DARWIN Series: Domain Specific Large Language Models for Natural Science
专题命中 领域大模型 ：large language model(title)；language model(title)；LLM(abstract)；分类 cs.CL
AI 大模型
语言大模型 / LLM
大语言模型、预训练、指令微调、后训练和语言模型应用。
1. 领域大模型 12565 篇
Pre-Trained Large Language Models for Industrial Control
专题命中 领域大模型 ：large language model(title)；language model(title)；foundation model(abstract)；分类 cs.AI
Supply chain emission estimation using large language models
专题命中 领域大模型 ：large language model(title)；language model(title)；foundation model(abstract)；分类 cs.CL
Performance of ChatGPT on USMLE: Unlocking the Potential of Large Language Models for AI-Assisted Medical Education
专题命中 领域大模型 ：language model(title,abstract)；large language model(title)；分类 cs.AI
Comments 12 pages, 4 Figues, 4 tables
The Potential and Pitfalls of using a Large Language Model such as ChatGPT or GPT-4 as a Clinical Assistant
专题命中 领域大模型 ：large language model(title)；language model(title)；prompting(abstract)；分类 cs.CL
Comments This manuscript is pre-print and in peer review. Supplementary materials will be published later
What do Large Language Models Learn about Scripts?
专题命中 领域大模型 ：language model(title,abstract)；large language model(title)；分类 cs.CL
Comments 12 pages, 3 figures, 10 tables (including appendix), preprint
Same Facts, Different Diagnosis: Measuring and Mitigating Narrative Anchoring in Clinical Language Models
相同事实，不同诊断：临床语言模型中叙事锚定的测量与缓解
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Queen’s University Belfast（贝尔法斯特女王大学） ； Middlesex University London（伦敦密德萨斯大学）
专题命中 领域大模型 ：language model(title,abstract)；large language model(abstract)；prompting(abstract)；分类 cs.CL、cs.AI
AI总结 本研究针对临床语言模型的叙事锚定偏差，构建含1000个USMLE案例的基准，提出NarrativeShield三智能体流水线，可大幅降低叙事锚定差距并减少不稳定决策，同时发布数据集供相关研究使用。
LLM-Guided Initialization for Accelerated Hybrid Quantum-Classical Medical Image Classification
大语言模型引导的初始化用于加速混合量子-经典医学图像分类
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG
AI总结 该研究提出大语言模型引导的AdaInit初始化方法，结合GPU加速量子模拟，在乳腺X线摄影分类任务中，相比随机初始化大幅提升梯度方差与收敛速度，保持相同分类准确率，验证了方法的有效性与兼容性。
Comments Presented at IAICT 2026, Bali, Indonesia
Toward an Organizational Science of Multi-Agent LLM Systems: Decoupling Who, How, and Which Algorithm
迈向多智能体大语言模型系统的组织科学：解耦谁、如何以及使用哪种算法
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG
AI总结 研究多智能体大语言模型系统中组织、协调与协作协议问题，IMACS 将三者分离，通过对照比较和自适应组织路由学习协议，揭示责任分配位置影响结果，强调组织设计需依模型重新验证或学习。
Comments 8 pages, 2 figures
Ranked by Position: Order Sensitivity as an Exploitable Attack Surface in LLM Listwise Recommenders
按位置排序：顺序敏感性作为大语言模型列表式推荐器中可利用的攻击面
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.LG
AI总结 研究大语言模型列表式推荐器中因位置偏差产生的顺序敏感性攻击面，引入“promo@k”量化漏洞，通过实验得出不同方法对其的影响，证明输入候选顺序是安全相关攻击向量。
Comments 13 pages, 6 figures, 11 tables. Code and data available at https://github.com/geoz-lab/position_bias_attack
Opaque Epistemic Mediation: How LLM Deployment Configurations Shape the Validation of Pseudo-Science
不透明的认知中介：大型语言模型部署配置如何塑造伪科学的验证
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 研究商业大语言模型对伪科学主张的验证，通过测试四个模型家族在不同时间点的表现，发现Grok快速版本评分异常高，还发现模型行为受部署配置影响，如无声补丁、输出差异等，强调这一现象需新的认知问责形式。
Comments 16 pages, 2 tables
Industrial Tokenization for LLM-Based Health Intelligence: A Federated Architecture for Industrial Evidence Integration
基于大语言模型的工业健康智能的工业令牌化：一种用于工业证据集成的联邦架构
机构 * Mingyang Smart Energy Co., Ltd.（明阳智慧能源集团股份有限公司）
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG
AI总结 研究工业健康管理中异构信息源集成问题，提出工业令牌化概念及联邦架构，将特定源分析输出转为工业令牌，以实现跨源推理。给出基于振动诊断输出等的端到端诊断令牌路径，定位工业令牌化为语义接口。
Comments 10 pages, 1 figure
More Is Not More: What Matters for Diversity in LLM Opinions?
更多并非更好：大语言模型观点多样性的关键因素是什么？
机构 * New York University（纽约大学）
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 研究大语言模型观点多样性，通过析因实验分离输入条件设定和交互架构两维度，在7个模型上评估，发现更多角色细节非单调增多样性，不同架构探索不同观点区，组合架构覆盖更广，低成本措施效果差，揭示多样性受干预结构形式和组合影响。
LLM-Guided Task-Semantic Field Factorization for Industrial Process Forecasting
用于工业过程预测的大语言模型引导的任务语义场分解
机构 * College of Information Science and Engineering, Northeastern University（东北大学信息科学与工程学院）
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG
AI总结 针对工业过程预测中标记数据稀缺等问题，提出大语言模型引导的任务语义场分解框架TSF，通过构建任务语义场，结合传统时间序列主干进行训练和推理，在多任务上降低平均绝对误差，增加参数少且推理开销小。
RAGU: A Multi-Step GraphRAG Engine with a Compact Domain-Adapted LLM
RAGU：一个具有紧凑域适应语言模型的多步图检索增强生成引擎
机构 * ITMO University（圣彼得堡国立信息技术机械与光学大学） ； Novosibirsk State University（新西伯利亚国立大学） ； Far Eastern Federal University（远东联邦大学）
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 研究针对现有GraphRAG系统问题，提出RAGU引擎，通过分离提取与合并多步处理知识图。核心方法包括两阶段提取等。贡献在于训练的Meno-Lite-0.1模型表现出色，在多方面超越其他模型，且RAGU安装简单、运行要求低并开源。
Faithful by Design: Evaluating and Improving LLM-Generated Clinical Trial Summaries for Multi-Stakeholder Audiences
设计忠实性：评估和改进面向多利益相关方受众的大语言模型生成的临床试验摘要
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 研究针对大语言模型生成的临床试验摘要的忠实性问题，引入基准评估框架，用特定数据库试验、提示模板和注释模式评估，对比多个模型的基线测量，开发知识图谱增强检索系统，结果显示该系统改进显著，且不同模型改进途径有别。
Comments 8 pages, 8 figures
Which Algorithm Specification Formats Help Language Models Implement Machine Learning Algorithms?
哪种算法规范格式有助于语言模型实现机器学习算法？
机构 * Data Analytics Department, Mizuho-DL Financial Technology, Co., Ltd.（Mizuho-DL金融科技公司数据分析部门） ； NP-hard Inc.（NP-hard公司）
专题命中 领域大模型 ：language model(title,abstract)；LLM(abstract)；large language model(abstract)；分类 cs.AI、cs.LG
AI总结 研究算法规范书面格式对大语言模型首次实现准确性的影响，比较多种格式在五个机器学习任务、三个模型和四个实验设置下的表现，发现不同情况下各格式效果有差异，给出写作建议。
Odyssey: Constructing Verifiable Local Truth-Preserving Foundation Models
Odyssey: 构建可验证的局部保真基础模型
机构 * Adobe Research（Adobe 研究院） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
专题命中 领域大模型 ：foundation model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 提出一种名为ODYSSEY的范畴论框架，通过组合“foundries”构建可验证的局部保真基础模型，并引入Universal Foundry Learning和Foundry SQL实现形式化构造与查询。
Comments 34 pages
Interleaved Speech Language Models Latently Work In Text
交错式语音语言模型在文本中隐式工作
机构 * The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
专题命中 领域大模型 ：language model(title,abstract)；SLM(abstract,abstract_cn)；分类 cs.CL、cs.LG
AI总结 通过logit透镜分析发现，交错式语音-文本语言模型在中间层隐式转录语音为文本，然后基于文本空间预测下一个词，再转换回语音域，揭示了语音与文本模态的内部交互机制。
Comments Preprint. 23 pages, 20 figures, 5 tables
Specialty-Specific Medical Language Model for Immune-Mediated Diseases
免疫介导疾病的专科医学语言模型
机构 * John Snow Labs Inc.（约翰·斯诺实验室公司）
专题命中 领域大模型 ：language model(title)；LLM(abstract,abstract_cn)；prompting(abstract)；分类 cs.CL、cs.AI
AI总结 针对免疫介导和传染病领域，通过专家标注数据集和临床领域嵌入的Transformer模型，提出专科NER模型，F1达0.89，优于基线和零样本方法。
Comments 15 pages, 5 figures. Funded in part by NIAID/NIH under contract 75N93024C00010
Does Slightly Mean Somewhat? Measuring Vague Intensity Words in LLM Numeric Actions
‘稍微’意味着‘ somewhat’吗？在LLM数值行为中测量模糊强度词
机构 * Georgia Institute of Technology（佐治亚理工学院）
专题命中 领域大模型 ：LLM(title,title_cn)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 本文研究了语言模型在必须生成数值行为时是否保留强度词的顺序意义，发现模型在数值输出中压缩了模糊强度词，其解释依赖于状态并接近操作边界时出现不连续性。
Comments 9 figures, 2 tables, 16 references
MedExAgent: Training LLM Agents to Ask, Examine, and Diagnose in Noisy Clinical Environments
MedExAgent：训练LLM代理在嘈杂的临床环境中提问、检查和诊断
机构 * University of Southern California（南加州大学） ； Arizona State University（亚利桑那州立大学）
专题命中 领域大模型 ：LLM(title,title_cn)；分类 cs.CL、cs.AI
AI总结 本文提出MedExAgent，通过两阶段流程训练医疗诊断代理，结合合成对话和DAPO优化，实现高效诊断与成本控制。
Tree-of-Text: A Tree-based Prompting Framework for Table-to-Text Generation in the Sports Domain
树-文本：一种基于树的提示框架，用于体育领域中的表格到文本生成
机构 * National Yang Ming Chiao Tung University
专题命中 领域大模型 ：prompting(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出Tree-of-Text框架，通过三阶段生成过程提升表格到文本生成的精度与效率，在多个体育数据集上表现优异。
Comments Accepted by ACL SRW 2025: Long Paper (Oral)
EVE: A Domain-Specific LLM Framework for Earth Intelligence
EVE：面向地球智能的领域专用LLM框架
机构 * Pi School（Pi学校） ； Mistral AI ； Translated ； ESA Φ \Phi -lab（ESA Φ实验室）
专题命中 领域大模型 ：LLM(title,title_cn)；分类 cs.CL、cs.AI
AI总结 EVE首次提出开源端到端框架，构建24B领域适应模型，在地球观测和科学基准上超越同类模型，提供系统化评估基准和生产系统，支持350名试点用户。
Comments To be published in the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)
Debate as Reward: A Multi-Agent Reward System for Scientific Ideation via RL Post-Training
辩论作为奖励：一种用于科学构想的多智能体奖励系统通过RL后训练
机构 * Sharif University of Technology（谢里夫理工学院） ； University of Tehran（德黑兰大学）
专题命中 领域大模型 ：post-training(title)；large language model(abstract)；language model(abstract)；prompting(abstract)
AI总结 本文提出一种多智能体奖励系统，通过RL后训练提升科学构想的质量，解决奖励黑客问题，实验显示其在新颖性、可行性和有效性上优于现有方法。
Catalog-Native LLM: Speaking Item-ID Dialect with Less Entanglement for Recommendation
基于目录的LLM：以更少的纠缠进行推荐的口语化项ID表达
机构 * University of Maryland - College Park（马里兰大学帕克分校） ； Roblox ； University of Cambridge（剑桥大学）
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.LG
AI总结 本文提出IDIOMoE模型，通过将物品交互历史视为语言空间中的本地方言，结合预训练LLM的文本理解和协作信号，提升推荐性能。
Fighting AI with AI: AI-Agent Augmented DNS Blocking of LLM Services during Student Evaluations
用AI对抗AI：AI代理增强的DNS阻断LLM服务以应对学生评估
机构 * School of Data Intelligence and Technology, Robert Morris University（罗伯特莫里斯大学数据智能与技术学院）
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出AI-Sinkhole框架，利用AI代理和DNS阻断动态阻止考试期间出现的LLM聊天服务，通过量化LLM实现可解释分类，提升学术严谨性。
Comments accepted at ITNG 2026
This Treatment Works, Right? Evaluating LLM Sensitivity to Patient Question Framing in Medical QA
这种治疗有效吗？评估LLM在医疗问答中对患者问题表述的敏感性
机构 * Northeastern University（东北大学） ； UC Berkeley（加州大学伯克利分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UT MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 研究评估了LLM在医疗问答中对问题表述方式的敏感性，发现不同表述方式会导致不一致结论，尤其在多轮对话中更为明显，强调了在高风险场景中需重视表述鲁棒性。
Comments 31 pages, 4 tables, 19 figures
Discrete Prototypical Memories for Federated Time Series Foundation Models
联邦时间序列基础模型的离散原型记忆
机构 * Australian Artificial Intelligence Institute, University of Technology Sydney（澳大利亚人工智能研究所，悉尼科技大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shenzhen University（深圳大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Sichuan University（四川大学）
专题命中 领域大模型 ：foundation model(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出FeDPM框架，通过离散原型记忆解决联邦学习中时间序列数据与文本空间语义不匹配的问题，提升模型泛化能力与效率。
Comments 13 pages,5 figures
Can Humans Tell? A Dual-Axis Study of Human Perception of LLM-Generated News
人类能否辨识？对LLM生成新闻的人类感知双轴研究
机构 * Frankfurt University of Applied Sciences（法兰克福应用技术大学）
专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 研究探讨人类能否区分LLM生成与人工写作的新闻，发现人类无法可靠区分，且认知疲劳导致准确性下降，指出用户层面的检测不可行，需系统级对策。
Comments 6 pages, 6 figures, 1 table. Accepted at the 18th ACM Web Science Conference (WebSci Companion '26)
