语言大模型 / LLM

Leveraging Multi-Agent System (MAS) and Fine-Tuned Small Language Models (SLMs) for Automated Telecom Network Troubleshooting

利用多智能体系统（MAS）和微调后的小语言模型（SLM）实现电信网络自动化故障排除

Chenhua Shi, Bhavika Jalli, Gregor Macdonald, John Zou, Wanlu Lei, Mridul Jain, Joji Philip

机构 * Ericsson（爱立信） 纠错

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

AI总结 针对电信网络故障排除难题，提出基于多智能体系统（MAS）的方法，利用大语言模型协调专业工具，通过微调小语言模型生成修复计划，实现全自动故障排除，加速了无线接入网和核心网领域的故障排除自动化。

Comments 6 pages, 7 figures, 1 table, 2026 IEEE ICC Workshop on Wireless Foundation Models for AI-native 6G and Beyond

Do Recommendation Algorithms Work When Users Are LLM Agents? A Case Study on Moltbook

当用户是LLM智能体时推荐算法是否有效？基于Moltbook的案例研究

Daming Li, Simeng Han, Jialu Zhang

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

AI总结 研究LLM智能体作为用户时推荐算法的有效性，在Moltbook平台上评估八种方法，发现基于流行度和物品协同过滤的方法优于用户表示学习，表明推荐从个性化退化为结构模式匹配。

Comments 11 pages, 3 figures, 4 tables

All Explanations are Wrong, But Many Are Useful: Exploring the Rashomon Explanation Set with Large Language Models

所有解释都是错误的，但许多解释是有用的：用大语言模型探索罗生门解释集

Pan Li

机构 * Scheller College of Business, Georgia Tech（舍勒商学院，佐治亚理工学院） 纠错

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

AI总结 研究指出机器学习模型解释存在准确性与可解释性权衡非根本性的观点，引入罗生门解释范式，提出RashomonLLM工作流程，经实验验证其在多任务中显著优于基线，提升业务性能并奠定消费者信任基础。

TCLA: Training-Free Class-wise Logit Adaptation for Medical Vision-Language Models

TCLA：用于医学视觉语言模型的无训练类级对数几率适应

Tianyou Jiang, Ziyu Zhou

机构 * University of Bern（伯尔尼大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 针对医学视觉语言模型在分布外数据上有效性下降问题，提出无训练的少样本适应方法TCLA。该方法基于支持样本校正推理对数几率，提升模型性能，实验表明其能持续提高模型OOD性能且多数情况下优于现有训练方法。

Consistent but Miscalibrated: Evaluating LLM Limitations for Risk Communication in Natural Language

一致但校准错误：评估大语言模型在自然语言风险沟通中的局限性

Diego Cerda-Mardini, Sarath Chandar, Sreenath Madathil

机构 * Faculty of Dental Medicine and Oral Health Sciences, McGill University（麦吉尔大学牙医学与口腔健康科学学院） ； Chandar Research Lab, Polytechnique Montréal（蒙特利尔理工大学钱达尔研究实验室） ； Mila – Québec Artificial Intelligence Institute（魁北克人工智能研究所米拉） ； Département de Génie Informatique et Génie Logiciel (GIGL), Polytechnique Montréal（蒙特利尔理工大学计算机科学与软件工程系） 纠错

专题命中 领域大模型 ：LLM(title)；分类 cs.CL、cs.AI

AI总结 研究大语言模型在自然语言中传达概率信息的可靠性，在两阶段预测管道中评估九个模型，发现其一致但校准错误，提供预计算统计量未解决问题，表明当前模型非可靠零样本风险沟通工具。

SLIDERS: Systematic Reviews via Automated Evidence Synthesis and Reconciliation

上下文从不够长：用于长文档集可扩展问答的结构化推理

Harshit Joshi, Priyank Shethia, Jadelynn Dao, Monica S. Lam

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

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

AI总结 本文提出SLIDERS框架，通过结构化推理解决长文档集问答问题，利用关系数据库和SQL实现可扩展推理，优于现有基准。

Comments 53 pages (10 main), preprint

DKCD: Domain Knowledge-Enhanced Causal Discovery from Unstructured Data

DKCD：从非结构化数据中进行领域知识增强的因果发现

Xin Li, Jin Li, Shoujin Wang, Kun Yu, Fang Chen

机构 * University of Technology Sydney（悉尼科技大学） 纠错

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

AI总结 针对高专业领域非结构化数据因果发现难题，提出DKCD框架，通过知识挖掘、知识引导的因果推理和因果结构发现三个组件，有效应对潜在因素识别不足和因素注释不可靠问题，实验证明其显著提升了因果发现效果。

Towards Detecting Inconsistencies in End-to-end Generated TODs

迈向检测端到端生成的任务导向对话中的不一致性

Tiziano Labruna, Giovanni Bonetta, Bernardo Magnini

机构 * Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） 纠错

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

AI总结 研究端到端生成的任务导向对话中的不一致性检测问题，核心方法是将其概念化为约束满足问题，通过特定管道识别变量和有效解决方案，主要贡献是证明该方法检测不一致性的高精度并提供详细分析。

Comments arXiv admin note: substantial text overlap with arXiv:2407.11857

Knowledge-Based Design Requirements for Generative Social Robots in Higher Education

面向高等教育的生成社交机器人知识基础设计需求

Stephan Vonschallen, Dominique Oberle, Theresa Schmiedel, Friederike Eyssel

机构 * Zurich University of Applied Sciences（应用科学大学苏黎世） ； University of Applied Sciences and Arts Northwestern Switzerland（西北瑞士应用科学与艺术大学） ； Bielefeld University（比勒菲尔德大学） 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 本文基于十二次半结构化访谈，识别出生成社交机器人在高等教育中需满足的十二项设计要求，涵盖自我知识、用户知识和情境知识，为设计负责任且有效的教学GSR提供结构化基础。

Comments This paper was accepted for the International Conference on Social Robotics 2026

ChatIDS: Explainable Cybersecurity Using Generative AI

ChatIDS: 使用生成式AI实现可解释的网络安全

Victor Jüttner, Martin Grimmer, Erik Buchmann

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

AI总结 ChatIDS利用生成式AI向非专业人士解释IDS警报，以提高家庭网络等的安全性，但需解决信任、隐私等伦理问题。

Comments 4 pages, 1 figure, preprint SECURWARE 2023

Journal ref International Journal On Advances in Security, volume 17, numbers 1 and 2, 2024

Shortcut Learning in Legal Judgment Prediction: Empirical Evidence from the UK Employment Tribunal

法律判决预测中的捷径学习：来自英国就业法庭的实证证据

Joe Watson, Joana Ribeiro de Faria, Marcus Tomalin, Måns Magnusson, Huiyuan Xie, Hao Tian Yeung, Christine Carter, Jonathan Rutherford, Felix Steffek

机构 * Faculty of Law, University of Cambridge（剑桥大学法学院） ； The Psychometrics Centre, Cambridge Judge Business School, University of Cambridge（剑桥大学心理学测量中心，剑桥Judge商学院） ； Faculty of English, University of Cambridge（剑桥大学英语学院） ； Department of Statistics, Uppsala University（乌普萨拉大学统计系） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Department of Engineering, University of Cambridge（剑桥大学工程系） 纠错

专题命中 领域大模型 ：LLM(abstract)；分类 cs.AI

AI总结 研究英国就业法庭判决中索赔结果预测的捷径学习，用33158条索赔语料库预测结果，发现基于事后司法文本训练的法律判决预测系统性能或被夸大，去除泄漏特征后模型仍能提取有用信号。

3D Masked Autoencoders are Robust Learners of Volumetric and Multimodal Cellular Representations for Microscopy

3D掩码自编码器是显微镜体积和多模态细胞表示的鲁棒学习器

Amirhossein Kardoost, Lion Gleiter, Tingying Peng, Carsten Marr

机构 * Institute of AI for Health & Helmholtz AI, Computational Health Center, Helmholtz Munich – German Research Center for Environmental Health（亥姆霍兹慕尼黑中心 - 德国环境健康研究中心，计算健康中心，健康人工智能研究所与亥姆霍兹人工智能） ； Department of Medicine III, Ludwig-Maximilian-University Hospital（路德维希-马克西米利安大学医院第三内科） ； Department of Physics, Ludwig-Maximilian-University（路德维希-马克西米利安大学物理系） ； German Cancer Consortium (DKTK), partner site Munich（德国癌症联盟（DKTK）慕尼黑合作站点） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML）） 纠错

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

AI总结 系统比较2D和3D掩码自编码器在体积显微镜数据上的表现，发现3D模型在下游任务中更优，并通过跨模态对齐和频域正则化进一步提升性能，在蛋白质相互作用和定位任务上达到最先进水平。

Comments Code is available at: https://github.com/marrlab/mae3d-opencell

Two Vocabularies, One Phenomenon: Metadata Bias in AI Evidence Synthesis on Fertility Decline

两种词汇，一种现象：人工智能在生育率下降证据综合中的元数据偏差

Boyana Buyuklieva, Veronica-Nicolle Hera

专题命中 领域大模型 ：LLM(abstract)

AI总结 研究人工智能在生育率下降证据综合中的元数据偏差，通过 OpenAlex 对同一现象的临床和社会篮子查询，比较元数据等方面，发现社会框架机器可读性低，开放获取率相当，偏差存在于索引深度，影响语言模型提取假设和主张。

Comments 6 pages, 4 figures, Submission to Data for Policy 2026 conference

LUMOS: Latent Universal Medical Priors for Segmentation

GuiDINO：重新思考医学图像分割中的视觉基础模型

Zhuonan Liang, Wei Guo, Jie Gan, Yaxuan Song, Runnan Chen, Hang Chang, Weidong Cai

机构 * The University of Sydney, Sydney. NSW 2006, Australia Biological System \& Engineering Division, Lawrence Berkeley National Laboratory, Berkeley. CA 94720, USA Berkeley Biomedical Data Science Center, Lawrence Berkeley National Laboratory, Berkeley. CA 94720, USA 纠错

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

AI总结 GuiDINO通过引导掩码机制提升医学图像分割性能，提供了一种参数高效的基础模型适应方法。

Comments 13 pages, 10 figures, 12 tables