abstract)；分类 cs.CL

AI总结 本文提出一个高效的检索增强生成系统，用于乌克兰文档问答，在UNLP 2026共享任务中获第二名。系统包含定制的两阶段搜索流程和针对乌克兰语言的微调模型，最终通过模型压缩实现轻量级部署。

Comments To appear at UNLP'26

jBOT: Semantic Jet Representation Clustering Emerges from Self-Distillation

jBOT：语义喷流表示聚类从自蒸馏中涌现

Ho Fung Tsoi, Dylan Rankin

机构 * University of Pennsylvania, USA（美国宾夕法尼亚大学） 纠错

专题命中 效率与部署 ：foundation model(abstract)；分类 cs.LG

AI总结 本文提出jBOT，一种基于自蒸馏的预训练方法，通过局部粒子级和全局喷流级蒸馏学习喷流表示，支持异常检测和分类等下游任务，并在无标签喷流上观察到语义类聚类。

Comments Under review

EV-CLIP: Efficient Visual Prompt Adaptation for CLIP in Few-shot Action Recognition under Visual Challenges

EV-CLIP：为视觉挑战下的少样本动作识别在CLIP中实现高效的视觉提示适应

Hyo Jin Jon, Longbin Jin, Eun Yi Kim

机构 * Artificial Intelligence & Computer Vision Lab., Konkuk University, Seoul, South Korea（人工智能与计算机视觉实验室，韩国康 kuk 大学，首尔） 纠错

专题命中 效率与部署 ：prompting(abstract)

AI总结 本文提出EV-CLIP，通过引入mask prompts和context prompts提升CLIP在少样本视频动作识别中的性能，克服视觉挑战对空间感知的影响。

Comments 14 pages, 8 figures, 6 tables

NRGS: Neural Regularization for Robust 3D Semantic Gaussian Splatting

NRGS: 用于鲁棒3D语义高斯点云的神经正则化

Zaiyan Yang, Xinpeng Liu, Heng Guo, Jinglei Shi, Zhanyu Ma, Fumio Okura

机构 * Beijing University of Posts and Telecommunications, China（北京邮电大学，中国） ； Beijing Key Laboratory of Multimodal Data Intelligent Perception and Governance, China（北京多模态数据智能感知与治理重点实验室，中国） ； The University of Osaka, Japan（大阪大学，日本） ； Nankai University, China（南开大学，中国） 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 本文提出神经正则化方法，通过提升多视角不一致2D特征产生的3D语义场，以获得准确且鲁棒的3D语义高斯点云。方法直接在3D高斯点云上操作，利用其几何和外观属性纠正3D空间中的语义错误。

DocPrune:Efficient Document Question Answering via Background, Question, and Comprehension-aware Token Pruning

DocPrune：通过背景、问题和理解感知的令牌修剪实现高效的文档问答

Joonmyung Choi, Sanghyeok Lee, Jongha Kim, Sehyung Kim, Dohwan Ko, Jihyung Kil, Hyunwoo J. Kim

机构 * Korea University（韩国大学） ； KAIST（韩国科学技术院） ； Adobe Research（Adobe研究院） 纠错

专题命中 效率与部署 ：language model(abstract)

AI总结 本文提出DocPrune框架，通过背景、问题和理解感知的令牌修剪提升长文档理解效率，实验显示在M3DocRAG上提升了吞吐量和F1分数。

Comments CVPR 2026

Gaussians on a Diet: High-Quality Memory-Bounded 3D Gaussian Splatting Training

饮食中的高斯：高质量内存受限的3D高斯喷射训练

Yangming Zhang, Jian Xu, Chaojian Li, Kunxiong Zhu, Wei Niu, Gagan Agrawal, Yang Katie Zhao, Jian Wang, Yingyan Celine Lin, Miao Yin

机构 * Dept. of Computer Science University of Texas at Arlington（计算机科学系德克萨斯理工大学阿灵顿分校） ； School of Computer Science Georgia Institute of Technology（计算机科学学院佐治亚理工学院） ； School of Computing University of Georgia（计算学院佐治亚大学） ； Department of ECE University of Minnesota - Twin Cities（电子与计算机工程系明尼苏达大学-双城分校） ； Snap Inc.（Snap公司） 纠错

专题命中 效率与部署 ：post-training(abstract)

AI总结 本文提出一种内存受限的3D高斯喷射训练框架，通过动态优化高斯体实现低内存消耗，显著提升渲染质量，实现在NVIDIA Jetson AGX Xavier上的高效训练。

PanoSAMic: Panoramic Image Segmentation from SAM Feature Encoding and Dual View Fusion

PanoSAMic：从SAM特征编码和双视角融合进行全景图像分割

Mahdi Chamseddine, Didier Stricker, Jason Rambach

机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； RPTU Kaiserslautern-Landau（科斯拉特-兰道大学） 纠错

专题命中 效率与部署 ：foundation model(abstract)

AI总结 PanoSAMic通过整合预训练的Segment Anything模型编码器和双视角融合模块，解决全景图像分割中的失真和边缘不连续问题，实现多模态下的高精度分割。

Comments Accepted in ICPR 2026

FeatEHR-LLM: Leveraging Large Language Models for Feature Engineering in Electronic Health Records

FeatEHR-LLM：利用大型语言模型进行电子健康记录中的特征工程

Hojjat Karami, David Atienza, Jean-Philippe Thiran, Anisoara Ionescu

机构 * École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校） 纠错

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

AI总结 本文提出FeatEHR-LLM框架，利用大型语言模型从不规则采样EHR时间序列中生成临床有意义的表格特征，通过迭代验证流程提升多变量特征生成能力，在四个ICU数据集上取得最高AUROC表现。

SpecTran: Spectral-Aware Transformer-based Adapter for LLM-Enhanced Sequential Recommendation

SpecTran: 基于频域的变压器适配器用于LLM增强的序列推荐

Yu Cui, Feng Liu, Zhaoxiang Wang, Changwang Zhang, Jun Wang, Can Wang, Jiawei Chen

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SpecTran，一种基于频域的变压器适配器，用于改进LLM增强的序列推荐。通过学习频域位置编码，引导注意力聚焦于重要频谱成分，从而提升推荐性能。

Categorical Perception in Large Language Model Hidden States: Structural Warping at Digit-Count Boundaries

大语言模型隐藏状态中的分类感知：数字计数边界处的结构扭曲

Jon-Paul Cacioli

机构 * Independent Researcher（独立研究者） ； Classical Minds, Modern Machines（经典思维，现代机器） 纠错

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

AI总结 研究发现大语言模型在处理阿拉伯数字时，隐藏状态表现出类似人类分类感知的几何扭曲现象，通过代表相似性分析发现CP-加法模型在结构边界处更符合几何结构。

Comments 25 pages, 5 figures, 7 tables. Pre-registered on OSF (osf.io/qrxf3). Code at https://github.com/synthiumjp/weber

Large language models are not the problem

大语言模型并非问题

Hiranya V. Peiris

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

AI总结 文章探讨大语言模型能否复制科学成果，指出不应将问题归咎于模型本身，而应反思科研领域对AI的焦虑来源。

Comments 6 pages, no figures, Published in Nature Astronomy as a Comment

TiInsight: A SQL-based Automated Exploratory Data Analysis System through Large Language Models

TiInsight：通过大型语言模型实现基于SQL的自动化探索性数据分析系统

Jun-Peng Zhu, Boyan Niu, Peng Cai, Zheming Ni, Kai Xu, Jiajun Huang, Shengbo Ma, Bing Wang, Xuan Zhou, Guanglei Bao, Donghui Zhang, Liu Tang, Qi Liu

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

AI总结 TiInsight基于SQL构建跨领域探索性数据分析系统，提供自然语言查询界面、跨领域分析流水线及可视化工具，已在PingCAP生产环境部署并验证。

Comments 4 pages, 5 figures

Journal ref Companion of the International Conference on Management of Data (SIGMOD Companion '26), May 31-June 05, 2026, Bengaluru, India

Code for All: Educational Applications of the "Vibe Coding" Hackathon in Programming Education across All Skill Levels

面向所有人的代码：Vibe Coding黑客松在编程教育中的应用

Ashley J. Chen, Yijia Cao, Minghao Shao, Ramesh Karri, Muhammad Shafique

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 本文通过为期一个月的在线黑客松活动，探讨了Vibe Coding在不同技能水平编程教育中的教育价值，评估了AI生成代码对学习效果和项目质量的影响。

Comments 15 pages, 14 figures

Are Natural-Domain Foundation Models Effective for Accelerated Cardiac MRI Reconstruction?

自然域基础模型在加速心脏MRI重建中的有效性如何？

Anam Hashmi, Mayug Maniparambil, Julia Dietlmeier, Kathleen M. Curran, Noel E. O'Connor

机构 * Dublin City University（都柏林城市大学） ； University College Dublin（都柏林大学） 纠错

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

AI总结 本文探讨自然域基础模型在加速心脏MRI重建中的有效性，对比了与领域特定模型如BiomedCLIP的性能，并发现基础模型在跨领域场景中更具鲁棒性。

Comments Accepted to CVPRW 2026

A Nationwide Japanese Medical Claims Foundation Model: Balancing Model Scaling and Task-Specific Computational Efficiency

全国日本医疗索赔数据集的医疗基础模型：在模型扩展与任务特定计算效率之间平衡

Nanae Aratake, Taisei Tosaki, Yuji Okamoto, Eiichiro Uchino, Masaki Nakamura, Nobutomo Matsui, Akiko Hatakama, Yasushi Okuno

机构 * Graduate School of Medicine, Kyoto University（京都大学医学研究科） ； Medical Data Vision Co., Ltd.（医疗数据视觉株式会社） ； IQVIA Solutions Japan G.K.（IQVIA日本解决方案公司） ； DeSC Healthcare, Inc.（DeSC医疗公司） 纠错

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

AI总结 研究通过日本全国519家医院的索赔数据库，评估不同模型规模对结构化医疗数据下游任务性能的影响，发现任务特性决定最优模型规模，从而平衡预测性能与计算成本。

Comments 14 pages, 5 figures, 3 tables

When Cow Urine Cures Constipation on YouTube: Limits of LLMs in Detecting Culture-specific Health Misinformation

当牛尿治愈便秘时：LLMs在检测文化特定健康谣言中的局限性

Anamta Khan, Ratna Kandala, Deepti, Sheza Munir, Joyojeet Pal

机构 * University of Michigan（密歇根大学） ； University of Kansas（堪萨斯大学） ； IIT Jodhpur（印度理工学院乔浦尔） 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

AI总结 研究通过分析印度YouTube上的牛尿相关内容，揭示LLMs在处理文化特定健康谣言时的局限性，指出文化嵌入的谣言无法通过提示工程解决。

Comments To appear in the proceedings of the 2nd Workshop on Misinformation Detection in the Era of LLMs (MisD), The 20th International AAAI Conference on Web and Social Media (ICWSM) 2026

Rethinking Semantic Collaborative Integration: Why Alignment Is Not Enough

重新思考语义协作整合：为什么对齐不够

Maolin Wang, Dongze Wu, Jianing Zhou, Hongyu Chen, Beining Bao, Yu Jiang, Chenbin Zhang, Chang Wang, Jian Liu, Lei Sha

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

AI总结 本文挑战了传统语义与协作表示对齐的假设，提出互补融合视角，强调共享与私有因素的区分，通过实验揭示语义与协作视图的低一致性及互补性，倡导以互补性为核心的推荐系统设计。

Comments Accepted by SIGIR 2026

CURA: Clinical Uncertainty Risk Alignment for Language Model-Based Risk Prediction

CURA：语言模型基于风险预测的临床不确定性风险对齐

Sizhe Wang, Ziqi Xu, Claire Najjuuko, Charles Alba, Chenyang Lu

机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） 纠错

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

AI总结 CURA通过结合个体误差概率和群体模糊性，提升临床语言模型的风险预测不确定性校准，实验表明其能提高校准指标并减少过度自信的误判。

Comments Accepted at ACL 2026 Main Conference

ReLeVAnT: Relevance Lexical Vectors for Accurate Legal Text Classification

ReLeVAnT：用于准确法律文本分类的相关词向量

Ishaan Gakhar, Harsh Nandwani

机构 * Perssonify 纠错

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

AI总结 本文提出ReLeVAnT框架，通过n-gram处理、对比分数匹配和浅层神经网络实现法律文档二分类，准确率达99.3%。

Comments 9 Pages, 2 figures

TabSCM: A practical Framework for Generating Realistic Tabular Data

TabSCM：生成真实表格数据的实用框架

Sven Jacob, Bardh Prenkaj, Weijia Shao, Gjergji Kasneci

机构 * Federal Institute for Occupational Safety and Health (BAuA)（联邦职业安全与健康研究所） ； School of Computation, Information and Technology, Technical University of Munich（计算、信息与技术学院，慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 纠错

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

AI总结 TabSCM通过保留因果依赖生成真实表格数据，结合条件扩散模型和梯度提升树提高生成质量，同时在多个数据集上优于现有方法，提升解释性和因果鲁棒性。

Dynamically Acquiring Text Content to Enable the Classification of Lesser-known Entities for Real-world Tasks

动态获取文本内容以实现对较少见实体的分类以支持现实任务

Fahmida Alam, Ellen Riloff

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

AI总结 本文提出通过动态获取实体描述文本，利用网络和大语言模型构建任务特定分类器，解决现实任务中对较少见实体分类的问题，实验在组织和医疗提供者分类任务中取得较高F1分数。