语言大模型 / LLM

LLM-MINE: Large Language Model based Alzheimer's Disease and Related Dementias Phenotypes Mining from Clinical Notes

LLM-MINE：基于大语言模型的临床笔记中阿尔茨海默病及相关痴呆症表型挖掘

Mingchen Shao, Yuzhang Xie, Carl Yang, Jiaying Lu

机构 * Northwestern University（西北大学） ； Emory University（埃默里大学） 纠错

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

AI总结 提出LLM-MINE框架，利用大语言模型从临床笔记中自动提取ADRD表型，通过统计显著性和无监督疾病分期评估，发现记忆障碍是最强区分因子，少样本提示结合表型列表实现最佳聚类性能。

The Few-shot Dilemma: Over-prompting Large Language Models

少样本困境：过度提示大型语言模型

Yongjian Tang, Doruk Tuncel, Christian Koerner, Thomas Runkler

机构 * Siemens AG（西门子股份公司） ； Technical University of Munich（慕尼黑技术大学） 纠错

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

AI总结 本文提出一个提示框架，使用随机采样、语义嵌入和TF-IDF三种少样本选择方法，在多个LLM上实验发现过多领域特定示例会降低性能，并通过TF-IDF与分层采样结合找到最优示例数量，在软件需求分类上超越现有方法1%。

Comments accepted for the main track of IEEE FLLM conference; see the DOI and report number below

A Comparative Study of Student Perspectives on Technical Writing Feedback Quality: Evaluating LLMs, SLMs, and Humans in Computer Science Topics

学生视角下技术写作反馈质量比较研究：评估计算机科学主题中的LLM、SLM和人类

Suqing Liu, Runlong Ye, Christopher Eaton, Bogdan Simion, Michael Liut

机构 * McMaster University（麦斯特大学） ； Department of Computer Science, University of Toronto（多伦多大学计算机科学系） ； Research Institute for the Study of University Pedagogy, University of Toronto Mississauga（多伦多大学密西根分校大学教学研究学院） ； Department of Mathematical and Computational Sciences, University of Toronto Mississauga（多伦多大学密西根分校数学与计算科学系） 纠错

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

AI总结 本研究比较了本地部署的小语言模型（SLM）、商业大语言模型（LLM）和人类导师在计算机科学课程中提供写作反馈的质量，发现SLM在可读性和可操作性上获得学生更高评价，而人类反馈在专业写作任务中更受青睐。

Comments accepted at AIED 26

Fine-grained Semantics Integration for Large Language Model-based Recommendation

细粒度语义集成用于基于大语言模型的推荐

Jiawei Feng, Xiaoyu Kong, Leheng Sheng, Bin Wu, Chao Yi, Feifang Yang, Xiang-Rong Sheng, Han Zhu, Xiang Wang, Jiancan Wu, Xiangnan He

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

AI总结 TS-Rec通过细粒度语义集成提升基于LLM的推荐系统性能

Leveraging Multi-Agent System (MAS) and Fine-Tuned Small Language Models (SLMs) for Automated Telecom Network Troubleshooting

利用多智能体系统（MAS）和微调后的小语言模型（SLM）实现电信网络自动化故障排除

Chenhua Shi, Bhavika Jalli, Gregor Macdonald, John Zou, Wanlu Lei, Mridul Jain, Joji Philip

机构 * Ericsson（爱立信） 纠错

专题命中 领域大模型 ：SLM(title_cn,abstract)；language model(title,abstract)；small language model(title,abstract)；large language model(abstract)

AI总结 针对电信网络故障排除难题，提出基于多智能体系统（MAS）的方法，利用大语言模型协调专业工具，通过微调小语言模型生成修复计划，实现全自动故障排除，加速了无线接入网和核心网领域的故障排除自动化。

Comments 6 pages, 7 figures, 1 table, 2026 IEEE ICC Workshop on Wireless Foundation Models for AI-native 6G and Beyond

Assessing the Effect of Cross-Domain Mapping on Creativity in Humans and Large Language Models

机遇由设计：评估跨领域映射对人类和LLM创造力的影响

Qiawen Ella Liu, Marina Dubova, Henry Conklin, Takumi Harada, Thomas L. Griffiths

机构 * Princeton University（普林斯顿大学） ； Santa Fe Institute（圣菲研究所） ； Toyota Motor North America, Inc.（丰田美国公司） 纠错

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

AI总结 研究通过对比人类与LLM在跨领域映射和用户需求两种提示下的创造力表现，发现人类从随机远程领域获得灵感能提升创造力，而LLM生成原创想法更多且跨领域映射影响随灵感源与目标的语义距离增加而增强。

MatSciBench: Benchmarking the Reasoning Ability of Large Language Models in Materials Science

MatSciBench: 基准测试大型语言模型在材料科学中的推理能力

Junkai Zhang, Jingru Gan, Xiaoxuan Wang, Zian Jia, Changquan Gu, Jianpeng Chen, Yanqiao Zhu, Mingyu Derek Ma, Dawei Zhou, Ling Li, Wei Wang

机构 * University of California, Los Angeles Computer Science Department（加州大学洛杉矶分校计算机科学系） ； University of Pennsylvania Department of Materials Science and Engineering（宾夕法尼亚大学材料科学与工程系） ； Virginia Tech Department of Computer Science（弗吉尼亚理工大学计算机科学系） 纠错

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

AI总结 提出MatSciBench基准，包含1340道大学级材料科学问题，覆盖6个主领域和31个子领域，评估LLM推理能力，发现当前模型在领域知识、计算和图表理解方面存在局限。

From Text to Discovery: How Large Language Models Are Reshaping Research Across Scientific and Humanistic Disciplines

从文本到发现：LLM如何重塑科学与人文研究？

Saleh Afroogh, Yasser Pouresmaeil, Yiming Xu, Kevin Chen, Abhejay Murali, Junfeng Jiao

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

AI总结 本文综述LLM在自然科学、社会科学和人文学科中的应用，分析其加速研究流程的潜力与挑战，并提出负责任整合的议程。

Toward Cybersecurity-Expert Small Language Models

面向网络安全专家的小型语言模型

Matan Levi, Daniel Ohayon, Ariel Blobstein, Ravid Sagi, Ian Molloy, Yair Allouche

机构 * IBM Research（IBM研究院） 纠错

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

AI总结 针对网络安全领域缺乏高质量领域模型和训练数据的问题，提出CyberPal 2.0系列小型语言模型（4B-20B参数），通过SecKnowledge 2.0管道生成增强的思维链指令数据集，在多项网络安全基准测试中超越基线并匹配或超越前沿模型。

Algorithmic Prompt Generation for Diverse Human-like Teaming and Communication with Large Language Models

面向多样化类人团队协作与通信的算法化提示生成与大型语言模型

Siddharth Srikanth, Varun Bhatt, Boshen Zhang, Werner Hager, Charles Michael Lewis, Katia P. Sycara, Aaquib Tabrez, Stefanos Nikolaidis

机构 * Thomas Lord Department of Computer Science, University of Southern California（美国南加州大学汤姆·劳德计算机科学系） ； School of Computing and Information, University of Pittsburgh（美国匹兹堡大学计算与信息学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学西伯利机械与航空航天工程学院） 纠错

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

AI总结 结合质量多样性优化与LLM代理，自动搜索生成多样化团队行为的提示，捕获人类协作与通信策略，并通过用户研究验证其类人性。

The Rise of Large Language Models and the Direction and Impact of US Federal Research Funding

大语言模型的兴起与美国联邦科研资金的方向与影响

Yifan Qian, Zhe Wen, Alexander C. Furnas, Yue Bai, Erzhuo Shao, Dashun Wang

机构 * Center for Science of Science and Innovation（科学与创新研究中心） ； Ryan Institute on Complexity（复杂性研究院） ； Northwestern Innovation Institute（西北创新研究院） ； Kellogg School of Management（凯洛格管理学院） ； Northwestern University（西北大学） ； McCormick School of Engineering（麦科姆工程学院） 纠错

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

AI总结 研究探讨大语言模型对美国联邦科研资金分配的影响，发现LLM使用与项目语义独特性呈负相关，且在NIH中促进论文产出，但在NSF中无显著关联。

Comments 97 pages, 58 figures, 15 tables

Journal ref PNAS 123 (33) e2601439123 (2026)

Like a Hammer, It Can Build, It Can Break: Large Language Model Uses, Perceptions, and Adoption in Cybersecurity Operations on Reddit

像锤子一样，它能建造，也能破坏：Reddit上网络安全运营中大语言模型的使用、认知与采纳

Souradip Nath, Chih-Yi Huang, Aditi Ganapathi, Kashyap Thimmaraju, Jaron Mink, Gail-Joon Ahn

机构 * Arizona State University（亚利桑那州立大学） ； Technische Universität Berlin（柏林技术大学） 纠错

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

AI总结 通过对Reddit网络安全论坛892篇帖子进行混合方法分析，研究安全从业者使用LLM工具的模式、认知和采纳情况，发现LLM主要用于低风险、生产力导向任务，企业级安全平台受关注，但可靠性、验证开销和安全问题限制了其自主性。

Comments This paper appears in the Proceedings of the Twenty-Second Symposium on Usable Privacy and Security (SOUPS) 2026

Self-Evolving Recommendation System: End-To-End Autonomous Model Optimization With LLM Agents

自进化推荐系统：基于LLM代理的端到端自主模型优化

Haochen Wang, Yi Wu, Daryl Chang, Li Wei, Lukasz Heldt

机构 * Google Inc（谷歌公司） 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、cs.LG

AI总结 本文提出了一种基于LLM代理的自进化推荐系统，通过端到端自动化流程自主优化模型，提升开发效率和性能。

Comments RecSys 2026

Knowledge Restoration-driven Prompt Optimization: Unlocking LLM Potential for Open-Domain Relational Triplet Extraction

基于知识恢复的提示优化：解锁LLM在开放领域关系三元组提取中的潜力

Xiaonan Jing, Gongqing Wu, Xingrui Zhuo, Lang Sun, Jiapu Wang

机构 * The Key Laboratory of Knowledge Engineering with Big Data (the Ministry of Education of China)（知识工程与大数据关键实验室（中华人民共和国教育部）） ； School of Computer Science and Information Engineering（计算机科学与信息工程学院） ； Anhui Zhongke Guojin Intelligent Technology Co., Ltd.（安徽中科创金智能科技有限公司） ； Nanjing University of Science and Technology（南京理工大学） 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.CL、cs.AI

AI总结 本文提出KRPO框架，通过知识恢复和提示优化提升LLM在开放领域关系三元组提取任务中的性能。

Large Language Model Chatbot Conversations vs Public Health Materials and Parental HPV Vaccination Intentions: A Randomized Clinical Trial

大型语言模型聊天机器人对话与公共卫生材料及父母HPV疫苗接种意愿：一项随机临床试验

Neil K. R. Sehgal, Sunny Rai, Manuel Tonneau, Anish K. Agarwal, Joseph Cappella, Melanie Kornides, Lyle Ungar, Alison Buttenheim, Sharath Chandra Guntuku

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

AI总结 该随机临床试验比较了LLM聊天机器人对话、公共卫生材料和无干预对父母HPV疫苗接种意愿的影响，发现公共卫生材料在即时和45天后均有效，而聊天机器人效果短暂。

Journal ref JAMA Network Open 2026

Feedback Loops and Code Perturbations in LLM-based Software Engineering: A Case Study on a C-to-Rust Translation System

基于LLM的软件工程中的反馈循环与代码扰动：一种C到Rust翻译系统的案例研究

Martin Weiss, Jesko Hecking-Harbusch, Jochen Quante, Matthias Woehrle

机构 * Otto von Guericke University（奥托·冯·格里克大学） ； Bosch Research（博世研究） 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 本文研究了反馈循环、LLM选择和代码扰动对C到Rust翻译系统性能的影响，发现反馈循环可减少模型差异并提升系统鲁棒性。

Comments 10 pages, 9 figures

Clinician-Level Agreement Without Clinical Caution: LLM Evaluator Limits in Medical AI Benchmarking

临床医生级别的一致性缺乏临床谨慎：LLM评估者在医学AI基准测试中的局限性

William Philipp, Finn Fassbender, Daniel Fister, Thorsten Langer, Martje G. Pauly, Rebecca Herzog, Markus A. Hobert, Theresa Paulus, Alexander Baumann, Chi Wang Ip, Lukas L. Goede, Johanna Reimer, Sebastian Löns, Ronald Böck, Sebastian Fudickar

机构 * University of Luebeck（吕贝克大学） ； University of Tübingen（图宾根大学） ； University Hospital Schleswig-Holstein（石勒苏益格-荷尔斯泰因大学医院） ； University Hospital Würzburg（维尔茨堡大学医院） ； Charité – Universitätsmedizin Berlin（柏林夏里特医学院） ； Genie Enterprise Deutschland GmbH 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.CL

AI总结 针对德语开放回答临床基准MedQADE，评估LLM评估者与医生的对齐程度，发现统计一致性高但缺乏临床元认知，且存在系统性的模型谱系偏差。

Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics

超越访问：引导式LLM支架在本科统计学自主学习中的应用

Mohammad Amanlou, Yasaman Amou-Jafari, Mehrad Livian, Fatemeh Boloukazari, Fereshte Bagheri, Elahe Khodaverdi Nadrabadi, Shahab Sherafat, Behnam Bahrak

机构 * School of Electrical and Computer Engineering, University of Tehran, Iran（伊朗塔里哈大学电气与计算机工程学院） ； Tehran Institute for Advanced Studies, Khatam University, Iran（伊朗卡塔姆大学泰赫兰高级研究院） 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 本研究通过准实验比较无LLM、无限制LLM和引导式LLM三种条件，发现引导式LLM使用能促进以推理为导向的交互模式，提升无辅助测验表现，并改善自我评估校准，表明LLM作为教育工具需通过支架设计实现推理伙伴而非答案获取工具。

Comments 10 pages, conference: Proceedings of the 34th International Conference on Computers in Education. Asia-Pacific Society for Computers in Education

Seven Security Challenges in Cross-domain Multi-agent LLM Systems

跨域多智能体LLM系统中必须解决的七个安全挑战

Ronny Ko, Jiseong Jeong, Shuyuan Zheng, Chuan Xiao, Tae-Wan Kim, Makoto Onizuka, Won-Yong Shin

机构 * Osaka University（大阪大学） ； Seoul National University（首尔大学） ； Yonsei University（延世大学） 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 本文针对跨域多智能体LLM系统，提出七类新型安全挑战，包括攻击示例、评估指标和未来研究方向。

Journal ref npj AI(2026)

LatentCRS: A Variational EM Framework for Bridging Semantics and Behavior in LLM-based Conversational Recommendation

LatentCRS：一种用于桥接基于LLM的对话推荐中语义与行为的变分EM框架

Guanrong Li, Kuo Tian, Jinnan Qi, Qinghan Fu, Zhen Wu, Rui Xia, Xinyu Dai

机构 * Nanjing University（南京大学） 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.CL

AI总结 提出LatentCRS框架，通过变分EM过程桥接LLM的语义空间与用户行为模式，解决对话推荐中语义理解与推荐精度不匹配的问题，实验表明其有效提升推荐性能。

An In-depth Study of LLM Contributions to the Bin Packing Problem

LLM对装箱问题贡献的深入研究

Julien Herrmann, Guillaume Pallez

机构 * CNRS-IRIT ； Inria 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 通过分析LLM生成的启发式算法，发现其虽可读但难以解释，进而提出更简单高效的新算法，质疑LLM对装箱问题的实际贡献。

Comments Accepted for publication in ACM Transactions on Evolutionary Learning and Optimization

Deterministic Integrity Gates for LLM-Assisted Clinical Manuscript Preparation: An Auditable Biomedical Informatics Architecture

用于LLM辅助临床手稿准备的确定性完整性门控：一种可审计的生物医学信息学架构

Yoojin Nam, Jinhoon Jeong, Namkug Kim

机构 * University of Ulsan College of Medicine（蔚山大学医学院） ； Asan Medical Center（峨山医疗中心） ； Aperivue ； AMIST, Asan Medical Center（AMIST，峨山医疗中心） 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 提出一种确定性完整性门控架构，通过将工作流分解为可独立验证的技能并在每个阶段设置确定性检查，解决了LLM生成临床手稿中的虚假引用、数据漂移和报告指南缺失问题。

Comments 28 pages, 3 figures, 4 tables; includes supplementary material (deterministic-detector inventory, per-class defect breakdown, worked example). Software (MIT): https://github.com/Aperivue/medsci-skills . Archived on Zenodo: concept DOI https://doi.org/10.5281/zenodo.20155321 and version DOI (v3.8.0) https://doi.org/10.5281/zenodo.20582972

An Industrial-Scale Insurance LLM Achieving Verifiable Domain Mastery and Hallucination Control without Competence Trade-offs

一个工业级保险大语言模型，实现可验证的领域掌握与幻觉控制，无能力权衡

Qian Zhu, Xinnan Guo, Jingjing Huo, Jun Li, Pan Liu, Wenyan Yang, Wanqing Xu, Xuan Lin

机构 * Ant Group（蚂蚁集团） 纠错

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

AI总结 提出INS-S1保险专用大语言模型，通过可验证数据合成系统和渐进式SFT-RL课程框架，在领域任务上达到SOTA，同时保持通用能力并实现0.6%的低幻觉率。

Comments 21 pages, 12 figures, 17 tables

Journal ref ICLR 2026 Workshop Advances in Financial AI

Prestige over merit: An adapted audit of LLM bias in peer review

声望胜过能力：对同行评审中大型语言模型（LLM）偏差的适应性审计

Anthony Howell, Jieshu Wang, Luyu Du, Julia Melkers, Varshil Shah

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

AI总结 本研究开发多角色LLM模拟系统，审计发现LLM在同行评审中存在偏差，机构声望是核心影响因素，低声望作者的论文更易被拒，训练数据的领域规范与声望先验是关键成因。

Auditing Sex/Gender Disparities in Emergency Triage with LLM-based Paired Comparisons

一种用于检测人类偏见的反事实LLM框架：急诊分诊中性/性别案例研究

Ariel Guerra-Adames, Marta Avalos-Fernandez, Océane Dorémus, Leo Anthony Celi, Cédric Gil-Jardiné, Emmanuel Lagarde

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

AI总结 本文提出一种基于LLM的反事实框架，用于检测急诊分诊中性别偏见，发现女性比男性更可能获得较低严重程度评分，揭示了性别在医疗决策中的影响。

Comments Accepted for publication in npj Digital Medicine. This version incorporates revisions made during peer review. In Press

DriveCode: Domain Specific Numerical Encoding for LLM-Based Autonomous Driving

DriveCode: 针对基于LLM的自动驾驶的领域特定数值编码

Zhiye Wang, Yanbo Jiang, Rui Zhou, Bo Zhang, Fang Zhang, Zhenhua Xu, Yaqin Zhang, Jianqiang Wang

机构 * School of Information Science and Engineering, Lanzhou University（兰州大学信息科学与工程学院） ； The School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动性学院） ； The Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； DiDi, Beijing, China（滴滴出行） ； State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University（清华大学智能绿色车辆与移动性国家重点实验室） 纠错

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

AI总结 本文提出DriveCode，一种将数字表示为专用嵌入而非离散文本标记的新型数值编码方法，提升LLM在自动驾驶中的数值推理与解码效率。

Comments The project page is available at https://shiftwilliam.github.io/DriveCode

Do Recommendation Algorithms Work When Users Are LLM Agents? A Case Study on Moltbook

当用户是LLM智能体时推荐算法是否有效？基于Moltbook的案例研究

Daming Li, Simeng Han, Jialu Zhang

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

AI总结 研究LLM智能体作为用户时推荐算法的有效性，在Moltbook平台上评估八种方法，发现基于流行度和物品协同过滤的方法优于用户表示学习，表明推荐从个性化退化为结构模式匹配。

Comments 11 pages, 3 figures, 4 tables

SCALEFeedback: A Large-Scale Dataset of Synthetic Computer Science Assignments for LLM-generated Educational Feedback Research

SCALEFeedback：用于LLM生成教育反馈研究的大规模合成计算机科学作业数据集

Keyang Qian, Kaixun Yang, Wei Dai, Flora Jin, Yixin Cheng, Rui Guan, Sadia Nawaz, Zachari Swiecki, Guanliang Chen, Lixiang Yan, Dragan Gašević

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

AI总结 提出SCALEFeedback数据集，包含10,000份合成学生作业，覆盖59门大学计算机科学课程，用于开发基于LLM的可泛化自动教育反馈方法。

Grounding Large Language Models as Generalizable Policies in Network Control

大语言模型作为网络优化的通用策略

Duo Wu, Linjia Kang, Zhimin Wang, Fangxin Wang, Wei Zhang, Chongbo Sun, Xuefeng Tao, Wei Yang, Le Zhang, Wenwu Zhu, Peng Cui, Zhi Wang

机构 * Bytedance（字节跳动） ； Shenzhen International Graduate School（深圳国际研究生院） ； Tsinghua University（清华大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Department of Computer Science and Technology（计算机科学与技术系） 纠错

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

AI总结 本文提出Trailblazer框架，利用大语言模型实现跨任务和环境的通用网络策略，通过网络对齐和策略协作机制提升效率与泛化能力。

Comments Arxiv version. Official version has been submitted to IEEE Transactions on Mobile Computing

Prompt engineering does not universally improve Large Language Model performance across clinical decision-making tasks

提示工程并不能普遍提升大型语言模型在临床决策任务中的性能

Mengdi Chai, Ali R. Zomorrodi

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

AI总结 本研究发现提示工程对LLMs在临床决策任务中的性能提升具有高度依赖模型和任务的特性，强调了定制化策略的重要性。