AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
HSUGA：基于层次语义理解与群体感知对齐的LLM增强推荐
专题命中 领域大模型 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)
AI总结 HSUGA通过引入层次语义理解和群体感知对齐模块，解决LLM增强推荐中用户语义嵌入提取与利用的可靠性与适应性问题，提升推荐性能。
Comments Accepted by ACL 2026 Findings
阅读、grep和合成：诊断跨领域种子暴露对LLM研究构想的影响
机构 * Yonsei University, Seoul, Republic of Korea（延世大学，首尔，韩国）
专题命中 领域大模型 ：LLM(title,title_cn)；分类 cs.AI
AI总结 本文通过PaperGym框架研究跨领域检索对LLM构想系统的影响，发现种子暴露提升特定性，但检索效果不如随机多样种子控制，表明系统需进一步优化语义理解。
Comments 12 pages, 2 figures, 7 tables
通过多SAE层转换实现领域限制
机构 * Technion -- Israel Institute of Technology, Haifa, Israel（技术ion理工学院，海法，以色列）
专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文通过分析LLM内部动态，提出利用稀疏自编码器（SAE）层转换提取领域特征的方法，验证了其在区分out-of-domain文本中的有效性。
为何用户前往那里：世界知识增强的生成性下一个兴趣点推荐
机构 * Amap, Alibaba Group（阿里巴巴集团阿地图） ； Xi’an Jiaotong University（西安交通大学）
专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文提出AWARE模型，通过LLM代理生成时空感知的上下文叙述，结合用户行为增强世界知识，提升POI推荐效果，实验证明其优于基线模型。
在训练LLM监控器时，跨领域泛化有多有用？
机构 * Anthropic Fellows Program（Anthropic 后备计划）
专题命中 领域大模型 ：LLM(title,title_cn)；language model(abstract)；分类 cs.AI
AI总结 研究通过多任务训练提升跨领域分类性能，发现部分泛化效果，但存在特定场景下的失败，混合训练能保持优势并缓解泛化问题。
TabDLM：通过联合数值-语言扩散生成自由形式表格数据
机构 * Washington University in St. Louis（华盛顿大学圣路易斯分校） ； Peking University（北京大学） ； Ant Group（蚂蚁集团）
专题命中 领域大模型 ：LLM(abstract,abstract_cn)；language model(abstract)；foundation model(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文提出TabDLM，通过联合数值-语言扩散模型生成包含文本、分类和数值特征的自由形式表格数据，有效解决多模态数据生成难题。
Comments Preprint
CompNO：一种用于求解偏微分方程的新型基础模型方法
机构 * Mines Paris - PSL University, Centre for Material Forming (CEMEF)（巴黎 Mines - PSL 大学，材料成型中心（CEMEF）） ； Mines Paris - PSL University, Centre for Robotics (CAOR)（巴黎 Mines - PSL 大学，机器人中心（CAOR））
专题命中 领域大模型 ：foundation model(title,abstract)；pretraining(abstract)；分类 cs.LG
AI总结 CompNO通过学习基础块和适应块构建参数化PDE求解器，降低计算成本并保持物理可解释性，适用于一维对流、扩散、对流-扩散和Burgers方程。
Comments Under review at MDPI
ClinicalBench: 用于MIMIC-IV跨入院临床问答的应力测试型断言感知检索
专题命中 领域大模型 ：LLM(summary_cn,abstract)；分类 cs.CL、cs.AI
AI总结 ClinicalBench通过400个问题测试43名MIMIC-IV患者，评估断言敏感类别下的检索性能，采用EpiKG知识图谱检索方法，通过六种LLM模型测试，发现断言感知检索在临床问答中提升22个百分点。
Comments 46 pages including appendices (two-column preprint format). Under review at JAMIA. Code, frozen evaluator, and benchmark released at https://huggingface.co/datasets/alexstinard/epikg-clinicalbench. ClinicalBench v2 is a 400-question MIMIC-IV stress test for assertion-aware retrieval
用语义增强重新连接碎片化的引文网络
机构 * Digital Data and Information for Society, Science, and Culture, Zuse Institute Berlin（数字数据与信息社会、科学与文化，柏林祖布研究所） ； Institute of Mathematics, Vietnam Academy of Science and Technology（越南科学技术 academy 数学研究所） ； Software and Algorithms for Discrete Optimization, Technische Universität Berlin（离散优化软件与算法，柏林技术大学） ； Applied Optimization, Zuse Institute Berlin（应用优化，柏林祖布研究所） ； Kooperativer Bibliotheksverbund Berlin-Brandenburg (KOBV), Zuse Institute Berlin（柏林-勃兰登堡合作图书馆联合会 (KOBV)，柏林祖布研究所）
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 本文提出一种结合引文拓扑和大语言模型的高效框架，通过添加语义边和文本相似性加权，减少引文网络碎片化，保留学科同质性，并提升聚类分析的结构可解释性。
Comments 11 pages, 4 figures, 3 tables
通过代理AI发现可解释的替代模型：应用于引力波
机构 * Kavli Institute for Theoretical Physics, University of California Santa Barbara（加州大学圣芭芭拉分校凯文利理论物理研究所） ； Center for Gravitational Physics, University of Texas at Austin（德克萨斯大学奥斯汀分校重力物理中心） ； Department of Physics, University of California at Santa Barbara（加州大学圣芭芭拉分校物理系） ； International Centre for Theoretical Sciences, Tata Institute of Fundamental Research（塔塔基础研究机构国际理论科学研究中心） ； School of Natural Sciences, Institute for Advanced Study（高级研究院自然科学学院） ； Chennai Mathematical Institute（钦奈数学研究所） ； Kavli Institute for Cosmological Physics, The University of Chicago（芝加哥大学凯文利宇宙物理研究所） ； Department of Particle Physics & Astrophysics, Weizmann Institute of Science（魏茨曼科学研究所粒子物理与天体物理系）
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GWAgent，一种基于大语言模型的流程，直接从模拟数据构建可解释的分析替代模型。通过物理指导的域假设提升模型精度，实现高精度、快速且可解释的引力波模拟替代。
Comments 25 pages, 9 figures, codes available at https://github.com/tousifislam/GWAgent
模板作为本体：用于跨领域制造人工智能验证的可配置合成数据基础设施
机构 * Siemens Digital Industries Software（西门子数字工业软件）
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 本文提出一种模板作为本体的方法，通过单一Python配置模块生成制造仿真和AI分析工具的统一数据结构，验证了跨领域制造AI验证的可行性。
Comments 18 pages, 1 fugure
语义训练鸿沟：面向工业AI代理系统的本体引导工具架构
机构 * Siemens Digital Industries Software（西门子数字工业软件）
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 本文提出基于本体的工具架构，解决工业AI代理系统中语义训练鸿沟问题，通过类型关系配置增强语义约束，减少领域标识符的幻觉率，实现跨域配置能力。
Comments 29 pages, 2 figures
超越手动整理：通过代理文献提取流程增强靶向蛋白降解数据库
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； Chalmers University of Technology（楚姆勒斯技术大学） ； University of Gothenburg（哥德堡大学） ； Yardi School of Artificial Intelligence（Yardi人工智能学院） ； Indian Institute of Technology Delhi（德里印度理工学院）
专题命中 领域大模型 ：LLM(summary_cn,abstract)；分类 cs.LG
AI总结 本文提出一种基于代理的LLM工作流，通过三角比较提升靶向蛋白降解数据库的提取效率，实现了数据库的自动化扩展与验证，提高了数据质量和应用价值。
语言模型对谁进行对齐？在高风险竞争需求下测量主导层级
机构 * Thomson Reuters Foundational Research（汤姆森·路透基础研究） ； University of Oxford（牛津大学） ； Imperial College London（帝国理工学院伦敦分校）
专题命中 领域大模型 ：language model(title,abstract)；分类 cs.AI
AI总结 研究探讨了在高风险专业场景中语言模型如何在用户、机构权威和专业规范之间进行对齐，发现模型在任务执行中常忽视专业规范，且对齐层级在不同领域和模型间不稳定。
使计算病理学基础模型在临床应用中发挥作用
机构 * Institute for Cancer Genetics and Informatics, Oslo University Hospital（癌症遗传学与信息学研究所，奥斯陆大学医院） ； Department of Pathology, University Medical Center Utrecht（病理学系，乌得勒支大学医学中心） ； Department of Oncology, University of Oxford（肿瘤学系，牛津大学） ； CRUK Beatson Institute of Cancer Research, Garscube Estate（CRUK贝茨癌症研究中心，加尔斯克里特庄园） ； Glasgow Tissue Research Facility, University of Glasgow, Queen Elizabeth University Hospital（格拉斯哥组织研究设施，格拉斯哥大学，伊丽莎白女王大学医院） ； Area for Improvement and Digital Transformation, Norwegian Offshore Directorate（改进与数字化转型部门，挪威海上管理局） ； Pathology Department, Hospital Clínic, Barcelona, Spain（病理学系，巴塞罗那医院，西班牙） ； Institut d’Investigacions Biomèdiques August Pi I Sunyer (IDIBAPS), Barcelona, Spain（August Pi I Sunyer生物医学研究所（IDIBAPS），巴塞罗那，西班牙） ； Department of Clinical Foundations, Universitat de Barcelona（临床基础系，巴塞罗那大学） ； School of Cancer Sciences, Wolfson Wohl Cancer Research Centre, University of Glasgow（癌症科学学院，沃尔夫森沃尔夫癌症研究中心，格拉斯哥大学） ； Institute of Clinical Medicine, University of Oslo（临床医学研究所，奥斯陆大学） ； Department of Gastrointestinal Surgery, Oslo University Hospital（胃肠外科系，奥斯陆大学医院）
专题命中 领域大模型 ：foundation model(title,abstract)；分类 cs.AI
AI总结 本文通过引入鲁棒性损失，提升了计算病理学基础模型的鲁棒性，提高了分类准确率，且无需重新训练基础模型，从而更适用于实际临床应用。
MoshiRAG: 异步知识检索用于全双工语音语言模型
机构 * Toyota Technological Institute at Chicago（丰田技术研究所（芝加哥））
专题命中 领域大模型 ：language model(title,abstract)；分类 cs.CL
AI总结 本文提出MoshiRAG，通过异步框架结合紧凑接口与选择性检索，提升全双工语音模型的事实性，同时保持交互性。
Comments Accepted to ICML 2026
语言模型与最近发展区
机构 * Centre for Policy Modelling（政策建模中心）
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 本文探讨语言模型是否通过分布式表示进行思考，提出应从实践角度理解其'原始思考'，并强调互动在人类交流中的核心地位，而非仅是真实理解的补充。
Comments Short paper submitted to Interspeech 2026 (Desk Reject) 4 pages, plus references. 2 figures
稳定扩散模型揭示了人类与AI在视觉创造力中的持续性差距
机构 * Cognition and Brain Plasticity Unit, Bellvitge Biomedical Research Institute（认知与脑可塑性单位，贝尔维希生物医学研究所） ； Bridging AI and Neuroscience, Computer Vision Center（弥合人工智能与神经科学，计算机视觉中心） ； Department of Cognition, Development and Educational Psychology, University of Barcelona（认知、发展与教育心理学系，巴塞罗那大学） ； Vienna Cognitive Science Hub（维也纳认知科学中心） ； Faculty of Psychology, University of Vienna（心理学系，维也纳大学） ； Computer Science Department, Universitat Autonoma de Barcelona（计算机科学系，巴塞罗那自治大学） ； University of Barcelona Institute for Complex Systems (UBICS)（巴塞罗那大学复杂系统研究所） ； Department of Catalan Philology and General Linguistics, University of Barcelona（加泰罗尼亚语言学与一般语言学系，巴塞罗那大学） ； Catalan Institution for Research and Advanced Studies (ICREA)（加泰罗尼亚研究与高级科学研究机构（ICREA）） ； Aix-Marseille University（艾克斯-马赛大学） ； Institute of Neurosciences (UBNeuro), University of Barcelona（神经科学研究所（UBNeuro），巴塞罗那大学）
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 研究比较了人类参与者与AI图像生成模型在视觉创造力上的表现，发现视觉艺术家最具有创造力，随后是非艺术家，再是受人类启发的生成AI，最后是自我引导的生成AI。人类指导显著提升了生成AI的创造力，但人类与AI评估者在创造力判断上存在显著差异。
Journal ref Advanced Science, 2026, e24142
通过类比推理解锁大语言模型在科学中的创造力
机构 * Stanford University（斯坦福大学）
专题命中 领域大模型 ：LLM(title)；分类 cs.CL、cs.AI
AI总结 本文通过类比推理方法提升大语言模型在开放性问题解决中的多样性与创新性，实验表明该方法显著提高了生成解决方案的质量和多样性。
从自发言语预测心理幸福感使用大语言模型
机构 * University of Edinburgh（爱丁堡大学） ； Centre for Medical Informatics (CMI) Usher Institute University of Edinburgh（医学信息学中心（CMI）乌舍研究所爱丁堡大学）
专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 研究利用大语言模型对自发语音进行零样本预测，探索其在心理幸福感评分中的应用，发现模型能提取语义信息，实现高达0.8的相关性，并通过统计分析和词云分析提升可解释性。
大语言模型在科学创新中的演变角色：助手、合作者、科学家和评估者
机构 * Department of Information Science, University of North Texas（北卡罗来纳州立大学信息科学系） ； Department of Computer Science, North Carolina State University（北卡罗来纳州立大学计算机科学系） ； Department of Data Science, University of North Texas（得克萨斯大学数据科学系） ； School of Information Sciences, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校信息科学学院）
专题命中 领域大模型 ：large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 本文提出四角色框架，区分研究支持与前沿发现，分析各角色方法、基准和评估实践，强调AI科学进步需兼顾模型能力与评估、监督、责任及机构整合。
过度训练，而非对齐问题
机构 * Hebrew University of Jerusalem（特拉维夫大学）
专题命中 领域大模型 ：LLM(abstract_cn)；分类 cs.AI、cs.LG
AI总结 研究发现过度训练导致跨领域对齐问题，通过分析12种开源模型发现模型大小与对齐问题相关性显著，提出通过早停和学习率调整可避免该问题。
Comments Under review at CoLM 2026; companion to Nature Matters Arising (also under review). 25 pages, 6 figures
BLOCK-EM：通过潜在阻塞防止对齐问题
专题命中 领域大模型 ：language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出BLOCK-EM方法，通过阻塞内部特征减少语言模型在微调中出现的对齐问题，实验显示在六个领域中阻塞固定特征可使对齐问题减少95%，且不影响模型质量与任务表现。
Comments Accepted to ICML 2026
AcuityBench：评估语言模型对医疗紧急情况识别和不确定性对齐
机构 * Department of Computer Science, Columbia University, New York, NY, USA（计算机科学系，哥伦比亚大学，纽约，纽约州，美国） ； Department of Biomedical Informatics, Columbia University, New York, NY, USA（生物医学信息学系，哥伦比亚大学，纽约，纽约州，美国） ； Department of Emergency Medicine, Columbia University Irving Medical Center, New York, NY, USA（急诊医学系，哥伦比亚大学伊文思医疗中心，纽约，纽约州，美国）
专题命中 领域大模型 ：language model(abstract)；分类 cs.CL、cs.AI
AI总结 AcuityBench通过统一框架评估语言模型对医疗紧急程度的识别能力，包含914个案例，涵盖明确和模糊情况，揭示模型在不同任务格式下的表现差异及不确定性处理问题。
Comments 41 pages, 5 figures. Preprint under review for the Track on Evaluations and Datasets at NeurIPS 2026
分形图对比学习
机构 * CDT, University of Oxford（牛津大学CDT） ； IDEA Research, International Digital Economy Academy（IDEA研究院、国际数字经济学院） ； School of Advanced Interdisciplinary Sciences, UCAS（北京大学交叉学科研究院） ； State Key Lab of AI Safety, Institute of Computing Technology, CAS（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； China Mobile Research Institute（中国移动研究院） ； DataArc Tech Ltd.（DataArc科技有限公司）
专题命中 领域大模型 ：pretraining(abstract)；分类 cs.LG
AI总结 本文提出分形图对比学习框架，通过引入分形维度感知的对比损失和改进的全局增强策略，提升图对比学习的结构一致性与性能。
Comments 32 pages, 7 figures
在PROTAC活性预测中分解泛化差距：方差归因与跨实验室天花板
机构 * L3S Research Center, Leibniz Universität Hannover（莱布尼茨汉诺威大学L3S研究中心） ； Institute of Data Science (Knowledge-Based Systems), Faculty of Electrical Engineering and Computer Science, Leibniz Universität Hannover（数据科学研究所（知识系统））
专题命中 领域大模型 ：language model(abstract)；分类 cs.LG
AI总结 本文研究了PROTAC活性预测中随机分割与留一目标法之间的泛化差距，通过方差归因发现跨实验室测量误差是主要因素，并提出校准协议和评估框架以提高预测性能。
Comments 32 pages, 11 figures, 11 tables. Dataset: https://huggingface.co/datasets/ThorKl/protac-bench (CC-BY-4.0). Code: https://github.com/ThorKlm/PROTAC-Bench (MIT)
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈