语言大模型 / LLM

The Rise of Large Language Models and the Direction and Impact of US Federal Research Funding

大语言模型的兴起与美国联邦科研资金的方向与影响

Yifan Qian, Zhe Wen, Alexander C. Furnas, Yue Bai, Erzhuo Shao, Dashun Wang

机构 * Center for Science of Science and Innovation（科学与创新研究中心） ； Ryan Institute on Complexity（复杂性研究院） ； Northwestern Innovation Institute（西北创新研究院） ； Kellogg School of Management（凯洛格管理学院） ； Northwestern University（西北大学） ； McCormick School of Engineering（麦科姆工程学院） 纠错

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

AI总结 研究探讨大语言模型对美国联邦科研资金分配的影响，发现LLM使用与项目语义独特性呈负相关，且在NIH中促进论文产出，但在NSF中无显著关联。

Comments 97 pages, 58 figures, 15 tables

Journal ref PNAS 123 (33) e2601439123 (2026)

Medical Heuristic Learning: An LLM-Driven Framework for Interpretable and Auditable Clinical Decision Rules

医学启发式学习：一个用于可解释和可审计临床决策规则的LLM驱动框架

Wei Xu, Ke Yang, Gang Luo, Keli Zheng, Lingyan Hu, Jing Wang, Kefeng Li

机构 * Centre for Artificial Intelligence Driven Drug Discovery, Macao Polytechnic University（人工智能驱动药物发现中心，澳门理工学院） ； Key Laboratory of Short-Range Radio Equipment Testing and Evaluation, Ministry of Industry and Information Technology Terahertz Science Application Center (TSAC), Beijing Institute of Technology（工业和信息化部短距离无线电设备测试与评估重点实验室，太赫兹科学应用中心（TSAC），北京理工大学） ； Department of Critical Care Medicine, Yantai Yuhuangding Hospital, Qingdao University（重症医学科，烟台友谊医院，青岛大学） ； Faculty of Education, The University of Hong Kong（教育学院，香港大学） ； College of Information Engineering, Dalian University（信息工程学院，大连大学） 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、cs.LG

AI总结 提出医学启发式学习（MHL），利用LLM驱动的工作流优化确定性可执行决策系统，生成可解释、可审计的Python决策规则，在医学数据集上达到与最先进方法相当的性能，并支持小样本和高度不平衡场景。

SABLE: An NDA-Safe Closed-Loop LLM Framework for Analog Circuit Optimization in Industrial EDA Flows

SABLE：工业 EDA 流程中用于模拟电路优化的 NDA 安全闭环 LLM 框架

Xunqi Li, Chris H. Kim

机构 * University of Minnesota, Twin Cities（明尼苏达大学，双城分校） 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.LG

AI总结 研究针对工业模拟流程中数据安全问题，提出 SABLE 框架，结合多种安全措施，能让 LLM 通过特定工具优化模拟电路，在实际任务中评估多个模型，验证其有效性。

Seven Security Challenges in Cross-domain Multi-agent LLM Systems

跨域多智能体LLM系统中必须解决的七个安全挑战

Ronny Ko, Jiseong Jeong, Shuyuan Zheng, Chuan Xiao, Tae-Wan Kim, Makoto Onizuka, Won-Yong Shin

机构 * Osaka University（大阪大学） ； Seoul National University（首尔大学） ； Yonsei University（延世大学） 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 本文针对跨域多智能体LLM系统，提出七类新型安全挑战，包括攻击示例、评估指标和未来研究方向。

Journal ref npj AI(2026)

Cross-Domain Query Translation for Network Troubleshooting: A Multi-Agent LLM Framework with Privacy Preservation and Self-Reflection

跨领域查询翻译用于网络故障排除：一种具有隐私保护和自反思的多智能体LLM框架

Nguyen Phuc Tran, Brigitte Jaumard, Karthikeyan Premkumar, Salman Memon

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

AI总结 本文提出了一种多智能体LLM架构，用于弥合非技术终端用户与电信领域专家在私有网络环境中的沟通差距。该框架通过多智能体基于反思的推理协调专门的语言模型，解决三个关键挑战：(1) 使用双阶段分层方法准确分类与电信网络问题相关的用户查询；(2) 通过匿名化语义相关个人身份信息（PII）来保护用户隐私，同时保持诊断效用；(3) 将技术专家的响应翻译成用户可理解的语言。

Comments Accepted for publication in EuCNC & 6G Summit 2026. copyright 2026 IEEE. Personal use is permitted, but republication/redistribution requires IEEE permission

Journal ref EuCNC & 6G Summit 2026

Multi-Large Language Model Orchestrated Severity Assessment of Clinical Records (MOSAIC)

临床记录的多大型语言模型编排严重程度评估（MOSAIC）

Manuela Del Castillo Suero, Arnault-Quentin Vermillet, Nicole Sonne Heckmann, Darmendra Ramcharran, Maurizio Sessa

机构 * Department of Drug Design and Pharmacology, University of Copenhagen（哥本哈根大学药物设计与药理学系） ； GSK（葛兰素史克） ； School of Pharmacy, University of Rhode Island（罗德岛大学药学院） 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.CL

AI总结 研究用MOSAIC这一两阶段智能语言模型框架对2型糖尿病严重程度进行表型分析，以合成队列评估其与多种算法真值对比情况及全因死亡率等，结果显示该框架有优势，智能分类与固定规则执行不同。

Real-Time Hard Negative Sampling via LLM-based Clustering for Large-Scale Two-Tower Retrieval

基于LLM聚类的实时硬负采样用于大规模双塔检索

Ivan Ji, Liuyi Hu, Harrison, Zhao, Lei Huang, Qunshu Zhang, Max, Fan, Aameek Singh

机构 * Meta 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 针对双塔模型训练中负样本易学习的问题，提出利用大语言模型聚类生成硬负样本的实时采样方法，能有效提升模型性能并降低流行度偏差。

LBR: Towards Mitigating Length Bias in Large Language Models for Recommendation

LBR：减轻用于推荐的大语言模型中的长度偏差

Hongchen Li, Bohao Wang, Jingbang Chen, Weiqin Yang, Hang Pan, Bingde Hu, Can Wang, Jiawei Chen

机构 * Zhejiang University（浙江大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Science and Technology of China（中国科学技术大学） ； Bangsun Technology（Bangsun科技） 纠错

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

AI总结 研究大语言模型用于推荐时的长度偏差问题，提出LBR框架。通过长度感知注意力校准减轻输入偏差，引入有效信息长度归一化处理输出偏差，实验证明该框架能减轻偏差并提升推荐准确性和公平性。

Revealing Treatment Non-Adherence Bias in Clinical Machine Learning Using Large Language Models

利用大语言模型揭示临床机器学习中的治疗不依从偏差

Zhongyuan Liang, Arvind Suresh, Irene Y. Chen

机构 * UC Berkeley and UCSF（伯克利大学和旧金山加州大学） 纠错

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

AI总结 本文研究了治疗不依从如何通过EHR数据引入隐性偏差，影响因果推断和预测模型。通过LLM提取临床笔记，发现21.7%患者存在药物不依从，揭示了与不依从相关的关键因素及患者报告的原因，强调了在开发负责任且公平的临床机器学习系统中考虑治疗不依从的重要性。

Journal ref Proceedings of the 5th Conference on Health, Inference, and Learning, PMLR 287:430-442, 2025

Language models guide symbolic equation discovery by controlling search

语言模型通过控制搜索来指导符号方程发现

Zikai Xie, Wenmei Li, Man Luo, Jun Jiang, Linjiang Chen

机构 * State Key Laboratory of Precision and Intelligent Chemistry, Hefei National Research Center for Physical Sciences at the Microscale, School of Chemistry and Materials Science, University of Science and Technology of China（精确与智能化学国家重点实验室，合肥微尺度物理科学国家研究中心，化学与材料科学学院，中国科学技术大学） ； Center for Scientific Intelligence Innovation, Hefei, China（智能创新研究中心，合肥，中国） ； School of Chemistry, School of Computer Science, University of Birmingham（化学系，计算机科学学院，伯明翰大学） 纠错

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

AI总结 研究科学方程发现，对比语言模型不同角色设定，提出语言模型作搜索控制器的方式（LLM-PySR），经实验其在多任务中平衡了准确率、复杂度等，还发现新关系。

Reflective Dialogue or Prompt Refinement? Effects of Tutor Scaffolding on Students' Independent LLM Use for Programming

反思性对话还是提示细化？导师支架对学生独立使用大语言模型进行编程的影响

Jerome Brender, Laila El-Hamamsy, Kim Uittenhove, Aitor Perez, Patrick Jermann, Francesco Mondada, Engin Bumbacher

机构 * MOBOTS & LEARN, EPFL, Switzerland（瑞士洛桑联邦理工学院的MOBOTS与学习实验室） ； University of Teacher Education (Haute École Pédagogique) Vaud, Switzerland（瑞士沃州高等师范学校） ； Center for Digital Education & LEARN, EPFL, Switzerland（瑞士洛桑联邦理工学院的数字教育与学习中心） 纠错

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

AI总结 研究两种基于大语言模型的导师（苏格拉底式指导和提示细化导师）对学生提示实践、学习及后续大语言模型使用的影响，通过两阶段实验，发现苏格拉底式指导有助于学生长期利用大语言模型学习。

Comments Best paper award, Published in AIED 2026: The 27th International Conference on Artificial Intelligence in Education

Journal ref In International Conference on Artificial Intelligence in Education (pp. 546-561). Cham: Springer Nature Switzerland (2026)

Specific Domain Ontology Construction Using Large Language Models

使用大语言模型构建特定领域本体

Vivian Magri Alcaldi Soares, Renata Wassermann

机构 * University of São Paulo (USP)（圣保罗大学） ； Center for Artificial Intelligence (C4AI)（人工智能中心） 纠错

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 利用大语言模型作为领域专家自动构建概念层次结构，以巴西海洋领土为例评估GPT-3.5和GPT-4生成的本体，发现整体连贯但需优化。

Comments Presented at NeLaMKRR@KR, 2025 (arXiv:2511.09575)

Gavel: Agent Meets Checklist for Evaluating LLMs on Long-Context Legal Summarization

Gavel: 智能体结合检查表评估LLM长上下文法律摘要

Yao Dou, Benjamin Mamut, Wei Xu

机构 * Georgia Institute of Technology（佐治亚理工学院） 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 提出Gavel框架，通过参考评估和免参考智能体评估12个前沿LLM在多文档法律摘要中的表现，发现模型易遗漏关键信息而非幻觉，且性能随案件长度增加而下降。

Comments webpage at https://yao-dou.github.io/gavel/

Region-Aware Multimodal Large Language Model via SlowFast Tokenization and Pseudo-Mask Guidance for 3D CT Report Generation

区域感知多模态大语言模型：基于慢快标记化与伪掩码引导的3D CT报告生成

Sunggu Kyung, Jinyoung Seo, Hyunseok Lim, Dongyeong Kim, Hyungbin Park, Jimin Sung, Jihyun Kim, Wooyoung Jo, Yoojin Nam, Namkug Kim

机构 * Department of Convergence Medicine, University of Ulsan College of Medicine, Asan Medical Center, Seoul, Republic of Korea（韩国首尔峨山医疗中心蔚山大学医学院融合医学系） ； University of Ulsan College of Medicine, Seoul, Republic of Korea（韩国首尔蔚山大学医学院） ； Department of Radiology and Research Institute of Radiology, University of Ulsan College of Medicine, Asan Medical Center, Seoul, Republic of Korea（韩国首尔峨山医疗中心蔚山大学医学院放射科与放射学研究所） 纠错

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

AI总结 提出MedRegion-CT框架，通过区域慢快标记器联合建模全局与细粒度信息、伪掩码引导关注诊断关键区域、结构化病变信息提示，实现高质量CT报告生成，在多项指标上达到最优。

Comments Accepted to ECCV 2026. 15 pages, 8 figures, 4 tables

LLM-Driven CI-CD Workflow Intelligence for Cyber Systems Engineering

面向网络系统工程的由大语言模型驱动的持续集成与持续交付工作流智能

Bonan Shen, Jiazhou Gao, Tao Ning, Wei-Jung Huang, Xin Liu

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 研究面向网络系统工程的CI/CD工作流智能，通过基于大语言模型的分析管道，结合多种方法处理大量GitHub库数据，发现问题并得出结果，强调CI/CD可观测性应结合诊断、上下文和人工审查。

Which Algorithm Specification Formats Help Language Models Implement Machine Learning Algorithms?

哪种算法规范格式有助于语言模型实现机器学习算法？

Masahiro Kato, Taka Kato

机构 * Data Analytics Department, Mizuho-DL Financial Technology, Co., Ltd.（Mizuho-DL金融科技公司数据分析部门） ； NP-hard Inc.（NP-hard公司） 纠错

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

AI总结 研究算法规范书面格式对大语言模型首次实现准确性的影响，比较多种格式在五个机器学习任务、三个模型和四个实验设置下的表现，发现不同情况下各格式效果有差异，给出写作建议。

Dictionaries, Not Darwin: Set-Level Selection Beats LLM Evolution in Scientific Equation Discovery

字典，而非达尔文：在科学方程发现中，集合级选择优于大语言模型进化

Pan Li

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 研究大语言模型用于科学方程发现的进化循环是否有效，发现其效果不佳。提出PTB-Search方法，通过提取可重用术语并进行集合级稀疏选择，在科学发现中表现优于单术语约简，用更少调用预算取得更好结果。

Spatial Balancing: Designing an LLM-Powered Spatial Externalization Interface for Iterative Science Communication Writing

空间平衡：利用空间推理在LLM辅助科学传播写作中平衡科学阐述与叙述吸引力

Kexue Fu, Jiaye Leng, Yawen Zhang, Jingfei Huang, Yihang Zuo, Runze Cai, Zijian Ding, Ray LC, Shengdong Zhao, Qinyuan Lei

专题命中 领域大模型 ：LLM(title,title_cn)

AI总结 本文提出SpatialBalancing系统，通过结合人类空间推理与大语言模型的语义能力，提升科学传播写作中科学严谨性与叙述吸引力的平衡。

Comments DIS '26

Journal ref In Designing Interactive Systems Conference (DIS '26), June 13-17, 2026, Singapore, Singapore. ACM, New York, NY, USA, 20 pages

Walrus: A Cross-Domain Foundation Model for Continuum Dynamics

海象：用于连续介质动力学的跨域基础模型

Michael McCabe, Payel Mukhopadhyay, Tanya Marwah, Bruno Regaldo-Saint Blancard, Francois Rozet, Cristiana Diaconu, Lucas Meyer, Kaze W. K. Wong, Hadi Sotoudeh, Alberto Bietti, Irina Espejo, Rio Fear, Siavash Golkar, Tom Hehir, Keiya Hirashima, Geraud Krawezik, Francois Lanusse, Rudy Morel, Ruben Ohana, Liam Parker, Mariel Pettee, Jeff Shen, Kyunghyun Cho, Miles Cranmer, Shirley Ho

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

AI总结 研究针对物理模拟中机器学习的挑战，通过新方法如谐波分析稳定、负载均衡训练策略等，开发基于Transformer的基础模型Walrus，在多场景预训练，实验表明其性能优于现有模型。

Journal ref Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)

MedCalc-Pro: Solving Complex Medical Calculations with LLM Agents

MedCalc-Pro：使用大语言模型智能体解决复杂医学计算问题

Siran Zhao, Ruihui Hou, Ziyue Huai, Chennuo Zhang, Tong Ruan

机构 * East China University of Science and Technology（华东理工大学） 纠错

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

AI总结 研究针对医学计算评估大语言模型的基准过于简化的问题，提出新基准MedCalc-Pro及更通用智能体框架，含多场景任务设置和真实病例，新框架性能最佳，为评估应用LLMs提供新基准和方法。

A Precedent-Guided Co-Scientist for Side-Effect-Aware Drug Redesign

一种用于副作用感知药物重新设计的先例引导协同科学家

Yujin Kim, Charmgil Hong

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

AI总结 提出PRECEDE用于副作用感知药物重新设计，将重新设计视为基于证据的推理，由LLM编排，定位为人监督的科学工作流，可审核、证伪且受先前药理学限制。

Comments Accepted at the ICML 2026 Workshop on AI for Science

DiPS: Dialogue Policy Selection for High-Stakes Persuasion Agents

DiPS：高风险说服代理的对话策略选择

Tianyi Zhang, Mousumi Das, Abrar Anwar, Jesse Thomason, David Traum

机构 * University of Southern California（南加州大学） 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.AI

AI总结 针对高风险场景中说服策略需个性化的问题，提出DiPS框架，基于Q-learning动态选择说服策略，在火灾疏散模拟和真实人机交互中提升成功率。

Comments Proceedings of the 27th Annual Meeting of the Special Interest Group on Discourse and Dialogue (SIGDIAL 2026)

MeVer at CheckThat! 2026: Cluster-Aware Hard-Negative Mining for Multilingual Scientific Source Retrieval

MeVer 在 CheckThat! 2026：面向多语言科学文献检索的聚类感知难负样本挖掘

Juli Bakagianni, Symeon Papadopoulos

专题命中 领域大模型 ：LLM(summary_cn,abstract)

AI总结 针对社交媒体主张的科学文献来源检索任务，提出聚类感知的难负样本挖掘策略，结合密集检索、重排序和基于LLM的争议解决器，在共享任务中排名第6。

Comments Technical report for CLEF 2026 CheckThat! Task 1 shared task submission. 13 pages, 14 tables

Evaluating and Understanding Model Editing for Medical Vision Language Models

医学视觉语言模型的模型编辑评估与理解

Guli Zhu, Chenwei Wu, Liyue Shen

机构 * EECS, University of Michigan（密歇根大学电子工程与计算机科学系） 纠错

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

AI总结 针对现有多模态编辑基准不适配临床需求的问题，提出临床基准M3Bench，测试多类编辑方法的性能短板，为医学VLM部署后安全适配提供支撑。

Comments Accepted to the European Conference on Computer Vision (ECCV) 2026. Code and benchmark are available at https://github.com/BioMed-AI-Lab-U-Michgan/M3Bench

The Good, the Bad, and the Brittle: Benchmarking Robustness and Generalisation of Histopathology Foundation Models

好的、坏的和脆弱的：病理基础模型的稳健性和泛化基准测试

Dhyey Yajnik, Amina Asif, Fayyaz Minhas

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

AI总结 用REET工具和NR-Kfold协议对12个病理基础模型及ResNet基线进行基准测试，引入PPI分析，表明病理基础模型在稳健性和泛化上优于CNNs，模型扩展收益递减，强调需评估分布变化。

Decentralized Aggregation of LLM Predictions via Wagering Mechanisms

通过投注机制对大语言模型预测进行去中心化聚合

Yuhong Luo, David M. Pennock, Xintong Wang

机构 * Rutgers University（罗格斯大学） ； DIMACS（离散数学和理论计算机科学研究所） 纠错

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

AI总结 旨在解决多模型预测聚合问题，提出基于投注机制的WALLA，各模型报告预测和投注，以投注为权重聚合预测，具有激励兼容等特性，实验表明其兼具多种优势。

Comments 32 pages

Do ECG Foundation Models Transfer to Rare Cardiac Diseases? Evidence from Brugada Syndrome Detection

心电图基础模型能否迁移到罕见心脏疾病？来自Brugada综合征检测的证据

Beatrice Zanchi, Giuliana Monachino, Alvise Dei Rossi, Luigi Fiorillo, Georgia Sarquella-Brugada, Giulio Conte, Francesca Dalia Faraci

机构 * University of Applied Sciences and Arts of Southern Switzerland, Department of Innovative Technologies（瑞士南方应用科学与艺术大学创新技术系） ； University of Zurich, Department of Quantitative Biomedicine（苏黎世大学定量生物医学系） ； Università della Svizzera Italiana, Faculty of Informatics（瑞士意大利大学信息学院） ； Neurocenter of Southern Switzerland, Ente Ospedaliero Cantonale, Movement Disorder Research Group, Neurology Department（瑞士南方神经中心，坎达伦医院，运动障碍研究组，神经学系） ； Sleep Research Institute（睡眠研究 institutes） ； Hospital Sant Joan de Déu, Inherited Cardiac Diseases and Sudden Death Unit（圣约翰德德医院，遗传性心脏疾病和猝死单位） ； Cardiocentro Ticino Institute, Ente Ospedaliero Cantonale, Division of Cardiology（提奇诺心脏中心研究所，坎达伦医院，心血管科） ； Università della Svizzera Italiana, Faculty of Biomedical Sciences（瑞士意大利大学生物医学科学系） 纠错

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

AI总结 研究通过在两个队列上评估九种心电图基础模型，探讨其对罕见病检测的作用，采用多种策略和配置，发现预训练对某些架构必要但效果有限，挑战了大规模预训练能编码有意义表征的假设。

Reasoning4Sciences: Bridging Reasoning Language Models to All Scientific Branches

Reasoning4Sciences：将推理语言模型桥接到所有科学分支

Teddy Ferdinan, Bartłomiej Koptyra, Mikołaj Langner, Tomasz Adamczyk, Łukasz Radliński, Maciej Markiewicz, Aleksander Szczęsny, Stanisław Woźniak, Tymoteusz Romanowicz, Dzmitry Pihulski, Mateusz Zbrocki, Mateusz Śmigielski, Michał Rajkowski, Mateusz Biedka, Konrad Kiełczyński, Konrad Wojtasik, Jacek Duszenko, Jan Eliasz, Piotr Matys, Michał Bernacki-Janson, Maria Bellaniar Ismiati, Latius Hermawan, Wiktoria Mieleszczenko-Kowszewicz, Anna Kubicka-Sowińska, Grzegorz Chodak, Karol Postawa, Paweł Zyblewski, Tomasz Szandała, Łukasz Sterczewski, Adrian Chajec, Paweł Niewiadomski, Piotr Gruber, Marcin Wdowikowski, Sławomir Czarnecki, Bartłomiej Kryszak, Dominik Drabik, Tomasz Kajdanowicz, Kamil Mamak, Paweł Preś, Katarzyna Paczkowska, Joachim Sobczuk, Tomasz Zięba, Jan Kocoń, Maciej Piasecki, Przemysław Kazienko

机构 * Poznan University of Technology（波兹南理工大学） ； National Cheng Kung University（国立成功大学） ； Universitas Katolik Musi Charitas Palembang（Palembang 巴厘岛天主教大学） 纠错

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

AI总结 本文首次全面分析推理语言模型在28个科学学科中的采用情况，提出基于领域资源的成熟度评估框架，揭示学科间差距并展望未来方向。

Topology-Driven Transferability Estimation for 3D Medical Vision Foundation Models

用于3D医学视觉基础模型的拓扑驱动可迁移性估计

Jiaqi Tang, Shaoyang Zhang, Fandong Zhang, Shu Zhang, Yang Liu, Qingchao Chen

机构 * National Institute of Health Data Science, Peking University（北京大学健康数据科学研究所） ； Institute of Medical Technology, Peking University（北京大学医学技术研究所） ； Deepwise Co., Ltd.（深度智医科技有限公司） ； State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能国家重点实验室） ； Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所） 纠错

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

AI总结 针对医学视觉基础模型选择难题，提出非参数、拓扑驱动框架，通过最小生成树从密集特征与语义标签的稀疏1-骨架图对齐中估计可迁移性，包含局部和全局互补尺度，提升评估效果。

TestMate: Test-Time Domain Adaptation Aided by Lightweight Vision Foundation Model

TestMate：由轻量级视觉基础模型辅助的测试时领域适应

Dimitrios Fotiou, Vasileios Mygdalis, Ioannis Pitas

机构 * Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学） 纠错

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

AI总结 研究测试时领域适应问题，提出TestMate框架，利用轻量级视觉基础模型泛化能力，通过无参数竞争融合方案实时适应，克服现有方法局限，可独立或集成提升性能。