语言大模型 / LLM

GenAU: Language-Grounded Industrial Anomaly Understanding with Vision-Language Models

GenAU: 基于语言的工业异常理解与视觉语言模型

Hongkuan Zhou, Tristan Rehm, Nadeem Nazer, Lavdim Halilaj, Jingcheng Wu, Steffen Staab

机构 * Corporate Research, Robert Bosch GmbH（罗伯特·博世有限公司企业研究部） ； Otto-von-Guericke-University Magdeburg（马格德堡奥托·冯·格里克大学） ； University of Southampton（南安普顿大学） 纠错

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

AI总结 提出GenAU框架，统一图像级检测、像素级分割、多类型异常检测和缺陷分析，通过两个分割标记实现语言引导的定位，在VisA和Real-IAD上取得最优零样本检测性能。

ENSAM: an efficient foundation model for interactive segmentation of 3D medical images

ENSAM：一种高效的交互式3D医学图像分割基础模型

Elias Stenhede, Agnar Martin Bjørnstad, Arian Ranjbar

机构 * Akershus University Hospital（阿克什胡斯大学医院） 纠错

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

AI总结 ENSAM结合SegResNet编码器、提示编码器和掩码解码器，通过潜在交叉注意力、相对位置编码等技术，在有限数据和算力下实现高效3D医学图像分割，优于现有基线模型。

Graph-Native Reinforcement Learning Enables Traceable Scientific Hypothesis Generation through Conceptual Recombination

图原生强化学习通过概念重组实现可追溯的科学假设生成

Subhadeep Pal, Shashwat Sourav, Tirthankar Ghosal, Markus J. Buehler

机构 * Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室） 纠错

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

AI总结 提出图原生推理模型Graph-PRefLexOR，结合GRPO强化学习将推理组织为显式阶段，在材料科学100个开放问题上推理可追溯性提升40-65%，语义多样性增加2-3倍。

Shapley in Context: Explaining Financial Language with Domain Expertise

语境中的Shapley：利用领域专业知识解释金融语言

Dangxing Chen, Pengzhan Guo

机构 * Zu Chongzhi Center, Duke Kunshan University（杜克昆山大学祖冲之中心） ； Digital Innovation Research Center, Duke Kunshan University（杜克昆山大学数字创新研究中心） 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 研究Shapley值在大型语言模型金融文本解释中的适用性，通过理论分析和实验验证其与金融领域知识的一致性。

Comments European Journal of Finance

Exploring the Semantic Gap in Agentic Data Systems: A Formative Study of Operationalization Failures in Analytical Workflows

探索智能体数据系统中的语义鸿沟：分析工作流中操作化失败的形成性研究

Jalal Mahmud, Eser Kandogan

机构 * Megagon Labs（Megagon实验室） 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 本研究通过跨领域分析236个分析意图，识别出153种反复出现的操作化失败，归纳为五类语义鸿沟，揭示用户分析概念与系统可用信息之间的差距，并提出未来智能体数据系统需要更丰富的语义表示。

Ghost in the Kernel: In-Context Learning with Efficient Transformers via Domain Generalization

内核中的幽灵：通过领域泛化实现高效Transformer的上下文学习

Peilin Liu, Ding-Xuan Zhou

机构 * School of Mathematics and Statistics, University of Sydney（悉尼大学数学与统计学院） 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 本文从领域泛化角度研究线性Transformer的近似与泛化能力，证明其通过上下文分布到响应函数的映射实现上下文学习，并基于理论提出激活函数与损失函数设计新视角。

RareDxR1: Autonomous Medical Reasoning for Rare Disease Diagnosis Beyond Human Annotation

RareDxR1：超越人类标注的罕见病诊断自主医学推理

Deyang Jiang, Haoran Wu, Ziyi Wang, Yiming Rong, Yunlong Zhao, Ye Jin, Bo Xu

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

AI总结 提出端到端推理大模型RareDxR1，通过知识内化与自主进化学习框架，结合反思增强推理采样和双级课程强化学习，直接从非结构化临床笔记诊断罕见病，无需依赖结构化表型或人类标注，在多个基准上达到最先进准确率。

Comments 7 pages, 3 figures. Accepted to IEEE International Conference on Multimedia and Expo (ICME) 2026

ManimAgent: Self-Evolving Multimodal Agents for Visual Education

ManimAgent: 用于视觉教育的自进化多模态智能体

Wenjia Jiang, Zongyuan Cai, Yuanhang Shao, Chenru Wang, Boyan Han, Zhixue Song, Keyu Chen, Shengwei An, Xu Yang, Zhou Yang

机构 * University of Alberta（阿尔伯塔大学） ； Southeast University（东南大学） ； Virginia Tech（弗吉尼亚理工学院） ； Xidian University（西安电子科技大学） ； Vivavia Inc（Vivavia公司） 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 提出ManimAgent，通过双通道情节记忆库跨任务传递反思经验，无需权重更新或人工种子，在代码生成任务中提升通过率并减少反思轮次。

Comments Project page: https://manimagent.github.io/. Code: https://github.com/jwj1342/Paper2Manim

EvoMaster: A Foundational Evolving Agent Framework for Agentic Science at Scale

EvoMaster：一种用于大规模代理科学的基础进化代理框架

Xinyu Zhu, Yuzhu Cai, Zexi Liu, Cheng Wang, Fengyang Li, Wenkai Jin, Wanxu Liu, Zehao Bing, Bingyang Zheng, Jingyi Chai, Shuo Tang, Rui Ye, Yuwen Du, Xianghe Pang, Yaxin Du, Tingjia Miao, Yuzhi Zhang, Ruoxue Liao, Zhaohan Ding, Linfeng Zhang, Yanfeng Wang, Weinan E, Siheng Chen

机构 * School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； SciLand ； DP Technology（DP技术） 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 EvoMaster通过持续自我进化机制，使代理能迭代优化假设并积累知识，实现跨学科的高效科学发现，其易用性与性能在多个基准测试中均表现优异。

Comments 44 pages, 3 figures

Touching and Feeling the Data: A Reusable Software Pipeline for Tactile Statistical Graphs in Accessible Education

触摸与感受数据：面向无障碍教育的触觉统计图可复用软件流水线

Lawrence Obiuwevwi, Krzysztof J. Rechowicz, Jessica M. Johnson, Erika Frydenlund, Vikas Ashok, Sachin Shetty, Sampath Jayarathna

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

AI总结 提出一种三层可复用软件流水线，在约1500行JavaScript中自动生成触觉统计图，支持盲人和低视力学生通过触觉交互学习数据分析，生成打印文件耗时低于250毫秒。

Journal ref IEEE IRI'2026

From Registry to Repository: How AI Agent Skills Are Written, Adapted, and Maintained

从注册表到仓库：AI代理技能如何编写、适配和维护

Haoyu Gao, Jai Lal Lulla, Hong Yi Lin, Sebastian Baltes, Christoph Treude, Mansooreh Zahedi

专题命中 领域大模型 ：LLM(abstract,abstract_cn)

AI总结 本研究首次对AI代理技能作为工程制品进行实证分析，通过挖掘公共注册表和GitHub仓库中的技能，发现技能重用多为一次性复制，定制化主要适配本地环境，而行为契约几乎不变。

Synergistic Perception-Reasoning Governance: Grounding Medical MLLMs with Verifiable Anatomical Evidence

协同感知-推理治理：用可验证解剖证据为医学多模态大语言模型提供基础

Rui Hao, Qiankun Li, Junyuan Mao, Linghao Meng, Dirui Xie, Dayu Tan, Zhigang Zeng

机构 * Huazhong University of Science and Technology（华中科技大学） ； Imperial Global Singapore, Imperial College London（帝国理工学院新加坡全球中心） ； Nanyang Technological University（南洋理工大学） ； National University of Singapore（新加坡国立大学） ； Anhui University（安徽大学） 纠错

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

AI总结 提出一种无需训练的证据注入框架，通过ROI引导的视觉激活调制和解剖坐标语义标记，协同校准视觉感知与文本推理，动态路由任务特定干预，有效减少医学MLLM的幻觉。

Comments Accepted by MICCAI 2026 (Early Accept, Top 9%)

Histopathology Multi-modal Embedding for Pathology Composed Retrieval

病理学组合检索的组织病理学多模态嵌入

Qifeng Zhou, Wenliang Zhong, Thao M. Dang, Hehuan Ma, Saiyang Na, Yuzhi Guo, Junzhou Huang

机构 * The University of Texas at Arlington（德克萨斯大学阿灵顿分校） 纠错

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

AI总结 提出HOMIE框架，将生成式多模态大语言模型适配为病理检索专家，解决组合查询中的架构、任务和领域不匹配问题，在病理组合检索基准上显著优于现有方法。

Comments Accepted by ECCV 2026

Text Over Image: Auditing Multimodal Robustness in Synthetic Medical Image Detection

超越视觉取证：审计多模态鲁棒性用于合成医学图像检测

Ching-Hao Chiu, Hao-Wei Chung, Gelei Xu, Xueyang Li, Pin-Yu Chen, John Kheir, Meysam Ghaffari, Carlos Morato, Ahmed Abbasi, Yiyu Shi

机构 * University of Notre Dame（圣母大学） ； IBM Research（IBM研究院） ； Boston Children’s Hospital（波士顿儿童医院） ； Harvard Medical School（哈佛医学院） ； Optum AI, UnitedHealth Group（Optum AI, 联合健康集团） 纠错

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

AI总结 针对合成医学图像检测中多模态鲁棒性不足的问题，提出图像-记录配对基准，揭示视觉语言模型因过度依赖记录上下文而导致的预测偏差。

Comments Accepted at MICCAI 2026. Version 2 is a substantial journal extension of the MICCAI 2026 conference version, with additional provenance perturbations, paired statistical analysis, extended SAVC mitigation experiments, and broader deployment discussion. 19 pages, 3 figures, 2 tables

MedCAGD: Context-Aware Gated Decoder for Efficient Medical Image Segmentation

MedCAGD：用于高效医学图像分割的上下文感知门控解码器

Saad Wazir, Patrick Dominique Vibild, Dinh Phu Tran, Seongah Kim, Daeyoung Kim

机构 * School of Computing, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院计算学院） ； Department of Energy, Aalborg University（奥尔堡大学能源系） 纠错

专题命中 领域大模型 ：pretraining(abstract)

AI总结 提出一种上下文感知门控解码器，通过轻量多尺度通道重校准、门控跳跃融合和全局上下文聚合机制，有效利用预训练编码器特征，在11个基准上优于强基线。

Comments Accepted at the European Conference on Computer Vision (ECCV 2026)

Evaluating Hardware Abstraction Layer Concepts for Software Defined Vehicles: Insights into Applicability and Effectiveness

评估软件定义车辆的硬件抽象层概念：适用性与有效性洞察

Akshay Narla, Johannes Stümpfle, Souvik Saha, Nasser Jazdi, Michael Weyrich

专题命中 领域大模型 ：prompting(abstract)

AI总结 本文系统评估现有汽车HAL及跨领域HAL机制，提出基于标准的评估框架，发现基于管理程序的HAL在安全性和OTA就绪性上更优，并建议混合HAL设计以整合隔离与标准化。

Comments Peer-reviewed and Published in: 2025 IEEE International Automated Vehicle Validation Conference (IAVVC)

RAG-VisualRec: An Open Resource for Vision- and Text-Enhanced Retrieval-Augmented Generation in Recommendation

RAG-VisualRec: 一种面向电影领域的视觉与文本增强的检索增强生成推荐开放资源

Ali Tourani, Fatemeh Nazary, Yashar Deldjoo

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文提出RAG-VisualRec，通过结合LLM生成的项目描述和剪辑生成的视觉嵌入，提升多模态推荐系统的检索与生成能力，通过可配置融合策略和质量控制模块提高推荐效果和可复现性。

Comments 30 pages, 9 figures, 7 tables

NeuroCogMap Reveals Cognitive Organization of Large Language Models

NeuroCogMap揭示大语言模型的认知组织

Zhongxiang Sun, Haolang Lu, Qiang Ma, Qi Li, Qipeng Wang, Liang Pang, Chenyu Liu, Qiankun Li, Hao Sun, Kun Wang, Yi Zeng, Jun Xu, Guoqi Li, Ji-Rong Wen

机构 * The University of Hong Kong（香港大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所人工智能安全国家重点实验室） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； IGS, Imperial College London（伦敦帝国理工学院IGS） 纠错

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.CL、cs.AI

AI总结 提出神经认知地图框架，将LLM内部特征组织为功能分区，揭示其与认知能力、行为失败及人类大脑皮层的对应关系。

Comments 79 pages, 6 main figures, 5 extended figures

Large language models replicate and predict human cooperation across experiments in game theory

大型语言模型在博弈论实验中复制并预测人类合作行为

Andrea Cera Palatsi, Samuel Martin-Gutierrez, Ana S. Cardenal, Max Pellert

机构 * Department for Computational Social Sciences and Humanities, Barcelona Supercomputing Center（巴塞罗那超级计算中心计算社会科学与人文学系） ； Grupo de Sistemas Complejos, Universidad Politécnica de Madrid（马德里理工大学复杂系统研究组） ； School of Law and Political Science, Universitat Oberta de Catalunya（加泰罗尼亚开放大学法律与政治科学学院） 纠错

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.AI

AI总结 本研究通过复制大规模博弈实验，发现Llama模型能高保真复现人类合作模式，而Qwen更接近纳什均衡，并揭示了Llama的注意力机制与人类行为对齐的机理。

Humanizing Automatically Generated Unit Test Suites with LLM-Based Refactoring

基于LLM重构的自动生成单元测试套件人性化

Wendkûuni C. Ouédraogo, Yinghua Li, Xueqi Dang, Paweł Borsukiewicz, Liang Xiao, Lingfeng Bao, Anil Koyuncu, Jacques Klein, David Lo, Tegawendé F. Bissyandé

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)

AI总结 提出TestHumanizer混合方法，利用LLM对SBST生成的测试套件进行受控重构，提升可读性和可维护性，同时保持编译和覆盖率，实验表明重构后编译率接近100%，可读性显著提升。

A Mechanistic View of Authority Hierarchy in LLM Sycophancy

LLM 谄媚中权威层级的机制性视角

Emil Joswin, Srujananjali Medicherla, Priyanka Mary Mammen

机构 * Independent Research（独立研究） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,title_cn)；language model(abstract)；分类 cs.CL、cs.LG

AI总结 通过受控医疗QA实验，发现LLM按感知权威程度分级响应，机制是特定后期层中正确答案表征被权威信号主动擦除，且该擦除与权威水平成比例、抵抗均值向量干预、仅部分可逆。

A Geometric Perspective on Composable Emotion Steering in Text-to-Speech Models

文本到语音模型中可组合情感操控的几何视角

Siyi Wang, James Bailey, Ting Dang

机构 * The University of Melbourne, Australia（墨尔本大学） 纠错

专题命中 知识编辑与模型理解 ：SLM(summary_cn,abstract)；language model(abstract)；分类 cs.LG

AI总结 通过线性探测和局部本征维度分析语音语言模型与条件流匹配模块的情感表示几何特性，发现SLM具有低维情感子空间和强解耦能力，而CFM因说话人-情感纠缠导致跨说话人泛化差，联合操控增强情感强度但降低比例控制和语音质量。

PRA-RAG: Provably Robust Aggregation in Retrieval-Augmented Generation against Retrieval Corruption

PRA-RAG：检索增强生成中针对检索污染的鲁棒聚合方法

Xue Tan, Yi Zheng, Chang Huo, Yunruo Zhang, Yu Liu, Hao Luan, Zhuyang Yu, Xiaoyan Sun, Ping Chen, Jun Dai

专题命中 知识编辑与模型理解 ：LLM(abstract,abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 提出PRA-RAG算法，通过采样检索文本组合并利用嵌入空间几何结构选择鲁棒子集，提供理论鲁棒性保证，在多个基准上将攻击成功率降至1%同时保持71%准确率。

Faithful by Construction: Claim-Anchored Attribution for Multi-Document Summarization

通过构造忠实：面向多文档摘要的基于主张的归因

Shuo Guan

机构 * UBS AG（瑞银集团） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 提出CAMS框架，通过提取原子主张、聚类、选择并重写为摘要，实现细粒度、多源可追溯的归因，显著提升忠实度和引用精度。

Multi-head committees enable direct uncertainty prediction for atomistic foundation models

多头委员会使原子基础模型能够直接进行不确定性预测

Hubert Beck, Pavol Simko, Lars L. Schaaf, Ondrej Marsalek, Christoph Schran

专题命中 知识编辑与模型理解 ：foundation model(title,abstract)

AI总结 本文提出利用多头委员会机制构建神经网络势能，用于原子基础模型的不确定性预测，通过主动学习将训练集缩小至原大小的5%，同时保持预测精度。

Comments 11 pages, 7 figures in main article + supporting information

Caption Bottleneck Models

标题瓶颈模型

Seref Baris Cagliyan, Umut Ozdemir, Merve Tapli, Emre Akbas

机构 * Dept. of Computer Eng., Middle East Technical University (METU)（中东技术大学计算机工程系） ； Robotics & AI Center (ROMER), METU（中东技术大学机器人与人工智能中心） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract,abstract_cn)；post-training(abstract)

AI总结 提出标题瓶颈模型（CaBM），用自由形式自然语言替代固定概念集，通过LMM生成标题并严格基于文本训练分类器，实现无信息泄露的架构并自主发现高质量概念。

Comments Accepted to ECCV 2026

Readable but Not Controllable: Neuron-Level Evidence for Medical LLM Hallucination

可读但不可控：医学大语言模型幻觉的神经元级证据

Vijay Vankadaru, Asha Matthews, Tanya Roosta, Peyman Passban

专题命中 知识编辑与模型理解 ：LLM(title)；分类 cs.CL

AI总结 本研究通过探测医学大语言模型内部表示，发现幻觉可被高精度检测（AUROC 0.77-0.86），但该表示分布冗余且因果不可控，揭示了解码性与可控性之间的显著差距。

ACD-CLIP: Decoupling Representation and Dynamic Fusion for Zero-Shot Anomaly Detection

ACD-CLIP：解耦表征与动态融合用于零样本异常检测

Ke Ma, Jun Long, Hongxiao Fei, Liujie Hua, Zhen Dai, Yueyi Luo

机构 * Central South University（中南大学） ； Hunan Vocational College of Science and Technology（湖南科技职业学院） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)；foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 ACD-CLIP通过联合优化特征表征与跨模态融合，解决预训练视觉语言模型在零样本异常检测中的适应性不足问题，提出参数高效卷积低秩适应器和动态融合网关提升检测精度与鲁棒性。

Comments 4 pages, 1 reference, 3 figures

Journal ref ICASSP 2026 - 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

Information-Regularized Attention for Visual-Centric Reasoning

信息正则化注意力用于以视觉为中心的推理

Guohao Sun, Xiaofang Wang, Yash Patel, Mengchen Liu, Zhiqiang Tao, Praveen Krishnan

机构 * FAIR at Meta（Meta 的 FAIR 部门） ； Rochester Institute of Technology（罗切斯特理工学院） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)；instruction tuning(abstract)；分类 cs.LG

AI总结 针对视觉语言模型中的对象幻觉、视觉基础弱和灾难性遗忘问题，提出信息正则化注意力机制，通过随机注意力显式调控视觉信息注入，改善表示学习稳定性。

Comments Accepted by ECCV 2026

Beyond Document Grounding: Span-Level Hallucination Detection over Code, Tool Output, and Documents

超越文档基础：代码、工具输出和文档上的跨度级幻觉检测

Ádám Kovács, Bowei He, Xue Liu, István Boros, Szilveszter Tóth, Gábor Recski

机构 * KR Labs（KR实验室） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； McGill University（麦吉尔大学） ； TU Wien（维也纳工业大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(abstract,abstract_cn)；分类 cs.CL

AI总结 提出一个统一的跨度级幻觉检测基准，涵盖代码、工具输出、结构化文档和自然语言RAG数据，通过微调Qwen3.5-2B模型在跨域场景下显著优于现有方法。

Comments 8 pages