CRAwLeR -- Cross-Reference Aware Legal Retrieval
CRAwLeR -- 交叉引用感知的法律检索
专题命中 领域大模型 ：LLM(abstract,abstract_cn)
AI总结 针对法律文档中的交叉引用，提出CRAwLeR流水线，生成需要上下文的查询并构建数据集，实验表明约80%的查询真正需要上下文，最佳Recall@10为55%-59%。
Comments 26 pages, 18 figures
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。
1. 领域大模型 71 篇
Piloting Planetarium Visualizations with LLMs during Live Events in Science Centers
在科学中心现场活动期间利用LLM试点行星馆可视化
专题命中 领域大模型 ：LLM(title_cn)
AI总结 研究利用AI试点提升科学中心公共展览体验，通过7名专业向导评估AI试点在减少人力负担和实现多任务处理中的作用。
Comments Submitted to Posters of CHI'26
Journal ref Short Paper Proceedings of EuroVis 2026
PROTON: Prototype-Based Test-Time Online OOD Detection for Medical VLMs
PROTON: 基于原型的测试时在线OOD检测方法用于医学视觉语言模型
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； University of Peradeniya（佩拉德尼亚大学） ； Khalifa University（哈利法大学） ； ADIA Lab（阿布扎比投资局实验室） ； MedOS
专题命中 领域大模型 ：language model(abstract)；分类 cs.AI、cs.LG
AI总结 针对医学视觉语言模型在部署时难以检测分布外输入的问题，提出PROTON方法，通过在线原型库和自适应融合原型距离与最大概念匹配得分，无需修改模型或训练数据，在多个OOD场景下提升检测性能。
Journal ref 29th International Conference on Medical Image Computing and Computer Assisted Intervention 2026
EHR-Complex: Benchmarking Medical Agents for Complex Clinical Reasoning
EHR-Complex：面向复杂临床推理的医疗智能体基准测试
机构 * Zhejiang University（浙江大学） ； Ant Group（蚂蚁集团）
专题命中 领域大模型 ：LLM(abstract_cn)；分类 cs.AI
AI总结 提出EHR-Complex基准，基于MIMIC-IV构建约5.2万项交互式临床数据库推理任务，评估智能体在复杂SQL和代码执行中的表现，揭示主要失败模式。
Learning Moral Diversity: Modelling Individual Perspectives in Moral Classification of Texts
学习道德多样性：在文本道德分类中建模个体视角
机构 * School of Mathematical Sciences, Adelaide University（阿德莱德大学数学科学学院）
专题命中 领域大模型 ：language model(abstract)；分类 cs.CL
AI总结 针对社交媒体文本道德分类中标注者主观性导致的分歧，提出在预训练语言模型中加入学习标注者特定特征的层，改进个体标注预测并揭示道德视角差异。
Comments Accepted at the Seventh Workshop on NLP and Computational Social Science. 12 pages, 7 figures
Human and AI collaboration for pulmonary nodule segmentation
人类与AI协作进行肺结节分割
机构 * State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（数学科学国家重点实验室，数学与系统科学研究院，中国科学院） ； PET/CT Center, The First Affiliated Hospital of Guangzhou Medical University（广州医科大学第一附属医院PET/CT中心） ； Department of Thoracic Surgery and Oncology, The First Affiliated Hospital of Guangzhou Medical University（广州医科大学第一附属医院胸外科与肿瘤科） ； Department of Mathematical Science, Tsinghua University（清华大学数学科学系） ； Yau Mathematical Sciences Center, Tsinghua University（清华大学尤金数学科学中心） ； China State Key Laboratory of Respiratory Disease & National Clinical Research Centre for Respiratory Disease, Guangzhou, China（中国呼吸疾病国家重点实验室及呼吸疾病临床研究中心，广州，中国） ； School of Mathematical Sciences, University of Chinese Academy of Sciences（中国科学院大学数学科学学院） ； National Center for Respiratory Medicine, National Clinical Research Center for Respiratory Disease, Guangzhou Institute of Respiratory Health, The First Affiliated Hospital of Guangzhou Medical University（呼吸医学国家中心、呼吸疾病临床研究中心、广州呼吸健康研究院、广州医科大学第一附属医院）
专题命中 领域大模型 ：foundation model(abstract)；分类 cs.AI
AI总结 提出Hi-Seg框架，基于SAM通过人类迭代优化提示实现肺结节分割，在12中心1179例CT上平均Dice达85%，优于多种深度学习模型，并降低标注时间。
One-Shot Data Selection for Medical Image Classification via Graph Coverage
基于图覆盖的医学图像分类一次性数据选择
机构 * United Arab Emirates University（阿拉伯联合酋长国大学） ； KU Leuven（鲁汶大学）
专题命中 领域大模型 ：foundation model(abstract)；分类 cs.LG
AI总结 提出一种基于图的一次性数据选择方法，利用预训练编码器的k近邻图构建热扩散核，通过贪婪设施位置选择最大化数据流形覆盖的子集，在五个MedMNIST数据集上优于基线方法。
Comments Accepted at MICCAI 2026
SciLens: Multi-modal Scientific Claim Verification with Agentic Entailment and Grounding
SciLens: 多模态科学声明验证的智能蕴含与归因框架
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong Baptist University（香港浸会大学） ； NVIDIA AI Technology Center（英伟达人工智能技术中心）
专题命中 领域大模型 ：language model(abstract)；分类 cs.CL
AI总结 提出SciLens框架，通过将声明分解为原子命题并归因到表格/图表证据，实现多模态科学声明验证，在SciClaimEval上达到79.2%宏F1和63.1%配对准确率。
Comments KDD 2026 SciSoc Agents & LLMs (Oral)
Democratizing and accelerating AI-driven pathology research through agentic intelligence
通过智能体智能实现AI驱动病理学研究的民主化与加速
机构 * Hong Kong University of Science and Technology（香港科技大学） ； Southern Medical University（南方医科大学） ； Nanfang Hospital（南方医院） ； Guangdong Province Key Laboratory of Molecular Tumor Pathology（广东省分子肿瘤病理重点实验室） ； Jinfeng Laboratory（金凤实验室）
专题命中 领域大模型 ：foundation model(abstract)；分类 cs.AI
AI总结 提出PathLab框架，通过结构化组合领域技能和工具，将自然语言研究目标转化为可执行的计算病理学工作流，在12个数据集上达到与专家实现相当的性能，并显著降低编程门槛。
Comments 29 pages, 4 figures
Anatomically Consistent TMJ Disc Segmentation via Semantic Anchoring and Clinical Priors
基于语义锚定和临床先验的解剖一致性颞下颌关节盘分割
机构 * Department of Artificial Intelligence, Yonsei University（燕山大学人工智能学院） ； Department of Computer Science, Emory University（埃默里大学计算机科学系） ； College of Dentistry, Yonsei University（燕山大学牙科学院）
专题命中 领域大模型 ：foundation model(abstract)；分类 cs.AI
AI总结 提出TISC框架，通过原型语义锚定模块定位关节盘，并利用临床元数据（开口受限指标）细化边界，在2488例MRI上实现Dice提升4.96，生成解剖一致的分割。
Comments 10 pages, 3 figures
SCI-PRM: A Tool Aware Process Reward Model for Scientific Reasoning Verification
SCI-PRM：用于科学推理验证的工具感知过程奖励模型
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Shanghai AI Lab（上海人工智能实验室） ； National University of Singapore（新加坡国立大学） ； Shanghai Jiao Tong University（上海交通大学） ； Sichuan University（四川大学） ； Tongji University（同济大学）
专题命中 领域大模型 ：foundation model(abstract)；分类 cs.AI
AI总结 针对科学推理中工具使用和事实一致性问题，提出Sci-PRM模型，通过构建包含工具链轨迹的数据集SCIPRM70K并训练过程奖励模型，在测试时扩展和强化学习中提供细粒度监督，提升基础模型性能。
Comments Accepted by KDD 2026 AI4Science Track
Embedding-Based Federated Learning with Runtime Governance for Iron Deficiency Prediction
基于运行时治理的嵌入式联邦学习用于缺铁预测
机构 * Theoretical Physics University of Cambridge Cambridge, UK ； Translational AI Laboratory, Dept. of Laboratory Medicine Amsterdam UMC Amsterdam, The Netherlands ； Precision Health University Research Institute Queen Mary Univ. of London London, UK ； Department of Medicine University of Cambridge Cambridge Biomedical Campus Cambridge, UK ； Transplant Cambridge Biomedical Campus Cambridge, UK ； Dept. of Cardiology Amsterdam Cardiovascular Sciences Amsterdam UMC Amsterdam, The Netherlands
专题命中 领域大模型 ：foundation model(abstract)；分类 cs.LG
AI总结 本文提出了一种基于嵌入的联邦学习框架，用于从常规全血计数数据中预测缺铁，并在两个临床环境中部署，展示了个性化聚合方法在处理不同样本量和任务相关性时的优越性。
MedBayes-Lite: A Clinical Uncertainty Governance Layer for Risk-Aware Medical Decision Support
MedBayes-Lite: 用于风险感知医疗决策支持的临床不确定性治理层
机构 * College of Engineering and Computer Science, University of Central Florida（中央佛罗里达大学工程与计算机科学学院） ； Department of Computer Science and Engineering, North South University（北方南大学计算机科学与工程系） ； Department of Electrical and Computer Engineering, Purdue University Fort Wayne（普渡大学福克斯堡分校电气与计算机工程系） ； School of Mathematics, Physics and Computing, University of Southern Queensland（南方昆士兰大学数学、物理与计算学院） ； Meharry Medical College（梅哈里医学学院） ； CHI – Chair of Health Informatics, Technical University of Munich (TUM)（慕尼黑技术大学健康信息学系） ； GLAM – Group on Language, Audio, & Music, Imperial College London（伦敦帝国理工学院语言、音频与音乐组）
专题命中 领域大模型 ：language model(abstract)；分类 cs.AI
AI总结 提出无需重训练的MedBayes-Lite层，结合MC Dropout、校准和置信度引导的弃权，减少临床问答中高置信度错误，将校准误差降低0.23-0.33，高严重性错误降至近零。
Wasserstein-Aligned Localisation for VLM-Based Distributional OOD Detection in Medical Imaging
基于VLM的医学图像分布外检测的Wasserstein对齐定位
机构 * Department of Computing, Imperial College London, UK（伦敦帝国理工学院计算机系） ； Technical University Munich, DE（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML), DE（慕尼黑机器学习中心（MCML））
专题命中 领域大模型 ：language model(abstract)
AI总结 提出WALDO框架，利用最优传输理论通过熵加权切片Wasserstein距离、Goldilocks区域采样和自一致性聚合实现零样本异常定位，在NOVA脑MRI基准上mAP@30达43.5%，相对提升19%。
Comments submitted to MICCAI 2026
Full-Domain Coupler: A Wireless Native Neural Backbone for Channel Representation and Deduction
全域耦合器：一种用于信道表示与推演的无线原生神经骨干网络
专题命中 领域大模型 ：foundation model(abstract)
AI总结 针对无线数据多域深度耦合问题，提出无线原生AI神经骨干网络Coupler，通过逐层域分解与交错级联实现高效信道表示，在信道推演任务中取得显著性能提升。
Comments The code and data supporting this work are available at https://github.com/XIronMan0220/Coupler-Channel-Deduction
Intracellular Measurement-Informed Multiscale Modeling for Scalable iPSC Manufacturing
细胞内测量驱动的多尺度建模用于可扩展iPSC制造
专题命中 领域大模型 ：foundation model(abstract)
AI总结 针对3D聚集体培养中的空间和代谢异质性，开发了整合分子、细胞和宏观过程的多尺度机制模型，通过结合单层动力学网络与生物系统-of-系统模型，统一了异质性数据，为可扩展iPSC生物制造提供了定量基础。
Comments 33 pages, 21 figures
Beyond the LUMIR challenge: The pathway to foundational registration models
超越LUMIR挑战：走向基础配准模型
机构 * The Russell H. Morgan Department of Radiology（Russell H. Morgan放射科） ； Radiological Science, Johns Hopkins Medical School（约翰霍普金斯医学院放射科学） ； Department of Computer Science, Aalto University（阿尔托大学计算机科学系） ； Cornell University（康奈尔大学） ； Canon Medical Systems (China) Co. Ltd.（佳能医疗系统（中国）有限公司） ； School of Biomedical Engineering, Shenzhen University Medical School（深圳大学医学院生物医学工程学院） ； Department of Imaging Physics, Delft University of Technology（代尔夫特理工大学成像物理系） ； Technical University of Munich（慕尼黑技术大学） ； Radboud University Medical Center（拉德伯德大学医学中心） ； Inria, Paris, France（法国巴黎Inria）
专题命中 领域大模型 ：foundation model(abstract)
AI总结 提出LUMIR挑战，通过大规模无监督脑MRI配准任务，验证深度学习方法在生成解剖合理变形场和跨域鲁棒性上的优势，推动通用医学图像配准基础模型的发展。
Comments Accepted to Medical Image Analysis ((c) MedIA). Code available at https://github.com/JHU-MedImage-Reg/LUMIR_L2R
A Peek Behind the Curtain: Using Step-Around Prompt Engineering to Identify Bias and Misinformation in GenAI Models
幕后窥探：使用逐步提示工程识别生成式AI模型中的偏见与虚假信息
专题命中 领域大模型 ：prompting(abstract)
AI总结 本文探讨逐步提示工程作为对抗性提示技术，用于测试生成式AI的安全护栏和偏见缓解机制，并提出了学术伦理治理框架。
Comments v3 Substantial text changes and addition of structured framework
2. 知识编辑与模型理解 46 篇
The Origins of Stochasticity: Comprehensive Investigations on Uncertainty Quantification for Large Language Models
随机性的起源：大型语言模型不确定性量化的综合研究
机构 * National Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） ； School of Intelligent Science and Technology（智能科学与技术学院）
专题命中 知识编辑与模型理解 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.AI
AI总结 提出细粒度不确定性分类法，将LLM不确定性归因于输入、参数、标记和解码过程，并评估21种UQ方法，发现基于共识的方法（Deg和EigV）表现最佳，且模型规模与不确定性负相关。
LLM and Human Modes of Representation
LLM与人类的表征模式
机构 * Shalom Lappin
专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 研究比较大型语言模型（LLM）与人类在语言知识和现实推理中的表征差异，发现LLM在语言任务上表现优异但处理方式不同，且在推理任务中学习与泛化效率低于人类。
SCOPE: Sequential Conformal Probing for Reliable OOD Rejection in LLM Services
SCOPE: 用于LLM服务中可靠OOD拒绝的顺序共形探测
机构 * School of Computer Science and Informatics, University of Liverpool, United Kingdom（英国利物浦大学计算机科学与信息学院）
专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 提出SCOPE框架，通过选择可读隐藏层、构建共形门控和超鞅e过程，在LLM服务中实现带理论保证的OOD拒绝，实验表明优于标准最终层检测器。
Closing the Prior-Posterior Loop: Self-Reflective Molecular Design with Analysis-Driven LLM Iteration
闭合先验-后验循环：基于分析驱动LLM迭代的自反性分子设计
机构 * Faculty of Chemistry, Shenzhen MSU-BIT University（深圳MSU-BIT大学化学学院） ； School of Science and Engineering, Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）科学与工程学院） ； Department of Chemistry, Hong Kong University of Science and Technology（香港科技大学化学系）
专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 提出一种自反性分子设计框架，用第一性原理计算的完整物化理由替代标量反馈，使LLM从随机采样器转变为因果推理器，在HOMO-LUMO能隙任务中实现0.0003 eV偏差和100%成功率。
Comments 3 tables, 4 figures
Behavioral and Representational Evidence of Binomial Ordering Preferences in Large Language Models
大型语言模型中二项式排序偏好的行为与表征证据
机构 * Ludwig Maximilian University of Munich（慕尼黑大学） ； Munich Center for Machine Learning（慕尼黑机器学习中心）
专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；LLM(summary_cn,abstract_cn)；分类 cs.CL、cs.LG
AI总结 通过多语言二项式数据集和分布度量，研究LLM对梯度频率分布的建模能力，发现模型虽能恢复主导顺序，但难以精确匹配偏好分布，并通过稀疏探针验证偏好强度在中间层编码且可操纵。
Comments Code and data are publicly available at https://github.com/Zhi-qing-Yang/Linguistic-Binomials-in-Large-Language-Models
Beyond Hooking Onto the World: Referential Profiles and the Numerical Structure of LLM Grounding
超越钩连世界：指称轮廓与LLM基础的数字结构
机构 * Sungkyunkwan University（成均馆大学）
专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 本文重新审视大语言模型的基础问题，提出指称是基于轮廓、上下文敏感、受情感影响且受规范约束的，并通过优化将语言痕迹参数化为数字结构，支持LLM拥有衍生性、语言中介的指称形式。
Comments 29 pages, no figures
Event Ontology Expansion via LLM-Based Conceptualization
基于LLM概念化的事件本体扩展
机构 * State Key Laboratory of AI Safety（人工智能安全国家重点实验室） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院）
专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；prompting(abstract)；分类 cs.CL
AI总结 提出ConceptE框架，利用LLM从句子和触发词中提取概念级语义，增强事件聚类和层次扩展，在ACE、ERE和MAVEN上显著优于现有方法。
Incoherent Values? Probing LLM Preferences Through Parametric Variation
不一致的价值？通过参数变化探测LLM的偏好
专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)
AI总结 本文通过参数化变体测试LLM的价值一致性，发现即使最强模型也存在显著不一致，且一致性不随能力提升而出现，但允许推理时间可减少不一致。
Hallucination as Context Drift: Synchronization Protocols for Multi-Agent LLM Systems
幻觉作为上下文漂移：多智能体LLM系统的同步协议
机构 * Celabe
专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；分类 cs.CL、cs.AI
AI总结 提出上下文分歧分数（CDS）和共享状态验证协议（SSVP），通过周期性交换压缩状态摘要来减少多智能体LLM系统中的幻觉，实验表明SSVP在旅行规划领域将幻觉率降低至0.463，且API调用减少58%。
Comments 11 pages, 1 figure
GRADE: Graph Representation of LLM Agent Dependency and Execution
GRADE: LLM智能体依赖与执行的图表示
机构 * University of Southern California（南加州大学）
专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；分类 cs.LG
AI总结 提出GRADE，将LLM智能体的运行建模为具有执行边和依赖边的图，依赖边通过分级推断，在多个数据集上优于运行规模指标，并可用于故障定位。
Comments 18 pages, 5 figures, 8 tables. Code: https://github.com/yzhao062/grade
Calibration Is Not Control: Why LLM-Agent Oversight Needs Intervention
校准不是控制：为什么LLM代理监督需要干预
机构 * Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； CFAR Agency for Science Technology and Research（科技研究局CFAR） ； IHPC Agency for Science Technology and Research（科技研究局IHPC） ； Department of Statistics and Operations Research UNC-Chapel Hill（北卡罗来纳大学教堂山分校统计与运筹学系）
专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；分类 cs.AI
AI总结 本文指出LLM代理运行时监督中常用的标量风险预测存在目标错误，提出以干预优势为决策对象，并引入前缀分支方法进行动作条件控制，实验表明该方法能显著降低控制遗憾。
Comments 29 pages
The Trilemma of Truth in Large Language Models
大型语言模型中真理的三难困境
机构 * Khoury College of Computer Sciences Northeastern University（东北大学科里学院） ； Network Science Institute Northeastern University（东北大学网络科学研究所） ； Santa Fe Institute（圣菲研究所）
专题命中 知识编辑与模型理解 ：large language model(title,abstract)；language model(title,abstract)；prompting(abstract)；分类 cs.CL、cs.LG
AI总结 针对大型语言模型知识真实性探测方法的缺陷，提出结合多实例学习与共形预测的sAwMIL框架，实现真、假及不确定三类分类，揭示真理与虚假的非对称编码及第三种信号的存在。
Comments The main text is 9 pages long (plus 3 pages of references); supplementary material (60 pages) is included in the same PDF
