语言大模型 / LLM

LLM-Based Social Simulations Require a Boundary

基于大语言模型的社会模拟需要边界

Zengqing Wu, Run Peng, Takayuki Ito, Makoto Onizuka, Chuan Xiao

机构 * Osaka University（大阪大学） ； Nagoya University（名古屋大学） ； University of Michigan（密歇根大学） ； Kyoto University（京都大学） 纠错

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

AI总结 探讨基于大语言模型的社会模拟，指出其因输出同质化限制对复杂社会动态行为多样性的捕捉。通过回顾研究发现验证实践与问题异质性要求不符，建议匹配验证深度、明确报告方差并合理限制结论，倡导有边界意识的方法为社会科学提供见解。

Comments ICML 2026 Position Paper Track

IUU+DB: Tracking Illegal, Unreported, and Unregulated Fishing, Seafood Fraud, and Labor Abuse through LLM-driven Information Extraction

IUU+DB：通过LLM驱动的信息提取追踪非法、不报告和不管制捕捞、海鲜欺诈和劳工虐待

Henry Bodwell, Hong Yang, John C. Simeone, Kelvin Gorospe, Bella Sullivan, Lana Huang, Jessica Gephart, Sandy Aylesworth, Molly Masterton, Naren Ramakrishnan

机构 * University Of Washington（华盛顿大学） 纠错

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

AI总结 提出IUU+概念扩展非法捕捞定义，并构建基于大语言模型的IUU+DB系统，从异构文档中自动提取事件关键信息，支持去重和趋势分析，为渔业监管和研究提供数据支持。

LLM-Driven CI-CD Workflow Intelligence for Cyber Systems Engineering

面向网络系统工程的由大语言模型驱动的持续集成与持续交付工作流智能

Bonan Shen, Jiazhou Gao, Tao Ning, Wei-Jung Huang, Xin Liu

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 研究面向网络系统工程的CI/CD工作流智能，通过基于大语言模型的分析管道，结合多种方法处理大量GitHub库数据，发现问题并得出结果，强调CI/CD可观测性应结合诊断、上下文和人工审查。

From "Strings" to "Things" for Personal Knowledge Graphs: Evaluating LLM Triple Extraction for Recommendation Systems

从“字符串”到“事物”：面向个人知识图谱的LLM三元组提取在推荐系统中的应用评估

Abhirup Dasgupta, Fernando Spadea, Oshani Seneviratne

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

AI总结 本文提出一种可复现的流水线，利用轻量级大语言模型从对话数据中提取结构化用户偏好三元组，构建个人知识图谱，并评估其在推荐任务中的效用。

Transformer-Based Language Models Across Domain Verticals: Architectures, Applications and Critical Assessment

基于Transformer的语言模型在垂直领域中的应用：架构、应用与批判性评估

Guruprakash J, Krithika L. B

机构 * SCOPE, VIT-AP University（VIT-AP大学SCOPE学院） ； SCORE, VIT（VIT大学SCORE学院） 纠错

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

AI总结 本文系统梳理Transformer架构变体（编码器、解码器、长上下文等）及后2023年进展（指令微调、RLHF、MoE等），评估其在医疗、金融等领域的部署，并批判性分析模型选择、参数-能耗权衡及“SOTA”含义。

Text2DSL: LLM-Based Code Generation for Domain-Specific Languages

Text2DSL：基于大语言模型的领域特定语言代码生成

Alexander V. Kozachok, Alexander M. Nazimov, Shamil G. Magomedov

机构 * RTU MIREA --- Russian Technological University（俄罗斯技术大学） ； Academy of the Federal Guard Service of the Russian Federation（俄罗斯联邦警卫局学院） 纠错

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

AI总结 提出Text2DSL任务，将自然语言描述自动转换为领域特定语言（DSL）代码；构建PolkitBench数据集，通过结构化上下文（BNF语法、API规范等）显著提升LLM生成代码的语法和结构有效性。

Comments 14 pages, 4 figures, 5 tables. Accepted at KES 2026 (Knowledge-Based Intelligent Information and Engineering Systems), Procedia Computer Science, Elsevier

Speaking the Language of Science: Toward a General-Purpose Generative Foundation Model for the Natural Sciences

说科学的语言：面向自然科学的通用生成基础模型

Mingyang Li, Yurou Liu, Jieping Ye, Bing Su, Ji-Rong Wen, Zheng Wang

机构 * Alibaba Group（阿里巴巴集团） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） 纠错

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

AI总结 提出LOGOS模型，通过统一科学语法将异构任务转化为自回归框架中的下一个词预测，在多个科学任务上匹配或超越领域专用基线，验证了“一模型适用于所有”的可行性。

Deployment-Centered Evaluation: Predicting Query-Level Rejection Risk in a Clinical LLM System

以部署为中心的评估：预测临床大语言模型系统中的查询级拒绝风险

Alyssa Unell, Miguel Fuentes, Brenna Li, Bridget Lin, Meena Jagadeesan, Sanmi Koyejo, Nigam Shah

机构 * Department of Computer Science（计算机科学系） ； Department of Medicine（医学系） ； Department of Biomedical Data Science（生物医学数据科学系） 纠错

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

AI总结 针对临床大语言模型系统，提出基于部署上下文（如提供者类型、科室名称）的预响应分类器，预测用户拒绝风险，AUROC达0.719，并展示其在触发护栏和弃权中的效用。

BioMamba: Domain-Adaptive Biomedical Language Models

BioMamba: 领域自适应的生物医学语言模型

Ling Yue, Mingzhi Zhu, Sixue Xing, Yunning Cao, Yanbo Wang, Shimin Shan, Jinfei Liu, Vijil Chenthamarakshan, Shaowu Pan, Payel Das, Tianfan Fu

机构 * Rensselaer Polytechnic Institute（拉特格斯理工学院） ； Jiaxing New Jies Thermal Power Co. Ltd.（嘉兴新捷热电有限公司） ； North University of China（北方大学） ； Zhejiang University（浙江大学） ； IBM Research（IBM研究院） ； Nanjing University（南京大学） 纠错

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

AI总结 提出基于Mamba2的领域自适应预训练方法BioMamba，在PubMed、C4和Wikipedia混合数据上持续训练，显著降低生物医学困惑度并保持通用语言能力。

Eliminating Out-of-Domain Recommendations in LLM-based Recommender Systems: A Unified View

消除基于大语言模型的推荐系统中的域外推荐：一种统一视角

Hao Liao, Jiwei Zhang, Jianxun Lian, Wensheng Lu, Mingqi Wu, Shuo Wang, Yong Zhang, Yitian Huang, Mingyang Zhou, Rui Mao

机构 * College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院） ； Microsoft Research Asia（微软亚洲研究院） 纠错

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

AI总结 本文提出RecLM框架，通过统一架构整合三种 grounding 方法，系统比较了基于嵌入检索、约束生成和离散项生成的推荐方法，有效消除域外推荐并提升了推荐准确性。

Comments 20 pages

Provably Auditable and Safe LLM Agents from Human-Authored Ontologies

基于人类编写本体的可审计且安全的LLM智能体

Aaron Sterling

机构 * Thistleseeds 纠错

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

AI总结 提出Agentic Redux架构，通过类型化λ演算证明其在适当领域上的执行语义正确且决策可审计，并引入本体优先的智能体设计方法。

Computational conceptual history of scientific concepts: From early digital methods to LLMs

科学概念的计算概念史：从早期数字方法到大语言模型

Michael Zichert, Arno Simons

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

AI总结 本文回顾了从早期数字方法到大语言模型的计算概念史方法，分析LLM如何继承旧问题并带来新机遇，重点讨论语料构建、模型选择、操作化及评估解释等挑战。

Comments 19 pages, chapter in the book Understanding Science with Large Language Models? (pp. 383-412). transcript. Edited by Arno Simons, Adrian Wüthrich, Michael Zichert, Gerd Graßhoff (eds.)

IstGPT: LLM-based Anomaly Detection for Spatial-Temporal Graph in Industrial Systems

IstGPT：基于LLM的工业系统时空图异常检测

Yuchen Zhang, Ning Xi, Pengbin Feng, Shigang Liu, Jianfeng Ma, Yulong Shen, Yanan Sun, Xiaolin Zhou

机构 * School of Cyber Engineering, Xidian University（电子科技大学信息工程学院） ； School of Science, Computing and Engineering Technologies, Swinburne University of Technology（斯winburne技术大学科学与工程技术学院） ； School of Computer Science and Technology, Xidian University（电子科技大学计算机科学与技术学院） 纠错

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

AI总结 提出IstGPT，首个结合大语言模型与图学习的工业异常检测工具，通过多模态知识提取传感器-执行器依赖图并利用改进的图神经网络实现实时异常检测，在9个数据集上取得最佳F1分数和eTaF1指标。

LLM Retrieval for Stable and Predictable Ad Recommendations

基于大语言模型的稳定可预测广告推荐

Vinodh Kumar Sunkara, Satheeshkumar Karuppusamy, Hangjun Xu, Sai Deepika Regani, Kshitij Gupta, Gaby Nahum, Sneha Iyer, Jean-Baptiste Fiot, Yinglong Guo, Xiaowen Guo, Atul Jangra, Yucheng Liu, Jinghao Yan, Vijay Pappu, Benjamin Schulte, Deepak Chandra

机构 * Meta Platforms, Inc.（Meta公司） 纠错

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

AI总结 本文提出了一种新的评估框架，用于量化广告推荐系统的稳定性和可预测性，并展示了基于微调大语言模型的在线验证语义候选生成框架，通过提高系统的语义感知能力，在稳定性和可预测性方面实现了显著改进。

Comments SIGIR 2026 AgentSearch Workshop, Melbourne Australia

What Does the AI Doctor Value? Auditing Pluralism in the Clinical Ethics of Language Models

人工智能医生重视什么？审查语言模型临床伦理中的多元主义

Payal Chandak, Victoria Alkin, David Wu, Maya Dagan, Taposh Dutta Roy, Maria Clara Saad Menezes, Ayush Noori, Nirali Somia, John S. Brownstein, Ran Balicer, Rebecca W. Brendel, Noa Dagan, Isaac S. Kohane, Gabriel A. Brat

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

AI总结 本文研究了大型语言模型在医疗建议中带来的伦理价值观，提出了一种审计框架来评估医疗AI中的价值多元主义，揭示了模型在决策中对患者自主权的潜在忽视，并强调了多模型协同的重要性。

Comments Code and data available upon request via https://hvp.global/

Human-LLM Compound System for Scientific Ideation through Facet Recombination and Novelty Evaluation

基于领域重构与新颖性评估的人机协同科学构想系统

Marissa Radensky, Simra Shahid, Raymond Fok, Pao Siangliulue, Tom Hope, Daniel S. Weld

机构 * University of Washington（华盛顿大学） ； Microsoft（微软） ； Allen Institute for AI（人工智能研究院） 纠错

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

AI总结 Scideator通过领域重构与新颖性评估模块，帮助用户在科学构想中生成更具创造性的想法，实验显示其在想法探索和表达性方面优于传统LLM方法。

Comments Updated based on most recent submission

An Agentic LLM-Based Framework for Population-Scale Mental Health Screening

基于代理的大型语言模型框架用于大规模心理健康筛查

Giuliano Lorenzoni, Paulo Alencar, Donald Cowan

机构 * University of Waterloo（滑铁卢大学） 纠错

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

AI总结 本文提出基于代理的LLM框架，通过显式策略和代理引导评估，实现对临床信息的处理和适应，展示在抑郁症检测中稳定配置和成本控制的成果。

Comments 8 pages, conference paper presented at IEEE BigData 2025, Macau

Grid-Orch: An LLM-Powered Orchestrator for Distribution Grid Simulation and Analytics

Grid-Orch：一种基于大语言模型的配电系统仿真与分析 orchestrator

Boming Liu, Jin Dong, Jamie Lian

机构 * Electrification and Energy Infrastructures Division, Oak Ridge National Laboratory（电力化与能源基础设施部门，橡树岭国家实验室） ； UT-Battelle, LLC（UT-巴托尔实验室） 纠错

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

AI总结 Grid-Orch通过Model Context Protocol将大语言模型与电力系统仿真结合，提供36个领域工具，支持自然语言进行复杂分析，提升配电系统研究效率。

LLM-Enhanced Reinforcement Learning for Long-Term User Satisfaction in Interactive Recommendation

基于大语言模型的强化学习用于交互推荐中的长期用户满意度

Chongjun Xia, Yanchun Peng, Xianzhi Wang

机构 * University of Technology Sydney, Sydney, Australia（新南威尔士大学悉尼分校） ； University of Shanghai for Science and Technology（上海科学技术大学） 纠错

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

AI总结 本文提出LLM-Enhanced Reinforcement Learning框架，通过结合大语言模型的语义规划能力与强化学习的细粒度适应性，解决推荐系统中内容同质化和过滤气泡问题，提升长期用户满意度。

Journal ref In: Jung, H., Wang, T., Toyoda, M., Kwon, HY., Lee, Jw. (eds) Database Systems for Advanced Applications. DASFAA 2026. Lecture Notes in Computer Science, vol 16535. Springer, Singapore

Practical Limits of Autonomous Test Repair: A Multi-Agent Case Study with LLM-Driven Discovery and Self-Correction

自主测试修复的实践极限：基于LLM驱动发现与自我校正的多智能体案例研究

Hyukjoo Lee

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文通过多智能体系统在企业UI测试中的应用，探讨自主测试的限制，发现受限自主性能提升系统稳定性与可靠性，需结合验证边界和人工监督。

Comments Industrial case study; submitted for review

SpatialGrammar: A Domain-Specific Language for LLM-Based 3D Indoor Scene Generation

SpatialGrammar: 一种面向领域的语言用于基于LLM的3D室内场景生成

Song Tang, Kaiyong Zhao, Yuliang Li, Qingsong Yan, Penglei Sun, Junyi Zou, Qiang Wang, Xiaowen Chu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） 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SpatialGrammar，一种领域特定语言，通过BEV网格放置确定性编译生成有效3D几何，提升空间准确性和物理合理性。SG-Agent通过编译器反馈迭代优化场景，SG-Mini在单次生成场景中表现优异。

LLM-based User Profile Management for Recommender System

基于大语言模型的用户画像管理用于推荐系统

Seunghwan Bang, Hwanjun Song

机构 * Ulsan National Institute of Science and Technology（乌山国立科学研究院） ； Korea Advanced Institute of Science and Technology（韩国先进科学技术研究院） 纠错

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

AI总结 本文提出PURE框架，通过系统提取和总结用户评论中的关键信息，构建和维护动态用户画像，提升推荐系统的个性化能力。

Comments Accepted at SIGIR 2025 Workshop

RE-MCDF: Closed-Loop Multi-Expert LLM Reasoning for Knowledge-Grounded Clinical Diagnosis

RE-MCDF：闭环多专家LLM推理用于知识驱动的临床诊断

Shaowei Shen, Xiaohong Yang, Jie Yang, Lianfen Huang, Yongcai Zhang, Yang Zou, Seyyedali Hosseinalipour

机构 * School of Informatics, Xiamen University, China（厦门大学信息学系, 中国） ； National Institute for Data Science in Health and Medicine, Xiamen University, China（健康医学数据科学国家研究院, 厦门大学, 中国） ； Key Laboratory of Intelligent Manufacturing Equipment and Industrial Internet Technology, Fujian Provincial Universities, the School of Information Science and Technology, Xiamen University Tan Kah Kee College, and also with the Department of Informatics and Communication Engineering, Xiamen University, China（福建省智能制造装备与工业互联网技术重点实验室, 福建省高校, 厦门大学信息科学系, 厦门大学坦克 Kee 学院, 以及厦门大学信息与通信工程系, 中国） ； School of Medicine, Xiamen University, China（厦门大学医学院, 中国） ； School of Electronic and Information Engineering, Tongji University, China（同济大学电子与信息工程学院, 中国） ； department of Electrical Engineering, University at Buffalo-SUNY, Buffalo, NY, USA（University at Buffalo-SUNY 电气工程系, Buffalo, NY, 美国） 纠错

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

AI总结 针对神经科电子病历异质性、稀疏性和噪声问题，提出RE-MCDF框架，通过闭环架构整合三个互补组件，强化疾病间逻辑约束，提升复杂诊断场景性能。

Comments Accepted by International Joint Conference on Neural Networks (IJCNN 2026); 9 pages, 4 figures

When Corrective Hints Hurt: Prompt Design in Reasoner-Guided Repair of LLM Overcaution on Entailed Negations under OWL~2~DL

当纠正提示有害：在OWL~2~DL合规查询中LLM过度谨慎的修复提示设计

Yijiashun Qi, Xiang Xu, Yuxuan Li

机构 * University of Michigan Ann Arbor, MI, USA（密歇根大学安娜堡分校） ； ByteDance Inc. San Jose, CA, USA（字节跳动公司） ； University of Pennsylvania Philadelphia, PA, USA（宾夕法尼亚大学） 纠错

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

AI总结 研究发现提示设计对LLM在OWL~2~DL合规查询中的修复效果有显著影响，通过对比不同交互模式发现，基于推理器的修复方法在无提示时表现最佳，而带有提示的修复方法效果更差。

Comments accepted by icaide 2026

Scaling Recurrence-aware Foundation Models for Clinical Records via Next-Visit Prediction

通过下一步预测扩展临床记录的复发意识基础模型

Haresh Rengaraj Rajamohan, Xiang Gao, Weicheng Zhu, Shih-Lun Huang, Long Chen, Gabe Schulman, Huizhen Jin, Shengduo Li, Yixuan Wang, Huidi Yang, Kyunghyun Cho, Cem M. Deniz, Narges Razavian

机构 * Center for Data Science（数据科学中心） ； New York University（纽约大学） ； Department of Radiology（放射科） ； NYU Grossman School of Medicine（NYU Grossman医学院） ； Center for Biomedical Imaging（生物医学成像中心） ； Department of Population Health（人群健康部） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；large language model(abstract)；language model(abstract)；pretraining(abstract)

AI总结 本文提出RAVEN模型，通过复发意识的下一步预测策略，改进序列EHR数据生成，解决重复事件对性能指标的干扰问题，并展示模型在不同数据规模下的扩展行为。

MetaDent: Labeling Clinical Images for Vision-Language Models in Dentistry

MetaDent: 临床图像标注用于牙科领域视觉-语言模型

Meng-Xun Li, Wen-Hui Deng, Zhi-Xing Wu, Chun-Xiao Jin, Jia-Min Wu, Yue Han, James Kit Hon Tsoi, Gui-Song Xia, Cui Huang

机构 * School of Computer Science, Wuhan University, Wuhan, Hubei, China（计算机科学学院，武汉大学，武汉，湖北，中国） 纠错

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

AI总结 本文提出MetaDent，通过大规模牙科图像数据集、半结构化标注框架和综合基准测试，解决牙科内窥镜图像分析中缺乏细粒度标注的问题，验证了VLMs在临床图像理解中的性能局限。

Comments Project website: https://menxli.github.io/metadent

Journal ref Journal of Dental Research, p.00220345261424242 (2026)

The Energy Footprint of LLM-Based Environmental Analysis: LLMs and Domain Products

基于大语言模型的环境分析能耗：LLM与领域产品

Alicia Bao, Jiamian He, Angel Hsu, Diego Manya, Ji, Zhang

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Arboretica ； Data-Driven EnviroLab UNC Institute for Environment（北卡罗来纳大学环境研究所数据驱动环境实验室） 纠错

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

AI总结 本文研究了领域特定RAG系统与通用LLM在能耗上的差异，通过分解工作流程评估了ChatNetZero和ChatNDC的能耗，发现领域设计显著影响能耗与输出质量。

InCoder-32B: Code Foundation Model for Industrial Scenarios

InCoder-32B：面向工业场景的代码基础模型

Jian Yang, Wei Zhang, Jiajun Wu, Junhang Cheng, Shawn Guo, Haowen Wang, Weicheng Gu, Yaxin Du, Joseph Li, Fanglin Xu, Yizhi Li, Lin Jing, Yuanbo Wang, Yuhan Gao, Ruihao Gong, Chuan Hao, Ran Tao, Aishan Liu, Tuney Zheng, Ganqu Cui, Zhoujun Li, Mingjie Tang, Chenghua Lin, Wayne Xin Zhao, Xianglong Liu, Ming Zhou, Bryan Dai, Weifeng Lv

机构 * Beihang University（北京航空航天大学） ； IQuest Research ； Shanghai Jiao Tong University（上海交通大学） ； ELLIS ； University of Manchester（曼彻斯特大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Langboat（朗博特） 纠错

专题命中 领域大模型 ：foundation model(title,abstract)；large language model(abstract)；language model(abstract)；post-training(abstract)

AI总结 本文提出InCoder-32B，首个统一芯片设计、GPU内核优化等工业领域的32B参数代码基础模型，通过高效架构和多阶段训练方法，在通用和工业任务中均取得优异性能。

Automating Domain-Driven Design: Experience with a Prompting Framework

自动化领域驱动设计：提示框架的经验

Tobias Eisenreich, Husein Jusic, Stefan Wagner

机构 * Chair of Software Engineering Technical University of Munich Heilbronn, Germany ； Engineering Team FTAPI Software GmbH Munich, Germany 纠错

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

AI总结 本文提出一个提示框架，通过结构化大语言模型交互自动化领域驱动设计的核心活动，通过案例研究验证其在真实需求下的有效性，发现后期步骤易积累误差，LLM能增强但无法替代架构专业知识。

Comments \c{opyright} 20XX IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works

Detecting LLM-Generated Peer Reviews

检测由大语言模型生成的同行评审

Vishisht Rao, Aounon Kumar, Himabindu Lakkaraju, Nihar B. Shah

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

AI总结 本文提出了一种通过间接提示注入在同行评审中嵌入隐蔽水印的方法，用于检测由大语言模型生成的评审，该方法具有强统计保证并能有效应对常见防御措施。

Comments 27 pages, 2 figures