语言大模型 / LLM

Correcting Influence: Unboxing LLM Outputs with Orthogonal Latent Spaces

修正影响：通过正交潜在空间解包LLM输出

Shixing Yu, Promit Ghosal, Kyra Gan

机构 * Electrical and Computer Engineering（电气与计算机工程系） ； Department of Statistics（统计学系） ； Operations Research and Industrial Engineering（运筹学与工业工程） 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 本文提出一种通过潜在中介方法推断token级影响的框架，用于医疗任务中提升LLM预测的可解释性和可信度。

Task-Aware Automated User Profile Generation for Recommendation Simulation Using Large Language Models

面向任务的自动化用户画像生成用于推荐模拟的大型语言模型

Xinye Wanyan, Chenglong Ma, Danula Hettiachchi, Ziqi Xu, Jeffrey Chan

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 本文提出APG4RecSim框架，通过自动化生成真实且稳定的用户画像，提升推荐模拟的性能和泛化能力，实验显示其在排序和评分任务中表现优异。

Comments Accepted by SIGIR 2026

Large Language Models for AI-Assisted Radiotherapy Scheduling: A Feasibility Study Under Realistic Operational Constraints

大语言模型用于AI辅助放疗排程：在现实运营约束下的可行性研究

Eric Zhang, Wen Li, Youfang Lai, Annette Souranis, Georgia Paparoidamis, Michael Roumeliotis, Xun Jia

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放疗患者排程中的可行性，通过模拟环境验证了其在满足临床和运营约束下的有效性，展示了模型在处理复杂排程需求中的优势。

Comments 34 pages, 4 figures, 6 tables

Graph-Grounded Optimization: Rao-Family Metaheuristics, Classical OR, and SLM-Driven Formulation over Knowledge Graphs

图引导优化：Rao家族元启发式算法、经典运筹学和SLM驱动的公式在知识图谱上的应用

Madhulatha Mandarapu, Sandeep Kunkunuru

专题命中 领域大模型 ：SLM(title,title_cn)；LLM(abstract,abstract_cn)

AI总结 本文提出图引导优化方法，通过Cypher查询从属性知识图谱中获取优化问题的变量、约束和目标系数，对比Rao家族元启发式算法与OR-tools在不同场景下的表现，揭示图引导公式在数据质量上的挑战。

Comments 14 pages, 8 figures, 7 public-domain KG-backed problems

Block-R1: Rethinking the Role of Block Size in Multi-domain Reinforcement Learning for Diffusion Large Language Models

Block-R1: 重新审视块大小在多领域强化学习中的作用以提升扩散大语言模型

Yan Jiang, Ruihong Qiu, Zi Huang

机构 * The University of Queensland（昆士兰大学） 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.LG

AI总结 本文从领域冲突角度研究多领域场景下扩散大语言模型强化学习中的块大小问题，提出领域块大小冲突公式、Block-R1-41K数据集、Block-R1基准和跨领域强化学习方法，通过13个数据集和7种算法验证方法有效性。

Assessing the Creativity of Large Language Models: Testing, Limits, and New Frontiers

评估大语言模型的创造力：测试、限制与新前沿

Samuel Schapiro, Alexi Gladstone, Jonah Black, Heng Ji

机构 * 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(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文通过系统研究人类创造力测试对大语言模型创造力预测的有效性，发现不同构念测试效果差异显著，提出DRAT测试在预测科学构思能力上具有显著优势。

Comments 36 pages. Extended version of work under review

Large Language Models Lack Temporal Awareness of Medical Knowledge

大语言模型缺乏医学知识的时间意识

Zihan Guan, Qiao Jin, Guangzhi Xiong, Fangyuan Chen, Mengxuan Hu, Qingyu Chen, Yifan Peng, Zhiyong Lu, Anil Vullikanti

机构 * University of Virginia（弗吉尼亚大学） ； National Institutes of Health（美国国家卫生研究院） ； Dana-Farber Cancer Institute（达纳-法伯癌症研究所） ； Yale University（耶鲁大学） ； Weill Cornell Medicine（韦氏 Cornell 医学院） 纠错

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

AI总结 本文提出TempoMed-Bench基准测试，揭示大语言模型在医学知识时间意识方面的不足，包括知识衰减、历史知识回忆困难及时间不一致行为，指出整合代理搜索工具难以解决该问题。

Comments 35 pages, 18 figures

ChatSR: Multimodal Large Language Models for Scientific Formula Discovery

ChatSR：用于科学公式发现的多模态大语言模型

Yanjie Li, Lina Yu, Weijun Li, Min Wu, Liping Zhang, Jingyi Liu, Yusong Deng, Mingzhu Wan, Xin Ning

机构 * AnnLab, Institute of Semiconductors, Chinese Academy of Sciences, Beijing, China（安 lab，半导体研究所，中国科学院，北京，中国） ； School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing, China（电子、电气与通信工程学院，中国科学院大学，北京，中国） ； Zhongguancun Academy, Beijing, China（中关村学院，北京，中国） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences, Beijing 101408, China（先进交叉科学学院，中国科学院大学，北京101408，中国） ； College of Materials Science and Opto-Electronic Technology, University of Chinese Academy of Sciences, Beijing, 100049, China（材料科学与光电技术学院，中国科学院大学，北京100049，中国） ； School of Integrated Circuits, University of Chinese Academy of Sciences, Beijing 100049, China（集成电路学院，中国科学院大学，北京100049，中国） 纠错

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

AI总结 ChatSR通过设计专用编码器和模态对齐机制，将科学数据映射到可被大语言模型处理的表示空间，从而生成符合领域先验的数学公式，推动科学发现自动化。

Comments 14 pages,

An Agentic LLM-Based Framework for Population-Scale Mental Health Screening

基于代理的大型语言模型框架用于大规模心理健康筛查

Giuliano Lorenzoni, Paulo Alencar, Donald Cowan

机构 * University of Waterloo（滑铁卢大学） 纠错

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

AI总结 本文提出基于代理的LLM框架，通过显式策略和代理引导评估，实现对临床信息的处理和适应，展示在抑郁症检测中稳定配置和成本控制的成果。

Comments 8 pages, conference paper presented at IEEE BigData 2025, Macau

Grid-Orch: An LLM-Powered Orchestrator for Distribution Grid Simulation and Analytics

Grid-Orch：一种基于大语言模型的配电系统仿真与分析 orchestrator

Boming Liu, Jin Dong, Jamie Lian

机构 * Electrification and Energy Infrastructures Division, Oak Ridge National Laboratory（电力化与能源基础设施部门，橡树岭国家实验室） ； UT-Battelle, LLC（UT-巴托尔实验室） 纠错

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

AI总结 Grid-Orch通过Model Context Protocol将大语言模型与电力系统仿真结合，提供36个领域工具，支持自然语言进行复杂分析，提升配电系统研究效率。

Training Large Language Models to Predict Clinical Events

训练大型语言模型以预测临床事件

Benjamin Turtel, Paul Wilczewski, Kris Skotheim

机构 * Lightning Rod Labs（Lightning Rod实验室） 纠错

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

AI总结 本文通过扩展前瞻性学习，利用纵向临床记录生成预测示例，提升模型对临床事件的预测能力，减少校准误差并改进Brier分数。

AgenticRecTune: Multi-Agent with Self-Evolving Skillhub for Recommendation System Optimization

AgenticRecTune: 多智能体与自演化技能 hub 用于推荐系统优化

Xidong Wu, Yue Zhuan, Ruoqiao Wei, Hangxin Chen, Di Bai, Jintao Liu, Xinyi Wang, Xue Wang, Luoshu Wang, Xinwu Cheng

机构 * Google（谷歌） 纠错

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

AI总结 本文提出AgenticRecTune框架，通过五个智能体实现端到端配置优化，利用LLM进行最优配置空间探索，结合自演化Skillhub提升推荐系统性能。

Decoupled and Divergence-Conditioned Prompt for Multi-domain Dynamic Graph Foundation Models

解耦与发散条件化的提示用于多领域动态图基础模型

Haonan Yuan, Qingyun Sun, Junhua Shi, Xingcheng Fu, Jianxin Li, Philip S. Yu

机构 * School of Computer Science and Engineering, Beihang University（北航计算机科学与工程学院） ； Key Lab of Education Blockchain and Intelligent Technology, Ministry of Education, Guangxi Normal University（教育部教育区块链与智能技术重点实验室，广西师范大学） ； Department of Computer Science, University of Illinois at Chicago（伊利诺伊大学芝加哥分校计算机科学系） 纠错

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

AI总结 本文提出DyGFM，通过解耦和发散条件化提示策略，解决多领域动态图建模中的语义与时间不一致问题，提升跨域适应和下游任务性能。

Learning Perturbations to Extrapolate Your LLM

学习扰动以扩展你的大语言模型

Zetai Cen, Chenfei Gu, Jin Zhu, Ting Li, Yunxiao Chen, Chengchun Shi

机构 * School of Mathematics, University of Bristol（布里斯托大学数学学院） ； School of Statistics and Data Science, Shanghai University of Finance and Economics（上海财经大学统计与数据科学学院） ； School of Mathematics, University of Birmingham（伯明翰大学数学学院） ； Department of Statistics, London School of Economics and Political Science（伦敦政治经济学院统计系） 纠错

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

AI总结 本文提出通过学习连续潜在向量的变换来扰动标记前缀，以提升大语言模型的外推性能，通过无偏估计方程和随机梯度下降优化，实验证明在跨域任务中优于现有方法。

Comments 35 pages

It's not the Language Model, it's the Tool: Deterministic Mediation for Scientific Workflows

不是语言模型，而是工具：科学工作流中的确定性中介

Marios Adamidis, Danae Katrisioti, Yannis Tzitzikas, Emmanuel Stratakis

机构 * Department of Materials Science and Technology, University of Crete（材料科学与技术系，克里特大学） ； Institute of Electronic Structure and Laser, FORTH（电子结构与激光研究所，FORTH） ； Computer Science Department, University of Crete（计算机科学系，克里特大学） ； Institute of Computer Science, FORTH（计算机科学研究所，FORTH） ； Department of Physics, University of Crete（物理系，克里特大学） 纠错

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

AI总结 本文提出确定性中介方法，通过确定性工具替代生成分析代码，确保科学工作流中结果可重复，减少分析时间并保证一致性。

Comments 18 pages, 4 figures, 2 appendices. Submitted to SETN 2026

Automated Rubrics for Reliable Evaluation of Medical Dialogue Systems

用于医疗对话系统可靠评估的自动化评分标准

Yinzhu Chen, Abdine Maiga, Hossein A. Rahmani, Emine Yilmaz

机构 * AI Center, University College London（伦敦大学学院人工智能中心） 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、cs.AI

AI总结 本文提出一种检索增强的多智能体框架，用于自动生成实例特定的评估评分标准，通过权威医学证据生成可验证的细粒度评估标准，并在HealthBench和LLMEval-Med数据集上取得显著成效。

Identifying AI Web Scrapers Using Canary Tokens

通过信标令牌识别人工智能网络爬虫

Steven Seiden, Triss Ren, Caroline Zhang, Taein Kim, Enze Liu, Emily Wenger

机构 * Duke University（杜克大学） ； University of Pittsburgh（匹兹堡大学） ； Carnegie Mellon University（卡内基梅隆大学） 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.AI

AI总结 本文提出一种自动识别与大型语言模型相关的网络爬虫的方法，通过动态网站和信标令牌验证爬虫身份，实验表明能可靠识别多个未公开的爬虫。

Evaluating AI Meeting Summaries with a Reusable Cross-Domain Pipeline

用可重用的跨领域管道评估AI会议摘要

Philip Zhong, Don Wang, Jason Zhang

机构 * Cisco Systems, Inc.（思科系统公司） 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 本文提出一个可重用的跨领域管道，用于评估AI会议摘要，通过结构化真实数据构建、固定候选生成、基于声明评分等方法，在114次会议上验证了不同模型的性能，发现gpt-5.1在保留性上表现更优。

Comments AI Application Feature Quality Evaluation (28 pages total)

Multimodal Graph-based Classification of Esophageal Motility Disorders

基于多模态图的食管动力障碍分类

Alexander Geiger, Lars Wagner, Daniel Rueckert, Alois Knoll, Dirk Wilhelm, Alissa Jell

机构 * Technical University of Munich, School of Medicine and Health, TUM University Hospital Rechts der Isar（慕尼黑技术大学医学院与健康学院，TUM医院Rechts der Isar分院） ； Technical University of Munich, School of Computation, Information and Technology（慕尼黑技术大学计算、信息与技术学院） 纠错

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

AI总结 本文提出结合高分辨率阻抗测压仪数据与患者信息的多模态图分类方法，通过图神经网络学习生理意义的表示，提升食管动力障碍分类的准确性。

OpenAaaS: An Open Agent-as-a-Service Framework for Distributed Materials-Informatics Research

OpenAaaS：一种用于分布式材料信息学研究的开源代理即服务框架

Peng Kang, Bixuan Li, Xiaoya Huang, Shuo Shi, Weiqiao Zhou, Zhen Li, Yu Liu, Lei Zheng

机构 * National Key Laboratory of AI for Materials Science（人工智能材料科学国家重点实验室） ； Tianmushan Laboratory（天幕山实验室） ； Beihang University（北京航空航天大学） 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 OpenAaaS提出一种开源的分层分布式代理即服务框架，通过代码流、数据不动原则实现跨领域安全集成，解决材料设计中的长期迭代和复杂机制问题。

Comments 20 pages 5 figures

AI CFD Scientist: Toward Open-Ended Computational Fluid Dynamics Discovery with Physics-Aware AI Agents

AI CFD科学家：借助物理感知AI代理实现开放式计算流体力学发现

Nithin Somasekharan, Rabi Pathak, Manushri Dhanakoti, Tingwen Zhang, Ling Yue, Andy Zhu, Shaowu Pan

机构 * Rensselaer Polytechnic Institute（拉特格斯理工学院） 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AI CFD科学家，通过结合文献引导的构思、验证执行、基于视觉的物理验证、源代码修改和图基写作，实现计算流体力学的开放式发现。

Comments 9 main pages and rest in appendix

CRAFT: Clinical Reward-Aligned Finetuning for Medical Image Synthesis

CRAFT：面向医学图像合成的临床对齐微调

Yunsung Chung, Alex El Darzi, Carlo El Khoury, Han Feng, Nassir Marrouche, Jihun Hamm

机构 * Department of Computer Science, Tulane University（路易斯安那大学计算机科学系） ； School of Medicine, Tulane University（路易斯安那大学医学院） 纠错

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

AI总结 本文提出CRAFT框架，通过临床对齐评分和奖励优化提升医学图像生成质量，减少幻觉生成，提升分类性能。

Aligning Forest and Trees in Images & Long Captions for Visually Grounded Understanding

对图像与长描述中的森林和树木进行对齐以实现视觉基础理解

Byeongju Woo, Zilin Wang, Byeonghyun Pak, Sangwoo Mo, Stella X. Yu

机构 * Agency for Defense Development（国防发展局） ； University of Michigan（密歇根大学） ； POSTECH 纠错

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CAFT模型，通过分层视觉语言学习原理，解决长描述中细节丰富的场景理解问题，实现图像与文本的细粒度对齐，取得六个长文本检索基准的最优性能。

Comments Preprint

KAST-BAR: Knowledge-Anchored Semantically-Dynamic Topology Brain Autoregressive Modeling for Universal Neural Interpretation

KAST-BAR：基于知识的语义动态拓扑脑自回归建模用于通用神经解释

Haoning Wang, Wenchao Yang, Shuai Shen, Yang Li

机构 * School of Automation Science and Electrical Engineering, Beihang University, Beijing, China.（自动化科学与电气工程学院，北航，北京，中国） ； School of Biological Science and Medical Engineering, Beihang University, Beijing, China.（生物科学与医学工程学院，北航，北京，中国） ； State Key Laboratory of Virtual Reality Technology and Systems, Beihang University, Beijing, China.（虚拟现实技术与系统国家重点实验室，北航，北京，中国） ； T Magnetic Resonance Imaging Translational Medical Center, Department of Radiology, Southwest Hospital, Army Medical University (Third Military Medical University), Chongqing, China.（7T磁共振成像转化医学中心，放射科，西南医院，军医大学（第三军医大学），重庆，中国） 纠错

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

AI总结 KAST-BAR通过动态对齐多层级脑拓扑的生理表示与专家级语义空间，解决EEG基础模型在复杂时空拓扑建模和模态差距问题，实现跨任务的神经解释。

Retrieval-Augmented Tutoring for Algorithm Tracing and Problem-Solving in AI Education

增强检索的辅导系统用于AI教育中的算法追踪与问题解决

Mragisha Jain, Tirth Bhatt, Griffin Pitts, Aum Pandya, Peter Brusilovsky, Narges Norouzi, Arto Hellas, Juho Leinonen, Bita Akram

机构 * North Carolina State University（北卡罗来纳州立大学） ； University of Pittsburgh（匹兹堡大学） ； University of California, Berkeley（加州大学伯克利分校） ； Aalto University（阿尔托大学） 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KITE系统，通过增强检索生成技术辅助学生理解算法追踪和问题解决，提升算法推理能力。

Comments Paper accepted to the 21st Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2026), co-located with ACL 2026

TokaMind for Power Grid: Cross-Domain Transfer from Fusion Plasma

TokaMind用于电网：从融合等离子体的跨域迁移

JC Wu, Norton Lee, Kai Siang Chen

机构 * TaiScience Research Group（TaiScience研究组） ； Fu Jen Catholic University（辅仁大学） ； Center for Geometry and Physics（几何与物理中心） ； Institute for Basic Science (IBS)（基础科学研究所） 纠错

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

AI总结 TokaMind通过多模态Transformer模型在等离子体诊断数据上预训练，展现优于CNN的方法。研究发现其表示在物理不同但结构相似的领域有效，尤其在电网同步相位数据中表现最佳，提出跨域迁移框架和评估协议。

Comments 8 pages, 5 figures

Consolidation-Expansion Operator Mechanics:A Unified Framework for Adaptive Learning

巩固-扩展运算机机制：自适应学习的统一框架

Debashis Guha

机构 * S P Jain School of Global Management（S P Jain全球管理学院） 纠错

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

AI总结 本文提出巩固-扩展运算机机制，通过计算顺序间隙来实时控制自适应学习系统，确保在收敛轨迹中顺序间隙衰减，并在不同领域中提供可靠的收敛条件。

Comments 38 pages; Corrected author affiliation on title page in v2; no scientific changes

Bug-Report-Driven Fault Localization: Industrial Benchmarking and Lesson Learned at ABB Robotics

基于Bug报告的故障定位：在ABB机器人中的工业基准测试与经验总结

Pernilla Hall, Anton Ununger, Riccardo Rubei, Alessio Bucaioni

机构 * M\" a lardalen University Sweden ； M\" a lardalen University 纠错

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

AI总结 本文研究了仅利用自然语言bug报告能否通过AI实现故障定位，通过ABB机器人五年数据验证传统模型优于transformer模型，展示了文本驱动的故障定位方法。