语言大模型 / LLM

How Compliant is Sepsis Treatment? An Expert-Guided Neuro-symbolic Pipeline for Generating Clinical Compliance Insights

脓毒症治疗的依从性如何？一种专家指导的神经符号管道用于生成临床依从性见解

Himanshu Tripathi, Kaushik Roy, Subash Neupane, Shahram Rahimi

机构 * The University of Alabama（阿拉巴马大学） 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 该研究针对脓毒症治疗依从性验证问题，提出专家指导的神经符号管道，结合大语言模型语义规范化与Sugeno模糊推理系统，在MIMIC-IV数据集上揭示了抗生素时机等关键依从性问题及相关临床差异。

Comments This has been submitted and accepted in NeSy 2026 ( this https URL (https://2026.nesyconf.org/) )

Why we need an AI-resilient society

为什么我们需要一个AI韧性社会

Thomas Bartz-Beielstein

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

AI总结 本文探讨AI对社会的影响，提出通过认知主权、可测量控制和部分自主性构建AI韧性框架，以应对AI带来的系统性风险。

Comments Version 3. 21 pages. For associated TEDx video, see this https URL (https://youtu.be/f6c2ngp7rqY)

Structuring license permissiveness from pairwise comparisons

软件许可证的部分排序

Hamidah Oderinwale, David Atkinson, Rachel Hong, Art Abal, Ben Laufer

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

AI总结 本文利用大语言模型对软件许可证进行成对比较，构建基于宽松度的部分排序，并结合现有分类法分析许可证选择，揭示更严格许可证的可解释属性及其对开源生态的法律影响。

OTIS: Learning High-Quality Time Series Features With Tiny Encoders

OTIS：使用微型编码器学习高质量时间序列特征

Özgün Turgut, Philip Müller, Martin J. Menten, Daniel Rueckert

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

AI总结 本文提出微型时间序列编码器OTIS，通过三个新组件实现仅7.1M参数的规模，在162项任务上性能媲美54倍大的编码器，能耗等资源消耗大幅降低，且支持判别与生成任务，开源代码与预训练权重以推广应用。

The Past and Future of AI Scientists

AI科学家的过去与未来

Ross D. King

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

AI总结 本文综述AI科学家的过去与未来，指出其核心挑战是多技术集成，现有技术已支持构建更通用系统，其有望变革科学，诺贝尔图灵挑战目标进展超前。

Catching the Imposter: Self-Supervised Learning of Physical Coherence with Cross-Entity Feature Permutations

识别冒名者：通过跨实体特征置换学习物理一致性的自监督学习

Aleksei Rozanov, Arvind Renganathan, Vipin Kumar

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

AI总结 本研究提出“冒名者”预文本任务，利用跨实体特征置换学习物理一致性，经ERA5-Land数据评估，该任务与现有SSL目标结合可提供互补信息，为科学基础模型提供新自监督来源。

MedPlex: Deep Vision-Language Co-Adaptation for Clinically Grounded Medical Segmentation

MedPlex：用于临床基础医学分割的深度视觉-语言协同适配

Rafi Ibn Sultan, Hui Zhu, Chengyin Li, Dongxiao Zhu

机构 * Wayne State University（韦恩州立大学） ； Henry Ford Health（亨利福特医疗集团） ； Institute for AI and Data Science Wayne State University（韦恩州立大学人工智能与数据科学研究院） 纠错

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

AI总结 MedPlex是一种端到端VLM框架，通过双向融合和两级概念对齐，实现医学图像分割的视觉-语言协同适配，在CT、MR的多类医学分割任务中达到最优性能。

Comments Accepted By BMVC-2026

RankT2I: A Submodular Framework for Discovering Interpretable and Diverse Semantics in Text-to-Image Models

RankT2I：一种用于发现文本到图像模型中可解释且多样化语义的子模框架

Ritika Allada, Pinar Yanardag

机构 * Virginia Tech（弗吉尼亚理工大学） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 本文提出无训练、模型无关的RankT2I框架，通过子模方法自动发现T2I模型的可编辑语义，性能优于现有方法，可高效获取多领域文本到图像编辑所需的多样化语义。

Comments ECCV 2026

HierDAMap: Towards Universal Domain Adaptive BEV Mapping via Hierarchical Perspective Priors

HierDAMap：面向分层视角先验的通用域自适应鸟瞰图（BEV）建图

Siyu Li, Yihong Cao, Hao Shi, Yongsheng Zang, Xuan He, Kailun Yang, Zhiyong Li

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

AI总结 针对BEV建图无监督域自适应研究有限的问题，提出含SGPS、DACL、CDFM组件的HierDAMap框架，通过三层视角先验实现通用BEV域自适应，还引入域内特征交换数据增强。

Comments Accepted to IEEE Transactions on Intelligent Transportation Systems (T-ITS). The source code will be made publicly available at this https URL (https://github.com/lynn-yu/HierDAMap)

The Fools are Certain; the Wise are Doubtful: Exploring LLM Confidence in Code Completion

傻瓜们确信；聪明人则怀疑：探索LLM在代码补全中的信心

Zoe Kotti, Konstantina Dritsa, Diomidis Spinellis, Panos Louridas

机构 * Department of Management Science and Technology, Athens University of Economics and Business（管理科学与技术系，雅典经济与商业大学） 纠错

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 本文研究LLM在代码补全中的信心，通过测量不同编程语言、模型和数据集的代码困惑度，发现强类型语言比动态类型语言困惑度更低，脚本语言困惑度更高，Java困惑度较低。

Comments 35 pages, 12 figures, 1 table

Understanding and Mitigating Over-refusal for Large Language Models via Representation Intervention

通过安全表示理解并缓解大语言模型的过度拒绝

Junbo Zhang, Ran Chen, Qianli Zhou, Xinyang Deng, Wen Jiang

机构 * Northwestern Polytechnical University（西北工业大学） 纠错

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

AI总结 本文提出MOSR方法，通过干预大语言模型的安全表示来缓解过度拒绝问题，同时保持安全性。

Comments Added experiments

ATLAS: Discovering Agent Strategies through LLM-Guided Abstraction and Automata Learning

ATLAS：通过大语言模型引导的抽象与自动机学习发现智能体策略

Ignacio D. Lopez-Miguel, Andreas Happe, Jürgen Cito, Ezio Bartocci, Bettina Könighofer, Martin Tappler

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

AI总结 该研究提出ATLAS方法，结合轨迹抽象与自动机学习从智能体轨迹推断有限状态模型，以实现对LLM智能体行为的可解释分析、知识迁移及简洁解释。

Comments 7 pages, accepted for publication at ACM/IEEE MODELS 2026

LRASGen: LLM-based RESTful API Specification Generation

LRASGen：基于大语言模型的RESTful API规范生成

Sida Deng, Rubing Huang, Man Zhang, Chenhui Cui, Dave Towey, Rongcun Wang

专题命中 知识编辑与模型理解 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)

AI总结 该研究提出LRASGen，即首个结合LLM与API源代码生成RESTful API的OAS的方法，在20个真实API上的实验显示其生成的规范覆盖更多缺失实体，准确性较好。

Comments Accepted for publication in ACM Transactions on Software Engineering and Methodology (TOSEM). DOI: https://doi.org/10.1145/3810241

When LLMs Invent Rust Crates: An Empirical Study of Hallucination Patterns and Mitigation

当LLM发明Rust包：幻觉模式与缓解措施的实证研究

Jieming Zheng, Hao Guan, Yepang Liu

专题命中 知识编辑与模型理解 ：LLM(title_cn,summary_cn)；large language model(abstract)；language model(abstract)

AI总结 本研究首次大规模实证分析LLM生成Rust代码中的包幻觉问题，发现不同模型幻觉率惊人一致且对参数不敏感，并探索了提示工程缓解策略。

Comments The work has been accepted by the 17th International Conference on Internetware

LLM-Guided Graph Generation for Structure-Based Local Improvement Methods

基于大语言模型引导的图生成的基于结构的局部改进方法

Hai Xia, Vaidyanathan Peruvemba Ramaswamy, Stefan Szeider

机构 * TU Wien（维也纳技术大学） 纠错

专题命中 知识编辑与模型理解 ：LLM(title,summary_cn)；prompting(abstract)；分类 cs.AI

AI总结 该研究构建了适用于MiniZinc格式问题的自动流程，引导LLM生成图生成器以辅助SLIM框架，在20个MiniZinc竞赛问题上使算法选择胜率大幅提升，证明LLM语义生成可实现高效的约束优化自动特征提取。

FactorFlow: A Visual Analytics Workspace with Large Language Model-Assisted Interpretation for Factor Analysis

FactorFlow：用于因子分析的、带有大语言模型辅助解释的视觉分析工作空间

Justin Philip Tuazon, Joemari Olea, Richelle Ann Juayong

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

AI总结 FactorFlow是用于端到端探索性因子分析的视觉分析工作空间，集成大语言模型实现自动化因子解释，经可用性研究优化，可帮助研究人员高效剖析、比较因子模型并理解因子结构。

Agentic Transaction: Towards ACID-Compliant Agent Systems

智能体事务：面向ACID兼容的智能体系统

Zhaoyan Sun, Xiaoxiao Wang, Guoliang Li

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.CL、cs.AI、cs.LG

AI总结 该研究提出ACID兼容的智能体事务框架，开发对应数据智能体，在基准测试中较含Claude Code的现有智能体提升10.6%，为构建可信可扩展AI智能体开辟新方向。

EEG-PRISM: Physiologically-Grounded Interpretability of Predictions by EEG Foundation Models

EEG-PRISM：基于生理学的脑电基础模型预测可解释性方法

Deeksha M Shama, Punnisa Amornsirikul, Archana Venkataraman

机构 * Johns Hopkins University（约翰斯·霍普金斯大学） ； Boston University（波士顿大学） 纠错

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

AI总结 本研究提出EEG-PRISM，一种无需修改脑电基础模型的事后归因方法，可将其归因分数映射至频谱、空间域，能定位癫痫发作区、自闭症生物标志物等，提升脑电基础模型的可解释性。

Buy the Rumor, Sell the News: When Is News Priced In?

买入传闻，卖出新闻：新闻何时被定价？

Alireza Kargarzadeh, Nariman Khaledian, Navid Parvini, Sid Ghatak, Arman Khaledian

机构 * Tailstate Intelligence Ltd（Tailstate Intelligence有限公司） ； Zanista AI Ltd（Zanista AI有限公司） ； Increase Alpha, LLC（Increase Alpha有限责任公司） 纠错

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

AI总结 本研究以457万篇金融新闻为样本，发现新闻相关价格变动集中于发布前后，市场对数字类新闻反应不足、对故事类新闻反应过度，且生成的漂移表可用于新闻条件预测模型。

Dissociating the Internal Representations of Sycophancy in LLMs

区分大语言模型中谄媚行为的内部表征

Anthony Baez, Sheer Karny, Pat Pataranutaporn

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

AI总结 研究大语言模型谄媚行为，将其表征分为事实和观点子类型，通过训练线性探针等方法评估不同模型对两子类型表征差异，为研究复杂模型行为表征结构提供了新框架。

Comments Accepted to Mechanistic Interpretability Workshop at ICML 2026

FIRM: Fine-Grained Intra-Token Representation of Masks for Remote Sensing Reasoning Segmentation

FIRM：面向遥感推理分割的掩码细粒度令牌内表示

Weidong Tang, Kaiyu Li, Yikai Wang, Yanan Wu, Haotian Gan, Shihong Wang, Xiangyong Cao

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)

AI总结 本文提出FIRM模型，通过预测视觉令牌内的r×r二值子单元掩码代码结合轻量连续渲染器优化边界，在5个遥感推理分割基准上取得领先结果，提升了细粒度分割性能。

ProFocus: Interpreting Affective Experience in Artistic Images with Progressive Visual Focusing

ProFocus：通过渐进式视觉聚焦解释艺术图像中的情感体验

Zhiyan Zhang, Zicheng Yan, Jianqi Chen, Peipei Song, Shanshan Wang, Xun Yang

机构 * University of Science and Technology of China（中国科学技术大学） ； Anhui University（安徽大学） 纠错

专题命中 知识编辑与模型理解 ：large language model(abstract)；language model(abstract)

AI总结 本研究针对现有方法无法捕捉艺术情感细微线索的问题，提出ProFocus框架，通过层级艺术评论家与渐进式提示融合模块，在ArtEmis数据集上实现了更优的情感识别与解释性能。

Disentangled Shared Representations Improve Morpho-Transcriptomic Integration

解耦共享表示可改进形态-转录组整合

Julian Ostermaier, Swann Ruyter, Reuben Dorent, Daniel Racoceanu

机构 * ESPCI Paris, PSL University（巴黎高等物理化工学院，PSL大学） ； Sorbonne Université（索邦大学） ； CNRS（法国国家科学研究中心） ； Inserm（法国国家健康与医学研究院） ； AP-HP（巴黎公共医疗集团） ； Inria（法国国家信息与自动化研究所） ； Paris Brain Institute – ICM（巴黎脑研究所 – ICM） 纠错

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

AI总结 本研究针对空间转录组学的多模态表示学习问题，对比不同模型的标准与解耦变体，发现解耦共享与模态特有信息可提升相关指标，为多模态学习提供评估框架。

GhostPoint: Self-Supervised Representation Learning by Hallucinating Occluded LiDAR Structure

GhostPoint：通过幻觉生成被遮挡的激光雷达结构实现自监督表示学习

Mohamed Abdelsamad, Bin Yang, Michael Ulrich, Miao Zhang, Yakov Miron, Alexandru Paul Condurache, Abhinav Valada

机构 * Bosch Center for AI（博世人工智能中心） ； University of Freiburg（弗莱堡大学） ； University of Luebeck（吕贝克大学） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 GhostPoint是一种自监督学习框架，通过实例体素膨胀幻觉生成激光雷达被遮挡区域特征，在nuScenes和Waymo数据集上提升了下游3D检测性能，尤其适用于稀疏扫描和有限标签场景。

Comments Accepted by ECCV2026

Clearing the Fog: Towards Installing and Refining Proactive Exploration Capabilities in LLM Agents

消除迷雾：为大语言模型智能体（LLM Agents）安装与优化主动探索能力

Zhizhao Guan, Chen Huang, Ziming Liu, Hongru Liang, Wenqiang Lei, See-Kiong Ng, Tat-Seng Chua, Anthony G Cohn

机构 * Engineering Research Center of Machine Learning and Industry Intelligence（机器学习与产业智能工程研究中心） ； National University of Singapore（新加坡国立大学） ； University of Leeds（利兹大学） ； Sichuan University（四川大学） 纠错

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.AI、cs.LG

AI总结 该研究针对LLM智能体主动探索能力的两大瓶颈，提出含探索性数据构建、对比信号引导的RL优化的方法，经实验验证其有效性并公开代码。

Does ISO-Grounded NFR Specification Improve LLM Code Generation? A Comparison of Rich and Structured Interventions against a Natural-Language Baseline

基于ISO标准的非功能性需求（NFR）规范是否能提升大语言模型（LLM）的代码生成能力？针对丰富干预方式、结构化干预方式与自然语言基线的对比研究

Joào Pedro Monteiro Pereira, Vinicius Cardoso Garcia

专题命中 其他LLM ：LLM(title,title_cn)；分类 cs.AI、cs.LG

AI总结 该研究对比了ISO标准下丰富自然语言、结构化JSON与单行基线三种NFR规范对LLM代码生成的影响，发现前者可提升代码静态质量，且语义内容比格式更重要。

Comments 11 pages, 2 figures, Accepted for publication at the 20th Brazilian Symposium on Software Components, Architectures, and Reuse (SBCARS 2026)

LLM-Assisted LDPC Decoding via Syndrome-Verified Semantic Priors

基于伴随式验证语义先验的大语言模型辅助低密度奇偶校验（LDPC）译码

Sojeong Park, Hyeonsu Lyu, Jaehyun Choi, Hyun Jong Yang

专题命中 其他LLM ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)

AI总结 该研究提出LLM辅助LDPC译码框架，通过伴随式验证语义先验减少误码率，在2.0 dB时误码率降低73%，且注入精度保持在0.88以上，提升了物理层可靠性。

MazeRunner: Nonlinear Task and Clue Orchestration for LLM-driven Black-Box Automated Penetration Testing

MazeRunner：面向大语言模型驱动的黑盒自动化渗透测试的非线性任务与线索编排

Zhenyuan Li, Yi Jiang, Junjie Cheng, Yaokun Li, Jing Qiu, Shouling Ji

专题命中 其他LLM ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)

AI总结 针对现有LLM驱动渗透测试智能体在非线性黑盒场景中的缺陷，提出三智能体框架的MazeRunner，在HTB目标上完成更多子任务、获取更高权限，探索攻击分支更高效。

Large Language Models Polarize Ideologically but Moderate Affectively in Online Political Discourse

大型语言模型在在线政治讨论中加剧意识形态分歧但缓和情感对立

Gavin Wang, Srinaath Anbudurai, Oliver Sun, Xitong Li, Lynn Wu

专题命中 其他LLM ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)

AI总结 大型语言模型在在线政治讨论中加剧意识形态分歧，但减少了情感对立，挑战了极端与不文明行为共存的假设。

Search or Chat? Comparing How We Learn About Debated Topics

搜索还是聊天？对比我们如何了解有争议的话题

Ran Yu, Alisa Rieger, Rabia Karatoprak Ersen, Jiqun Liu

专题命中 其他LLM ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)

AI总结 该研究通过194人参与的众包实验，对比传统搜索与LLM聊天界面对学习有争议话题的影响，发现工具无显著差异，用户特征对学习结果影响更大。