语言大模型 / LLM

NAST: Improving Negation Handling in Medical Vision-Language Models through Negation-Aware Selective Training

针对医学视觉-语言模型中否定处理改进的分层微调

Ali Abbasi, Mehdi Taghipour, Rahmatollah Beheshti

机构 * University of Delaware（德克萨斯大学） 纠错

专题命中 领域大模型 ：language model(title,abstract)

AI总结 本研究提出NAST方法，通过因果追溯效应调节逐层梯度更新，提升医学视觉-语言模型对否定处理的识别能力，同时保持一般视觉-语言对齐。

Comments 16 pages, 6 figures. Accepted to MLHC 2026

Reassessing Code Authorship Attribution in the Era of Language Models

在语言模型时代重新评估代码作者归属

Atish Kumar Dipongkor, Ziyu Yao, Kevin Moran

专题命中 领域大模型 ：language model(title,abstract)

AI总结 本研究首次大规模实证评估了多种代码语言模型在代码作者归属任务上的性能，揭示了它们理解代码风格模式的关键行为。

Comments Accepted in TOSEM

MEDIC-AD: Towards Medical Vision-Language Model's Clinical Intelligence

MEDIC-AD：迈向医疗视觉-语言模型的临床智能

Woohyeon Park, Jaeik Kim, Sunghwan Steve Cho, Pa Hong, Wookyoung Jeong, Yoojin Nam, Namjoon Kim, Ginny Y. Wong, Ka Chun Cheung, Jaeyoung Do

机构 * AIDAS Laboratory, Seoul National University（首尔大学AIDAS实验室） ； Samsung Changwon Hospital（三星昌原医院） ； Samsung Medical Center（三星医疗中心） ； NVIDIA, Santa Clara, USA（英伟达（美国圣克拉拉）） 纠错

专题命中 领域大模型 ：language model(title,abstract)

AI总结 MEDIC-AD通过分阶段框架提升医疗视觉-语言模型在病变检测、症状跟踪和视觉可解释性方面的性能，实现临床应用中的最优表现。

Journal ref CVPR 2026

Universality Reconsidered: Rethinking the Validation of Foundation Models for General-Purpose 3D Medical Segmentation

揭示通用3D医学分割中的模态差异与泛化幻觉

Yichi Zhang, Le Xue, Feiyang Xiao, Wenbo Zhang, Gang Feng, Chenguang Zheng, Yuan Qi, Yuan Cheng, Zixin Hu

机构 * Fudan University, Shanghai, China.（复旦大学） ； Shanghai Academy of Artificial Intelligence for Science, Shanghai, China.（上海人工智能科学研究院） ； Shanghai Universal Medical Imaging Diagnostic Center, Shanghai, China.（上海通用医学影像诊断中心） 纠错

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

AI总结 本文通过UMD数据集揭示3D医学分割中模态差异与泛化幻觉问题，指出现有基础模型在实际应用中存在显著性能差异，需转向多模态训练以提升通用性。

Learning Sparse Latent Predictive Foundation Model for Multimodal Neuroimaging

学习用于多模态神经影像的稀疏潜在预测基础模型

Haoxu Huang, Long Chen, Jingyun Chen, Jinu Hyun, James Ryan Loftus, Kara Melmed, Daniel Orringer, Jennifer Frontera, Seena Dehkharghani, Arjun Masurkar, Narges Razavian

机构 * New York University, Center for Data Science（纽约大学数据科学中心） ； NYU Grossman School of Medicine, Department of Radiology（纽约大学格罗斯曼医学院放射学系） ； State University of New York at Binghamton, School of Computing（纽约州立大学宾汉姆顿分校计算机学院） ； NYU Grossman School of Medicine, Department of Neurology（纽约大学格罗斯曼医学院神经病学系） ； NYU Grossman School of Medicine, Department of Neurosurgery（纽约大学格罗斯曼医学院神经外科学系） ； NYU Grossman School of Medicine, Department of Pathology（纽约大学格罗斯曼医学院病理学系） ； School of Medicine, Department of Radiology, Stanford（斯坦福大学医学院放射学系） ； NYU Grossman School of Medicine, Department of Neuroscience（纽约大学格罗斯曼医学院神经科学系） ； NYU Grossman School of Medicine, Neuroscience Institute（纽约大学格罗斯曼医学院神经科学研究所） 纠错

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

AI总结 提出Neuro-JEPA模型，结合潜在预测目标和专家混合架构，学习T1w、T2w和FLAIR三种MRI序列的统一表示，在25项临床任务和22项公开数据集任务上优于现有基础模型和CNN基线。

Comments Under Review Preprint

BiomechGPT: Extending Motion-Language Models to Clinical Motion Understanding

BiomechGPT：将运动-语言模型扩展到临床运动理解

Ruize Yang, Ann Kennedy, R. James Cotton

专题命中 领域大模型 ：language model(title,abstract)

AI总结 研究探索多模态运动-语言模型BiomechGPT能否回答临床运动相关问题。通过收集数据、设计跨格式令牌化器构建多模态数据集来训练模型，其在临床相关任务中性能良好，为临床和研究人员交互生物力学数据提供新途径。

Comments Project page: https://intelligentsensingandrehabilitation.github.io/BiomechGPT/

SAVER: Mitigating Hallucinations in Large Vision-Language Models via Style-Aware Visual Early Revision

SAVER：通过风格感知视觉早期修正减轻大型视觉语言模型中的幻觉

Zhaoxu Li, Chenqi Kong, Yi Yu, Qiangqiang Wu, Xinghao Jiang, Ngai-Man Cheung, Bihan Wen, Alex Kot, Xudong Jiang

机构 * ROSE Lab, Interdisciplinary Graduate Programme, Nanyang Technological University, Singapore（南洋理工大学罗思实验室，跨学科研究生项目，新加坡） ； ROSE Lab, School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学罗思实验室，电子与电气工程学院，新加坡） ； City University of Hong Kong, Hong Kong SAR（香港城市大学，香港特别行政区） ； Shanghai Jiao Tong University, China（上海交通大学，中国） ； Singapore University of Technology and Design, Singapore（新加坡科技设计大学，新加坡） ； VinUniversity, Hanoi, Vietnam（越南文大学，河内，越南） 纠错

专题命中 领域大模型 ：language model(title,abstract)

AI总结 研究大型视觉语言模型幻觉问题，构建含照片及风格化图像数据集并对比，提出SAVER机制，利用早期层反馈基于视觉注意力模式动态调整输出，减轻风格化图像引起的幻觉，实验证明其性能先进。

Comments Accepted at AAAI 2026. 24 pages, 10 figures. Code: https://github.com/llizhaoxu/SAVER

MeDUET: Disentangled Unified Pretraining for 3D Medical Image Synthesis and Analysis

MeDUET：面向3D医学图像合成与分析的解耦统一预训练

Junkai Liu, Ling Shao, Le Zhang

专题命中 领域大模型 ：pretraining(title,abstract)

AI总结 提出MeDUET框架，在变分自编码器潜在空间中通过解耦学习域不变内容因子和域特定风格因子，统一3D医学图像合成与分析任务，提升合成质量、收敛速度和域泛化能力。

Towards channel foundation models (CFMs): Motivations, methodologies and opportunities

迈向信道基础模型（CFMs）：动机、方法论与机遇

Jun Jiang, Yuan Gao, Xinyi Wu, Shugong Xu

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

AI总结 本文首次提出信道基础模型（CFMs）概念，利用自监督学习和大规模无标注数据构建通用信道特征提取器，以克服传统AI模型依赖标注数据、泛化能力差和任务特定设计的局限。

Comments Submitted to IEEE Journal, Awesome GitHub: https://github.com/GREAT-ISAC/Awesome-Channel-Foundation-Models

IACDM: Interactive Adversarial Convergence Development Methodology -- A Structured Framework for AI-Assisted Software Development

IACDM：交互对抗收敛开发方法论——面向AI辅助软件开发的结构化框架

Jasmine Moreira

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

AI总结 本文提出IACDM方法论，通过外部验证代理解决AI生成应用中的验证缺口问题，强调通过层次语义分析、知识管理及系统对抗批评提升软件开发质量。

Comments 37 pages, 7 tables. Technical Foundation Document. v3 adds a pre-registered experiment testing lens non-redundancy over 12 projects, and withdraws the retrospective analysis of v1-v2 (defective instrument). Data: https://doi.org/10.5281/zenodo.21908908 Repo: https://github.com/jasminemoreira/Versus

A Rigorous Turing Test: a Foundation for Evaluating Artificial General Intelligence

一项严格的图灵测试：评估通用人工智能的基础

Sharon Temtsin, Diane Proudfoot, David Kaber, Christoph Bartneck

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

AI总结 该研究严格遵循图灵原始规则开展图灵测试，发现仅1名参与者误识别大型语言模型，表明其通过图灵测试的说法尚不成熟，图灵测试仍将是评估机器智能的核心手段。

In-Context Examples Suppress Scientific Knowledge Recall in LLMs

上下文示例抑制大语言模型中的科学知识回忆

Chaemin Jang, Woojin Park, Hyeok Yun, Dongman Lee, Jihee Kim

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 研究发现上下文示例会削弱大语言模型对科学知识的回忆能力，使模型更依赖经验模式匹配而非预训练知识。

Comments COLM 2026

The Capability Paradox: How Smarter Auditors Make Multi-Agent Systems Less Secure

能力悖论：更聪明的审计员如何使多智能体系统更不安全

Qiqi Liu, Runhan Song, Shilin Ye

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Max Planck Institute for Security and Privacy（马克斯·普朗克安全与隐私研究所） ； Henan Yinzhu Safety Technology Co., Ltd.（河南亿众安全技术有限公司） ； Harbin Institute of Technology, Faculty of Computing（哈尔滨工业大学计算机学院） 纠错

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

AI总结 本文研究了多智能体系统中，随着工人能力的提升，系统级攻击成功率反而上升的现象，揭示了语言确定性在攻击传播中的作用，并提出异质性集成验证作为解决方案，以降低攻击成功率。

Comments 28 pages, 6 figures

Deep Expert Injection for Anchoring Retinal VLMs with Domain-Specific Knowledge

深度专家注入用于带有领域特定知识的视网膜视觉语言模型的锚定

Shuai Lu, Meng Wang, Jia Guo, Jiawei Du, Bo Liu, Shengzhu Yang, Weihang Zhang, Huazhu Fu, Huiqi Li

机构 * Beijing Institute of Technology, Beijing, China（北京理工大学） ； National University of Singapore, Singapore（新加坡国立大学） ； Tsinghua University, Beijing, China（清华大学） ； The Hong Kong Polytechnic University, Hong Kong（香港理工大学） 纠错

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

AI总结 本文提出EyExIn框架，通过深度专家注入机制提升视网膜VLMs的领域知识嵌入能力，解决感知与推理间隙问题，实现高精度眼科视觉问答。

From Execution to Capability: Scientific Experience Consolidation via Procedural Knowledge Synthesis

从执行到能力：通过过程知识合成进行科学经验巩固

Liwei Dong, Jiahao Zhao, Nan Xu

机构 * XScience Lab（X科学实验室） ； Wenge AI（文阁人工智能） 纠错

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

AI总结 研究科学计算经验巩固问题，引入SciConsolidate方法，通过对比成败归纳跨任务过程，经开发验证门选择，用失败告知等扩展数据，克服抽象执行差距，在SciCode上实验，为科学计算建立经验到能力途径及自我改进起点。

Statistical realism is not evidence that LLMs can estimate treatment effects in social science experiments

当模拟看起来正确但因果效应出错：大型语言模型作为行为模拟器

Zonghan Li, Feng Ji

机构 * University of Toronto（多伦多大学） 纠错

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

AI总结 研究评估了大型语言模型在气候心理学干预中的行为模拟能力，发现描述性拟合不等于因果准确性，不同干预逻辑和结果类型导致误差差异，提示依赖描述性拟合可能误导干预效果结论。

AutoMat: Enabling Automated Crystal Structure Reconstruction from Microscopy via Agentic Tool Use

AutoMat：通过智能工具使用实现从显微镜图像自动重建晶体结构

Yaotian Yang, Yiwen Tang, Yizhe Chen, Xiao Chen, Jiangjie Qiu, Hao Xiong, Haoyu Yin, Zhiyao Luo, Yifei Zhang, Sijia Tao, Wentao Li, Qinghua Zhang, Yuqiang Li, Wanli Ouyang, Bin Zhao, Xiaonan Wang, Fei Wei

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

AI总结 研究旨在从有噪声的STEM投影重建晶体结构，提出AutoMat智能控制器，通过闭环验证和多模块组合实现。引入基准数据集评估，结果显示其性能优于现有方法，建立了从微观到原子尺度建模的途径。

Comments The code and dataset are publicly available at https://github.com/yyt-2378/AutoMat and https://huggingface.co/datasets/yaotianvector/STEM2Mat

Mapping Political-Elite Networks in Europe with a Multilingual Joint Entity-Relation Extraction Pipeline

用多语言联合实体关系抽取管道绘制欧洲政治精英网络

Kirill Solovev, Jana Lasser

机构 * IDea_Lab, University of Graz（格拉茨大学IDea_Lab） 纠错

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

AI总结 提出模块化、全开放权重的多语言联合实体关系抽取管道，从大规模非结构化新闻语料中构建带符号的时间知识图谱，通过跨度命名实体识别、三阶段链接级联和约束混合专家模型实现高文本正确性，并在奥地利和波兰案例中验证其有效性。

Comments Updated NET-ROL citation per their request

InqEduAgent: Adaptive AI Learning Partners with Gaussian Process Augmentation

InqEduAgent：具有高斯过程增强的自适应人工智能学习伙伴

Wen-Xi Yang, Tian-Fang Zhao, Guan Liu

机构 * Guangdong Institute of Smart Education（广东智能教育研究院） ； Jinan University（暨南大学） ； School of Journalism and Communication（新闻与传播学院） 纠错

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

AI总结 研究针对探究式教育中学习伙伴分配问题，提出InqEduAgent框架，集成高斯过程增强匹配机制，能基于先验知识模式选自适应伙伴，实验证明其性能优越，推进了人机协作学习及相关领域发展。

Comments Accepted by the 2026 8th Asia Conference on Machine Learning and Computing (ACMLC 2026)

VASP Agent: An Agentic Framework for Autonomous First-principles Calculations

VASP智能体：一种用于自主第一性原理计算的智能框架

Zeyu Xia, Jinzhe Ma, Congjie Zheng, Zhongyao Wang, Shufei Zhang, Yuqiang Li, Hang Su, P. Hu, Changshui Zhang, Xingao Gong, Wanli Ouyang, Lei Bai, Dongzhan Zhou, Mao Su

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Department of Computer Science and Technology（计算机科学与技术系） ； School of Physical Science and Technology（物理科学与技术学院） ； Department of Automation（自动化系） ； Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心） ； School of Chemistry and Chemical Engineering（化学与化工学院） ； Key Laboratory of Computational Physical Sciences (Ministry of Education)（计算物理科学重点实验室） ； The Chinese University of Hong Kong（香港中文大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究所） 纠错

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

AI总结 研究针对第一性原理材料计算对自主性的高要求，提出VASP智能体系统，结合多种技能和工具执行多步VASP计算，经多任务评估，其计算结果更优，还能诊断并恢复计算错误。

Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs

多模态大语言模型在胃肠诊断中的临床认知对齐

Huan Zheng, Yucheng Zhou, Tianyi Yan, Dubing Chen, Hongbo Lu, Wenlong Liao, Tao He, Pai Peng, Jianbing Shen

机构 * SKL-IOTSC, CIS, University of Macau（澳门大学协同创新研究院物联网国家重点实验室） ； Shanghai Jiao Tong University（上海交通大学） ； COWARobot Co. Ltd.（COWARobot有限公司） 纠错

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

AI总结 本文提出CogAlign框架，通过构建层次化临床认知数据集和监督微调提升模型临床分析能力，并采用反事实强化学习消除视觉偏差，实现胃肠诊断的因果关联与高准确率。

Comments ECCV 2026

TAMA: A Human-AI Collaborative Thematic Analysis Framework Using Multi-Agent LLMs for Clinical Interviews

TAMA：一种使用多智能体大语言模型进行临床访谈的人机协作主题分析框架

Huimin Xu, Seungjun Yi, Terence Lim, Jiawei Xu, Andrew Well, Carlos Mery, Aidong Zhang, Yuji Zhang, Heng Ji, Keshav Pingali, Yan Leng, Ying Ding

机构 * School of Information, University of Texas at Austin（信息学院，德克萨斯大学奥斯汀分校） ； Department of Biomedical Engineering, University of Texas at Austin（生物医学工程系，德克萨斯大学奥斯汀分校） ； College of Natural Sciences, University of Texas at Austin（自然科学院，德克萨斯大学奥斯汀分校） ； Graphen, Inc.（Graphen公司） ； Department of Cardiac Surgery, Division of Pediatric Cardiac Surgery, Vanderbilt University School of Medicine（心脏外科系，范德比尔特大学医学中心） ； Pediatric Heart Institute, Monroe Carell Jr. Children’s Hospital at Vanderbilt（儿童心脏研究所，范德比尔特儿童医院） ； Department of Computer Science, University of Virginia（计算机科学系，弗吉尼亚大学） ； Department of Computer Science, University of Illinois at Urbana-Champaign（计算机科学系，伊利诺伊大学厄巴纳-香槟分校） ； Department of Computer Science, University of Texas at Austin（计算机科学系，德克萨斯大学奥斯汀分校） ； McCombs School of Business, University of Texas at Austin（麦克阿瑟商学院，德克萨斯大学奥斯汀分校） ； Dell Medical School, University of Texas at Austin（德克萨斯大学奥斯汀分校德莱尔医学院） 纠错

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

AI总结 提出人机协作主题分析框架TAMA，利用多智能体系统结构化对话及心脏专家专业知识，用于临床访谈分析，在罕见病访谈转录本分析中性能优于单智能体方法。

Comments Manuscript accepted to ACM Transactions on Computing for Healthcare

Somatic in the East, Psychological in the West?: Investigating Clinically-Grounded Cross-Cultural Depression Symptom Expression in LLMs

东方躯体化，西方心理化？：探究临床基础下跨文化抑郁症状在LLMs中的表达

Shintaro Sakai, Jisun An, Migyeong Kang, Haewoon Kwak

机构 * Indiana University Bloomington（印第安纳大学布卢明顿分校） ； Sungkyunkwan University（成均馆大学） 纠错

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

AI总结 本研究测试大语言模型（LLMs）是否复现西方抑郁患者报告心理症状、东方患者报告躯体症状的文化模式，发现英语提示下模型未能复现，但东方语言提示改善部分对齐，原因在于模型对文化人物敏感性低及症状层级压倒文化线索。

Comments C3NLP workshop at ACL 2026

MedCollab: IBIS-Guided Multi-Agent Collaboration with Hierarchical Disease Relation Chains for Clinical Diagnosis

MedCollab：基于IBIS引导的多智能体协作与分层疾病关系链的临床诊断

Yuqi Zhan, Xinyue Wu, Tianyu Lin, Yutong Bao, Xiaoyu Wang, Weihao Cheng, Huangwei Chen, Feiwei Qin, Zhu Zhu

机构 * Princeton University（普林斯顿大学） ； Springer Heidelberg（斯普林格海德堡） ； ABC Institute（ABC研究所） ； Rupert-Karls-University Heidelberg（海德堡鲁珀特-卡尔大学） ； Hangzhou Dianzi University（杭州电子科技大学） ； Zhejiang University（浙江大学） ； Children’s Hospital, Zhejiang University School of Medicine, National Clinical Research Center for Children and Adolescents’ Health and Diseases（浙江大学医学院儿童医院，国家儿童青少年健康与疾病临床研究中心） 纠错

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

AI总结 提出MedCollab框架，通过IBIS结构化论证和分层疾病关系链（HDRC）增强多智能体协作，提升临床诊断的准确性、可追溯性和报告质量。

ReclAIm: A Multi-Agent Framework for Monitoring and Correcting Performance Decline in Medical Imaging AI

ReclAIm：用于监测和纠正医学影像AI性能下降的多智能体框架

Eleftherios Tzanis, Michail E. Klontzas

机构 * Artificial Intelligence and Translational Imaging (ATI) Lab, Department of Radiology, School of Medicine, University of Crete（人工智能与转化成像实验室，放射科，医学院，希腊克里特大学） ； Computational Biomedicine Laboratory, Institute of Computer Science Foundation for Research and Technology Hellas (ICS - FORTH), Heraklion, Crete, Greece（计算生物医学实验室，希腊基础研究与技术院计算机科学研究所（ICS - FORTH），克里特，希腊） ； Division of Radiology, Department of Clinical Science, Intervention and Technology (CLINTEC), Karolinska Institute, Huddinge, Sweden（放射科，临床科学、干预与技术部（CLINTEC），卡罗林斯卡研究所，瑞典Huddinge） 纠错

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

AI总结 提出基于大语言模型的多智能体框架ReclAIm，通过自然语言交互自动监测医学图像分类模型性能下降并触发微调，采用数据增强、类别不平衡处理和参数锚定正则化策略，在多个数据集上验证了有效性。

Comments Published in Radiology: Artificial Intelligence (https://doi.org/10.1148/ryai.250923)

EasyBCI Agent: Towards Universal Neural Data Preprocessing for Brain-Computer Interfaces

EasyBCI Agent：面向脑机接口的通用神经数据预处理

Yu Zhu, Runkai Zhao, Zhimin Zhou, Jinyu Cai, Zhouheng Yao, Chutian Zhang, Peiyuan Li, Xiaoxing Zhang, Qihao Zheng, Jiamin Wu, Mianxin Liu, Chi Zhang, Bin Min, Lei Bai, Chengyu Li, Jingpeng Wu, Chunfeng Song

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

AI总结 EasyBCI是两阶段大语言模型智能体，可针对六种信号类型规划执行脑机接口预处理，经评估其在EEG任务中表现优于人工流程及通用编码智能体，可扩展至多模态并提升可复现性。

Comments 15 pages, 6 figures, 4 tables

Independent Test Generation for RESTful APIs

用于RESTful API的独立测试生成

S M Sadrul Islam Asif, James Chen, Kennett Puerto Diaz, Earl T. Barr, Mark Marron

专题命中 领域大模型 ：LLM(summary_cn,abstract_cn)

AI总结 研究针对RESTful API测试中多步骤测试的问题，提出TECTON方法，通过显式状态合成及两种互补机制，利用组合测试和LLM处理请求组件，生成高覆盖率测试负载，相比传统方法提升了行覆盖率并暴露更多运行时错误，推动API验证技术进步。

Comments This paper was previously posted on arXiv under the title "BOSQTGEN: Breaking the Sound Barrier in Test Generation"

Large Lemma Miners: Can LLMs do Induction Proofs for Hardware?

大引理挖掘器：LLMs能否为硬件生成归纳证明？

Romy Peled, Daniel Kroening, Michael Tautschnig, Yakir Vizel

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

AI总结 本文探讨LLMs在硬件验证中生成归纳证明的能力，提出神经符号方法，通过两个提示框架生成候选不变量并验证，成功生成正确证明。

An Empirical Study to Understand How Students Use ChatGPT for Writing Essays

一项实证研究：了解学生如何利用ChatGPT撰写论文

Andrew Jelson, Daniel Manesh, Alice Jang, Daniel Dunlap, Young-Ho Kim, Sang Won Lee

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

AI总结 研究通过70名学生的在线实验，分析学生使用ChatGPT撰写论文时的查询模式，发现性别、种族和自我效能等因素影响AI使用模式，且不同使用模式与写作乐趣和所有权感知相关。

Comments 35 pages, 16 figures, 6 tables, Submitted to ACM CHI 2026

Journal ref CHI '26: Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems

Colon-Bench: An Agentic Workflow for Scalable Dense Lesion Annotation in Full-Procedure Colonoscopy Videos

Colon-Bench：一种用于全流程结肠镜视频中可扩展密集病变标注的智能工作流

Abdullah Hamdi, Changchun Yang, Xin Gao

机构 * King Abdullah University of Science and Technology（国王阿卜杜勒·阿齐兹科学与技术大学） 纠错

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

AI总结 提出Colon-Bench，通过多阶段智能工作流实现全流程结肠镜视频的密集病变标注，包含528个视频、14类病变、30万+边界框等，并评估多模态大模型在病变分类、开放词汇视频目标分割和视频视觉问答上的性能。

Comments published at MICCAI 2026