语言大模型 / LLM

Is a team only as strong as its weakest link? Quantifying the short-board effect with AI Agents

团队是否仅如其最弱成员一样强大？利用AI代理量化短板效应

Xin Xu, Jiu Zhang, Xiao-Ling Lei, Xiong-Fei Jiang, Long Xiong

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

AI总结 研究通过AI代理模拟团队协作，揭示个体能力与团队绩效的关系，发现短板效应在多个弱成员时呈现累积效应，强调团队管理需超越单一弱成员修复。

Comments 15 pages, 4 figures

Accelerating Precise End-to-End Simulation: Latency-Sensitive Many-core System Modeling

加速精确端到端仿真：对延迟敏感的多核系统建模

Yinrong Li, Zexin Fu, Yichao Zhang, Germain Haugou, Chi Zhang, Marco Bertuletti, Bowen Wang, Luca Benini

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

AI总结 本文提出了一种快速且精确的端到端建模方法，用于对延迟敏感的多核架构进行仿真，通过抽象非必要硬件细节，实现高精度仿真并提升效率，适用于大规模多核系统。

Comments 7 pages, 5 figures. Proceeded by 2025 IEEE Computer Society Annual Symposium on VLSI (ISVLSI)

Task-Oriented Communication for Human Action Understanding via Edge-Cloud Co-Inference

面向任务的边缘-云协同通信用于人类动作理解

Jingyi Liu, Cheng Yuan, Lijun He, Jun Zhang, Jiawei Shao

机构 * Institute of Artificial Intelligence (TeleAI) of China Telecom（中国电信人工智能研究所） ； School of Information and Communications Engineering, Xi’an Jiaotong University（西安交通大学信息与通信工程学院） ； Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology（香港科技大学电子与计算机工程系） 纠错

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

AI总结 本文提出TOAU框架，通过边缘-云协作减少传输负载和延迟，利用单目姿态估计器和VQ-VAE提取动作特征，提升动作理解精度。

Comments 12 pages, 6 figures

Membership Inference Attacks on Vision-Language-Action Models

针对视觉-语言-动作模型的成员推断攻击

Yuefeng Peng, Mingzhe Li, Kejing Xia, Renhao Zhang, Amir Houmansadr

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

AI总结 本文首次系统研究了针对视觉-语言-动作（VLA）模型的成员推断攻击（MIAs），提出了样本级和轨迹级的攻击设置，并展示了在多个VLA基准和模型上，攻击方法在黑盒环境下表现出色，揭示了VLA模型在隐私方面的高风险。

AdaSpark: Adaptive Sparsity for Efficient Long-Video Understanding

AdaSpark: 为高效长视频理解设计的自适应稀疏性

Handong Li, Zikang Liu, Longteng Guo, Tongtian Yue, Yepeng Tang, Xinxin Zhu, Chuanyang Zheng, Ziming Wang, Zhibin Wang, Jun Song, Cheng Yu, Bo Zheng, Jing Liu

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Alibaba Group Holding Limited（阿里巴巴集团控股有限公司） ； Future Living Lab of Alibaba（阿里巴巴未来生活实验室） 纠错

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

AI总结 AdaSpark通过自适应稀疏框架减少计算负载达57% FLOPs，保持性能并保留细粒度长程依赖，适用于小时级视频基准测试。

Comments 8 pages, CVPR2026 Accept (Highlight)

Journal ref Proceedings of the IEEE/CVF Computer Vision and Pattern Recognition (CVPR), 2026

SnapAudit: Active Auditing of Differentially Private In-Context Learning via Snapshot-Based Simulation

SnapAudit: 通过基于快照的模拟实现差分隐私上下文学习的主动审计

Yuyang Xia, Ruixuan Liu, Li Xiong

专题命中 效率与部署 ：LLM(abstract,abstract_cn)

AI总结 SnapAudit通过将差分隐私上下文学习流程分解为确定性清洁推理阶段和随机差分隐私噪声阶段，结合快照和bootstrap模拟实现高效审计，提升隐私保护的效率和准确性，揭示现有设计中的两个漏洞。

FAAST: Forward-Only Associative Learning via Closed-Form Fast Weights for Test-Time Supervised Adaptation

FAAST：通过闭式快速权重实现的前向仅关联学习用于测试时监督适应

Guangsheng Bao, Hongbo Zhang, Han Cui, Ke Sun, Yanbin Zhao, Juncai He, Yue Zhang

机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Tsinghua University（清华大学） ； Shanghai Polytechnic University（上海理工大学） 纠错

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

AI总结 FAAST通过单次传递将标注示例分析性编译为快速权重，实现常数时间推理，减少适应时间90%并节省内存使用，适用于资源受限模型的高效监督任务适应。

Comments 9 pages, 6 figures, 10 tables

Rubric-based On-policy Distillation

基于评分标准的在线蒸馏

Junfeng Fang, Zhepei Hong, Mao Zheng, Mingyang Song, Gengsheng Li, Houcheng Jiang, Dan Zhang, Haiyun Guo, Xiang Wang, Tat-Seng Chua

机构 * National University of Singapore（新加坡国立大学） ； University of Science and Technology of China（中国科学技术大学） ； Tencent（腾讯） 纠错

专题命中 效率与部署 ：LLM(abstract_cn)；分类 cs.AI、cs.LG

AI总结 本文提出ROPD框架，利用教师生成的响应而非教师日志进行在线蒸馏，实现更灵活的黑盒兼容方案，实验显示在多数场景下性能优于基于日志的蒸馏方法，样本效率提升达10倍。

Comments Preprint. Code is available at https://github.com/Peregrine123/ROPD_official

Zero-Shot Quantization via Weight-Space Arithmetic

通过权重空间算术实现零样本量化

Daniele Solombrino, Antonio Andrea Gargiulo, Alessandro Zirilli, Luca Zhou, Adrian Robert Minut, Emanuele Rodolà

机构 * Sapienza University of Rome（罗马萨皮恩扎大学） 纠错

专题命中 效率与部署 ：post-training(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出通过权重空间算术提取量化向量，无需接收端训练即可提升低比特量化精度，展示了量化鲁棒性的可迁移性与有效性。

DeepFedNAS: Efficient Hardware-Aware Architecture Adaptation for Heterogeneous IoT Federations via Pareto-Guided Supernet Training

DeepFedNAS：通过帕累托引导的超网络训练实现异构物联网联邦的高效硬件感知架构适应

Bostan Khan, Masoud Daneshtalab

专题命中 效率与部署 ：post-training(abstract)；分类 cs.LG

AI总结 本文提出DeepFedNAS，通过帕累托引导的超网络训练，实现异构物联网联邦的高效硬件感知架构适应，显著提升搜索效率和模型精度。

Comments This paper significantly extends the preliminary work presented at ESANN 2026. Source Code: https://github.com/bostankhan6/DeepFedNAS

Statistical Patterns in the Equations of Physics and the Emergence of a Meta-Law of Nature

物理学方程中的统计模式与自然法则的涌现

Andrei Constantin, Deaglan Bartlett, Harry Desmond, Pedro G. Ferreira

机构 * School of Mathematics, University of Birmingham, Watson Building, Edgbaston, Birmingham B15 2TT, United Kingdom（伯明翰大学数学学院） ； Rudolf Peierls Centre for Theoretical Physics, University of Oxford, Parks Road, Oxford OX1 3PU, UK（牛津大学鲁道夫·皮埃尔斯理论物理中心） ； Institute of Cosmology and Gravitation, University of Portsmouth, Dennis Sciama Building, Portsmouth, PO1 3FX, UK（普敦大学宇宙学与引力研究所） ； Astrophysics, University of Oxford, DWB, Keble Road, Oxford OX1 3RH, UK（牛津大学天体物理学） 纠错

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

AI总结 研究发现物理方程中数学运算符频率呈指数衰减，揭示了自然法则的统计规律，为符号回归和语言模型生成数学表达式提供新思路。

Comments 11 pages, 5 figures, 2 table

Journal ref Philos Trans A Math Phys Eng Sci (2026) 384 (2317): 20250091

DINO-MVR: Multi-View Readout of Frozen DINOv3 for Annotation-Efficient Medical Segmentation

DINO-MVR：基于冻结DINOv3的多视角读取用于标注高效的医学分割

Wei Jiang, Feng Liu, Nan Ye, Hongfu Sun

机构 * The University of Queensland（昆士兰大学） ； The University of Newcastle（新castle大学） 纠错

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

AI总结 本文提出DINO-MVR框架，利用冻结的DINOv3特征进行多视角读取，实现高效的医学分割，仅需轻量MLP探针即可在有限标注下获得高Dice系数表现。

Agent-Centric Observation Adaptation for Robust Visual Control under Dynamic Perturbations

以代理为中心的观测适应用于动态扰动下的鲁棒视觉控制

Zhengru Fang, Yu Guo, Fei Liu, Yuang Zhang, Yihang Tao, Senkang Hu, Wenbo Ding, Yuguang Fang

机构 * City University of Hong Kong（香港城市大学） ； Tsinghua University（清华大学） 纠错

专题命中 效率与部署 ：pretraining(abstract)

AI总结 本文提出ACO-MoE方法，通过结合路由的修复专家和前景掩码分支，解决动态扰动下的视觉控制问题，提升下游任务性能。

Comments Source code is available at https://github.com/fangzr/aco-moe-code

RRCM: Ranking-Driven Retrieval over Collaborative and Meta Memories for LLM Recommendation

RRCM：基于协作和元记忆的排序驱动检索用于LLM推荐

Shijun Li, Wooseong Yang, Yu Wang, Tianxin Wei, Joydeep Ghosh

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Illinois at Chicago（伊利诺伊大学香槟分校） ； Capital One AI Foundations（Capital One AI基金会） ； 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 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 RRCM通过排序驱动的检索与推理框架，解决LLM推荐中构建相关上下文的挑战，利用自然语言表示的协作和元记忆，实现灵活的证据获取，提升推荐质量。

A Human-Centric Framework for Data Attribution in Large Language Models

面向大型语言模型的数据归因的人本框架

Amelie Wührl, Mattes Ruckdeschel, Kyle Lo, Anna Rogers

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

AI总结 本文提出一个以人类为中心的数据归因框架，旨在解决LLM数据使用中的归因问题，通过参数设定和多方协商实现可持续的数据经济平衡。

Comments Accepted at Facct 26

Evaluating Large Language Models in Scientific Discovery

评估大型语言模型在科学发现中的表现

Zhangde Song, Jieyu Lu, Yuanqi Du, Botao Yu, Thomas M. Pruyn, Yue Huang, Kehan Guo, Xiuzhe Luo, Yuanhao Qu, Yi Qu, Yinkai Wang, Haorui Wang, Jeff Guo, Jingru Gan, Parshin Shojaee, Di Luo, Andres M Bran, Gen Li, Qiyuan Zhao, Shao-Xiong Lennon Luo, Yuxuan Zhang, Xiang Zou, Wanru Zhao, Yifan F. Zhang, Wucheng Zhang, Shunan Zheng, Saiyang Zhang, Sartaaj Takrim Khan, Mahyar Rajabi-Kochi, Samantha Paradi-Maropakis, Tony Baltoiu, Fengyu Xie, Tianyang Chen, Kexin Huang, Weiliang Luo, Meijing Fang, Xin Yang, Lixue Cheng, Jiajun He, Soha Hassoun, Xiangliang Zhang, Wei Wang, Chandan K. Reddy, Chao Zhang, Zhiling Zheng, Mengdi Wang, Le Cong, Carla P. Gomes, Chang-Yu Hsieh, Aditya Nandy, Philippe Schwaller, Heather J. Kulik, Haojun Jia, Huan Sun, Seyed Mohamad Moosavi, Chenru Duan

机构 * Deep Principle（深原则） ； Department of Computer Science, Cornell University（计算机科学系，康奈尔大学） ； Department of Computer Science and Engineering, The Ohio State University（计算机科学与工程系，俄亥俄州立大学） ； Department of Chemical Engineering & Applied Chemistry, University of Toronto（化学工程与应用化学系，多伦多大学） ； Department of Computer Science and Engineering, University of Notre Dame（计算机科学与工程系，圣母大学） ； QuEra Computing Inc.（QuEra计算公司） ； Department of Pathology, Department of Genetics, Cancer Biology Program, Stanford University School of Medicine（病理学系、遗传学系、癌症生物学项目，斯坦福大学医学院） ； Harvard Law School（哈佛法学院） ； Department of Computer Science, Tufts University（计算机科学系，塔夫茨大学） ； School of Computational Science and Engineering, Georgia Institute of Technology（计算科学与工程学院，佐治亚理工学院） ； Department of Computer Science, University of California, Los Angeles（计算机科学系，加州大学洛杉矶分校） ； Department of Computer Science, Virginia Tech（计算机科学系，弗吉尼亚理工大学） ； Department of Physics, Tsinghua University（物理系，清华大学） ； Institute for Advanced Study, Tsinghua University（清华大学高级研究所） ； Laboratory of Artificial Chemical Intelligence, Ecole Polytechnique Federale de Lausanne（人工化学智能实验室，瑞士联邦理工学院） 纠错

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

AI总结 本文提出一个基于场景的基准测试，评估LLM在生物学、化学、材料科学和物理学中的科学发现能力，揭示了模型在科学发现任务中的性能差距和改进方向。

DCGL: Dual-Channel Graph Learning with Large Language Models for Knowledge-Aware Recommendation

DCGL: 基于大语言模型的双通道图学习用于知识感知推荐

Xinchi Zou, Tongzhenzhi Su, Jianjun Li, Yuan Fu, Chang Liu, Zhiying Deng, Zhiwei Shen

机构 * School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院） ； School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件工程学院） ； Laboratory for Artificial Intelligence and New Forms of Education, Central China Normal University（中央财经大学人工智能与新教育形式实验室） 纠错

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

AI总结 本文提出DCGL框架，通过双通道架构、多级对比学习和动态融合机制，解决知识图谱与大语言模型结合中的隐含语义建模、单通道融合和用户行为频率考虑不足问题，实验表明其在稀疏场景中表现优异。

Comments Accepted by SIGIR 2026

LLM hallucinations in the wild: Large-scale evidence from non-existent citations

在现实世界中大型语言模型的幻觉：来自不存在引用的大规模证据

Zhenyue Zhao, Yihe Wang, Toby Stuart, Mathijs De Vaan, Paul Ginsparg, Yian Yin

机构 * Department of Information Science, Cornell University（信息科学系，康奈尔大学） ； Department of Sociology, University of California Los Angeles（社会学系，加州大学洛杉矶分校） ； Department of Computer Science and Technology, Tsinghua University（计算机科学与技术系，清华大学） ； Haas School of Business, University of California Berkeley（哈斯商学院，加州大学伯克利分校） 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.AI

AI总结 研究通过验证引用数据揭示LLM生成虚假引用的问题，发现2025年存在146932个虚假引用，且在AI应用快速发展的领域和语言特征显示AI辅助写作的论文中尤为严重，影响科学认可的公平性。

Ask Patients with Patience: Enabling LLMs for Human-Centric Medical Dialogue with Grounded Reasoning

耐心询问患者：通过 grounded 推理实现面向人类的医疗对话 LLM

Jiayuan Zhu, Jiazhen Pan, Yuyuan Liu, Fenglin Liu, Junde Wu

机构 * University of Oxford（牛津大学） ； Technical University of Munich（慕尼黑技术大学） 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

AI总结 本文提出 APP，一种基于 LLM 的医疗助手，通过 grounded 推理和透明诊断提升医疗对话的人性化体验，改进诊断准确性并增强用户参与度。

Reflections and New Directions for Human-Centered Large Language Models

人类中心大语言模型的反思与新方向

Caleb Ziems, Dora Zhao, Rose E. Wang, Matthew Jörke, Ahmad Rushdi, Advit Deepak, Sunny Yu, Anshika Agarwal, Harshvardhan Agarwal, Gabriela Aranguiz-Dias, Aditri Bhagirath, Justine Breuch, Huanxing Chen, Ruishi Chen, Sarah Chen, Haocheng Fan, William Fang, Cat Gonzales Fergesen, Daniel Frees, Tian Gao, Ziqing Huang, Vishal Jain, Yucheng Jiang, Kirill Kalinin, Su Doga Karaca, Arpandeep Khatua, Teland La, Isabelle Levent, Miranda Li, Xinling Li, Yongce Li, Angela Liu, Minsik Oh, Nathan J. Paek, Anthony Qin, Emily Redmond, Michael J. Ryan, Aadesh Salecha, Xiaoxian Shen, Pranava Singhal, Shashanka Subrahmanya, Mei Tan, Irawadee Thawornbut, Michelle Vinocour, Xiaoyue Wang, Zheng Wang, Henry Jin Weng, Pawan Wirawarn, Shirley Wu, Sophie Wu, Yichen Xie, Patrick Ye, Sean Zhang, Yutong Zhang, Cathy Zhou, Yiling Zhao, James Landay, Diyi Yang

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出人类中心大语言模型框架，整合NLP、HCI和负责任的AI视角，强调在模型开发全流程中关注人类需求与价值观，通过案例研究探讨HCLLMs的未来工作影响。

NSMQ Riddles: A Benchmark of Scientific and Mathematical Riddles for Quizzing Large Language Models

NSMQ谜题：一个科学和数学谜题的基准，用于评估大型语言模型

George Boateng, Naafi Ibrahim, Samuel John, Philemon Badu, Patrick Agyeman-Budu, Jonathan Mensah, Kevin Yeboah, William Edor, Andrew Mensa-Onumah, Nana Yeboah, Victor Wumbor-Apin Kumbol

机构 * ETH Zurich（苏黎世联邦理工学院） ； Charité - Universitätsmedizin Berlin（柏林夏里特医学院） ； Kwame AI Inc.（夸梅人工智能公司） ； Ashesi University（阿什西大学） 纠错

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

AI总结 本文提出NSMQ谜题基准，基于加纳国家科学与数学竞赛的谜题，评估大型语言模型的科学和数学推理能力，发现即使是最先进的模型也难以应对。

Comments 15 pages. Accepted at the 27th International Conference on Artificial Intelligence in Education

MedExAgent: Training LLM Agents to Ask, Examine, and Diagnose in Noisy Clinical Environments

MedExAgent：训练LLM代理在嘈杂的临床环境中提问、检查和诊断

Yicheng Gao, Xiaolin Zhou, Yahan Li, Yue Zhao, Ruishan Liu

机构 * University of Southern California（南加州大学） ； Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 本文提出MedExAgent，通过两阶段流程训练医疗诊断代理，结合合成对话和DAPO优化，实现高效诊断与成本控制。

Securing the Dark Matter: A Semantic-Enhanced Neuro-Symbolic Framework for Supply Chain Analysis of Opaque Industrial Software

守护暗物质：一种语义增强的神经符号框架用于opaque工业软件的供应链分析

Bowei Ning, Xuejun Zong, Lian Lian, Kan He, Yifei Sun, Yuxiang Lei, Plamen Vasilev

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 本文提出一种语义增强的神经符号框架，通过直接从opaque二进制中重建行为语义，实现可扩展的全局风险推理，提升供应链分析的准确性和语义映射精度。

Comments 33 pages, 13 figures

LLM-Guided Open Hypothesis Learning from Autonomous Scanning Probe Microscopy Experiments

基于自主扫描探针显微镜实验的LLM引导开放假设学习

Boris Slautin, Utkarsh Pratiush, Yu Liu, Kamyar Barakati, Sergei Kalinin

机构 * Department of Materials Science and Engineering, University of Tennessee, Knoxville, TN 37923, USA（材料科学与工程系，田纳西大学， Knoxville，TN 37923，USA） 纠错

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

AI总结 本文提出结合符号回归与大语言模型物理评估的开放假设学习框架，用于自主扫描探针显微镜实验，通过稀疏测量生成候选分析关系，并通过物理合理性评估发现可解释的电压-时间增长定律。

Comments 21 pages, 6 figures, 1 table

Open-Ended Task Discovery via Bayesian Optimization

通过贝叶斯优化进行开放任务发现

Masaki Adachi, Yuta Suzuki, Juliusz Ziomek

机构 * Lattice Lab Toyota Motor Corporation（电装株式会社拉特实验室） ； Machine Learning Research Group（机器学习研究组） ； University of Oxford（牛津大学） 纠错

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

AI总结 本文提出GSR框架，通过生成-选择-细化流程实现开放-ended的贝叶斯优化，应用于新产品开发、化学合成放大、算法分析和专利再利用，优于现有LLM优化器。

Comments 60 pages, 11 figures

Bridging Textual Profiles and Latent User Embeddings for Personalization

弥合文本特征与潜在用户嵌入之间的鸿沟以实现个性化

Zhaoxuan Tan, Xiang Zhai, Yan Zhu, Meng Jiang, Mohamed Hammad

机构 * University of Notre Dame（诺特大学） ； Google（谷歌） 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 本文提出BLUE框架，通过结合语言基用户特征与嵌入基推荐目标，弥合可解释性文本特征与判别性潜在嵌入之间的差距，实验证明其在零样本序列推荐中优于基线方法。

SHARP: A Self-Evolving Human-Auditable Rubric Policy for Financial Trading Agents

SHARP: 一种自进化可审计的规则策略用于金融交易代理

Xiwen Chen, Wenhui Zhu, Songzhu Zheng, Kashif Rasul, Yueyue Deng, Huayu Li

机构 * Morgan Stanley（摩根大通） ； Arizona State University（亚利桑那州立大学） ； Columbia University（哥伦比亚大学） ； University of Arizona（亚利桑那大学） 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.LG

AI总结 SHARP通过结构化规则优化解决金融交易代理中信用分配问题，提升策略鲁棒性和透明度，使紧凑模型性能提升10-20个百分点。

Domain-level metacognitive monitoring in frontier LLMs: A 33-model atlas

领域级元认知监控在前沿大语言模型中的应用：一个33模型图谱

Jon-Paul Cacioli

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 本文通过33个前沿LLM在MMLU基准领域中的表现，揭示了元认知评分掩盖的领域级差异，发现应用/专业知识领域监控效果最佳，而形式推理和自然科学领域最难，且中等难度领域无显著差异。

Comments 25 pages, 7 figures, 1 supplementary table. Code and data: https://github.com/synthiumjp/metacognitive-profile-atlas

DIMoE-Adapters: Dynamic Expert Evolution for Continual Learning in Vision-Language Models

DIMoE-Adapters：动态专家进化用于视觉语言模型的持续学习

Mengxin Qin, Xiang Zhang, Xi Wang, Kun Wei, Xu Yang, Cheng Deng

机构 * School of Electronic Engineering, Xidian University（西安电子科技大学电子工程学院） 纠错

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

AI总结 本文提出DIMoE-Adapters框架，通过动态专家进化方法平衡持续学习中的稳定性与可塑性，解决多领域任务增量学习中的领域迁移问题。

Dino U-Net: Exploiting High-Fidelity Dense Features from Foundation Models for Medical Image Segmentation

Dino U-Net：利用基础模型的高保真密集特征进行医学图像分割

Haoyue Li, Yifan Gao, Feng Yuan, Xiaosong Wang, Xin Gao

机构 * School of Biomedical Engineering (Suzhou), Division of Life Science and Medicine, University of Science and Technology of China, Hefei, China（生物医学工程学院（苏州），生命科学与医学系，中国科学技术大学，合肥，中国） ； Suzhou Institute of Biomedical Engineering and Technology, Chinese Academy of Sciences, Suzhou, China（苏州生物医学工程与技术研究所，中国科学院，苏州，中国） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院，上海，中国） ； Medical School of Tianjin University, Tianjin, China（天津大学医学院，天津，中国） ； Jinan Guoke Medical and Technology Development Co., Ltd., Pharmaceutical Valley New Drug Creation Platform, Jinan, China（济南国科医药科技发展有限公司，药谷新药创制平台，济南，中国） 纠错

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

AI总结 本文提出Dino U-Net，通过融合DINOv3模型的语义特征与低层空间细节，提升医学图像分割精度，实验表明其在多种影像模态中均优于现有方法。

Comments MICCAI 2026