语言大模型 / LLM

Learning Perturbations to Extrapolate Your LLM

学习扰动以扩展你的大语言模型

Zetai Cen, Chenfei Gu, Jin Zhu, Ting Li, Yunxiao Chen, Chengchun Shi

机构 * School of Mathematics, University of Bristol（布里斯托大学数学学院） ； School of Statistics and Data Science, Shanghai University of Finance and Economics（上海财经大学统计与数据科学学院） ； School of Mathematics, University of Birmingham（伯明翰大学数学学院） ； Department of Statistics, London School of Economics and Political Science（伦敦政治经济学院统计系） 纠错

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

AI总结 本文提出通过学习连续潜在向量的变换来扰动标记前缀，以提升大语言模型的外推性能，通过无偏估计方程和随机梯度下降优化，实验证明在跨域任务中优于现有方法。

Comments 35 pages

It's not the Language Model, it's the Tool: Deterministic Mediation for Scientific Workflows

不是语言模型，而是工具：科学工作流中的确定性中介

Marios Adamidis, Danae Katrisioti, Yannis Tzitzikas, Emmanuel Stratakis

机构 * Department of Materials Science and Technology, University of Crete（材料科学与技术系，克里特大学） ； Institute of Electronic Structure and Laser, FORTH（电子结构与激光研究所，FORTH） ； Computer Science Department, University of Crete（计算机科学系，克里特大学） ； Institute of Computer Science, FORTH（计算机科学研究所，FORTH） ； Department of Physics, University of Crete（物理系，克里特大学） 纠错

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

AI总结 本文提出确定性中介方法，通过确定性工具替代生成分析代码，确保科学工作流中结果可重复，减少分析时间并保证一致性。

Comments 18 pages, 4 figures, 2 appendices. Submitted to SETN 2026

CompNO: A Novel Foundation Model approach for solving Partial Differential Equations

CompNO：一种用于求解偏微分方程的新型基础模型方法

Hamda Hmida, Hsiu-Wen Chang Joly, Youssef Mesri

机构 * Mines Paris - PSL University, Centre for Material Forming (CEMEF)（巴黎 Mines - PSL 大学，材料成型中心（CEMEF）） ； Mines Paris - PSL University, Centre for Robotics (CAOR)（巴黎 Mines - PSL 大学，机器人中心（CAOR）） 纠错

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

AI总结 CompNO通过学习基础块和适应块构建参数化PDE求解器，降低计算成本并保持物理可解释性，适用于一维对流、扩散、对流-扩散和Burgers方程。

Comments Under review at MDPI

CLEF: EEG Foundation Model for Learning Clinical Semantics

CLEF：用于学习临床语义的EEG基础模型

Peng Cao, Ali Mirzazadeh, Jong Woo Lee, Aleksandar Videnovic, Dina Katabi

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） ； Brigham and Women’s Hospital, Harvard Medical School（哈佛医学院布里奇沃特医院） ； Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院） 纠错

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

AI总结 本文提出CLEF，一种基于临床场景的长上下文EEG基础模型，通过对比学习将EEG会话与神经科报告和结构化电子健康记录对齐，提升了EEG解读的临床相关性。

Operating Within the Operational Design Domain: Zero-Shot Perception with Vision-Language Models

在操作设计域内运行：基于视觉-语言模型的零样本感知

Berkehan Ünal, Hauke Dierend, Dren Fazlija, Christopher Plachetka

机构 * Volkswagen Aktiengesellschaft（大众汽车股份有限公司） ； L3S Research Center（莱比锡大学汉诺威研究中心） ； Faculty of Information Technology（信息科技学院） ； MOIA GmbH（MOIA公司） ； Motor AI GmbH（Motor AI公司） 纠错

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

AI总结 本文探讨了视觉-语言模型在无监督条件下对操作设计域的零样本感知能力，通过实验验证了基于链式推理的提示方法在OBD感知中的有效性，并提出了可重用的提示模板。

Comments 8 pages, 4 figures

LLM-Guided Open Hypothesis Learning from Autonomous Scanning Probe Microscopy Experiments

基于自主扫描探针显微镜实验的LLM引导开放假设学习

Boris Slautin, Utkarsh Pratiush, Yu Liu, Kamyar Barakati, Sergei Kalinin

机构 * Department of Materials Science and Engineering, University of Tennessee, Knoxville, TN 37923, USA（材料科学与工程系，田纳西大学， Knoxville，TN 37923，USA） 纠错

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

AI总结 本文提出结合符号回归与大语言模型物理评估的开放假设学习框架，用于自主扫描探针显微镜实验，通过稀疏测量生成候选分析关系，并通过物理合理性评估发现可解释的电压-时间增长定律。

Comments 21 pages, 6 figures, 1 table

Assessing Y-Axis Influence: Bias in Multimodal Language Models on Chart-to-Table Translation

评估Y轴影响：多模态语言模型在图表到表格翻译中的偏差

Seok Hwan Song, Azher Ahmed Efat, Wallapak Tavanapong

机构 * Department of Computer Science, Iowa State University（计算机科学系，爱荷华州立大学） 纠错

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

AI总结 研究探讨了多模态语言模型在图表到表格翻译中因Y轴信息不平衡导致的偏差问题，提出FairChart2Table框架，发现数字长度、刻度数量、值范围及刻度格式等影响模型性能。

Shape: A Self-Supervised 3D Geometry Foundation Model for Industrial CAD Analysis

Shape：一种用于工业CAD分析的自监督3D几何基础模型

Bayangmbe Mounmo, Sam Chien, Mile Mitrovic

机构 * SIMD AI ； SB AI Lab（SB AI实验室） 纠错

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

AI总结 Shape通过自监督学习将表面网格转换为密集的token嵌入，结合3D潜在网格、多尺度几何感知分词器和Transformer处理器，实现了高精度和可解释的3D几何表示。

Comments 19 pages, 2 figures

Complete Cyclic Subtask Graphs for Tool-Using LLM Agents: Flexibility, Cost, and Bottlenecks in Multi-Agent Workflows

完全循环子任务图用于工具使用LLM代理：多代理工作流程中的灵活性、成本和瓶颈

Luay Gharzeddine, Samer Saab

机构 * Lebanese American University（黎巴嫩美国大学） 纠错

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

AI总结 本文研究了完全循环子任务图，通过分析不同基准测试发现，多代理工作流程中灵活性可能带来协调成本和推理成本，而外部任务瓶颈可能主导性能。

Are Natural-Domain Foundation Models Effective for Accelerated Cardiac MRI Reconstruction?

自然域基础模型在加速心脏MRI重建中的有效性如何？

Anam Hashmi, Mayug Maniparambil, Julia Dietlmeier, Kathleen M. Curran, Noel E. O'Connor

机构 * Dublin City University（都柏林城市大学） ； University College Dublin（都柏林大学） 纠错

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

AI总结 本文探讨自然域基础模型在加速心脏MRI重建中的有效性，对比了与领域特定模型如BiomedCLIP的性能，并发现基础模型在跨领域场景中更具鲁棒性。

Comments Accepted to CVPRW 2026

A Nationwide Japanese Medical Claims Foundation Model: Balancing Model Scaling and Task-Specific Computational Efficiency

全国日本医疗索赔数据集的医疗基础模型：在模型扩展与任务特定计算效率之间平衡

Nanae Aratake, Taisei Tosaki, Yuji Okamoto, Eiichiro Uchino, Masaki Nakamura, Nobutomo Matsui, Akiko Hatakama, Yasushi Okuno

机构 * Graduate School of Medicine, Kyoto University（京都大学医学研究科） ； Medical Data Vision Co., Ltd.（医疗数据视觉株式会社） ； IQVIA Solutions Japan G.K.（IQVIA日本解决方案公司） ； DeSC Healthcare, Inc.（DeSC医疗公司） 纠错

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

AI总结 研究通过日本全国519家医院的索赔数据库，评估不同模型规模对结构化医疗数据下游任务性能的影响，发现任务特性决定最优模型规模，从而平衡预测性能与计算成本。

Comments 14 pages, 5 figures, 3 tables

Characterising LLM-Generated Competency Questions: a Cross-Domain Empirical Study using Open and Closed Models

表征大语言模型生成的能力问题：使用开放和封闭模型的跨领域实证研究

Reham Alharbi, Valentina Tamma, Terry R. Payne, Jacopo de Berardinis

机构 * Taibah University, Madinah, Saudi Arabia（塔伊卜大学，麦地那，沙特阿拉伯） ； University of Liverpool, Liverpool, UK（利物浦大学，利物浦，英国） 纠错

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

AI总结 本文通过跨领域分析，系统比较了不同大语言模型生成的能力问题在可读性、相关性和结构复杂性方面的特性。

Comments arXiv admin note: text overlap with arXiv:2507.02989

Deliberative Searcher: Improving LLM Reliability via Reinforcement Learning with constraints

反思搜索器：通过带有约束的强化学习提高大语言模型的可靠性

Zhenyun Yin, Shujie Wang, Xuhong Wang, Xingjun Ma, Yinchun Wang

机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 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 本文提出反思搜索器框架，结合置信度校准与基于检索的搜索，通过强化学习优化准确性，提升模型输出的可靠性。

Comments Accepted by ACL 2026

PSF-Med: Measuring and Explaining Paraphrase Sensitivity in Medical Vision Language Models

PSF-Med: 医学视觉语言模型中反语敏感性的测量与解释

Binesh Sadanandan, Vahid Behzadan

机构 * SAIL Lab, University of New Haven（纽黑文大学SAIL实验室） 纠错

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

AI总结 本文提出PSF-Med基准，通过26850个胸部X光问题及92856个意义保持的改写句，评估九种VLMs在临床问题改写下的稳定性与视觉依赖性，发现模型在反语下的翻转率差异显著，且通过特征分析揭示了模型决策机制。

ProMedical: Hierarchical Fine-Grained Criteria Modeling for Medical LLM Alignment via Explicit Injection

ProMedical：通过显式注入实现医疗大语言模型对齐的分层细粒度标准建模

He Geng, Yangmin Huang, Lixian Lai, Qianyun Du, Hui Chu, Zhiyang He, Jiaxue Hu, Xiaodong Tao

机构 * Xunfei Healthcare Technology Co., Ltd.（讯飞医疗科技有限公司） 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 本文提出ProMedical框架，通过显式注入细粒度临床标准，提升医疗大语言模型对齐效果，实验表明在安全性和准确性上均优于现有模型。

Comments ACL 2026

Towards the Development of an LLM-Based Methodology for Automated Security Profiling in Compliance with Ukrainian Cybersecurity Regulations

迈向基于大语言模型的自动化安全配置方法的开发：符合乌克兰网络安全法规

Daniil Shafranskyi, Iryna Stopochkina, Mykola Ilin

机构 * National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”（乌克兰国立技术大学“伊戈尔·西科尔斯基基辅理工学院”） 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 本文探讨将国际最佳实践整合到国家监管体系中，提出利用大语言模型实现自动化安全配置的方法，以应对高密度混合威胁环境下的网络安全挑战。

Comments 12 pages, 2 figures

Uncertainty-Aware Foundation Models for Clinical Data

具有不确定性的临床数据基础模型

Qian Zhou, Yuanyun Zhang, Shi Li

机构 * University of the Chinese Academy of Sciences（中国科学院大学） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 本文提出一种考虑不确定性的临床数据基础模型框架，通过学习集合值表示并强制一致性，提升预测性能和数据缺失下的鲁棒性。

ATLAS: A Layered Constraint-Guided Framework for Structured Artifact Generation in LLM-Assisted MDE

ATLAS：一种分层约束引导的结构化艺术创作框架，用于LLM辅助的MDE

Tong Ma, Hui Lai, Hui Wang, Zhenhu Tian, Chaochao Li, Fengjie Xu, Ling Fang

机构 * University of Science and Technology of China（中国科学技术大学） ； Hefei Institutes of Physical Science, Chinese Academy of Sciences（中国科学院合肥物质科学研究院） ； Anhui University（安徽大学） 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 ATLAS通过分层约束引导框架生成符合显式模式、领域规则和审计要求的结构化工程制品，结合元模型整合、约束模型编译和后生成验证，确保生成结果的正确性和完整性。

CoDA: Exploring Chain-of-Distribution Attacks and Post-Hoc Token-Space Repair for Medical Vision-Language Models

CoDA：探索链式分布攻击及事后令牌空间修复用于医疗视觉-语言模型

Xiang Chen, Fangfang Yang, Chunlei Meng, Yuxian Dong, Ang Li, Yiwei Wei, Jiahuan Long, Jiujiang Guo, Chengyin Hu

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

AI总结 本文提出CoDA框架，通过构建临床合理的流程偏移，评估医疗视觉-语言模型在真实临床工作流中的可靠性，发现零样本性能显著下降，并引入事后修复策略提升准确性。

A Multi-Agent Human-LLM Collaborative Framework for Closed-Loop Scientific Literature Summarization

一种多智能体人-大语言模型协作框架用于闭环科学文献摘要

Maxwell J. Jacobson, Daniel Xie, Jackson Shen, Adil Wazeer, Haiyan Wang, Xinghang Zhang, Yexiang Xue

机构 * Purdue University（普渡大学） 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 本文提出一种多智能体人-大语言模型协作框架，通过整合LLM、结构化AI和人类科学家，实现科学文献的提取、分析与迭代优化，展示了AI辅助文献综述在发现科学模式中的应用。

Domain-Invariant Prompt Learning for Vision-Language Models

领域不变提示学习用于视觉-语言模型

Arsham Gholamzadeh Khoee, Yinan Yu, Robert Feldt

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

AI总结 本文提出DiCoOp，通过对抗训练方法提升视觉-语言模型在不同领域中的泛化能力，有效解决领域偏移问题。

Prompt Amplification and Zero-Shot Late Fusion in Audio-Language Models for Speech Emotion Recognition

提示放大与零样本晚期融合在音频-语言模型中的语音情感识别应用

Saurabh Kataria, Xiao Hu

机构 * School of Nursing Emory University Atlanta, USA（埃默里大学护理学院，美国亚特兰大） 纠错

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

AI总结 本文提出ZS-Fuse方法，结合双编码器音频-语言模型与领域专家模型，通过提示放大技术提升零样本语音情感识别性能。

LLM-Driven Heuristic Synthesis for Industrial Process Control: Lessons from Hot Steel Rolling

基于大语言模型的启发式合成在工业过程控制中的应用：来自热轧的启示

Nima H. Siboni, Seyedreza Kiamousavi, Emad Scharifi

机构 * Institute of Metal Forming, RWTH Aachen（RWTH亚琛大学金属成形研究所） 纠错

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

AI总结 本文提出了一种基于大语言模型的启发式合成框架，用于热轧过程控制，通过可解释的Python控制器生成和自动审计流程，结合结构化战略构思和可执行代码生成，实现对轧制高度、间歇时间和轧制速度的控制。

Scalable Cross-Facility Federated Learning for Scientific Foundation Models on Multiple Supercomputers

可扩展的跨设施联邦学习用于多超级计算机上的科学基础模型

Yijiang Li, Zilinghan Li, Kyle Chard, Ian Foster, Todd Munson, Ravi Madduri, Kibaek Kim

机构 * Mathematics and Computer Science Division, Argonne National Laboratory（阿贡国家实验室数学与计算机科学 division） ； Data Science and Learning Division, Argonne National Laboratory（阿贡国家实验室数据科学与学习 division） ； Department of Computer Science, University of Chicago（芝加哥大学计算机科学系） 纠错

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

AI总结 本文提出了一种跨设施联邦学习框架，用于异构HPC环境，通过Globus Compute和Transfer orchestration实现大规模模型训练，验证了在HPC设施上进行联邦学习的可行性，并指出了调度器感知算法设计的重要性。

GeoReg: Weight-Constrained Few-Shot Regression for Socio-Economic Estimation using LLM

GeoReg: 基于LLM的带权重少样本回归用于社会经济估计

Kyeongjin Ahn, Sungwon Han, Seungeon Lee, Donghyun Ahn, Hyoshin Kim, Jungwon Kim, Jihee Kim, Sangyoon Park, Meeyoung Cha

机构 * School of Computing, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院计算机科学学院） ； College of Business, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院商学院） ； Graduate School of Data Science, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院数据科学研究生院） ； Division of Social Science, Hong Kong University of Science and Technology (HKUST)（香港科学与技术大学社会科学系） ； Max Planck Institute for Software Systems (MPI-SWS)（马克斯·普朗克软件系统研究所） ； Max Planck Institute for Security and Privacy (MPI-SP)（马克斯·普朗克安全与隐私研究所） 纠错

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

AI总结 GeoReg通过整合卫星图像和网络地理信息等数据源，利用大语言模型的先验知识，在数据稀缺地区实现社会经济指标的少样本回归估计，实验表明其在不同发展水平国家均优于基线模型。

Comments 10 pages, 9 figures, 4 tables

Human-AI Co-reasoning for Clinical Diagnosis with Evidence-Integrated Language Agent

人机协同推理用于临床诊断：证据整合语言代理

Zhongzhen Huang, Yan Ling, Hong Chen, Ye Feng, Li Wu, Linjie Mu, Shaoting Zhang, Xiaofan Zhang, Kun Qian, Xiaomu Li

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

AI总结 本文提出PULSE，结合领域调优的大语言模型与文献检索，支持复杂病例的诊断决策。实验显示PULSE在专家级准确度上表现优异，且在罕见病病例中保持稳定性能，揭示了语言模型在临床诊断中的潜力与局限。

Comments After further evaluation, we have decided to withdraw the current version of this manuscript for further revision. We plan to add new experiments, improve the writing and overall presentation for greater clarity and coherence, and re-examine the dataset and related descriptions to ensure rigor and reliability before submitting an updated version

A Unified Language Model for Large Scale Search, Recommendation, and Reasoning

大规模检索、推荐与推理的统一语言模型

Marco De Nadai, Edoardo D'Amico, Max Lefarov, Alexandre Tamborrino, Divita Vohra, Mark VanMiddlesworth, Shawn Lin, Jacqueline Wood, Jan Stypka, Eliza Klyce, Keshi Dai, Timothy Christopher Heath, Martin D. Gould, Yves Raimond, Sandeep Ghael, Tony Jebara, Andreas Damianou, Vladan Radosavljevic, Paul N. Bennett, Mounia Lalmas, Praveen Chandar

机构 * Spotify 纠错

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

AI总结 本文提出NEO框架，通过将预训练解码器模型适应为工具无关的生成器，实现多领域实体、用户和语言的联合推理，展示了在大规模目录上的推荐、搜索和用户理解任务中的优越性能。

TerraLingua: Emergence and Analysis of Open-endedness in LLM Ecologies

TerraLingua：LLM生态中开放性涌现与分析

Giuseppe Paolo, Jamieson Warner, Hormoz Shahrzad, Babak Hodjat, Risto Miikkulainen, Elliot Meyerson

机构 * Cognizant AI Lab（Cognizant AI实验室） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 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LLM生态中开放性动态，通过TerraLingua平台分析协作规范、分工劳动及文化积累机制，揭示人工智能社会结构的形成过程。

Domain Mixture Design via Log-Likelihood Differences for Aligning Language Models with a Target Model

通过对数似然差异设计领域混合以对齐语言模型与目标模型

Ryo Kishino, Riku Shiomi, Hiroaki Yamagiwa, Momose Oyama, Hidetoshi Shimodaira

机构 * Kyoto University（京都大学） ； RIKEN（理化学研究所） 纠错

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

AI总结 本文通过设计训练数据的领域混合，利用对数似然空间对齐模型方向，减少KL散度并提升下游任务性能。

GraphVLM: Benchmarking Vision Language Models for Multimodal Graph Learning

GraphVLM：多模态图学习的视觉语言模型基准测试

Jiajin Liu, Dongzhe Fan, Chuanhao Ji, Daochen Zha, Qiaoyu Tan

机构 * NYU Shanghai（纽约大学上海分校） ； New York University（纽约大学） ； Rice University（休斯顿大学） ； East China Normal University（华东师范大学） 纠错

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

AI总结 GraphVLM通过三种范式评估视觉语言模型在多模态图学习中的能力，发现VLM-as-Predictor在性能上表现最佳，展示了其在多模态图学习中的潜力。

Comments CVPR 2026