语言大模型 / LLM

A Peek Behind the Curtain: Using Step-Around Prompt Engineering to Identify Bias and Misinformation in GenAI Models

幕后窥探：使用逐步提示工程识别生成式AI模型中的偏见与虚假信息

Don Hickerson, Mike Perkins

专题命中 领域大模型 ：prompting(abstract)

AI总结 本文探讨逐步提示工程作为对抗性提示技术，用于测试生成式AI的安全护栏和偏见缓解机制，并提出了学术伦理治理框架。

Comments v3 Substantial text changes and addition of structured framework

Automating Information Extraction and Retrieval for Industrial Spare Parts Pooling

自动化信息提取与检索用于工业备件池化

Dyuman Bulloni, Rocco Felici, Oliver Avram, Anna Valente

专题命中 领域大模型 ：language model(abstract)

AI总结 提出PhRAG混合检索增强生成框架，通过命名实体识别结构化异构备件描述并构建虚拟库存池，结合生成式语言模型处理数据稀缺和查询变异性，实现可解释的备件检索。

VulLink: A Dynamic Open-Access Vulnerability Graph Database for Cybersecurity Data Mining

VulLink: 用于网络安全数据挖掘的动态开放访问漏洞图数据库

Luat Do, Jiao Yin, Jinli Cao, Hua Wang

专题命中 领域大模型 ：language model(abstract)

AI总结 提出VulLink，一种通过自动化ETL管道集成多源漏洞数据、提供图数据库、Web接口和API的动态开放平台，支持漏洞利用性预测等下游挖掘任务。

RAGR: Review-Augmented Generative Recommendation

RAGR: 基于评论的生成推荐

Yingyi Zhang, Junyi Li, Yejing Wang, Wenlin Zhang, Xiaowei Qian, Sheng Zhang, Yue Feng, Yichao Wang, Yong Liu, Xiangyu Zhao, Xianneng Li

专题命中 领域大模型 ：preference optimization(abstract)

AI总结 本文提出RAGR，一种将评论反馈直接融入生成用户序列的新型生成推荐框架，通过混合行为-语义序列和基于直接偏好优化的任务生成对齐策略，提升推荐性能。

Assistance to Autonomy: A Systematic Literature Review of Agentic AI across the Software Development Life Cycle

辅助自主性：面向软件开发生命周期的代理AI系统文献综述

Spyridon Alvanakis Apostolou, Jan Bosch, Helena Holmström Olsson

专题命中 领域大模型 ：LLM(abstract)

AI总结 本文通过系统性文献综述，探讨了代理AI在软件开发生命周期中的应用现状，揭示了输出可验证性是推动代理AI应用的核心因素，并提出了基于Planner-Executor-Reviewer角色的专业架构模式。

Comments 17 pages

Identifying Topological Invariants of Non-Hermitian Systems via Domain-Adaptive Multimodal Model for Mathematics

通过数学多模态模型识别非厄密系统拓扑不变量

Jiuchun Meng, Lichao Sun, Xiumei Wang, Dandan Zhu, Xingping Zhou

专题命中 领域大模型 ：LLM(abstract_cn)

AI总结 本文提出利用多模态模型识别非厄密系统拓扑不变量，通过输入哈密顿量的本征值和本征向量，结合数学大语言模型进行复杂计算和推理，有效提取拓扑信息。

Uncertainty-aware Generative Recommendation

不确定性感知的生成式推荐

Chenxiao Fan, Chongming Gao, Yaxin Gong, Haoyan Liu, Fuli Feng, Xiangnan He

专题命中 领域大模型 ：preference optimization(abstract)

AI总结 提出不确定性感知生成式推荐框架UGR，通过不确定性加权奖励、难度感知优化和显式置信度对齐，解决生成式推荐中忽视模型置信度导致的训练不稳定和决策风险问题。

Comments Accepted by KDD 2026

UHR-Net: An Uncertainty-Aware Hypergraph Refinement Network for Medical Image Segmentation

UHR-Net：一种用于医学图像分割的不确定性感知超图精炼网络

Shuokun Cheng, Jinghao Shi, Kun Sun

机构 * School of Computer Sciences, China University of Geosciences (Wuhan)（中国地质大学（武汉）计算机科学学院） 纠错

专题命中 领域大模型 ：pretraining(abstract)

AI总结 针对病灶边界模糊和小病灶分割困难，提出UHR-Net，采用不确定性导向实例对比预训练和不确定性引导超图精炼模块，在五个公开数据集上取得一致提升。

Comments 12 pages, 4 figures, 4 tables

CAD-Prompted SAM3: Geometry-Conditioned Instance Segmentation for Industrial Objects

CAD-Prompted SAM3: 用于工业物体的几何条件实例分割

Zhenran Tang, Rohan Nagabhirava, Changliu Liu

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

专题命中 领域大模型 ：prompting(abstract)

AI总结 本文提出基于CAD模型的SAM3分割框架，通过几何条件进行实例分割，解决工业环境中难以用语言或外观描述的对象问题。

A generalizable 3D framework and model for self-supervised learning in medical imaging

一种通用的3D框架和模型用于医学影像中的自监督学习

Tony Xu, Sepehr Hosseini, Chris Anderson, Anthony Rinaldi, Rahul G. Krishnan, Anne L. Martel, Maged Goubran

机构 * Department of Medical Biophysics, University of Toronto（多伦多大学医学生物物理学系） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究所） ； Physical Sciences Platform, Sunnybrook Research Institute（圣母医院研究学院物理科学平台） ； Vector Institute, Toronto（多伦多向量研究所） ； Department of Laboratory Medicine and Pathobiology, University of Toronto（多伦多大学实验室医学与病理学系） ； Hurvitz Brain Sciences, Sunnybrook Health Sciences Centre（圣母医院健康科学中心Hurvitz脑科学） ； Harquail Centre for Neuromodulation, Sunnybrook Health Sciences Centre（圣母医院健康科学中心Harquail神经调制中心） 纠错

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

AI总结 本文提出3DINO方法，基于大规模多模态数据集预训练出通用医学影像模型3DINO-ViT，验证其在多种医学影像分割和分类任务中的泛化能力，优于现有方法。

Comments Published in npj Digital Medicine

Empirical assessment of ChatGPT's answering capabilities in natural science and engineering

ChatGPT在自然科学与工程领域回答能力的实证评估

Lukas Schulze Balhorn, Jana M. Weber, Stefan Buijsman, Julian R. Hildebrandt, Martina Ziefle, Artur M. Schweidtmann

专题命中 领域大模型 ：language model(abstract)

AI总结 通过收集代尔夫特理工大学198名教师的594个问题，评估ChatGPT在自然科学与工程领域的回答质量，发现其平均表现“基本正确”，但随问题教育水平提高和超越科学知识技能（如批判态度）的评估而显著下降。

Journal ref Scientific Reports, Volume 14, 2024, Article number: 4998