语言大模型 / LLM

LLM-AutoSciLab: Closed-Loop Scientific Discovery via Active Experimentation with LLMs

LLM-AutoSciLab：通过LLM主动实验进行闭环科学发现

Sanchit Kabra, Nikhil Abhyankar, Saaketh Desai, Prasad Iyer, Chandan K Reddy

机构 * Virginia Tech（弗吉尼亚理工大学） ； Sandia National Laboratories（桑迪亚国家实验室） 纠错

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

AI总结 提出LLM-AutoSciLab闭环框架，通过假设生成与实验选择迭代优化，在预算约束下实现主动数据采集，在三个基准上优于现有方法且样本效率提升2-5倍。

Prediction Model of Motivators and Demotivators of Integrating Large Language Models in Software Engineering Education: An Empirical Study

软件工程教育中集成大型语言模型的激励与抑制因素预测模型：一项实证研究

Maryam Khan, Muhammad Azeem Akbar, Jussi Kasurinen, Estefanía Martín-Barroso

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 本研究通过调查126位利益相关者，利用朴素贝叶斯和逻辑回归模型预测大型语言模型熟悉度，并结合遗传算法优化，识别出在成本约束下应优先考虑治理机制（尤其是诚信和伦理保障）的集成策略。

Agent-Facing Information Design in LLM Tool Registries

面向智能体的LLM工具注册表信息设计

Haochuan Kevin Wang

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 本研究首次系统性地分析了LLM工具注册表中广告式描述对智能体选择的影响，发现法律上允许的夸大宣传（如主观最高级表述）完全主导优化效果，而虚假声明无额外影响，并提出了分离选择导向与营销导向描述及智能体注意力质量分数等注册表设计建议。

RecGOAT: Graph Optimal Adaptive Transport for LLM-Enhanced Multimodal Recommendation with Dual Semantic Alignment

RecGOAT: 用于LLM增强多模态推荐的图最优自适应传输与双语义对齐

Yuecheng Li, Hengwei Ju, Zeyu Song, Wei Yang, Chi Lu, Peng Jiang, Kun Gai

机构 * Fudan University（复旦大学） ； University of Southern California（南加州大学） 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.AI

AI总结 针对生成式语言模型表示与ID协同信号之间的语义异质性，提出基于图神经网络和最优传输理论的双粒度语义对齐框架RecGOAT，通过实例级和分布级对齐实现统一特征空间，理论证明其表示误差更低，实验达到最优性能。

Comments Under Review

How Much Structure Do LLMs Need? Evaluating LLMs for Bibliometric Cluster Description

LLM 需要多少结构？评估 LLM 用于文献计量聚类描述

Abraham Camelo-Guerrero, Jairo Diaz-Rodriguez

机构 * School of Information Technology（信息科技学院） ； Department of Mathematics and Statistics（数学与统计学系） ； York University（约克大学） 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 本研究通过六种不同证据和结构水平的流水线，评估文献计量结构是否改善 LLM 辅助的聚类描述生成，发现混合工作流（算法提供可审计结构，LLM 生成可读描述）效果最佳。

Can LLMs Time Travel? Enhancing Temporal Consistency in Legal Agentic Search through Reinforcement Learning

LLM 能时间旅行吗？通过强化学习增强法律智能搜索中的时间一致性

Wei Fan, Yining Zhou, Mufan Zhang, Yanbing Weng, Yiran HU, Tianshi Zheng, Baixuan Xu, Chunyang Li, Jianhui Yang, Haoran Li, Yangqiu Song

机构 * Department of Computer Science and Engineering, HKUST, Hong Kong SAR, China（香港科技大学计算机科学与工程系） ； School of Law, Tsinghua University, Beijing, China（清华大学法学院） ； Cheriton School of Computer Science, University of Waterloo, Waterloo, Canada（滑铁卢大学丘成桐计算机科学系） 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 提出 LegalSearch-R1 框架，结合本地 statute RAG 和在线搜索，通过强化学习在跨修订期数据上训练，以解决法律 LLM 的时间偏差和搜索代理缺乏时间约束的问题，在13项法律任务上超越现有方法。

Comments Under Review

AnatomiX, an Anatomy-Aware Grounded Multimodal Large Language Model for Chest X-Ray Interpretation

AnatomiX：一种解剖学感知的胸部X光解读多模态大语言模型

Anees Ur Rehman Hashmi, Numan Saeed, Christoph Lippert

机构 * Hasso Plattner Institute（霍普夫纳研究所） ； MBZUAI（穆萨大学人工智能研究所） 纠错

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

AI总结 提出AnatomiX，一种两阶段解剖学感知多模态大语言模型，通过先识别解剖结构再执行下游任务，在解剖定位、短语定位、定位诊断和定位描述任务上相比现有方法提升超过25%。

MoBayes: A Modular Bayesian Framework for Separating Reasoning from Language in Conversational Clinical Decision Support

MoBayes：一种用于对话式临床决策支持中推理与语言分离的模块化贝叶斯框架

Yusuf Kesmen, Fay Elhassan, Jiayi Ma, Julien Stalhandske, Yena Chang, David Sasu, Alexandra Kulinkina, Akhil Arora, Lars Klein, Mary-Anne Hartley

机构 * LiGHT, EPFL（LiGHT，瑞士联邦理工学院） ； University of Bern（伯尔尼大学） ； Aarhus University（奥胡斯大学） 纠错

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

AI总结 提出MoBayes框架，通过将LLM作为语言接口、贝叶斯模块进行概率推理，实现推理与语言分离，在临床决策支持中优于独立前沿LLM医生。

Comments 50 pages including appendix, 13 figures, 22 tables. Preprint

Architecting Agentic Communities using Design Patterns

使用设计模式构建智能体社区

Zoran Milosevic, Fethi Rabhi

机构 * School of Computer Science and Engineering, University of New South Wales, Sydney, Australia（新南威尔士大学计算机科学与工程学院，悉尼，澳大利亚） ； Deontik, Australia（澳大利亚德诺提克） 纠错

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 本文提出基于企业分布式系统设计模式的三层分类架构（LLM智能体、智能体AI、智能体社区），并通过临床试验匹配案例验证其形式化框架，为多智能体生态系统的工程化部署提供实践指导与形式化验证能力。

Comments supplementary material accompanying this paper is also attached .. its title is "Complete Agentic AI Design Patterns Catalogue"; Fixed encoding artefacts (garbled em dashes) throughout

NSR-Boost: A Neuro-Symbolic Residual Boosting Framework for Industrial Legacy Models

NSR-Boost：一种面向工业遗留模型的神经符号残差提升框架

Ziming Dai, Dabiao Ma, Jinle Tong, Mengyuan Han, Jian Yang, Hongtao Liu, Haojun Fei, Qing Yang

机构 * Tianjin University（天津大学） ； Qfin Holdings, Inc.（Qfin控股公司） 纠错

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 针对工业遗留模型升级成本高、风险大的问题，提出非侵入式神经符号残差提升框架NSR-Boost，通过残差定位、LLM生成符号专家和轻量聚合器动态集成，显著提升性能并降低坏账率。

Comments Accepted by KDD 2026

Towards Reliable Fetal Ultrasound Interpretation with Multi-Agent Collaboration

面向可靠胎儿超声解读的多智能体协作

Xiaotian Hu, Mingxuan Liu, Junwei Huang, Kasidit Anmahapong, Yifei Chen, Yiming Huang, Xuguang Bai, Zihan Li, Hongjia Yang, Yingqi Hao, Hong Xu, Yu Jiang, Tian Tian, Yi Liao, Haibo Qu, Qiyuan Tian

机构 * Tsinghua University（清华大学） ； University of California San Diego（加州大学圣地亚哥分校） ； West China Second University Hospital, Sichuan University（四川大学西昌医学院） 纠错

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

AI总结 提出FetUSAgents多智能体系统，通过协作LLM代理和双路径证据仲裁（DPEA）整合视觉工具与临床推理，在胎儿超声VQA、报告生成等任务上超越最强基线25%以上。

Beyond Control-Flow: Integrating the Resource Perspective into Multi-Collaborative Process Modeling from Text

超越控制流：将资源视角融入基于文本的多协作流程建模

Anton Antonov, Humam Kourani, Alessandro Berti, Gyunam Park

机构 * Fraunhofer Institute for Applied Information Technology（弗劳恩霍夫应用信息科技研究所） ； RWTH Aachen University（亚琛工业大学） 纠错

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 提出一种资源感知的生成流程，从自然语言描述中自动生成包含组织（泳池）和角色（泳道）的BPMN 2.0协作图，同时保持控制流质量并增加少量运行时开销。

Comments Submitted to EDOC 2026, under review

Tokenizer Fertility and Zero-Shot Performance of Foundation Models on Ukrainian Legal Text: A Comparative Study

分词器生育率与基础模型在乌克兰法律文本上的零样本性能：一项比较研究

Volodymyr Ovcharov

机构 * LEX AI Platform（LEX AI平台） ； legal.org.ua ； Kyiv, Ukraine（基辅，乌克兰） 纠错

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

AI总结 本研究比较了七种基础模型在乌克兰法律文本上的分词器生育率和零样本性能，发现分词器生育率差异达1.6倍，Qwen 3模型比Llama系列多消耗60%的token，而NVIDIA Nemotron Super 3 (120B)以更低的成本取得最佳性能，同时揭示了少样本提示在形态丰富语言上的退化以及战时法律语言对模型泛化的影响。

Comments 25 pages, 13 tables, 5 figures; v2 adds cross-temporal generalization experiment and classical baseline

Benchmarking Pathology Foundation Models for Spatial Domain Understanding

病理基础模型在空间域理解中的基准测试

Bokai Zhao, Yiyang Zhang, Yuanchi Zhu, Hanqing Chao, Long Bai, Tai Ma, Minfeng Xu, Ming Song, Tianzi Jiang

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） ； Brainnetome Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所脑网膜工程中心） ； Beijing Key Laboratory of Brainnetome and Brain-Computer Interface, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所北京脑网膜与脑机接口重点实验室） ； DAMO Academy, Alibaba Group（阿里云达摩院） ； ShanghaiTech University（上海科技大学） 纠错

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

AI总结 提出SpaPath-Bench基准，通过空间域识别任务评估病理基础模型在区分组织区域和捕获空间关系方面的表示能力。

Comments MICCAI2026

RouteScan: A Non-Intrusive Approach to Auditing MoE LLMs Safety via Expert Routing Telemetry

RouteScan: 通过专家路由遥测对MoE大语言模型安全性进行非侵入式审计

Bo Lv, Zhiheng Xu, KeDong Xiu, Ruyi Ding, Tianhang Zheng, Zhibo Wang, Kui Ren

机构 * Zhejiang University（浙江大学） ； Donghua University（东华大学） ； Louisiana State University（路易斯安那州立大学） 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.CL、cs.LG

AI总结 提出RouteScan，一种利用MoE模型GPU级专家路由遥测（如预填充阶段活跃线程数）作为微架构指纹，通过轻量级检测流水线识别恶意提示的非侵入式审计框架，在未见过的有害领域AUROC超0.93，新越狱包装下超0.96，且相比基于内容的审计方法具有隐私优势。

Comments 20 pages. Under submission

DiscoverPhysics: Benchmarking LLMs for Out-of-the-Box Scientific Thinking

DiscoverPhysics: 基准测试LLMs的即用型科学思维

Matt L. Wiemann, Lindsay M. Smith, Peter Melchior, Siddharth Mishra-Sharma, Andrew Gordon Wilson, Pavel Izmailov, Carolina Cuesta-Lázaro

机构 * Princeton University（普林斯顿大学） ； Boston University（波士顿大学） ； New York University（纽约大学） ； Flatiron Institute（Flatiron研究所） ； Institute for Advanced Studies（高级研究研究所） 纠错

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

AI总结 提出DiscoverPhysics交互式基准，通过让LLM代理探索物理定律偏离现实的模拟世界，评估其设计实验、修正假设和发现物理规律的能力。

ATWL: A Formal Language for Representing, Comparing, and Reusing Visual Analytics Workflows

ATWL：一种用于表示、比较和重用可视化分析工作流的正式语言

Natalia Andrienko, Gennady Andrienko, Jürgen Bernard, Michael Sedlmair

机构 * Fraunhofer Institute IAIS（弗劳恩霍夫研究所IAIS） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所） ； City St George’s, University of London（伦敦大学城市圣乔治学院） ； University of Zurich（苏黎世大学） ； University of Stuttgart（斯图加特大学） 纠错

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

AI总结 提出ATWL语言，通过模块化本体和标准化意图形式化表示可视化分析工作流，结合LLM提取工作流，实现结构比较和重用。

Multi-Agent Specification-based Metamorphic Testing of FMU-Based Simulations

基于多智能体规范的FMU仿真蜕变测试

Ashir Kulshreshtha, Abdullah Mughees, Gaadha Sudheerbabu, Tanwir Ahmad, Kristian Klemets, Dragos Truscan, Mikael Manngård

机构 * University of Turku, Finland（图尔库大学，芬兰） ； Novia University of Applied Sciences, Finland（诺维亚应用科学大学，芬兰） 纠错

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

AI总结 针对FMU仿真模型中缺乏显式预期输出导致传统测试方法受限的问题，提出一种基于LLM的多智能体工作流，从规范和接口中自动提取蜕变关系并生成测试用例，在润滑油冷却系统FMU上验证了其有效性。

Comments Author version. 9 pages. Accepted for publication in the 10th International Workshop on Metamorphic Testing (MET 2026) of the IEEE Conference on Computers, Software, and Applications (COMPSAC2026), June 7-10, 2026 Madrid, Spain

Human-AI Collaboration in Science at Scale: A Global Large-scale Randomized Field Experiment

大规模人机协作科学：一项全球大规模随机现场实验

Binglu Wang, Weixin Liang, Jiahui Xue, Yuhui Zhang, Hancheng Cao, Dashun Wang, Yian Yin

机构 * Kellogg School of Management, Northwestern University（西北大学凯洛格管理学院） ； Center for Science of Science and Innovation, Northwestern University（西北大学科学与创新中心） ； Northwestern Institute on Complex Systems, Northwestern University（西北大学复杂系统研究所） ； Department of Computer Science, Stanford University（斯坦福大学计算机科学系） ； Goizueta Business School, Emory University（埃默里大学戈伊兹特亚商学院） ； Department of Information Science, Cornell University（康奈尔大学信息科学系） 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 通过全球大规模随机现场实验，研究大型语言模型（LLMs）生成的定制化反馈能否提升科研人员的修订率并促进AI工具使用，尤其惠及资源受限的研究者。

EvoSci: A Bio-Inspired Multi-Agent Framework for the Evolution of Scientific Discovery

EvoSci: 一种受生物启发的多智能体框架用于科学发现的演化

Xiaoyu Xiong, Yuqi Ren, Deyi Xiong

机构 * TJUNLP Lab, School of Computer Science and Technology, Tianjin University, China（天津大学计算机科学与技术学院 TJUNLP 实验室） 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 提出EvoSci框架，结合生物启发式演化与知识图谱建模，通过多角色智能体协作迭代生成、评估和优化研究想法，显著提升科学探索的连贯性和创造力。

Comments ACL 2026 Main Conference

MultiPUFFIN: A Multimodal Domain-Constrained Foundation Model for Molecular Property Prediction of Small Molecules

MultiPUFFIN：用于小分子性质预测的多模态领域约束基础模型

Idelfonso B. R. Nogueira, Carine M. Rebello, Mumin Enis Leblebici, Erick Giovani Sperandio Nascimento

机构 * Department of Chemical Engineering, Norwegian University of Science and Technology (NTNU)（挪威科学与技术大学化学工程系） ； Faculty of Industrial Engineering, KU Leuven（鲁文大学工业工程学院） ； University of Surrey（萨里大学） 纠错

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

AI总结 提出多模态基础模型MultiPUFFIN，融合SMILES、2D图、3D构象及实验条件，通过条件感知精炼和热力学约束头，在小样本下优于ChemBERTa-2，预测小分子热物理性质。

Cross-Domain Generalization Limits of Vision Foundation Models in Facial Deepfake Detection

视觉基础模型在面部深度伪造检测中的跨域泛化极限

Ibrahim Delibasoglu

机构 * Department of Software Engineering, Faculty of Computer and Information Sciences（软件工程系，计算机与信息科学学院） 纠错

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

AI总结 本文通过系统评估三种视觉基础模型（RoPE-ViT、DINOv3、NVIDIA C-RADIOv4-H）在DF40基准上的线性探测性能，揭示了它们在面部深度伪造检测中的跨域泛化极限，发现基础模型对全脸合成保持高判别力，但对局部编辑技术存在根本性边界。

From Theory to Decision Rule: Calibrating the Noisy-Label Crossover for Vision-Language Model Weak Supervision Across Three Medical-Imaging Benchmarks

从理论到决策规则：校准视觉-语言模型弱监督的噪声标签交叉点——基于三个医学影像基准

Bruce Changlong Xu, Jose James, Alexander Ryu

机构 * Department of Computer Science, Stanford University（计算机科学系，斯坦福大学） 纠错

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

AI总结 通过三个医学影像基准校准理论预测的噪声标签交叉点，提出基于少量金标标签的决策规则。

Comments 5 pages, 2 figures, 4 tables

Breaking Changes in Software Ecosystems: A Systematic Literature Review

软件生态系统中的破坏性变更：系统文献综述

Juntao Chen, Tingting Bi, Yanlin Wang, Patanamon Thongtanunam

专题命中 领域大模型 ：LLM(summary_cn,abstract)

AI总结 本文通过系统文献综述，对软件生态系统中破坏性变更的类别、原因、检测方法和应对策略进行了全面综合，并指出了行为变更检测、语义版本控制失效和传递依赖传播等挑战，以及LLM增强行为契约推断等研究机会。

CMAP: Cross-Modal Adaptive Prompting for Multi-Domain Task-Incremental Learning

CMAP: 面向多域任务增量学习的跨模态自适应提示

Sriram Mandalika

机构 * Hasso Plattner Institute（霍普斯·普拉特纳研究所） 纠错

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

AI总结 针对多域任务增量学习，提出跨模态自适应提示方法，利用CLIP文本嵌入空间进行任务路由、置信度估计和编码器适应，在MTIL基准上超越现有技术。

Universal Boosts, Specific Suppressors: Sparse Autoencoder Steering of Medical Vision-Language Models

通用增强，特定抑制：基于稀疏自编码器引导的医学视觉语言模型

Farhad Nooralahzadeh, Benjamin Gundersen, Nicolas Deperrois, Hidetoshi Matsuom, Mizuho Nishio, Thomas Frauenfelder, Ahmed Allam, Christian Blüthgen, Michael Moor, Michael Krauthammer

机构 * University of Zurich and University Hospital of Zurich（苏黎世大学及苏黎世大学医院） ； Kobe University（Kobe大学） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； ETH Zurich（苏黎世联邦理工学院） ； Stanford University（斯坦福大学） ； Zurich University of Applied Sciences（苏黎世应用科学大学） 纠错

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

AI总结 本文提出一种无需权重更新的解码时残差引导方法，通过每token稀疏自编码器（SAE）对医学视觉语言模型进行干预，抑制幻觉并提升报告质量，在多个模型上取得显著改进。

Topology-Driven Transferability Estimation of Medical Foundation Models for Segmentation

基于拓扑驱动的医学基础模型分割迁移性估计

Jiaqi Tang, Shaoyang Zhang, Xiaoqi Wang, Jiaying Zhou, Yang Liu, Qingchao Chen

机构 * Peking University（北京大学） ； Hohai University（河海大学） ； Beijing Normal University-Hong Kong Baptist University United International College（北京师范大学-香港 Baptist大学联合国际学院） ； National Institute of Health Data Science, Peking University（健康数据科学国家研究院，北京大学） ； Institute of Medical Technology, Peking University（北京大学医学技术研究院） ； State Key Laboratory of General Artificial Intelligence, Peking University（通用人工智能国家重点实验室，北京大学） 纠错

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

AI总结 提出拓扑驱动迁移性估计框架，通过全局表示拓扑散度、局部边界感知拓扑一致性和任务自适应融合，无需微调即可高效选择医学基础模型，在OpenMind基准上加权Kendall指标相对提升约31%。

Therm-FM: Foundation Model is ALL YOU NEED for 3D-ICs Thermal Simulation

Therm-FM：基础模型是3D-IC热仿真的全部所需

Zhen Huang, Haiyang Xin, Wenkai Yang, Yangbo Wei, Zhiping Yu, Yu Zhang, Wei W. Xing, Ting-Jung Lin, Lei He

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

AI总结 提出Therm-FM，一种基于预训练偏微分方程基础模型的神经算子框架，用于3D-IC稳态和瞬态热仿真，通过多保真训练策略显著降低数据生成成本并提高精度。

Comments 14 pages, 10 figures, extended version of a DAC 2026 paper

SurgRFO: Foundation Model Based Compositional Synthesis of Critical Retained Foreign Objects in Intraoperative Chest X-rays

SurgRFO：基于基础模型的术中胸片中关键残留异物组合合成

Yuanyun Hu, Yuli Wang, Noemi Acevedo Rodriguez, Ronald Yang, Wen-Chi Hsu, Siwei Luo, Zihao Bai, Jing Wu, Yuwei Dai, Shaoju Wu, Jonathon Lindquist, Justin Honce, Premal Trivedi, Zhicheng Jiao, Ihab Kamel, Elliott Haut, Pamela Johnson, John Eng, Cheng Ting Lin, Nan Su, Bo Chen, Sun Yu, Harrison Bai

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

AI总结 提出SurgRFO两阶段合成框架，利用X光基础模型和条件泊松融合生成逼真的术中胸片残留异物图像，提升检测模型在低假阳性率下的灵敏度。

MedFM-Robust: Benchmarking Robustness of Medical Foundation Models

MedFM-Robust：医学基础模型的鲁棒性基准测试

Xiangxiang Cui, Tianjin Huang, Yifang Wang, Lijie Hu, Lu Yin

机构 * Beijing Normal University, China（北京师范大学） ； University of Exeter, United Kingdom（埃克塞特大学） ； University College London, United Kingdom（伦敦大学学院） ； Mohamed bin Zayed University of Artificial Intelligence, United Arab Emirates（穆罕默德·本·扎耶德人工智能大学） ； University of Surrey, United Kingdom（萨里大学） 纠错

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

AI总结 本文提出了一个包含40种扰动类型（12种基础、28种医学特定）的鲁棒性基准，评估了多种医学基础模型在VQA、视觉定位、图像描述和分割任务上的表现，发现微调策略主导鲁棒性、医学特定扰动对分割影响大、零样本VQA鲁棒性依赖模型等关键结论。

Comments MICCAI2026