arXivDaily arXiv每日学术速递 周一至周五更新

AI 大模型

语言大模型 / LLM

大语言模型、预训练、指令微调、后训练和语言模型应用。

2026-05-20 至 2026-05-20 共收录 28 信号源:cs.CL, cs.AI, cs.LG

1. 领域大模型 28 篇

2605.18780 2026-05-20 cs.IR cs.AI cs.LG 91%

A Reproducibility Analysis of PO4ISR: Diagnosing and Mitigating Semantic Drift in LLM-Based Session Recommendation

PO4ISR的可重复性分析:诊断和缓解基于LLM的会话推荐中的语义漂移

Aditya Tiwari, Konduri Naga Lakshmi Rekha, Rajesh Kumar Mundotiya

机构 * MATRA Lab(MATRA实验室) Department of Computer Science and Engineering(计算机科学与工程系) Indian Institute of Technology Bhilai(比哈尔理工学院)

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

AI总结 本文研究了PO4ISR在不同语义领域中的可重复性,发现标准推理提示在长会话中出现严重的上下文漂移,导致性能下降。为此,作者提出了PO4ISR++,通过反思提示和一致排名检测增强鲁棒性,并在多个数据集上验证了其有效性,提升了会话推荐的性能。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.18890 2026-05-20 physics.soc-ph cs.AI cs.CY cs.MA 90%

Stop Drawing Scientific Claims from LLM Social Simulations Without Robustness Audits

不要在没有充分鲁棒性审计的情况下从LLM社会模拟中绘制科学结论

Jinyi Ye, Lei Cao, Ding Chen, Emilio Ferrara

机构 * Thomas Lord Department of Computer Science, University of Southern California(美国南加州大学计算机科学系汤姆·劳德部门) Marshall School of Business, University of Southern California(美国南加州大学马歇尔商学院)

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

AI总结 本文研究了从LLM社会模拟中得出的科学结论不应强于支持它们的鲁棒性审计,通过两个案例研究展示了小扰动如何影响模拟结果,并提出TRAILS框架以规范鲁棒性审计。

详情

展开后加载摘要…

URL PDF HTML 收藏
2410.18856 2026-05-20 cs.AI cs.CL 88%

Entry-level guide to the use of large language models for medical research

大型语言模型在医学研究中应用的入门指南

Qiao Jin, Nicholas Wan, Robert Leaman, Shubo Tian, Zhizheng Wang, Yifan Yang, Zifeng Wang, Guangzhi Xiong, Po-Ting Lai, Qingqing Zhu, Benjamin Hou, Maame Sarfo-Gyamfi, Gongbo Zhang, Aidan Gilson, Balu Bhasuran, Zhe He, Aidong Zhang, Jimeng Sun, Chunhua Weng, Ronald M. Summers, Qingyu Chen, Yifan Peng, Zhiyong Lu

机构 * National Library of Medicine (NLM), National Institutes of Health (NIH)(国家医学图书馆(NLM)、国立卫生研究院(NIH)) Department of Computer Science, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校计算机科学系) Department of Computer Science, University of Virginia(弗吉尼亚大学计算机科学系) Department of Biomedical Informatics, Columbia University(哥伦比亚大学生物医学信息学系) School of Medicine, Yale University(耶鲁大学医学院) School of Information, Florida State University(佛罗里达州立大学信息学院) Department of Radiology and Imaging Sciences, NIH Clinical Center(国立卫生研究院临床中心放射学与影像科学部) Department of Population Health Sciences, Weill Cornell Medicine(韦尔医学院人口健康科学系)

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 本文提出了一套可操作的指南,帮助医疗专业人员更高效地利用大型语言模型(LLMs)进行医学研究,涵盖任务制定、模型选择、提示工程、微调和模型部署等关键步骤,确保安全可靠地将LLMs应用于临床实践。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19627 2026-05-20 cs.NI 87%

How Helpful is LLM Assistance in Network Operations? A Case Study at a Large Demonstration Network

在大型演示网络中,大语言模型在网络操作中的帮助性如何?一个案例研究

Ryo Nakamura, Koshi Eguchi

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

AI总结 本文通过一项实证研究,探讨了大语言模型在构建和操作网络中的帮助性,研究发现68.1%的评估为积极反馈,表明大语言模型在网络操作中的帮助性基线,并强调了理解聊天机器人能力的重要性。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19936 2026-05-20 cs.CL 86%

What Are LLMs Doing to Scientific Communication? Measuring Changes in Writing Practices and Reading Experience

大型语言模型如何影响科学交流?测量写作实践和阅读体验的变化

Filip Miletić, Neele Falk

机构 * Institute for Natural Language Processing, University of Stuttgart, Germany(斯图加特大学自然语言处理研究所,德国)

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

AI总结 本研究探讨了大型语言模型对科学交流风格的影响,通过分析自然语言处理领域中超过37000篇论文和3000篇人类撰写的文本及其LLM改进版本,发现写作实践和阅读体验发生了显著变化,同时揭示了AI辅助写作对阅读体验的主观影响。

Comments Accepted to LREC 2026

详情

展开后加载摘要…

URL PDF HTML 收藏
2512.24470 2026-05-20 cs.RO cs.AI 86%

Foundation models on the bridge: Semantic hazard detection and safety maneuvers for maritime autonomy with vision-language models

桥梁上的基础模型:基于视觉-语言模型的语义危险检测与安全操作用于海上自主性

Kim Alexander Christensen, Andreas Gudahl Tufte, Alexey Gusev, Rohan Sinha, Milan Ganai, Ole Andreas Alsos, Marco Pavone, Martin Steinert

机构 * Dept. of Mechanical and Industrial Engineering, NTNU(机械与工业工程系,挪威科技大学) Dept. of Aeronautics and Astronautics, Stanford University(航空航天工程系,斯坦福大学) Dept. of Computer Science, Stanford University(计算机科学系,斯坦福大学) NVIDIA Research(NVIDIA研究)

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

AI总结 本文提出了一种基于视觉-语言模型的语义危险检测与安全操作方法,用于满足IMO草案MASS代码对海上自主船舶的要求,通过快速-慢速异常管道和短时间范围的人类可覆盖回退操作来实现,在40个港口场景中验证了该方法的性能。

Comments 17 pages without bibliography or appendix. The main paper has 16 figures. Paper webpage can be found at https://kimachristensen.github.io/bridge_policy/

Journal ref Ocean Engineering 359, Part 3 (2026), Article 124646

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.18771 2026-05-20 cs.IR 86%

LWGR: Lagrangian-Constrained Personalized World Knowledge for Generative Recommendation

LWGR: 基于拉格朗日约束的个性化世界知识用于生成推荐

Lingyu Mu, Hao Deng, Haibo Xing, Kaican Lin, Zhitong Zhu, Yu Zhang, Xiaoyi Zeng, Zhengxiao Liu, Zheng Lin, Jinxin Hu

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

AI总结 本文提出LWGR框架,通过拉格朗日约束将LLM中的个性化世界知识转移到生成推荐中,改进了知识提取和融合过程,实验表明其在多个数据集上优于现有方法。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19633 2026-05-20 cs.CL cs.AI cs.LG cs.NE cs.SE 83%

optimize_anything: A Universal API for Optimizing any Text Parameter

optimize_anything: 一个用于优化任何文本参数的通用API

Lakshya A Agrawal, Donghyun Lee, Shangyin Tan, Wenjie Ma, Karim Elmaaroufi, Rohit Sandadi, Sanjit A. Seshia, Koushik Sen, Dan Klein, Ion Stoica, Joseph E. Gonzalez, Omar Khattab, Alexandros G. Dimakis, Matei Zaharia

机构 * MIT(麻省理工学院)

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

AI总结 本文提出了一种基于LLM的通用优化系统,能够跨不同领域实现文本参数的优化,展示了其在六个多样化任务中的state-of-the-art性能,通过多任务搜索和跨问题迁移实现了高效的优化。

Comments 16 pages, 11 figures; Blog: https://gepa-ai.github.io/gepa/blog/2026/02/18/introducing-optimize-anything/

Journal ref Proceedings of the ACM Conference on AI and Agentic Systems (CAIS 26), May 26-29, 2026, San Jose, CA, USA

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19940 2026-05-20 cs.AI cs.RO 83%

Robotics-Inspired Guardrails for Foundation Models in Socially Sensitive Domains

受机器人启发的用于社会敏感领域基础模型的护栏

Rebecca Ramnauth, Drazen Brscic, Brian Scassellati

机构 * Yale University(耶鲁大学) Kyoto University(京都大学)

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

AI总结 本文提出了一种基于机器人学的护栏框架,用于在社会敏感领域中对基础模型进行运行时行为控制,以减少交互轨迹中向不良状态的漂移,并适应多样化的社会情境。

Comments Under review at Journal of Artificial Intelligence Research (JAIR)

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19180 2026-05-20 cs.SE 82%

Supporting System Testing with a Multi-Agent LLM-based Framework for Knowledge Graph Extraction: A Case Study with Ethernet Switch Systems

用基于多智能体的大语言模型框架支持系统测试:以以太网交换机系统为例的知识图谱提取研究

Rongqi Pan, Mahboubeh Dadkhah, Jean Baptiste Minani, Hussein Al Osman, Lionel Briand, Haiwei Dong

专题命中 领域大模型 :LLM(title,abstract)

AI总结 本文提出一种基于多智能体的大语言模型框架,用于从以太网交换机配置手册中提取知识图谱,以支持系统测试自动化。该框架通过细粒度的知识图谱模式和迭代的提取-评估-改进循环,提高了知识图谱的提取准确性,并通过行业测试员的反馈证明了其在生成有效测试用例规范方面的有效性。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.18850 2026-05-20 cs.IR cs.AI 81%

KadiAssistant: A conversational AI Agent for information retrieval in Kadi4Mat

KadiAssistant: 一种用于Kadi4Mat研究数据生态中信息检索的对话式AI代理

Adrian Cierpka, Mohammad Shafiqul Islam, Johannes Steinhülb, Eric Dietriche Sesso Domtchoueng, Michael Selzer, Arnd Koeppe

机构 * Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)

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KadiAssistant,一种集成了隐私设计的AI助手,旨在帮助研究人员高效访问、聚合和整合异构且敏感的研究数据,通过结合自托管的大语言模型和隐私保护的语义搜索,提升信息检索效率并满足复杂的访问控制需求。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.18831 2026-05-20 q-bio.QM cs.LG 81%

Towards Discovery of Polymers for Insulin Delivery via Physics-Grounded Agentic Workflows

通过物理基础的代理工作流发现胰岛素输送聚合物

Martins Otun

机构 * Algonix AI Ltd.(Algonix AI有限公司)

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 本文提出了一种基于物理的代理工作流方法,用于发现胰岛素输送的聚合物,通过大规模语言模型和物理工具的结合,在有限预算内高效搜索离散的PSMILES空间,实现了优于强化学习和贝叶斯优化的胰岛素-聚合物相互作用能。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.18765 2026-05-20 cs.IR cs.AI 81%

STAR: Semantic-Tuned and Tail-Adaptive Retriever for Graph-Augmented Generation

STAR:用于图增强生成的语义调优和尾部适应检索器

Shuai Li, Chen Huang, Duanyu Feng, Wenqiang Lei, See-Kiong Ng

机构 * Shuai Li, Chen Huang, Duanyu Feng, Wenqiang Lei, See-Kiong Ng

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STAR,一种用于图增强生成的语义调优和尾部适应检索器,通过结合token级交互学习和路径加权对比学习,解决图检索增强生成中的语义捷径偏差和长尾路径偏差问题,提升检索和生成性能。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19901 2026-05-20 cs.SE 80%

Can LLMs Produce Better Object-Oriented Designs than Human-Involved Development?

LLMs能否产生比人类参与开发更好的面向对象设计?

Zushuai Zhang, Elliott Wen, Ewan Tempero

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

AI总结 本文研究了LLMs在生成面向对象设计(OOD)项目时的表现,通过比较预AI、后AI和纯AI三种作者条件下的项目质量,发现纯AI项目在代码异味密度和整体复杂度上较低,但存在过度简化的问题,结论指出在使用LLMs进行面向对象设计时,适当的人类指导仍很重要。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19340 2026-05-20 cs.CV 78%

Selective, Regularized, and Calibrated: Harnessing Vision Foundation Models for Cross-Domain Few-Shot Semantic Segmentation

选择性、正则化和校准:利用视觉基础模型进行跨域少样本语义分割

Junyuan Ma, Xunzhi Xiang, Wenbin Li, Qi Fan, Yang Gao

机构 * Nanjing University(南京大学) University of Chinese Academy of Sciences(中国科学院大学)

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

AI总结 本文提出HERA框架,通过选择性、正则化和校准的方法,有效利用视觉基础模型进行跨域少样本语义分割,提升了模型在新领域中的适应能力,并在多个基准上取得了更高的mIoU成绩。

Comments 20 pages, 11 figures, 13 tables. Accepted to CVPR 2026

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.20176 2026-05-20 cs.CL 70%

ClinSeekAgent: Automating Multimodal Evidence Seeking for Agentic Clinical Reasoning

ClinSeekAgent: 自动化多模态证据检索以实现代理临床推理

Juncheng Wu, Letian Zhang, Yuhan Wang, Haoqin Tu, Hardy Chen, Zijun Wang, Cihang Xie, Yuyin Zhou

机构 * UC Santa Cruz(加州大学圣克ruz分校)

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ClinSeekAgent,一种自动化代理框架,用于动态多模态证据检索,旨在从异构来源主动检索、迭代规划和综合多模态证据,从而提升临床决策支持。

Comments 24 pages, 9 figures; Project Page: https://ucsc-vlaa.github.io/ClinSeekAgent/

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19366 2026-05-20 cs.LG 70%

Accurate, Efficient, and Explainable Deep Learning Approaches for Environmental Science Problems

准确、高效且可解释的深度学习方法用于环境科学问题

Jimeng Shi

机构 * College of Engineering and Computing(工程与计算学院)

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

AI总结 本文提出三种针对复杂环境科学问题的深度学习方法:用于海岸河流洪水预测的WaLeF模型、用于全球天气预测的CoDiCast模型以及用于环境科学科学问答的Hypercube-RAG方法,旨在提高环境智能的准确性、效率和可解释性。

Comments 161 pages

详情

展开后加载摘要…

URL PDF HTML 收藏
2511.06077 2026-05-20 cs.LG cs.IR 70%

Make It Long, Keep It Fast: End-to-End 10K Long User Behavior Sequence Modeling for Billion-Scale Douyin Recommendation

让序列变长,让速度保持快速:面向十万个用户行为序列的端到端推荐系统

Lin Guan, Jia-Qi Yang, Zhishan Zhao, Beichuan Zhang, Bo Sun, Xuanyuan Luo, Jinan Ni, Xiaowen Li, Yuhang Qi, Zhifang Fan, Hangyu Wang, Qiwei Chen, Yi Cheng, Feng Zhang, Xiao Yang

机构 * ByteDance Beijing China(字节跳动北京中国) ByteDance Shanghai China(字节跳动上海中国) ByteDance San Jose CA USA(字节跳动加州圣何塞 USA) ByteDance Hangzhou Zhejiang China(字节跳动杭州浙江中国)

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

AI总结 本文提出了一种端到端的推荐系统,能够处理长达10000个用户行为序列,通过引入堆叠的目标到历史交叉注意力机制、请求级别批量处理策略以及长度外推训练策略,实现了在大规模Douyin推荐中的高效长序列建模。

Comments WWW 2026. This work studies end-to-end 10K-scale long user behavior sequence modeling for billion-scale industrial recommendation on Douyin

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.18764 2026-05-20 cs.IR cs.AI 70%

From Intent to AI Pipelines: A Controlled Agentic Framework for Non-AI Expert Scientists

从意图到AI流水线:一种受领域驱动的可控代理框架,用于非AI专家科学家

Hyacinth Ali, Jessie Galasso-Carbonnel, Houari Sahraoui

机构 * University of Montreal(蒙特利尔大学) McGill University(麦吉尔大学)

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DDAP框架,通过分阶段交互帮助非AI专家科学家系统构建AI流水线及其实现代码,展示了可控代理框架在生成竞争性AI流水线方面的有效性。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.20168 2026-05-20 cs.DL cs.DB 67%

One in Eight OpenAlex Abstracts Has Integrity Issues

《OpenAlex中八分之一的摘要存在诚信问题》

Seorin Kim, Vincent Holst, Vincent Ginis

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

AI总结 研究评估了OpenAlex中10,000个随机抽取的英文期刊摘要的完整性,发现12%的摘要存在诚信问题,主要问题包括内容不足和元数据位置错误,并讨论了对下游研究的影响及未来社区门户的建设。

Comments 10 pages, 5 figures

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19745 2026-05-20 stat.OT 67%

Making Uncertainty Visible: Multiverse Analysis for Robust Computational Social Science

使不确定性显现:用于稳健计算社会科学的多元宇宙分析

Maximilian Linde, Jun Sun, Paul Balluff, Danica Radovanović, Chung-hong Chan

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

AI总结 本文通过案例研究展示多元宇宙分析如何增强计算社会科学研究在面对替代方法学决策时的稳健性和透明性,通过分析三个使用贝叶斯分析、网络生成建模和机器学习(含或不含大语言模型)的社会科学研究,揭示了不同方法学决策组合对实证发现的影响,并指出展示导致计算失败的方法组合是进行多元宇宙分析的动机。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19207 2026-05-20 cs.CV cs.AI cs.LG 62%

Quantized Machine Learning Models for Medical Imaging in Low-Resource Healthcare Settings

用于低资源医疗环境的量化机器学习模型:医学影像

Sumanth Meenan Kanneti, Aryan Shah

机构 * Georgia State University(佐治亚州立大学)

专题命中 领域大模型 :post-training(abstract);分类 cs.AI、cs.LG

AI总结 本文提出了一种多策略压缩框架,用于MRI图像中的脑肿瘤分类,通过量化感知训练、从DenseNet-101教师模型到紧凑DenseNet-32学生模型的知识蒸馏以及轻量MobileNetV2骨干网络上的Float16后训练量化,实现了在低资源医疗环境中高效且准确的脑肿瘤筛查。

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19902 2026-05-20 cs.LG q-bio.QM 57%

Hierarchical Contrastive Learning for Multi-Domain Protein-Ligand Binding

多领域蛋白质-配体结合的分层对比学习

Shuo Zhang, Rongqi Hong, Huifeng Zhang, Jian K. Liu

机构 * University of Birmingham, UK(英国伯明翰大学)

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

AI总结 本研究提出HCLBind框架,通过分层对比学习方法,解决多领域蛋白质-配体结合亲和力预测问题,核心方法是分离几何表示学习与亲和力回归,并采用新颖的分层诱饵策略,结合领域门控图注意力网络和跨模态注意力,提升领域界面优先级,实验表明HCLBind能有效学习判别界面特征并提供鲁棒的不确定性估计。

Comments Accepted by ISBRA2026

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19133 2026-05-20 cs.CV cs.AI 57%

Knowing When Not to Predict: Self Supervised Learning and Abstention for Safer DR Screening

知道何时不进行预测:用于更安全糖尿病视网膜病变筛查的自监督学习与退避

Muskaan Chopra, Lorenz Sparrenberg, Jan H. Terheyden, Rafet Sifa

机构 * Rheinische Friedrich-Wilhelms-Universität Bonn(莱茵-威斯巴登大学波恩分校) University Hospital Bonn - Department of Ophthalmology(波恩大学医院眼科部门) Fraunhofer IAIS(弗劳恩霍夫研究所) Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔人工智能与机器学习研究所)

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

AI总结 本文研究了自监督学习预训练长度对校准置信度和基于置信度的退避策略的影响,发现预训练长度对选择性预测有积极影响,但过长预训练并不总能提高可靠性,强调了退避意识评估的重要性。

Comments Accepted at IJCAI 2026

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19866 2026-05-20 cs.CV 50%

Structured Layout Priors for Robust Out-of-Distribution Visual Document Understanding

用于鲁棒性文档理解的结构化布局先验

Peter El Hachem, Ahmed Nassar, A. Said Gurbuz, Christoph Auer, Peter W. J. Staar

机构 * ETH Zurich(苏黎世联邦理工学院) IBM Research(IBM研究院)

专题命中 领域大模型 :language model(abstract)

AI总结 本文提出了一种结构化布局先验,通过在解码器之外运行轻量级RT-DETR检测器,将检测结果转换为解析器的DocTags词汇,并注入到提示中,以解决文档布局解析中的两跳瓶颈问题,从而提升文档理解的鲁棒性。

Comments 18 pages, 7 figures. Main text: 9 pages (4 figures); Appendix: 9 pages (3 figures)

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.12320 2026-05-20 cs.CV 50%

Contrastive Learning under Noisy Temporal Self-Supervision for Colonoscopy Videos

在噪声时间自监督下利用对比学习进行结肠镜视频处理

Luca Parolari, Pietro Gori, Lamberto Ballan, Carlo Biffi, Loic Le Folgoc

机构 * Department of Mathematics, University of Padova, Padova, Italy(帕多瓦大学数学系) LTCI, Telecom Paris, Institut Polytechnique de Paris, Palaiseau, France(巴黎电信学院) Cosmo Intelligent Medical Devices, Dublin, Ireland(都柏林智能医疗设备公司)

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

AI总结 本文提出一种在噪声时间自监督下利用对比学习进行结肠镜视频处理的方法,通过利用结肠镜检查的顺序流程来推导自监督关联,引入噪声感知的对比损失以处理噪声关联,从而在多项下游任务中取得了优于现有自监督和监督基线方法的性能。

Comments Accepted to MICCAI 2026

详情

展开后加载摘要…

URL PDF HTML 收藏
2605.19275 2026-05-20 stat.AP 50%

Open-Weight LLMs Are Often Competitive with Commercial APIs for Political Science Text Classification

开放权重大语言模型在政治科学文本分类中常与商业API竞争

Hanno Hilbig

专题命中 领域大模型 :LLM(abstract)

AI总结 研究探讨了本地开放权重模型在政治科学文本分类任务中是否能替代商业API,通过对比五种本地模型与四种商业API模型,发现本地模型在简单任务中表现竞争,但在复杂任务中商业API仍有优势,但整体上本地模型是可行的替代方案。

详情

展开后加载摘要…

URL PDF HTML 收藏
2405.18179 2026-05-20 cs.CY 50%

Rethinking the A in STEAM: Insights from and for AI Literacy Education

重新思考STEAM中的A:来自和为AI素养教育的洞察

Pekka Mertala, Janne Fagerlund, Tomi Slotte Dufva

专题命中 领域大模型 :language model(abstract)

AI总结 本文重新审视STEAM教育中艺术的角色,强调其在K-12阶段AI素养教育中的重要性,通过语言学、哲学、社会科学和视觉艺术四个领域,探讨AI相关现象并提出有效的教学策略,以促进对AI的全面、公平和可持续理解。

Comments 2 figures

Journal ref CHAPTERS in Education 2026

详情

展开后加载摘要…

URL PDF HTML 收藏