语言大模型 / LLM

IndustryAssetEQA: A Neurosymbolic Operational Intelligence System for Embodied Question Answering in Industrial Asset Maintenance

IndustryAssetEQA: 一种用于工业资产维护中具身体验问答的神经符号操作智能系统

Chathurangi Shyalika, Dhaval Patel, Amit Sheth

机构 * Artificial Intelligence Institute, University of South Carolina（南卡罗来纳大学人工智能研究所） ； University of South Carolina（南卡罗来纳大学） ； IBM Yorktown（IBM约克镇分公司） ； Indian AI Research Organization（印度人工智能研究组织） 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 本文提出IndustryAssetEQA系统，结合事件 telemetry 表示与FMEA-KG知识图谱，提升工业资产问答的结构有效性、反事实准确性及解释蕴含性，减少专家评估的过度声称。

Comments 20 pages, 4 figures, 4 tables, Accepted for the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026) Industry Track

Disagreement as Signals: Dual-view Calibration for Sequential Recommendation Denoising

分歧作为信号：用于顺序推荐去噪的双视角校准

Sijia Li, Min Gao, Zongwei Wang, Zhiyi Liu, Xin Xia, Yi Zhang

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

AI总结 本文提出DC4SR框架，通过双视角校准提升顺序推荐的去噪效果，结合语义先验和模型后验分布，增强对用户兴趣演变的适应性。

Comments 9 pages, 6 figures, 3 tables

Hierarchical Prototype-based Domain Priors for Multiple Instance Learning in Multimodal Histopathology Analysis

层次化原型域先验用于多实例学习的多模态病理分析

Xuemei Qiu, Dawei Fan, Yebin Huang, Yanping Chen, Lifang Wei

机构 * College of Computer and Information Science, Fujian Agriculture and Forestry University（福建农林大学计算机与信息科学学院） ； College of Future Technology, Fujian Agriculture and Forestry University（福建农林大学未来技术学院） ； Digital Fujian Institute of Agricultural Big Data, Fujian Agriculture and Forestry University（福建农业大数据数字福建研究院） ； Department of Pathology, Clinical Oncology School of Fujian Medical University, and Fujian Cancer Hospital（福建医科大学临床肿瘤学院病理科及福建癌症医院） 纠错

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

AI总结 本文提出HPDP框架，通过引入形态锚定原型系统和正弦位置编码，解决多实例学习中数据驱动黑箱问题，提升病理诊断与预后分析的鲁棒性和可解释性。

Quantum Kernel Advantage over Classical Collapse in Medical Foundation Model Embeddings

量子核在医疗基础模型嵌入中的优势超过经典崩溃

Sebastian Cajas Ordóñez, Felipe Ocampo Osorio, Dax Enshan Koh, Rafi Al Attrach, Aldo Marzullo, Ariel Guerra-Adames, J. Alejandro Andrade, Siong Thye Goh, Chi-Yu Chen, Rahul Gorijavolu, Xue Yang, Noah Dane Hebdon, Leo Anthony Celi

机构 * Massachusetts Institute of Technology（麻省理工学院） ； MIT Critical Data ； Fundación Valle del Lili（Valle del Lili基金会） ； Quantum Innovation Centre (Q.InC)（量子创新中心） ； Agency for Science, Technology and Research (A*STAR)（科技研究局） ； Institute of High Performance Computing (IHPC)（高性能计算研究所） ； Science, Mathematics and Technology Cluster（科学、数学和技术集群） ； Singapore University of Technology and Design（新加坡科技与设计大学） ； Université de Bordeaux（波尔多大学） ； Inserm U1219 ； Politecnico di Milano（米兰理工学院） ； Universidad del Cauca（卡利大学） ； Singapore Management University（新加坡管理大学） ； National Taiwan University Hospital（台湾大学医院） 纠错

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

AI总结 本文通过量子支持向量机在无噪声模拟中证明了量子核在二元保险分类中的优势，展示了量子核在保持非平凡召回率方面的有效性，同时揭示了量子核有效秩远超线性核。

Forecasting Commencing Enrolments Under Data Sparsity: A Zero-Shot Time Series Foundation Models Framework for Higher Education Planning

在数据稀疏条件下预测入学人数：一种用于高等教育规划的零样本时间序列基础模型框架

Jittarin Jetwiriyanon, Teo Susnjak, Surangika Ranathunga

机构 * School of Mathematical and Computational Sciences（数学与计算科学学院） ； Massey University（梅西大学） ； Albany, New Zealand（新西兰奥克兰） 纠错

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

AI总结 本文探讨零样本时间序列基础模型在数据稀疏情况下对入学人数预测的可行性，通过对比经典方法验证其有效性，并提出可转移的预测协议。

Comments 30 pages, 5 figures, 3 tables

Frontier-Eng: Benchmarking Self-Evolving Agents on Real-World Engineering Tasks with Generative Optimization

Frontier-Eng：基于生成优化的现实工程任务中自演化代理的基准测试

Yizhe Chi, Deyao Hong, Dapeng Jiang, Tianwei Luo, Kaisen Yang, Boshi Zhang, Zhe Cao, Xiaoyan Fan, Bingxiang He, Han Hao, Weiyang Jin, Dianqiao Lei, Qingle Liu, Houde Qian, Bowen Wang, Situ Wang, Youjie Zheng, Yifan Zhou, Calvin Xiao, Eren Cai, Qinhuai Na

机构 * Navers Lab（Navers实验室） 纠错

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

AI总结 Frontier-Eng通过工业级模拟器和验证器，评估生成优化中代理在现实工程任务中的表现，发现GPT 5.4表现最稳健，但所有模型仍面临挑战，分析显示改进频率和幅度呈双幂律衰减。

Leveraging Medical Foundation Model Features in Graph Neural Network-Based Retrieval of Breast Histopathology Images

利用医学基础模型特征在基于图神经网络的乳腺组织病理学图像检索中

Nematollah Saeidi, Hossein Karshenas, Bijan Shoushtarian, Sepideh Hatamikia, Ramona Woitek, Amirreza Mahbod

机构 * Artificial Intelligence Department, Faculty of Computer Engineering, University of Isfahan, Isfahan, Iran ； Department of Computer Engineering Techniques, Mazaya University College, Nasiriyah, Iraq ； Department of Medicine, Danube Private University, Krems an der Donau, Austria ； Austrian Center for Medical Innovation ； Research Center for Medical Image Analysis ； Artificial Intelligence, Department of Medicine, Danube Private University, Krems an der Donau, Austria 纠错

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

AI总结 本文提出一种基于图神经网络和对抗正则化的变分自编码器模型，利用医学基础模型特征提升乳腺病理图像检索性能，实验显示其在mAP和mMV指标上优于传统方法。

Comments 29 pages

Journal ref International Journal of Imaging Systems and Technology, 2026

EXACT: an explainable anomaly-aware vision foundation model for analysis of 3D chest CT

EXACT：一种可解释的异常感知视觉基础模型，用于3D胸部CT分析

Xuguang Bai, Mingxuan Liu, Tongxi Song, Yifei Chen, Hongjia Yang, Kasidit Anmahapong, Zihan Li, Ying Zhou, Qiyuan Tian

机构 * School of Biomedical Engineering, Tsinghua University（清华大学生物医学工程学院） ； Department of Radiology, Mianyang Central Hospital（绵阳市中心医院放射科） ； Center for Biomedical Imaging Research, Tsinghua University（清华大学生物医学成像研究中心） 纠错

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

AI总结 EXACT通过学习空间解析表示，提升3D胸部CT的异常检测与可解释性，优于现有医学基础模型，适用于多疾病诊断和报告生成。

In-context modeling as a retrain-free paradigm for foundation models in computational science

基于上下文建模的计算科学中无再训练的基础模型范式

Lingfeng Li, Zhuoyuan Li, Shun Li, Kaixin Zhan, Huajian Gao, Changqing Chen, Liu Yang

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

AI总结 本文提出无需重新训练的上下文建模方法，通过物理场观测直接推断物理关系，实现跨不同材料、几何和加载条件的泛化，展示了其在超弹性中的应用及实验验证。

Structural and Disentangled Adaptation of Large Vision Language Models for Multimodal Recommendation

大型视觉语言模型的结构和解耦适应用于多模态推荐

Zhongtao Rao, Peilin Zhou, Dading Chong, Zhiwei Chen, Shoujin Wang, Nan Tang

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

AI总结 本文提出SDA框架，通过跨模态结构对齐和模态解耦适应，解决多模态推荐中表示不一致和梯度冲突问题，实验显示在三个Amazon数据集上提升了推荐性能。

Comments Accepted to SIGIR '26

Leveraging LLMs for Multi-File DSL Code Generation: An Industrial Case Study

利用LLMs进行多文件DSL代码生成：一个工业案例研究

Sivajeet Chand, Kevin Nguyen, Peter Kuntz, Alexander Pretschner

机构 * Technical University of Munich（慕尼黑技术大学） 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 本文探讨了LLMs在企业领域特定语言DSL多文件生成中的应用，通过BMW的案例研究，展示了从单一自然语言指令生成多文件DSL及Java/TypeScript代码的端到端流程。

Comments Accepted at EASE'26

Factual and Edit-Sensitive Graph-to-Sequence Generation via Graph-Aware Adaptive Noising

通过图感知自适应噪声生成事实和编辑敏感的图到序列生成

Aditya Hemant Shahane, Anuj Kumar Sirohi, Tanmoy Chakraborty, Prathosh A P, Sandeep Kumar

机构 * Department of Electrical Engineering, Indian Institute of Technology Delhi, New Delhi, India（印度理工学院德里分校电子工程系） ； Indian Institute of Science, Bengaluru, India（印度科学研究所，班加罗尔，印度） 纠错

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

AI总结 本文提出DLM4G框架，通过自适应噪声策略提升图到序列生成的事实性和编辑敏感性，在多个数据集上优于现有基线方法。

Vibe Medicine: Redefining Biomedical Research Through Human-AI Co-Work

Vibe Medicine：通过人机协作重新定义生物医学研究

Zihao Wu, Steven Xu, Bowen Chen, Shaowen Wan, Yiwei Li, Wei Ruan, Yanjun Lyu, Siyuan Li, Dajiang Zhu, Tianming Liu, Lin Zhao

机构 * School of Computing, University of Georgia（佐治亚大学计算学院） ； Department of Biomedical Engineering, New Jersey Institute of Technology（新泽西理工学院生物医学工程系） ； Department of Computer Science and Engineering, University of Texas at Arlington（德克萨斯大学阿灵顿分校计算机科学与工程系） 纠错

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

AI总结 本文提出Vibe Medicine，通过自然语言指导AI代理执行复杂生物医学流程，解决多领域数据整合与分析难题，提升研究效率与公平性。

Thinking Like a Clinician: A Cognitive AI Agent for Clinical Diagnosis via Panoramic Profiling and Adversarial Debate

像医生一样思考：一种通过全景分析与对抗辩论的临床诊断认知AI代理

Zhiqi Lv, Duofan Tu, Jun Li, Mingyue Zhao, Heqin Zhu, Wenliang Li, Shaohua Kevin Zhou

机构 * School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China（中国科学技术大学生物医学工程学院，生命科学与医学系） ； Suzhou Institute for Advanced Research, University of Science and Technology of China（中国科学技术大学苏州市先进研究机构） ； Key Lab of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS（中国科学院智能信息处理重点实验室，计算技术研究所） ； Jiangsu Provincial Key Laboratory of Multimodal Digital Twin Technology（江苏省多模态数字孪生技术省级重点实验室） ； State Key Laboratory of Precision and Intelligent Chemistry, USTC（国家精密与智能化学重点实验室，中国科学技术大学） 纠错

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

AI总结 本文提出DxChain框架，通过全景患者基线建立和对抗辩论解决证据冲突，提升临床诊断准确性和逻辑一致性。

No Test Cases, No Problem: Distillation-Driven Code Generation for Scientific Workflows

无测试用例，无问题：基于知识蒸馏的科学工作流代码生成

Siddeshwar Raghavan, Tanwi Mallick

机构 * Purdue University（普渡大学） ； Argonne National Laboratory（阿贡国家实验室） 纠错

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

AI总结 本文提出MOSAIC框架，通过知识蒸馏和结构化问题分解实现无测试用例的科学代码生成，提升准确性和执行精度。

How Researchers Navigate Accountability, Transparency, and Trust When Using AI Tools in Early-Stage Research: A Think-Aloud Study

研究人员在早期研究中使用AI工具时如何应对责任、透明度和信任：一项think-aloud研究

Sanjana Gautam, Houjiang Liu, Yujin Choi, Matthew Lease

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

AI总结 本研究通过15名研究人员的think-aloud研究，探讨了在早期研究中使用大语言模型驱动的AI工具时，责任、透明度和信任的现实表现及影响，揭示了AI输出的不确定性、检索的模糊性和信任的脆弱性。

Green Shielding: A User-Centric Approach Towards Trustworthy AI

绿色防护：面向可信AI的用户导向方法

Aaron J. Li, Nicolas Sanchez, Hao Huang, Ruijiang Dong, Jaskaran Bains, Katrin Jaradeh, Zhen Xiang, Bo Li, Feng Liu, Aaron Kornblith, Bin Yu

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Melbourne（墨尔本大学） ； University of California, San Francisco（加州大学旧金山分校） ； University of Georgia（佐治亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本文提出Green Shielding方法，通过分析用户输入变化对模型行为的影响，为可信AI部署提供证据支持的指导。通过医疗诊断基准测试，展示了交互选择如何系统性地影响模型输出属性，支持高风险领域更安全的部署。

Quantum Knowledge Graph: Modeling Context-Dependent Triplet Validity

量子知识图谱：建模依赖上下文的三元组有效性

Yao Wang, Zixu Geng, Jun Yan

机构 * HKAI-Sci, City University of Hong Kong（香港城市大学HKAI-Sci） ； Department of Automation, Tsinghua University（清华大学自动化系） ； Pratt School of Engineering, Duke University（德克萨斯大学达拉斯分校普拉特工程学院） 纠错

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

AI总结 本文提出量子知识图谱(QKG)，通过将三元组有效性建模为上下文特定函数，提升医疗问答中事实适用性的判断，实验表明QKG在结合上下文匹配时显著提升验证效果。

Comments 15 pages main text, 6 pages appendix, 5 figures, preprint

Beyond Local vs. External: A Game-Theoretic Framework for Trustworthy Knowledge Acquisition

超越局部与外部：一种博弈论框架用于可信知识获取

Rujing Yao, Yufei Shi, Yang Wu, Ang Li, Zhuoren Jiang, XiaoFeng Wang, Haixu Tang, Xiaozhong Liu

机构 * Nankai University（南开大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Worcester Polytechnic Institute（沃斯通理工学院） ； Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） ； Indiana University Bloomington（印第安纳大学布利克学院） 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 本文提出GTKA框架，通过博弈论平衡知识效用与隐私，设计隐私感知子查询生成器、对抗重建攻击者和可信本地整合器，减少敏感意图泄露并保持高答案质量。

Knowledge Lever Risk Management for Software Engineering: A Stochastic Framework for Mitigating Knowledge Loss

软件工程中的知识杠杆风险管理：一种缓解知识损失的随机框架

Mark Chua, Samuel Ajila

机构 * Department of Systems and Computer Engineering（系统与计算机工程系） ； Carleton University（卡尔顿大学） 纠错

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

AI总结 本文提出知识杠杆风险管理框架，通过将无形知识资产转化为风险缓解机制，结合四个阶段架构和随机模型，提升软件开发项目中的知识资本和项目成功率。

Comments A shorter version of the paper will be presented on the 24th IEEE/ACIS International Conference on Software Engineering Research, Management and Applications (SERA 2026)

Training a General Purpose Automated Red Teaming Model

训练通用自动化红队模型

Aishwarya Padmakumar, Leon Derczynski, Traian Rebedea, Christopher Parisien

机构 * NVIDIA 纠错

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

AI总结 本文提出一种通用红队模型训练方法，能适应任意对抗目标，无需依赖预训练评估器，通过微调小模型显著提升生成攻击的能力。

Agent-Aided Design for Dynamic CAD Models

代理辅助的动态CAD模型设计

Mitch Adler, Matthew Russo, Michael Cafarella

机构 * Independent Researcher（独立研究者） ； MIT（麻省理工学院） 纠错

专题命中 领域大模型 ：LLM(abstract_cn)；分类 cs.AI

AI总结 本文提出AADvark代理系统，能生成具有运动部件的复杂3D装配体，通过整合外部约束求解器和视觉反馈机制解决空间推理问题。

Comments 5 pages, 3 figures, published in CAIS'26

Arch: An AI-Native Hardware Description Language for Register-Transfer Clocked Hardware Design

Arch：一种面向AI的硬件描述语言用于寄存器传输时钟硬件设计

Shuqing Zhao

专题命中 领域大模型 ：LLM(abstract_cn)；分类 cs.CL

AI总结 Arch是一种面向AI的硬件描述语言，用于微架构规格和AI辅助代码生成，通过参数化时钟和复位类型，提供类型安全的硬件描述方法，支持多种硬件结构，提升设计可靠性。

Learning from Imperfect Text Guidance: Robust Long-Tail Visual Recognition with High-Noise Label

从不完美文本指导中学习：在高噪声标签下的鲁棒长尾视觉识别

Mengke Li, Haiquan Ling, Yiqun Zhang, Yang Lu, Hui Huang

机构 * CSSE, Shenzhen University（软件学院，深圳大学） ； SCST, Guangdong University of Technology（软件学院，广东技术大学） ； INFORMATICS, Xiamen University（信息学院，厦门大学） 纠错

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

AI总结 本文提出利用预训练视觉-语言模型的跨模态对齐能力，通过弱教师监督纠正长尾噪声数据中的标签-图像不一致问题，提升模型在高噪声环境下的识别性能。

Comments Accepted by CVM 2026

RACANet: Reliability-Aware Crowd Anchor Network for RGB-T Crowd Counting

RACANet：面向RGB-T人群计数的可靠性感知人群锚网络

Jinghao Shi, Mengqi Lei, Kunliang He, Yun Li, Wei Bao, Siqi Li

机构 * School of Computer Science, China University of Geosciences, Wuhan（中国地质大学（武汉）计算机科学学院） ； School of Software, Tsinghua University（清华大学软件学院） 纠错

专题命中 领域大模型 ：pretraining(abstract)

AI总结 本文提出RACANet，通过两阶段融合框架解决RGB-T人群计数中跨模态融合的可靠性建模问题，引入轻量级预训练和局部锚点融合模块，提升计数精度与可解释性。

Attention Is Not All You Need for Diffraction

注意不是衍射所需的一切

Elizabeth J. Baggett, Edward G. Friedman, Abhishek Shetty, Derrick Chan-Sew, Vanellsa Acha, Harshita Dwarcherla, Paul Kienzle, William Ratcliff

专题命中 领域大模型 ：pretraining(abstract)

AI总结 本文提出了一种结合物理知识的Transformer模型，通过分阶段训练和校准推理，实现对X射线衍射图案的精确对称性分类，证明物理指导的目标设计和训练策略对科学机器学习至关重要。

Comments 29 pages, 19 figures, 22 tables

Representational Curvature Modulates Behavioral Uncertainty in Large Language Models

表征曲率调节大型语言模型中的行为不确定性

Jack King, Evelina Fedorenko, Eghbal A. Hosseini

机构 * Brain and Cognitive Sciences（脑与认知科学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 研究通过分析表征曲率与token级熵的关系，揭示了大型语言模型中行为不确定性的调节机制，发现曲率变化可影响预测熵。

Adaptive Multi-Subspace Representation Steering for Attribute Alignment in Large Language Models

自适应多子空间表示引导用于大语言模型中的属性对齐

Xinyan Jiang, Lin Zhang, Jiayi Zhang, Qingsong Yang, Guimin Hu, Di Wang, Lijie Hu

机构 * Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（莫扎德·本·泽德人工智能大学） ； Data Analytics (PRADA) Lab（数据分析（PRADA）实验室） ； King Abdullah University of Science（卡瓦尔大学） ； Shanghai Advanced Research Institute, Chinese Academy of Sciences, Shanghai, China（上海先进研究院，中国科学院，上海，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） ； University of Copenhagen, Copenhagen, Denmark（哥本哈根大学，哥本哈根，丹麦） ； University of Science（科学大学） 纠错

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

AI总结 本文提出MSRS框架，通过子空间表示微调实现多属性引导，减少属性干扰并提升行为控制精度。

Pref-CTRL: Preference Driven LLM Alignment using Representation Editing

Pref-CTRL: 基于偏好的大语言模型对齐方法使用表征编辑

Imranul Ashrafi, Inigo Jauregi Unanue, Massimo Piccardi

机构 * University of Technology Sydney（悉尼科技大学） 纠错

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

AI总结 本文提出Pref-CTRL，一种基于偏好的训练框架，通过多目标价值函数改进偏好数据结构，优于RE-Control并在跨领域数据集上表现更佳。

Comments Accepted to the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)

Uncertainty Propagation in LLM-Based Systems

基于大语言模型系统的不确定性传播

Boming Xia, Liming Zhu, Erdun Gao, Qinghua Lu, Minhui Xue, Dino Sejdinovic

机构 * Responsible AI Research (RAIR) Centre（责任人工智能研究 (RAIR) 中心） ； Adelaide University（阿德莱德大学） ； CSIRO（澳大利亚联邦科学与工业研究组织） ； UNSW Sydney Australia（新南威尔士大学悉尼分校） 纠错

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

AI总结 本文研究了大语言模型系统中不确定性传播问题，提出系统层面的分析框架，梳理了内在模型、系统级和社会技术层面的传播机制，并识别了五个开放性研究挑战。

Comments WIP under review