语言大模型 / LLM

How You Ask Shapes What You Get: Auditing Breast-Cancer Misinformation in TikTok Search

你如何通过提问来获取信息：审核TikTok搜索中的乳腺癌错误信息

Pooriya Jamie, Homa Hosseinmardi, Rezvaneh Rezapour, Aria Pessianzadeh, Patricia A. Ganz, Amir Ghasemian

专题命中 领域大模型 ：language model(abstract)

AI总结 研究TikTok搜索中用户查询框架对乳腺癌错误信息曝光的影响，通过受控实验发现查询框架与错误信息曝光紧密相关，替代医学查询错误信息返回率高，医学信息查询也有错误信息，强调审核查询驱动搜索系统的重要性。

Phantom Guardrails: When Self-Improving Agent Harnesses Fix Failures That Never Happened

幻影护栏：当自我改进的智能体利用从未发生过的修复失败时

Su Wang, Pin Qian, Yifan Lin, Jingzhou Xu, Yihang Chen, Xiaochong Jiang, Lifei Liu, Haoran Yu

专题命中 领域大模型 ：LLM(abstract)

AI总结 研究自我改进智能体在自动化工具优化中虚构从未发生的错误这一现象，通过反事实制造实验室进行研究，发现当合法输入含特定模式等条件时会出现虚构失败，提出该实验室用于测量此类虚构失败。

UniMedSeg: Unified In-Context Learning for Multi-Paradigm 2D/3D Medical Image Segmentation

UniMedSeg：用于多范式2D/3D医学图像分割的统一上下文学习

Yunzhou Li, Jiesi Hu, Yanwu Yang, Hanyang Peng, Chenfei Ye, Jianfeng Cao, Yixuan Yuan, Ting Ma

机构 * Harbin Institute of Technology at Shenzhen（哈尔滨工业大学（深圳）） ； Peng Cheng Laboratory（鹏城实验室） ； University Hospital Tübingen（图宾根大学医院） ； German Center for Mental Health（德国心理健康中心） ； Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 研究针对医学图像分割基础模型存在的问题，提出以Transformer为中心的UniMedSeg框架，通过映射多种信息到共享序列空间联合学习异构医学监督，引入解耦分割注意力克服内存瓶颈，在多类分割任务中实现最优性能且无需特定任务微调。

Feature-Space Guided Diffusion for Realistic Ultrasound Image Synthesis

用于逼真超声图像合成的特征空间引导扩散

Marina Domínguez, Nélida Mirabet-Herranz, Valery Naranjo

机构 * Artikode Intelligence S.L.（Artikode智能有限公司） 纠错

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

AI总结 研究针对条件扩散模型合成超声图像逼真度不足问题，提出无需训练的特征空间候选引导（FSCG）采样策略，通过局部k近邻特征校正及按特征空间能量选最佳候选，缩小与真实图像差距，在多数据集上效果优于标准采样及其他基线。

Comments 11 pages, 4 figures. Pre-review manuscript version of a paper accepted at DGM4MICCAI 2026

MED-DSLC: Multi-Expert-Domain Classification via Domain Supervision and Logit Calibration

MED-DSLC：通过域监督和对数校准进行多专家域分类

Zheng Zeng, Deepak Sridhar, Nuno Vasconcelos

机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 研究针对视觉语言模型在多域零样本分类中存在的问题，提出MED-DSLC方法，结合域监督训练和域内对数缩放，恢复全局对数可比性，是轻量级方案，经实验验证可提升准确率、鲁棒性和可扩展性。

Comments Accepted to ECCV 2026. Code is available at https://github.com/Leonard-Zeng/MED-DSLC

Stream-aware Side Adaptation for Large Pre-trained Multimodal Embedding Models in Sequential Recommendation

用于序列推荐中大型预训练多模态嵌入模型的流感知侧适应

Junchen Fu, Kaiwen Zheng, Ioannis Arapakis, Wenhao Deng, Xin Xin, Joemon M. Jose, Xuri Ge

专题命中 领域大模型 ：prompting(abstract)

AI总结 针对大型预训练多模态嵌入模型用于序列推荐时因域不对准性能不佳的问题，提出Stresa框架，通过流感知隐藏适配器融合和残差流适配器，有效解锁模型潜力，实验证明其性能优于标准侧适配器和基线。

Comments Accepted by ACM MM2026

Learning To Focus: Anatomy-Guided Attention Regularization for Medical Image Classification

学习聚焦：用于医学图像分类的解剖学引导注意力正则化

Tonmoy Hossain, Atiqur Rahman, Farhana Hossain Swarnali, Miaomiao Zhang

机构 * University of Virginia（弗吉尼亚大学） ； Ahsanullah University of Science and Technology（阿山努拉科技大学） ； University of Utah（犹他大学） 纠错

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

AI总结 针对医学图像分类中标准分类损失缺乏空间监督的问题，提出Locus框架，利用预训练分割基础模型引导分类器关注诊断相关解剖结构，引入正则化项平衡注意力，在多数据集上验证，提升了分类性能和解剖学注意力。

Question Answering for Diagram-Rich Technical Meeting Videos

面向富含图表的技术会议视频的问答

Zhuoran Xu, Jia Li, Dayuan Tan, Mark Cole, Ish Ashraf, Sandeep Puri, Mehrdad Sabetzadeh, Shiva Nejati

专题命中 领域大模型 ：LLM(abstract)

AI总结 研究面向富含图表的技术会议视频的问答问题，核心方法是开发基于大语言模型的多模态问答系统LMVQA，主要贡献是显著提高答案准确性，降低响应时间和成本，获领域专家认可。

Comments Accepted for publication in ICSME 2026

"Code Is Cheap. Show Me the Talk.": Lessons from Teaching and Managing AI Coding Tool Usage in a Visualization Course

“代码很廉价。给我看看讲解。”：可视化课程中教授和管理人工智能编码工具使用的经验教训

Zhongzheng Xu, Taehyun Yang, Fumeng Yang

专题命中 领域大模型 ：prompting(abstract)

AI总结 在可视化课程中分享管理和教授人工智能使用的经验，实施提示注入等，发现学生使用情况及问题，指出需明确人工智能使用界限、提示指导，教学生质疑并适应通用设计。

Comments 5 Figures, 7 Pages

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

CT-CLIP Representations for Multimodal Lung Cancer Survival Prediction

用于多模态肺癌生存预测的CT-CLIP表示

Sofie Allgöwer, Mikael Johansson, Andreas Hallqvist, Jonas Andersson, Åse Johnsson, Ida Häggström, Jennifer Alvén

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； Umeå University（于默奥大学） ； Sahlgrenska University Hospital（萨尔格伦斯卡大学医院） ； Sahlgrenska Academy at Gothenburg University（哥德堡大学萨尔格伦斯卡学院） 纠错

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

AI总结 研究评估特定领域基础模型CT-CLIP用于肺癌多模态生存预测，通过多种策略提取特征，结果显示冻结的CT-CLIP模型结合可训练生存头表现出色，能有效区分高低风险组。

Comments 8 pages, 2 figures

ShapeTalk: Combining Natural Language and Sketch for Time-Series Pattern Querying

ShapeTalk：结合自然语言和草图进行时间序列模式查询

Guoruizhe Sun, Yueqiao Chen, Emily Guo, Yutong Yao, Dongyu Liu

专题命中 领域大模型 ：LLM(abstract)

AI总结 研究针对时间序列模式查询中现有工具不足的问题，提出ShapeTalk系统，结合自然语言与草图，通过基于大语言模型的语义解析管道实现查询，经多种评估表明该系统能有效支持时间序列模式搜索，自然语言与草图互补。

Comments 10 pages of main text, 2 pages of references, and 20 pages of appendices

Pre-Training on Software Engineering Texts: Effects on Domain Adaptation and General-Language Understanding

软件工程文本的预训练：对领域适应和通用语言理解的影响

Fabian C. Peña, Steffen Herbold

专题命中 领域大模型 ：language model(abstract)

AI总结 研究如何让语言模型适应软件工程文本，比较持续预训练和从头预训练，评估领域适应和通用语言理解。发现重用现有模型占优，CPT领域收益小，PTS代价大，还给出实用指南并发布相关资源。

A Unique Normal Form for Tensor Trains over Arbitrary Fields

任意域上张量列的唯一范式

Renaud Vilmart

专题命中 领域大模型 ：prompting(abstract)

AI总结 研究任意域上张量列的可约性问题，提出唯一范式及多项式时间约简策略，能从完整张量提取范式、获取相关索引值并给出大小上限，加强其作为形式工具的应用，扩展张量网络形式主义到更一般设置。

Articulating Assumptions in AI-Generated Scientific Analyses through Task Decomposition

通过任务分解阐明人工智能生成的科学分析中的假设

Ahmed Hammad, Mihoko Nojiri

专题命中 领域大模型 ：LLM(abstract)

AI总结 研究旨在解决大语言模型生成的科学分析结果的可理解性和可重现性问题，通过引入基于数量的语义差异多智能体框架及相关模块，经对撞机物理分析验证，模块化任务分解提升了透明度与可靠性，还能让小模型执行完整流程。

Comments 20 pages, 1 figure and 4 tabels

A Multimodal Reasoning Typology for Grounding Chart-Image Coherence in Science Communication

面向科学传播中图表-图像连贯性锚定的多模态推理类型学

Avina Nakarmi, Sohom Sen, Xun Song, Sreyashi Samaddar, Aritra Dasgupta

机构 * New Jersey Institute of Technology（新泽西理工学院） ； Brooklyn College（布鲁克林学院） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 本研究提出R1-R5多模态推理类型学，刻画科学文献中图表、图像与文本的协同推理缺口，可系统识别连贯性锚定状态，缩小不同人群解读科学结论的认知差距。

Solve the Missing First Step: Can VLMs Standardize Raw Heterogeneous Medical Data?

解决缺失的第一步：视觉语言模型能否标准化原始异构医学数据？

Xin Chen, Dongliang Xu, Cunhao Zhu, Xudong Luo, Haoyang Lyu, Xiaoxiao Sun, Serena Yeung-Levy, Yue Yao

机构 * Shandong University（山东大学） ； Stanford University（斯坦福大学） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 研究视觉语言模型应用于医学AI时原始医学数据标准化问题，通过构建基准测试，让模型处理原始数据集文件夹，评估其多种能力，发现即使最佳模型端到端成功率也低，凸显该环节是医学AI诊断关键瓶颈。

Comments 16 pages, 7 figures

Beyond Random Sampling: Distribution-Aware Alignment for Semi-Supervised Medical Image Segmentation

超越随机采样：用于半监督医学图像分割的分布感知对齐

Weihao Yan, Yeqiang Qian, Yi Dong, Ming Yang

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院） ； Department of Ultrasound, Xinhua Hospital Affiliated to Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属新华医院超声科） 纠错

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

AI总结 研究针对半监督医学图像分割中随机采样策略在低数据量时表征偏差的问题，提出基于分布对齐的高效框架，用分布感知样本选择策略和记忆引导复制粘贴模块，提升分割性能。

Comments 19 pages, 5 figures, accepted by ECCV 2026

Dual-Adaptive SAM3: Hierarchical Routing over Low-Rank Expert Layers for Parameter-Efficient Medical Image Segmentation

双自适应SAM3：基于低秩专家层的分层路由用于参数高效的医学图像分割

Ying Chen, Jinyue Li, Kun Wang, Qiankun Li, Yang Liu

机构 * Shenzhen Research Institute, The Chinese University of Hong Kong（香港中文大学深圳研究院） ； University of Science and Technology of China（中国科学技术大学） ； Nanyang Technological University（南洋理工大学） ； Imperial Global Singapore (IGS), Imperial College London（伦敦帝国理工学院新加坡帝国全球（IGS）） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 提出双自适应SAM3框架，通过任务感知的动态专家路由器和参数感知的分解参数化专家设计，兼顾分割精度与参数效率，在医学图像分割上有高表现。

Comments Accepted by MICCAI 2026

Domain Generalization via Text-Anchored Information Bottleneck

基于文本锚定信息瓶颈的域泛化

Eunyi Lyou, Yunjeong Choi, Junho Lee, Joonseok Lee

机构 * Seoul National University（首尔大学） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 提出通过语言嵌入空间作为信息瓶颈来抑制视觉表征中的虚假线索，从而提升域泛化性能，实验表明该方法达到最新最优水平。

Comments Accepted to ECCV 2026

MedCAGD: Context-Aware Gated Decoder for Efficient Medical Image Segmentation

MedCAGD：用于高效医学图像分割的上下文感知门控解码器

Saad Wazir, Patrick Dominique Vibild, Dinh Phu Tran, Seongah Kim, Daeyoung Kim

机构 * School of Computing, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院计算学院） ； Department of Energy, Aalborg University（奥尔堡大学能源系） 纠错

专题命中 领域大模型 ：pretraining(abstract)

AI总结 提出一种上下文感知门控解码器，通过轻量多尺度通道重校准、门控跳跃融合和全局上下文聚合机制，有效利用预训练编码器特征，在11个基准上优于强基线。

Comments Accepted at the European Conference on Computer Vision (ECCV 2026)

Evaluating Hardware Abstraction Layer Concepts for Software Defined Vehicles: Insights into Applicability and Effectiveness

评估软件定义车辆的硬件抽象层概念：适用性与有效性洞察

Akshay Narla, Johannes Stümpfle, Souvik Saha, Nasser Jazdi, Michael Weyrich

专题命中 领域大模型 ：prompting(abstract)

AI总结 本文系统评估现有汽车HAL及跨领域HAL机制，提出基于标准的评估框架，发现基于管理程序的HAL在安全性和OTA就绪性上更优，并建议混合HAL设计以整合隔离与标准化。

Comments Peer-reviewed and Published in: 2025 IEEE International Automated Vehicle Validation Conference (IAVVC)

Training-free Cross-domain Few-shot Segmentation via Robust Semantic Representation and Matching

基于鲁棒语义表示与匹配的无训练跨域小样本分割

Sujun Sun, Mingwu Ren, Haofeng Zhang

机构 * School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； State Key Laboratory of Intelligent Manufacturing of Advanced Construction Machinery（先进工程机械智能制造国家重点实验室） 纠错

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

AI总结 提出无训练框架，利用DINOv3编码器和三个核心模块（语义感知特征融合、自适应支持增强、混合原型匹配）实现跨域小样本分割，无需训练或微调，在四个目标域数据集上达到最优性能。

Comments Accepted by ECCV 2026

Full-Domain Coupler: A Wireless Native Neural Backbone for Channel Representation and Deduction

全域耦合器：一种用于信道表示与推演的无线原生神经骨干网络

Zirui Chen, Ziqing Xing, Zhaoyang Zhang, Hongning Ruan, Yuzhi Yang, Zhaohui Yang, Chongwen Huang, Merouane Debbah

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

AI总结 针对无线数据多域深度耦合问题，提出无线原生AI神经骨干网络Coupler，通过逐层域分解与交错级联实现高效信道表示，在信道推演任务中取得显著性能提升。

Comments The code and data supporting this work are available at https://github.com/XIronMan0220/Coupler-Channel-Deduction

Retrieval-Based Brain Decoding by Alignment, not Complexity

基于对齐而非复杂性的检索式脑解码

Matteo Ciferri, Matteo Ferrante, Nicola Toschi

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

AI总结 本文通过跨多数据集实验证明，线性对比解码器在脑解码中优于岭回归和标准非线性方法，表明解码增益更多来自训练目标而非架构复杂性。

Process-Oriented Evaluation of AI-Assisted Scientific Writing

面向过程的AI辅助科学写作评估

Patrick Queiroz Da Silva, Sanchaita Hazra, Doeun Lee, Sachin Kumar, Bodhisattwa Prasad Majumder

专题命中 领域大模型 ：language model(abstract)

AI总结 通过分析869次击键级编辑日志，研究人类在激励下修改AI生成与人类撰写的摘要时的编辑行为，发现AI摘要句子层面能动性高但全局连贯性差，专家在知晓AI来源时表现出污名化行为，语言模型改进编辑但全局连贯性仍不足。

Sparse2Act: Learning Action-Aligned Sparse 3D Representations for Cross-Domain Robot Manipulation

Sparse2Act: 学习跨域机器人操作的动作对齐稀疏3D表示

Yu Guo, Chang Yu, Siyu Ma, Yunuo Chen, Yin Yang, Ying Nian Wu, Chenfanfu Jiang

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of California, San Diego（加州大学圣迭戈分校） ； University of Utah（犹他大学） 纠错

专题命中 领域大模型 ：pretraining(abstract)

AI总结 提出Sparse2Act框架，通过动作对齐的掩码稀疏3D编码预训练，实现跨域机器人操作，在LIBERO-10上达86.9%成功率，并支持域迁移和sim-to-real。

Bridging Day and Night: Unsupervised Cross-Domain Re-Identification with Synergistic Prompt and Prototype Learning

连接昼夜：基于协同提示与原型学习的无监督跨域重识别

Jiyang Xu, Rui Liu, Hang Dai

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 提出无监督昼夜重识别框架，结合提示学习和原型表示学习，通过两阶段训练实现无标注跨域身份关联，性能媲美全监督方法。

Making Software Meaningful

使软件有意义

Eagon Meng, Abutalib Namazov, Carmel Schare, Alcino Cunha, Daniel Jackson

专题命中 领域大模型 ：LLM(abstract_cn)

AI总结 提出通过承诺显式意义来改善软件可用性、模块化和可问责性，构建领域行为表示作为通用词汇，并应用于设计、代码生成和智能体问责。

ExDet: Open-Domain Open-Vocabulary Detection with Cross-modal Extrapolation and Rectification

ExDet: 基于跨模态外推与校正的开放域开放词汇检测

Yupeng Zhang, Yuzhong Feng, Ruize Han, Zhiwei Chen, Wei Feng, Liang Wan

机构 * College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部） ； Faculty of Computer Science and Artificial Intelligence, Shenzhen University of Advanced Technology（深圳理工大学计算机科学与人工智能学院） ； School of Artificial Intelligence, Nanchang University（南昌大学人工智能学院） 纠错

专题命中 领域大模型 ：language model(abstract)

AI总结 提出ExDet框架，通过文本引导外推（TGE）和检测器兼容校正（DCR）模块，无需额外训练即可增强开放域开放词汇检测的跨类别和跨域泛化能力，在多个基准上取得最优性能。