语言大模型 / LLM

LLM-MINE: Large Language Model based Alzheimer's Disease and Related Dementias Phenotypes Mining from Clinical Notes

LLM-MINE：基于大语言模型的临床笔记中阿尔茨海默病及相关痴呆症表型挖掘

Mingchen Shao, Yuzhang Xie, Carl Yang, Jiaying Lu

机构 * Northwestern University（西北大学） ； Emory University（埃默里大学） 纠错

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

AI总结 提出LLM-MINE框架，利用大语言模型从临床笔记中自动提取ADRD表型，通过统计显著性和无监督疾病分期评估，发现记忆障碍是最强区分因子，少样本提示结合表型列表实现最佳聚类性能。

RASC+: Retrieval-Constrained LLM Adjudication for Clinical Value Set Authoring

RASC+: 用于临床值集创作的检索约束LLM裁决

Sumit Mukherjee

机构 * Oracle Health, USA（美国甲骨文健康） 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.CL、cs.AI、cs.LG

AI总结 提出RASC+方法，通过检索优化候选池召回率，并利用约束LLM裁决器选择候选，在临床值集完成任务上显著提升F1分数，同时保证返回代码来自可审计候选池。

Policies Permitting LLM Use for Polishing Peer Reviews Are Currently Not Enforceable

允许使用LLM润色同行评审的政策目前无法执行

Rounak Saha, Gurusha Juneja, Dayita Chaudhuri, Naveeja Sajeevan, Nihar B Shah, Danish Pruthi

机构 * Indian Institute of Science（印度科学研究院） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 本研究通过模拟多级人机协作的同行评审数据集，评估五种AI文本检测器，发现它们无法可靠区分LLM润色后的评审与纯人工评审，导致误判风险，表明当前政策不可执行。

Comments ICML 2026

When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments

当AI遇见金融（StockAgent）：基于大语言模型的模拟真实环境股票交易

Chong Zhang, Xinyi Liu, Zhongmou Zhang, Mingyu Jin, Lingyao Li, Zhenting Wang, Wenyue Hua, Dong Shu, Suiyuan Zhu, Xiaobo Jin, Sujian Li, Mengnan Du, Yongfeng Zhang

机构 * University of Liverpool（利物浦大学） ； Peking University（北京大学） ； Shanghai University of Finance（上海金融学院） ； Rutgers University（罗格斯大学） ； University of Michigan（密歇根大学） ； Northwestern University（西北大学） ； New York University（纽约大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； New Jersey Institute of Technology（新泽西理工学院） 纠错

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

AI总结 提出基于大语言模型的多智能体系统StockAgent，模拟真实股票交易环境，评估外部因素对交易行为的影响，并避免测试集泄露问题。

Comments 33 pages, 10 figures. Published in ACM Transactions on Intelligent Systems and Technology (TIST)

Toward Self-Evolution-Ready Workflow Harnesses: A Reversible Migration Path and Convertibility Taxonomy for Expert LLM Pipelines

面向自进化就绪工作流工具：专家大语言模型管道的可逆迁移路径与可转换性分类法

Yimo Lin, Zhen Zhang, Yibin Li

机构 * Yunyong Century (Beijing) Artificial Intelligence Technology Co., Ltd.（云涌世纪（北京）人工智能科技有限公司） ； Tsinghua University（清华大学） 纠错

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

AI总结 针对专家验证的“LLM+脚本”工作流静态、无法自适应的问题，提出一种基于绞杀者模式的可逆迁移路径，将遗留工作流重构为可组合、类型化、可审计的阶段，并引入三级可转换性分类法（A/B/C）作为路由阶段诊断工作流就绪状态。

Transformer-Based Language Models Across Domain Verticals: Architectures, Applications and Critical Assessment

基于Transformer的语言模型在垂直领域中的应用：架构、应用与批判性评估

Guruprakash J, Krithika L. B

机构 * SCOPE, VIT-AP University（VIT-AP大学SCOPE学院） ； SCORE, VIT（VIT大学SCORE学院） 纠错

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

AI总结 本文系统梳理Transformer架构变体（编码器、解码器、长上下文等）及后2023年进展（指令微调、RLHF、MoE等），评估其在医疗、金融等领域的部署，并批判性分析模型选择、参数-能耗权衡及“SOTA”含义。

Knowledge-Graph Grounding Helps LLMs Only for Out-of-Training Knowledge: A Controlled Study on Clinical Question Answering

知识图谱基础仅对训练外知识帮助LLM：临床问答的受控研究

Madhulatha Mandarapu, Sandeep Kunkunuru

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

AI总结 通过受控实验发现，知识图谱基础仅在问题涉及模型训练外知识时提升LLM性能，对已知事实无帮助，且公共KG信息冗余。

Comments 9 pages. Code: https://github.com/samyama-ai/clinical-llm-graphrag

LLMs Prompted for Legal Context Object More: Overrefusal from Small On-Premises LLMs in Criminal Legal Context

LLMs在刑事法律语境中被提示为法律上下文对象：小型本地LLM的过度拒绝

Anastasiia Kucherenko, François Brouchoud, Dimitri Percia David, Andrei Kucharavy

机构 * IEM, HEG, HES-SO Valais-Wallis（瓦莱州-瓦利斯高等专业学院，管理与工程学院，经济与酒店管理学院） 纠错

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

AI总结 研究小型本地LLM在法律提示中的过度拒绝现象，发现权威性前缀（如“国家最高法院助理”）使拒绝率提高2-20倍，而角色扮演前缀效果不一，表明模型在真实机构用户可能引入的上下文框架下不稳定。

An LLM-based Two-Stage Transformer Framework for Cross-Domain Bearing Fault Diagnosis with Limited Data

基于LLM的两阶段Transformer框架用于跨域轴承故障诊断与有限数据

Jinghan Wang, Feng Cheng, Wentao Wu, Hang Li, Gaoliang Peng, Tianchen Liu

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

AI总结 提出知识引导的两阶段迁移学习框架，使用轻量级GPT-2风格Transformer提取振动信号层次特征，通过原型知识调制和分类自适应实现跨域故障诊断，在仅10%标注数据下达到92.61%准确率。

Comments Accepted as a conference article of AIM 2026

Closing the Loop: Formally Verified Law as a Reward Signal for Self-Improving Legal AI

闭环：形式化验证的法律作为自我改进法律AI的奖励信号

Armin Heydari, Torben Leowald

机构 * Harvard University（哈佛大学） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 提出一种架构，通过LLM驱动的形式化转换和验证内核，为法律AI提供可验证的奖励信号，实现闭环强化学习，并在多个法律领域展示其优势。

Comments 14 pages, no figures

More Skills, Worse Agents? Skill Shadowing Degrades Performance When Expanding Skill Libraries

更多技能，更差智能体？扩展技能库时技能遮蔽降低性能

Hongwen Song, Song Wei

机构 * Databricks Inc.（Databricks公司） 纠错

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

AI总结 本文研究LLM智能体技能库扩展导致性能下降的现象，提出将性能下降分解为技能遮蔽和上下文开销两种效应，并通过实验证明技能遮蔽是主要瓶颈。

BehaviorBench: Benchmarking Foundation Models for Behavioral Science Tasks

BehaviorBench: 行为科学任务的基础模型基准测试

Jin Huang, Yutong Xie, Wanli Song, Xingjian Zhang, Walter Yuan, Matthew O. Jackson, Qiaozhu Mei

机构 * University of Michigan（密歇根大学） ； MobLab ； Stanford University（斯坦福大学） ； Santa Fe Institute（圣塔菲研究所） 纠错

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

AI总结 提出BehaviorBench基准，评估基础模型在行为预测、战略决策、特质推断和行为知识应用四类任务上的个体与分布级表现，发现通用模型个体预测强，而微调的行为模型分布对齐更优。

FISHER: A Foundation Model for Multi-Modal Industrial Signal Comprehensive Representation

FISHER：多模态工业信号综合表示的基础模型

Pingyi Fan, Anbai Jiang, Shuwei Zhang, Xinhu Zheng, Zhiqiang Lv, Bing Han, Wenrui Liang, Junjie Li, Wei-Qiang Zhang, Yanmin Qian, Xie Chen, Jia Liu

机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Institute for Embodied Intelligence and Robotics, Tsinghua University（清华大学智能感知与机器人研究院） ； Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系） ； Huakong AI Plus Company Limited（华冠AIplus有限公司） ； Didi International Business Group（滴滴国际商务集团） 纠错

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

AI总结 针对工业信号分析中的数据异质性（M5问题），提出FISHER基础模型，采用子带建模处理多采样率问题，通过教师-学生自蒸馏预训练，在19个数据集上以较小规模超越24个SOTA编码器。

Comments Accepted by IEEE TII. FISHER open-sourced on https://github.com/jianganbai/FISHER . RMIS open-sourced on https://jianganbai.github.io/RMIS

Towards Fast Domain Adaptation and Fine-Grained User Simulation for Evaluating Conversational Recommender Systems

面向快速领域自适应和细粒度用户模拟的对话推荐系统评估

Yuanzi Li, Quanyu Dai, Xueyang Feng, Zihang Tian, Junhao Wang, Xu Chen, Zhenhua Dong, Huifeng Guo

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

AI总结 提出AdaptSim框架，通过自动提示生成和开放动作机制实现快速领域自适应，采用“思考-响应”策略控制语言风格，并基于广度优先搜索的逐轮对比评估对话推荐系统。

Generative AI for automatic topic labelling

生成式AI用于自动主题标注

Diego Kozlowski, Carolina Pradier, Pierre Benz

机构 * School of Library and Information Science, University of Montreal, Canada（蒙特利尔大学图书馆与信息科学学院） 纠错

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

AI总结 本文利用生成式AI模型对科学领域主题进行自动标注，评估了三种LLM在标注准确性与复杂性把握上的表现，发现三词标签更适用于捕捉研究主题的复杂性。

Comments 10 pages, 1 figure

Journal ref The Canadian Journal of Information and Library Science, 49, 2026

ATHENA: Agentic Team for Hierarchical Evolutionary Numerical Algorithms

ATHENA：分层进化数值算法的智能团队

Juan Diego Toscano, Daniel T. Chen, George Em Karniadakis

机构 * Division of Applied Mathematics, Brown University（布朗大学应用数学系） 纠错

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

AI总结 ATHENA通过知识驱动的诊断流程，实现科学计算与科学机器学习的自动化，结合专家蓝图和组合空间，生成高精度数值解和稳定求解器，达到10^-14的验证误差。

PETRA: Transforming Web Text for Petroleum-Engineering Domain Adaptation

PETRA: 将网络文本转化为石油工程领域适应的数据集

Kirill Dubovikov, Omar El Mansouri, Hachem Madmoun, Yanda Li, Sandeep Kumar, Aya El Mir, Supriyo Ghosh, Writabrata Bhattacharya, Adrian Garcia-Garcia, Onkar Pandit, Sunil Kumar Sahu, Federico Castanedo, Larry Murray, Martin Takac, Salem Lahlou

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎伊德大学人工智能学院） ； Inception AI 纠错

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

AI总结 针对石油工程检索中领域标签稀缺的问题，提出PETRA数据集和流程，通过噪声网络数据构建领域语料和合成监督信号，显著提升检索与重排序性能。

MedP-CLIP: Medical CLIP with Region-Aware Prompt Integration

MedP-CLIP：具有区域感知提示集成的医学CLIP

Jiahui Peng, He Yao, Jingwen Li, Yanzhou Su, Sibo Ju, Yujie Lu, Jin Ye, Hongchun Lu, Xue Li, Lincheng Jiang, Min Zhu, Junlong Cheng

机构 * Sichuan University（四川大学） ； Xinjiang University（新疆大学） ； Alibaba Group（阿里巴巴集团） ； Fuzhou University（福州大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Southwest Jiaotong University（西南交通大学） 纠错

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

AI总结 提出MedP-CLIP，一种区域感知医学视觉语言模型，通过特征级区域提示集成机制，支持多种提示形式，在保持全局上下文的同时聚焦局部区域，在零样本识别、交互式分割等任务中显著优于基线方法。

Comments Accepted by Medical Image Analysis (MedIA)

Journal ref Medical Image Analysis, 113 (2026), 104193

Reinforcement Learning Towards Broadly and Persistently Beneficial Models

强化学习迈向广泛且持久有益的模型

Akshay V. Jagadeesh, Rahul K. Arora, Khaled Saab, Ali Malik, Mikhail Trofimov, Foivos Tsimpourlas, Johannes Heidecke, Karan Singhal

机构 * OpenAI 纠错

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

AI总结 通过真实领域中的有益行为强化学习，模型在超过80%的分布外基准上表现提升，并展现出跨领域对齐泛化与对抗攻击的持久性。

Comments Blog: https://alignment.openai.com/beneficial-rl/

Training-free Cross-domain Few-shot Segmentation via Robust Semantic Representation and Matching

基于鲁棒语义表示与匹配的无训练跨域小样本分割

Sujun Sun, Mingwu Ren, Haofeng Zhang

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； State Key Laboratory of Intelligent Manufacturing of Advanced Construction Machinery（先进工程机械智能制造国家重点实验室） 纠错

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

AI总结 提出无训练框架，利用DINOv3编码器和三个核心模块（语义感知特征融合、自适应支持增强、混合原型匹配）实现跨域小样本分割，无需训练或微调，在四个目标域数据集上达到最优性能。

Comments Accepted by ECCV 2026

Unifying Search and Recommendation in LLMs via Gradient Multi-Subspace Tuning

通过梯度多子空间调优统一大语言模型中的搜索与推荐

Jujia Zhao, Zihan Wang, Shuaiqun Pan, Suzan Verberne, Zhaochun Ren

专题命中 领域大模型 ：LLM(abstract)

AI总结 针对搜索与推荐统一中全微调计算昂贵、参数高效微调存在梯度冲突和用户意图理解偏移的问题，提出梯度多子空间调优框架，通过多子空间分解和零空间投影缓解冲突并保持通用知识，在基准数据集上超越现有方法。

Comments Accepted by SIGIR 2026