语言大模型 / LLM

Domain-Adapted Small Language Models for Reliable Clinical Triage

领域适应的小语言模型用于可靠的临床分诊

Manar Aljohani, Brandon Ho, Kenneth McKinley, Dennis Ren, Xuan Wang

机构 * Department of Computer Science, Virginia Tech, Blacksburg, VA, US（弗吉尼亚理工学院计算机科学系，弗吉尼亚理工学院，布莱克斯堡，VA，美国） ； Children’s National Hospital, Washington DC, USA（儿童医学中心，华盛顿特区，美国） 纠错

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

AI总结 本文研究了小语言模型在急诊分诊中的应用，发现通过领域适应可显著降低误诊率，Qwen2.5-7B模型在准确性和效率上表现最佳。

Large Language Models as Explainable Cyberattack Detectors for Energy Industrial Control Systems

大语言模型作为可解释的网络攻击检测器用于能源工业控制系统

Weiyi Kong, Ahmad Mohammad Saber, Amr Youssef, Deepa Kundur

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

AI总结 本文研究了大语言模型在工业控制系统中检测Modbus流量攻击的可行性，通过二分类任务实现对异常行为的检测，并生成可审计的事件记录。

Comments Accepted to ACM EnergySP 2026, co-located with ACM e-Energy 2026. Author accepted manuscript. 8 pages, 4 figures, 2 tables

Retrieval-Augmented LLMs for Evidence Localization in Clinical Trial Recruitment from Longitudinal EHR Narratives

基于检索增强的LLM在纵向电子健康记录叙事中证据定位的临床试验招募

Ziyi Chen, Mengxian Lyu, Cheng Peng, Yonghui Wu

机构 * Department of Health Outcomes and Biomedical Informatics（健康结果与生物医学信息学系） ； University of Florida（佛罗里达大学） 纠错

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

AI总结 本文研究了基于编码器和解码器的生成LLM在临床试验招募中的应用，通过三种策略缓解长文档处理问题，MedGemma模型在RAG策略下达到89.05%的微F1分数，提升了长期推理能力。

HealthNLP_Retrievers at ArchEHR-QA 2026: Cascaded LLM Pipeline for Grounded Clinical Question Answering

HealthNLP_Retrievers在ArchEHR-QA 2026中的表现：基于级联LLM管道的 grounded临床问答

Md Biplob Hosen, Md Alomgeer Hussein, Md Akmol Masud, Omar Faruque, Tera L Reynolds, Lujie Karen Chen

机构 * University of Maryland Baltimore County（马里兰大学巴尔的摩县分校） ； Jahangirnagar University（贾旺吉拉大学） 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.CL、cs.LG

AI总结 本文提出基于Gemini 2.5 Pro的级联管道，通过多阶段模块实现患者问题理解、证据检索与回答生成，提升临床问答的准确性和专业性。

DSIPA: Detecting LLM-Generated Texts via Sentiment-Invariant Patterns Divergence Analysis

DSIPA：通过情感不变模式分歧分析检测大语言模型生成文本

Siyuan Li, Aodu Wulianghai, Guangyan Li, Xi Lin, Qinghua Mao, Yuliang Chen, Jun Wu, Jianhua Li

机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； Shanghai Key Laboratory of Integrated Administration Technologies for Information Security（上海信息安全集成管理技术重点实验室） ； State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院） 纠错

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

AI总结 DSIPA是一种无需训练的框架，通过量化在受控风格变化下的情感分布稳定性，检测大语言模型生成的文本，其在多个领域和对抗条件下均表现出更高的检测准确率和鲁棒性。

RE-MCDF: Closed-Loop Multi-Expert LLM Reasoning for Knowledge-Grounded Clinical Diagnosis

RE-MCDF：闭环多专家LLM推理用于知识驱动的临床诊断

Shaowei Shen, Xiaohong Yang, Jie Yang, Lianfen Huang, Yongcai Zhang, Yang Zou, Seyyedali Hosseinalipour

机构 * School of Informatics, Xiamen University, China（厦门大学信息学系, 中国） ； National Institute for Data Science in Health and Medicine, Xiamen University, China（健康医学数据科学国家研究院, 厦门大学, 中国） ； Key Laboratory of Intelligent Manufacturing Equipment and Industrial Internet Technology, Fujian Provincial Universities, the School of Information Science and Technology, Xiamen University Tan Kah Kee College, and also with the Department of Informatics and Communication Engineering, Xiamen University, China（福建省智能制造装备与工业互联网技术重点实验室, 福建省高校, 厦门大学信息科学系, 厦门大学坦克 Kee 学院, 以及厦门大学信息与通信工程系, 中国） ； School of Medicine, Xiamen University, China（厦门大学医学院, 中国） ； School of Electronic and Information Engineering, Tongji University, China（同济大学电子与信息工程学院, 中国） ； department of Electrical Engineering, University at Buffalo-SUNY, Buffalo, NY, USA（University at Buffalo-SUNY 电气工程系, Buffalo, NY, 美国） 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.AI

AI总结 针对神经科电子病历异质性、稀疏性和噪声问题，提出RE-MCDF框架，通过闭环架构整合三个互补组件，强化疾病间逻辑约束，提升复杂诊断场景性能。

Comments Accepted by International Joint Conference on Neural Networks (IJCNN 2026); 9 pages, 4 figures

ImproBR: Bug Report Improver Using LLMs

ImproBR：利用LLM的bug报告改进器

Emre Furkan Akyol, Mehmet Dedeler, Eray Tüzün

机构 * Bilkent University（比尔肯特大学） 纠错

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

AI总结 ImproBR通过结合DistilBERT、启发式分析和LLM分析，提升bug报告的结构完整性、可执行性及可复现性，显著提高质量。

Tree-of-Text: A Tree-based Prompting Framework for Table-to-Text Generation in the Sports Domain

树-文本：一种基于树的提示框架，用于体育领域中的表格到文本生成

Shang-Hsuan Chiang, Tsan-Tsung Yang, An-Zi Yen, Wen-Chih Peng

机构 * National Yang Ming Chiao Tung University 纠错

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

AI总结 本文提出Tree-of-Text框架，通过三阶段生成过程提升表格到文本生成的精度与效率，在多个体育数据集上表现优异。

Comments Accepted by ACL SRW 2025: Long Paper (Oral)

ProxyPrompt: Securing System Prompts against Prompt Extraction Attacks

ProxyPrompt：抵御提示提取攻击的系统提示安全机制

Zhixiong Zhuang, Maria-Irina Nicolae, Hui-Po Wang, Mario Fritz

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ProxyPrompt，通过替换原始提示以防止提示泄露，有效保护94.70%的提示免受提取攻击，优于现有防御方法。

Comments Accepted as Findings of ACL 2026.Code: https://github.com/boschresearch/proxyprompt

SCOUT: A Defense Against Data Poisoning Attacks in Fine-Tuned Language Models

SCOUT：一种对抗微调语言模型数据中毒攻击的防御方法

Mohamed Afane, Abhishek Satyam, Ke Chen, Tao Li, Junaid Farooq, Juntao Chen

机构 * Department of Computer and Information Sciences, Fordham University（福特汉姆大学计算机与信息科学系） ； Department of Electrical Engineering, Zhejiang University（浙江大学电子工程系） ； Department of Systems Engineering, City University of Hong Kong（香港城市大学系统工程系） ； Department of Electrical and Computer Engineering, University of Michigan-Dearborn（密歇根大学迪尔伯恩分校电气与计算机工程系） 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SCOUT框架，通过令牌级显著性分析检测数据中毒攻击，有效识别隐含触发器，提升对复杂攻击的防御能力。

Comments 9 pages, 3 figures

Journal ref 2025 IEEE International Conference on Big Data (BigData), 2025

Translating Under Pressure: Domain-Aware LLMs for Crisis Communication

在压力下翻译：面向危机通信的领域感知语言模型

Antonio Castaldo, Maria Carmen Staiano, Johanna Monti, Sheila Castilho, Francesca Chiusaroli

机构 * University of Pisa（帕尔米斯大学） ； University of Macerata（马切拉塔大学） ； Dublin City University（都柏林城市大学） 纠错

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

AI总结 本文提出一种领域自适应流程，通过检索和过滤通用语料库扩展小语料库，用于危机领域翻译，并通过偏好优化提升翻译质量，验证了简化英语结合领域适应在应急通信中的实用性。

Cross-Domain Transfer of Hyperspectral Foundation Models

超光谱基础模型的跨领域迁移

Nick Theisen, Peer Neubert

机构 * Intelligent Autonomous Systems, University of Koblenz（智能自主系统，科隆大学） 纠错

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

AI总结 本文提出跨领域迁移方法，利用远程传感训练的超光谱基础模型用于近距传感，保留光谱信息并简化架构，在有限数据下提升性能。

Comments Accepted for publication at ICPR 2026

Decoupled Prototype Matching with Vision Foundation Models for Few-Shot Industrial Object Detection

解耦原型匹配：基于视觉基础模型的少样本工业目标检测

Hari Prasanth S. M., Nilusha Jayawickrama, Risto Ojala

机构 * Department of Energy and Mechanical Engineering, Aalto University（能源与机械工程系，阿莱大学） 纠错

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

AI总结 本文提出利用视觉基础模型进行少样本工业目标检测，通过构造类原型实现低监督下的目标识别，提升检测性能并支持新物体快速接入。

Comments This article is submitted to Journal of Intelligent Manufacturing, and is currently in under review

Vision Foundation Models for Domain Generalisable Cross-View Localisation in Planetary Ground-Aerial Robotic Teams

行星地面-空中机器人团队中的域可推广跨视图局部化视觉基础模型

Lachlan Holden, Feras Dayoub, Alberto Candela, David Harvey, Tat-Jun Chin

机构 * AI for Space Group and 3 Andy Thomas Centre for Space Resources, The University of Adelaide（AI空间组和安迪·托马斯太空资源中心，阿德莱德大学） ； Jet Propulsion Laboratory, California Institute of Technology, Pasadena, CA 91109, USA（喷气推进实验室，加州理工学院，帕萨迪纳，CA 91109，美国） ； California Institute of Technology（加州理工学院） 纠错

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

AI总结 本文提出基于跨视图局部化的双编码深度神经网络，利用语义分割和合成数据缩小域差距，实现地面车在空中地图中的精准定位。

Comments 7 pages, 10 figures. Presented at the International Conference on Space Robotics (iSpaRo) 2025 in Sendai, Japan. Dataset available: https://doi.org/10.5281/zenodo.17364038

SecMate: Multi-Agent Adaptive Cybersecurity Troubleshooting with Tri-Context Personalization

SecMate：基于三重上下文个性化多智能体网络安全故障排查

Yair Meidan, Omri Haller, Yulia Moshan, Shahaf David, Dudu Mimran, Yuval Elovici, Asaf Shabtai

机构 * Ben-Gurion University of the Negev（贝加尔-戈里昂大学） 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 SecMate通过整合设备、用户和服务特定性，利用轻量级本地诊断工具和隐式技能推断，提升网络安全故障排查的准确性和用户满意度。

Rethinking the Harmonic Loss via Non-Euclidean Distance Layers

重新思考通过非欧几里得距离层的谐波损失

Maxwell Miller-Golub, Collin Coil, Kamil Faber, Marcin Pietron, Panpan Zheng, Pasquale Minervini, Roberto Corizzo

机构 * American University（美国大学） ； University of Vermont（佛蒙特大学） ； AGH University（AGH大学） ； University of Edinburgh（爱丁堡大学） ； Xinjiang University（新疆大学） 纠错

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

AI总结 本文提出通过非欧几里得距离层扩展谐波损失，评估了多种距离度量在视觉和语言模型中的性能、可解释性和可持续性。

Deterministic Legal Agents: A Canonical Primitive API for Auditable Reasoning over Temporal Knowledge Graphs

确定性法律代理：用于可审计时间知识图谱推理的规范性原始API

Hudson de Martim

机构 * Federal Senate of Brazil（巴西联邦议会） 纠错

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

AI总结 本文提出SAT-Graph API，通过确定性符号子系统与概率语言模型交互，实现法律领域可审计的时间知识图谱推理，将单次检索生成改为主动推理-行动-观察流程。

Comments Substantially revised version consolidating the paper as a formal SAT-Graph API specification: clarifies Probability Isolation and post-anchoring determinism, broadens semantic anchoring to open and thematic legal queries, refines the data models and temporal primitives, and strengthens the use cases, limitations, and bibliography

SkillForge: Forging Domain-Specific, Self-Evolving Agent Skills in Cloud Technical Support

SkillForge: 在云技术支持中锻造领域特定的自我进化代理技能

Xingyan Liu, Xiyue Luo, Linyu Li, Ganghong Huang, Jianfeng Liu, Honglin Qiao

机构 * Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 SkillForge通过闭环创建-评估-改进机制，解决云技术支持中领域特定技能缺乏和持续优化的问题，实验表明其能显著提升技能质量。

Comments Accepted at ACM SIGIR 2026 Industry Track. 18 pages, 5 figures, 3 tables

Treatment, evidence, imitation, and chat

治疗、证据、模仿与聊天

Samuel J. Weisenthal

机构 * samweisenthal 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 本文探讨大型语言模型在医疗决策中的潜力，分析治疗与聊天问题的差异，指出模仿方法的局限性，并讨论伦理和观察假设等挑战。

Comments 12 pages

When Model Editing Meets Service Evolution: A Knowledge-Update Perspective for Service Recommendation

当模型编辑遇见服务进化：一种基于知识更新的服务推荐视角

Guodong Fan, Cuiyun Gao, Chun Yong Chong, Lu Zhang, Jing Li, Jinglin Zhang, Shizhan Chen

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

AI总结 本文提出EVOREC框架，通过模型编辑策略有效整合更新服务知识，解决服务推荐中的过时信息和冗余问题，实验显示其在服务推荐性能上优于现有方法。

From Black-Box Confidence to Measurable Trust in Clinical AI: A Framework for Evidence, Supervision, and Staged Autonomy

从黑盒信心到可测量的信任：临床AI可信框架的构建

Serhii Zabolotnii, Viktoriia Holinko, Olha Antonenko

机构 * Cherkasy State Business College（切尔卡西州商业学院） ； healthPrecision 纠错

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

AI总结 本文提出一个基于证据、监督和分阶段自主的临床AI可信框架，通过模块化提示和层级升级机制提升信任度，强调信任是系统属性而非单一模型属性。

Comments 12 pages, 6 figures

A Multistage Extraction Pipeline for Long Scanned Financial Documents: An Empirical Study in Industrial KYC Workflows

一种多阶段提取流水线用于长扫描金融文档：工业KYC工作流的实证研究

Yuxuan Han, Yuanxing Zhang, Yushuo Wang, Yichao Jin, Kenneth Zhu Ke, Jingyuan Zhao

机构 * OCBC 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 本文提出多阶段提取框架，整合图像预处理、多语言OCR、混合页面级检索和紧凑VLM基于结构化提取，提升复杂多页文档的提取精度，实验证明在工业KYC工作中性能优于直接PDF到VLM基线。

TildeOpen LLM: Leveraging Curriculum Learning to Achieve Equitable Language Representation

TildeOpen LLM：利用课程学习实现公平的语言表示

Toms Bergmanis, Martins Kronis, Ingus Jānis Pretkalniņš, Dāvis Nicmanis, Jeļizaveta Jelinska, Roberts Rozis, Rinalds Vīksna, Mārcis Pinnis

机构 * TildeOpen LLM 纠错

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

AI总结 本文提出TildeOpen LLM，通过课程学习策略平衡数据分布，提升低资源欧洲语言性能，实现语言公平性。

Comments LREC 2026

reward-lens: A Mechanistic Interpretability Library for Reward Models

reward-lens: 一个用于奖励模型的机制可解释性库

Mohammed Suhail B Nadaf

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

AI总结 reward-lens库将传统生成LLM的机制可解释性工具适配至奖励模型，通过奖励头权重向量作为核心分析轴，提供多种分析工具和扩展功能，验证发现线性归因与因果修补效果存在负相关。

Comments 30 pages, 5 figures, 9 tables, including appendix. Library available at https://github.com/suhailnadaf509/reward-lens (pip install reward-lens)

Anchored Confabulation: Partial Evidence Non-Monotonically Amplifies Confident Hallucination in LLMs

锚定编造：部分证据非单调放大LLM中的自信幻觉

Ashish Balkishan Lathkar

机构 * Florida State University（佛罗里达州立大学） 纠错

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

AI总结 研究揭示了大语言模型中一种新校准特性：提供一个确认的中间事实可非单调放大自信错误答案率。通过六个证据线证明了参数幻觉信心（PHC）概念，并在RAG路由中应用，显著提升性能。

Comments 62 pages, 5 figures. Preprint under review

Faithfulness-Aware Uncertainty Quantification for Fact-Checking the Output of Retrieval Augmented Generation

基于事实性的不确定性量化用于验证检索增强生成的输出

Ekaterina Fadeeva, Aleksandr Rubashevskii, Dzianis Piatrashyn, Roman Vashurin, Shehzaad Dhuliawala, Artem Shelmanov, Timothy Baldwin, Preslav Nakov, Mrinmaya Sachan, Maxim Panov

机构 * ETH Zürich（苏黎世联邦理工学院） ； MBZUAI（穆斯林人工智能研究所） 纠错

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

AI总结 本文提出FRANQ方法，通过不同不确定性量化技术区分事实性和检索忠实性，提升RAG输出的事实性检测准确性。

Contrastive Semantic Projection: Faithful Neuron Labeling with Contrastive Examples

对比语义投影：利用对比示例实现忠实的神经元标注

Oussama Bouanani, Jim Berend, Wojciech Samek, Sebastian Lapuschkin, Maximilian Dreyer

机构 * Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所） ； Technische Universität Berlin（柏林技术大学） ； BIFOLD – Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所） ； Centre of eXplainable Artificial Intelligence, Technological University Dublin（可解释人工智能中心，都柏林技术大学） 纠错

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

AI总结 本文提出对比语义投影(CSP)，通过视觉语言模型生成候选标签并结合CLIP-like编码器进行标签分配，改进神经元标注的准确性和语义粒度。

Topology-Aware Representation Alignment for Semi-Supervised Vision-Language Learning

面向拓扑的表示对齐用于半监督视觉-语言学习

Junwon You, Mihyun Jang, Sangwoo Mo, Jae-Hun Jung

机构 * KAIST（韩国科学技术院） ； POSTECH 纠错

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

AI总结 本文提出ToMA框架，通过持久同调识别拓扑显著边，利用跨模态对应关系对齐多模态表示，提升视觉-语言学习在遥感和时尚检索中的性能。

Comments 30 pages, 10 figures, 24 tables

A Self-Calibrating Framework for Analog Circuit Sizing Using LLM-Derived Analytical Equations

基于LLM衍生分析方程的自校准模拟电路尺寸设计框架

Antonio J. Bujana, Aydin I. Karsilayan

专题命中 其他LLM ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出一种自校准的模拟电路尺寸设计框架，通过LLM生成可追溯设计原理的分析方程，结合确定性校准循环和预测误差反馈机制，实现跨工艺节点的自动校准。

Comments 14 pages, 4 figures, 9 tables. V2: Extended to 5 topology families (8-30 transistors), 3 process nodes, and quantitative comparison against 4 published methods

Sociodemographic Biases in Educational Counselling by Large Language Models

大语言模型在教育咨询中的社会人口偏差

Tomasz Adamczyk, Wiktoria Mieleszczenko-Kowszewicz, Beata Bajcar, Grzegorz Chodak, Aleksander Szczęsny, Maciej Markiewicz, Karolina Ostrowska, Aleksandra Sawczuk, Przemysław Kazienko

机构 * Wrocław University of Science and Technology（沃拉布大学科学与技术学院） ； University of Silesia in Katowice（卡托维采西里西亚大学） 纠错

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.AI

AI总结 研究探讨了大语言模型在教育咨询中存在社会人口偏差问题，通过评估六种模型对900个情境描述的回应，发现模型存在可测量偏差，偏差模式部分与人类偏差一致但有显著差异，且偏差大小受学生描述精度影响。