语言大模型 / LLM

LegalMidm: Use-Case-Driven Legal Domain Specialization for Korean Large Language Model

LegalMidm: 面向韩国法律领域的用例驱动型法律领域专业化

Youngjoon Jang, Chanhee Park, Hyeonseok Moon, Young-kyoung Ham, Jiwon Moon, Jinhyeon Kim, JuKyung Jung, 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） ； KT (Korea Telecom)（韩国电信） 纠错

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

AI总结 本文提出基于法律领域实际需求的系统训练框架，开发了韩国法律领域的LLM LegalMidm，并通过与法律专业人士合作和严格数据筛选，构建高质量的用例驱动型法律数据集和优化训练流程。

Comments ICLR 2026 DATA-FM Workshop

The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows

大语言模型谬误：人工智能辅助认知工作流中的误归因

Hyunwoo Kim, Harin Yu, Hanau Yi

机构 * ddai Inc.（ddai公司） 纠错

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

AI总结 本文探讨大语言模型使用如何导致用户错误归因自身能力，提出LLM谬误概念，分析其在认知、语言、分析和创作领域的影响，并提出教育、招聘和AI素养的启示。

Large language models eroding science understanding: an experimental study

大语言模型侵蚀科学理解：一项实验研究

Harry Collins, Hartmut Grote, Paul Newbury, Patrick Sutton, Simon Thorne

机构 * Springer Nature 纠错

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

AI总结 本文研究大语言模型是否能可靠回答科学问题，并展示其易受边缘科学材料影响。通过修改模型优先考虑特定边缘论文，发现其回答与专家和标准模型相比存在矛盾，凸显模型易受操控的风险。

Comments Under review in AI and Ethics

Assessing Y-Axis Influence: Bias in Multimodal Language Models on Chart-to-Table Translation

评估Y轴影响：多模态语言模型在图表到表格翻译中的偏差

Seok Hwan Song, Azher Ahmed Efat, Wallapak Tavanapong

机构 * Department of Computer Science, Iowa State University（计算机科学系，爱荷华州立大学） 纠错

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

AI总结 研究探讨了多模态语言模型在图表到表格翻译中因Y轴信息不平衡导致的偏差问题，提出FairChart2Table框架，发现数字长度、刻度数量、值范围及刻度格式等影响模型性能。

Optimal Question Selection from a Large Question Bank for Clinical Field Recovery in Conversational Psychiatric Intake

从大规模问题库中选择最优问题以实现临床场景中的对话恢复

Guan Gui, Peter Zandi, Jacob Taylor, Ananya Joshi

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 本文提出一个基于临床问题库的问题选择框架，通过对比随机提问、临床基线和LLM引导策略，发现结构化问题和适应性策略能显著提升临床对话信息恢复效果。

Benchmarking and Adapting On-Device LLMs for Clinical Decision Support

对设备大语言模型在临床决策支持中的基准测试与适应性研究

Alif Munim, Jun Ma, Omar Ibrahim, Alhusain Abdalla, Shuolin Yin, Leo Chen, Bo Wang

机构 * AI Collaborative Centre, University Health Network（人工智能协同中心，健康大学网络） ； Princess Margaret Cancer Centre, University Health Network（彭菲癌症中心，健康大学网络） ； Department of Electrical and Computer Engineering, University of Toronto（电气与计算机工程系，多伦多大学） ； Division of Urology, Department of Surgery, St. Michael’s Hospital, Unity Health Toronto and University of Toronto（泌尿科，外科部，圣米歇尔医院，统一健康多伦多及多伦多大学） ； Peter Munk Cardiac Centre, University Health Network（彼得·默克心脏中心，健康大学网络） ； Department of Laboratory Medicine and Pathobiology and Department of Computer Science, University of Toronto（实验室医学与病理学系及计算机科学系，多伦多大学） ； Vector Institute, Toronto（向量研究所，多伦多） 纠错

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

AI总结 本文通过基准测试和微调，评估了多种设备端大语言模型在临床任务中的性能，发现其在诊断准确率上可与开源模型和专有模型相媲美，并展示了微调对提升诊断准确性的效果。

Kohn-Sham Hamiltonian from Effective Field Theory: Quasiparticle Band Narrowing from Frozen Core Dynamics

从有效场论看Kohn-Sham哈密顿量：冻结核心动力学导致的准粒子带变窄

Xiansheng Cai, Han Wang, Kun Chen

机构 * Institute of Theoretical Physics, Chinese Academy of Sciences, Beijing 100190, China（中国科学院理论物理研究所，北京100190，中国） 纠错

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

AI总结 本文通过有效场论揭示Kohn-Sham带宽与ARPES测量的差异，提出冻结核心修正因子，解决准粒子带宽问题，验证了第一性原理智能科学方法。

Sensory-Aware Sequential Recommendation via Review-Distilled Representations

通过评论蒸馏表示实现感知-aware的序列推荐

Yeo Chan Yoon, Chanjun Park, Kyuhan Koh

机构 * Jeju National University（济州国立大学） ； Soongsil University（顺斯大学） ； California State University Stanislaus（加州州立大学斯坦尼斯劳斯分校） 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 本文提出了一种感知-aware的序列推荐框架，通过语言提取的产品评论中的感官属性来增强物品表示。ASER方法通过离线提取和蒸馏流程，利用预训练语言模型生成结构化的感官属性值对，并将其转化为紧凑的嵌入表示，提升推荐性能。

ReCreate: Reasoning and Creating Domain Agents Driven by Experience

ReCreate：基于经验的推理与创造领域代理框架

Zhezheng Hao, Hong Wang, Jian Luo, Jianqing Zhang, Yuyan Zhou, Qiang Lin, Can Wang, Hande Dong, Jiawei Chen

机构 * Zhejiang University（浙江大学） ； Tencent（腾讯） ； Independent Researcher（独立研究者） ； Shanghai Jiao Tong University（上海交通大学） ； Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术区（滨江）区块链与数据安全研究院） 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ReCreate框架，通过利用代理交互历史，自动创建和适应领域代理，优于人类设计和现有自动化方法。

Learning from Medical Entity Trees: An Entity-Centric Medical Data Engineering Framework for MLLMs

从医学实体树学习：一种以实体为中心的医疗数据工程框架用于多模态大语言模型

Jianghang Lin, Haihua Yang, Deli Yu, Kai Wu, Kai Ye, Jinghao Lin, Zihan Wang, Yuhang Wu, Liujuan Cao

机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University, China（中国教育部多媒体可信感知与高效计算重点实验室，厦门大学，中国） ； ByteDance（字节跳动） ； Northeastern University（东北大学） 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 本文提出以实体为中心的医疗数据工程框架，通过构建医学实体树，提升多模态大语言模型在医疗领域的表现，通过实体引导检索、双重过滤和知识感知数据合成等方法，增强模型处理复杂临床问题的能力。

Behavioral Intelligence Platforms: From Event Streams to Autonomous Insight via Probabilistic Journey Graphs, Behavioral Knowledge Extraction, and Grounded Language Generation

行为智能平台：通过概率旅程图、行为知识提取和 grounded 语言生成从事件流到自主洞察

Arun Patra, Bhushan Vadgave

机构 * Journium, Inc.（Journium公司） 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 本文提出行为智能平台BIP，通过概率旅程图、行为知识提取和 grounded 语言生成，将原始事件流转化为自动洞察，解决传统主动查询模式的瓶颈问题。

Comments v2: corrected numerical values in Fig 3 and Sec 7.2 fact bundle to match published simulation scripts; clarified Markov-property identity in Sec 4.2.2; added simulate_trajectories.py for Monte Carlo reproducibility; softened confidence and path-quality presentation; added Markov-attribution citations (Anderl 2016, Shao & Li 2011, Kakalejcik 2022). Formal results unchanged

Curiosity and Metacognition: Towards a Unified Framework for Learning and Education in the Age of AI

好奇心与元认知：迈向人工智能时代的学习与教育统一框架

Chloé Desvaux, Rania Abdelghani, Pierre-Yves Oudeyer, Hélène Sauzéon

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

AI总结 本文探讨了好奇心与元认知在自主学习中的作用，提出整合行为、计算与心理教育维度的统一框架，并评估了提升课堂好奇心的干预措施，指出生成式AI对好奇心驱动学习的潜在影响。

Integrating AI and Simulation for Teaching Power System Dynamics: An Interactive Framework for Engineering Education

将人工智能与模拟整合用于教学电力系统动力学：一种用于工程教育的交互框架

Osasumwen Cedric Ogiesoba-Eguakun, Phani Kumar Inkollu, Rupesh Sah, Zia Rashid, Douglas Jussaume, Suman Rath

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

AI总结 本文提出一种结合模拟与智能反馈的人工智能交互学习框架，通过实时互动提升学生对电力系统动力学的理解与参与度。

Comments 2 pages

Domain-Filtered Knowledge Graphs from Sparse Autoencoder Features

从稀疏自编码器特征中提取领域过滤的知识图谱

John Winnicki, Abeynaya Gnanasekaran, Eric Darve

机构 * Institute for Computational and Mathematical Engineering, Stanford University（计算与数学工程研究所，斯坦福大学） 纠错

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

AI总结 本文提出通过对比激活和多阶段过滤构建领域特定概念集，并构建共现图和转换机制图，将稀疏自编码器特征转化为可读的知识图谱，揭示模型知识结构和推理可靠性。

AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery

AutoResearchBench：基于复杂科学文献发现的AI代理基准测试

Lei Xiong, Kun Luo, Ziyi Xia, Wenbo Zhang, Jin-Ge Yao, Zheng Liu, Jingying Shao, Jianlyu Chen, Hongjin Qian, Xi Yang, Qian Yu, Hao Li, Chen Yue, Xiaan Du, Yuyang Wang, Yesheng Liu, Haiyu Xu, Zhicheng Dou

机构 * AutoResearchBench Team（AutoResearchBench团队） 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AutoResearchBench，用于评估AI代理在复杂科学文献发现中的能力，包含深度研究和广泛研究两种任务，相比现有代理网络浏览基准，其研究导向、文献聚焦和开放性特征使其更具挑战性。

From Prototype to Classroom: An Intelligent Tutoring System for Quantum Education

从原型到课堂：面向量子教育的智能辅导系统

Iizalaarab Elhaimeur, Nikos Chrisochoides

机构 * Center for Real-Time Computing（实时计算中心） ； Computer Science Department（计算机科学系） ； Old Dominion University（旧 Dominion 大学） ； Physics Departments（物理系） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 本文提出ITAS系统，通过多智能体架构和课程设计解决量子教育中的可靠性问题，验证系统在真实课堂中的可行性及教学分析能力。

Comments 10 pages, 6 figures, 1 table. Submitted to IEEE QCE 2026. Companion papers (in preparation): ITAS architecture and latency analysis

Personalized Cross-Modal Emotional Correlation Learning for Speech-Preserving Facial Expression Manipulation

面向语音保留的面部表情操控的个性化跨模态情感相关学习

Tianshui Chen, Yujie Zhu, Jianman Lin, Zhijing Yang, Chunmei Qing, Feng Gao, Liang Lin

机构 * Guangdong University of Technology（广东工业大学） ； South China University of Technology（华南理工大学） ； Peking University（北京大学） ； Sun Yat-Sen University（中山大学） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 本文提出PCMECL算法，通过个性化提示和特征差分提升跨模态对齐，解决面部表情操控中情感操控的监督问题。

ESICA: A Scalable Framework for Text-Guided 3D Medical Image Segmentation

ESICA：一种可扩展的文本引导3D医学图像分割框架

Yu Xin, Gorkem Can Ates, Jun Ma, Sumin Kim, Ying Zhang, Kaleb E Smith, Kuang Gong, Wei Shao

机构 * University of Florida（佛罗里达大学） ； University of Toronto（多伦多大学） ； NVIDIA Corporation（NVIDIA公司） 纠错

专题命中 领域大模型 ：pretraining(abstract)

AI总结 本文提出ESICA框架，通过改进的掩码预测、高效解码器和双阶段训练策略，实现高效且可扩展的文本引导3D医学图像分割，提升分割精度与效率。

MTPano: Multi-Task Panoramic Scene Understanding via Label-Free Integration of Dense Prediction Priors

MTPano：通过无标签集成密集预测先验实现多任务全景场景理解

Jingdong Zhang, Xiaohang Zhan, Lingzhi Zhang, Yizhou Wang, Zhengming Yu, Jionghao Wang, Wenping Wang, Xin Li

机构 * Texas A\&M University（德克萨斯农工大学） ； Adobe（Adobe公司） 纠错

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

AI总结 本文提出MTPano，通过无标签集成密集预测先验解决全景场景理解中的数据稀缺和任务干扰问题，采用双桥网络和ERP令牌混合器提升性能。