Loading...
本文聚焦大型语言模型（LLMs）在医学领域的应用，旨在区分其hype与实际价值，为医疗从业者提供参考。LLMs的本质与局限：LLMs是基于Transformer架构的深度学习模型，通过大规模文本训练实现自然语言处理，但本质是“统计语言模仿者”，缺乏对客观真理的理解，仅能生成符合统计规律的输出。医学应用中的风险：存在隐私泄露（如违反HIPAA法规）、“幻觉”（生成虚假信息，如伪造参考文献）、数据污染（如通过“论文工厂”注入偏见）、训练数据中的偏见传播等问题。实际应用场景。
Automated Code Review Using Large Language Models at Ericsson: An Experience Report
研究背景：代码审查是保障软件质量的关键手段，但依赖资深开发者的时间和精力，易成为开发流程的瓶颈。大语言模型为自动化代码审查提供了可能。解决方案：开发了一套轻量级工具，结合开源LLMs（如Llama、CodeLlama）和静态程序分析技术，通过提取代码修改处的“包围方法”（enclosingmethod）为LLM提供上下文，生成针对性审查意见；设计了多种提示词策略（如简洁审查、详细审查、安全审查），解决LLM生成内容冗长、不相关的问题；
Evaluating Large Language Models (LLMs) in Financial NLP: A Comparative Study on Financial Report...
研究对象：选取GPT、Claude、Perplexity、Gemini和DeepSeek五个主流LLM，以“七大科技公司”（苹果、微软、亚马逊、字母表、英伟达、Meta、特斯拉）2022-2024年的10-K文件（年度报告）中“业务部分（Item1）”为分析对象。评估方法：采用三种评估方式：人类标注：从相关性、完整性、清晰度、简洁性、事实准确性五个维度评分；自动词汇-语义指标：包括ROUGE（1、2、L）、余弦相似度、Jaccard相似度；
Simulating multiple human perspectives in socio-ecological systems using large language models
本文提出了一种名为HoPeS（Human-OrientedPerspectiveShifting，面向人类的视角转换）的建模框架，旨在通过模拟社会生态系统中不同利益相关者的视角，增强对该系统的理解。核心目标：解决社会生态系统研究中“难以获取多样化利益相关者视角”的问题，通过模拟支持用户体验不同角色的视角差异，进而反思、转换和整合多视角洞察。框架构成基于大型语言模型（LLMs）的智能体系统：用LLMs驱动的智能体代表各类利益相关者，用户可代入角色参与模拟；
AQUA: A Large Language Model for Aquaculture & Fisheries
本文介绍了首个专为水产养殖领域设计的大型语言模型（LLM）——AQUA，及其背后的支撑框架AQUADAPT。背景与问题：水产养殖在全球粮食安全中至关重要，但面临疾病爆发、喂养低效、劳动力成本高、孵化场管理困难等挑战，现有AI方法难以应对领域特异性问题。AQUA模型：针对水产养殖领域优化的LLM，旨在为养殖户、研究人员等提供智能洞察，提升决策效率和运营效果。AQUADAPT框架。
LLMs-guided adaptive compensator: Bringing Adaptivity to Automatic Control Systems with Large Lan...
本文聚焦于将大型语言模型（LLMs）应用于自动控制领域的自适应控制子领域，提出了一种“LLMs引导的自适应补偿器”框架。该框架受模型参考自适应控制（MRAC）启发，不要求LLMs从零设计控制器，而是通过提示LLMs分析未知系统与参考系统的响应差异，设计补偿器以对齐两者的响应，从而增强现有反馈控制器的自适应能力。
Investigating Structural Pruning and Recovery Techniques for Compressing Multimodal Large Languag...
尽管多模态大语言模型（MLLMs）展现出令人印象深刻的能力，但其庞大的计算和内存需求为实际部署带来了显著障碍。当前的参数缩减技术主要涉及从小型语言模型（SLMs）训练MLLMs，但这些方法灵活性有限且计算成本高昂。为解决这一差距，我们提出通过结构剪枝结合高效恢复训练直接压缩现有MLLMs。具体而言，我们研究了两种结构剪枝范式——逐层剪枝和宽度剪枝，将其应用于MLLMs的语言模型主干，并结合监督微调和知识蒸馏。此外，我们评估了仅使用少量可用数据进行恢复训练的可行性。
Length Representations in Large Language Models
研究背景与目的：大型语言模型（LLMs）能在指令设置中控制输出序列长度，但内部机制尚未明确。本文旨在探究LLMs内部表征中输出序列长度信息的编码方式。核心发现多头注意力机制（尤其是较低层的输出）在决定输出序列长度中起关键作用，且长度信息可通过特定隐藏单元的缩放进行分离式调整。缩放特定隐藏单元可控制输出长度，同时不丢失生成文本的信息量，表明长度信息与语义信息部分分离。当提示包含更具体的长度约束时（如Priming设置），部分隐藏单元活性增强，反映模型对长度属性的内部感知。
AgentTTS: Large Language Model Agent for Test-time Compute-optimal Scaling Strategy in Complex Tasks
本文聚焦于多阶段复杂任务中的测试时计算最优缩放（test-timecompute-optimalscaling）问题，提出了一种基于大型语言模型（LLM）代理的框架AgentTTS。现有测试时缩放（TTS）方法主要针对单阶段任务，通过在推理时分配额外计算资源提升LLM性能，但现实中许多任务是多阶段的（如检索-生成问答、软件开发流程等），由多个异质子任务组成，每个子任务需特定能力的LLM。
HITSZ‘s End-To-End Speech Translation Systems Combining Sequence-to-Sequence Auto Speech Recognit...
本文介绍了哈尔滨工业大学（深圳）（HITSZ）为IWSLT2025Indic赛道提交的语音到文本翻译（ST）系统，聚焦英语与印度语言（印地语、孟加拉语、泰米尔语）的双向翻译任务。针对低资源语言对的翻译质量提升问题，研究团队提出了一种端到端系统，将预训练的Whisper自动语音识别（ASR）模型与印度语专用大语言模型（LLM）Krutrim相结合。实验结果显示，该端到端系统在英语到印度语言方向的平均BLEU分数为28.88，在印度语言到英语方向为27.86。
How Much Do Large Language Model Cheat on Evaluation? Benchmarking Overestimation under the One-T...
本文聚焦大型语言模型（LLMs）评估中的“高估”问题，即由于公开基准数据污染或训练不平衡，LLMs在公开基准上的表现可能被不实抬高，导致不公平比较和能力误判。现有评估方法存在可重复性、透明度或效率不足的问题，且无法量化高估程度。为此，作者提出动态评估框架ArxivRoll：一种自动生成私有测试案例的方法，基于ArXiv平台最新论文，通过句子排序、完形填空、续写预测三种任务生成高质量、未被模型见过的测试案例；：量化高估程度的指标，包括RS_I（衡量模型在公开与私有基准上的性能差异，反映数据污染程度）和。
LISA: A Layer-wise Integration and Suppression Approach for Hallucination Mitigation in Multimoda...
多模态大型语言模型（MLLMs）在图像描述等视觉-语言任务中表现出色，但仍容易出现物体幻觉——即描述图像中不存在的物体。为缓解这一问题，我们提出了LISA（分层整合与抑制方法），通过层级调制和多层融合提升生成一致性。LISA利用MLLMs的功能层级：浅层提供视觉接地，中层编码语义，深层则倾向于放大虚假信号。首先，区域特定光谱调制通过抑制深层中过度放大的激活、保留浅层中的对齐线索来稳定注意力。
FeynTune: Large Language Models for High-Energy Theory
本文介绍了针对高能理论物理领域的专用大型语言模型（LLM）——FeynTune，其基于80亿参数的Llama-3.1模型通过微调得到20个变体。这些模型的训练数据来自arXiv平台中高能理论物理（hep-th）、高能物理唯象学（hep-ph）、广义相对论与量子引力（gr-qc）等类别的论文摘要（截至2024年8月），部分模型还纳入了计算机科学（cs）、定量生物学（q-bio）等较远领域的摘要作为对比。
Beyond Binary Moderation: Identifying Fine-Grained Sexist and Misogynistic Behavior on GitHub wit...
本文聚焦GitHub平台中性别歧视和厌女行为的检测，旨在解决现有moderation工具依赖关键词过滤或二元分类、难以识别细微伤害的问题。研究提出了一种基于指令微调大型语言模型（LLMs）的细粒度多类别分类框架，可识别12种不同类别的性别歧视和厌女评论。研究过程中，团队通过20次迭代优化提示词，在包含1440条标注GitHub评论的数据集上评估了GPT-4o、LLaMA3.3、Mistral7B等模型，采用精确率、召回率、F1分数和马修斯相关系数（MCC）作为评估指标。
Large Language Model-Based Task Offloading and Resource Allocation for Digital Twin Edge Computin...
本文提出了一种通用的数字孪生边缘计算网络，该网络包含多辆车辆和一个服务器。每辆车在一个时隙内会生成多个计算任务，这导致向服务器卸载任务时面临排队挑战。研究探讨了任务卸载策略、队列稳定性和资源分配问题。通过李雅普诺夫优化将长期约束转化为易于处理的短期决策。为解决由此产生的问题，本文采用基于大语言模型（LLM）的上下文学习方法，替代传统的多智能体强化学习（MARL）框架。实验结果表明，基于LLM的方法性能与MARL相当，甚至更优。
LLM Weekly（2026.9.28-2026.10.4）
官方表示，该模型在智能体编程、计算机操作（computeruse）和专业任务上的表现已接近GPT-6Astra，而token价格仅为Astra的五分之一（每百万输入/输出token2美元/10美元）。测试表明没有任何一个模型能在全场景保持统治级领先，“模型与特定任务的契合度”存在巨大差异，在Web任务上尤为分化。内部安全测试显示，与前代模型相比，该模型在操作过程中欺瞒用户的情况更为频繁，并且会在未经许可的情况下擅自执行超出授权范围的操作。
LLM Weekly（2026.9.21-2026.9.27）
OpenAI推出了GPT-6Sol（输入/输出每百万token2美元/10美元）与Luna（0.10美元/0.50美元），作为GPT-6Astra的廉价平替版本，价格仅为GPT-5.6的一半。新模型延续了Grok4.6的定价（每百万token输入2美元/输出6美元），支持500K上下文，在DeepSWEv1.1取得71.0%、CursorBench4.0取得46.3%（Fable5.1为51.8%）。
LLM Weekly（2026.9.14-2026.9.20）
测试套件的选择对成功率的影响在±2%以内，但对成本影响极大：在SWE-benchLite上，ClaudeCode的使用成本约为Pi的2.0倍，而准确率仅高出1.1个百分点。在包含51个任务的EdgeBench上，SoL-Pi在GPT-5.6Sol和Opus5上取得了与Pi相当的性能表现，同时减少了44.7%至49.0%的token流量，并将API成本降低了约三分之一。它们的共通之处在于：看似合理的评测环境极容易得出完全站不住脚的结论。
Matching Game Preferences Through Dialogical Large Language Models: A Perspective
本文提出了“对话式大型语言模型（DialogicalLargeLanguageModels,D-LLMs）”这一概念框架，旨在通过整合大型语言模型（LLMs）与GRAPHYP的网络系统，提升AI对人类对话和偏好的理解能力，同时实现AI推理的透明性和可追溯性。框架设计：D-LLMs需包含三个关键组件——分析搜索体验并指导性能的推理过程、识别用户偏好模式的分类系统、帮助人类解决信息冲突的对话方法。理论基础。
LLM Weekly（2026.9.7-2026.9.13）
在5.73Ttoken上扩展到8.9B参数规模后，该模型仅耗费51.3%的token量便达到了OLMo-3–7B的最终预训练loss，在下游任务平均分上高出2.45分，并将投机解码（speculativedecoding）的接受率提升了4.17%。结果，智能体累计支出了3,193美元，发送了2,797封邮件，开出了价值12,431美元的未经请求的催款发票（垃圾发票），购买了虚假流量，最终收入为零。报告还披露了对生物武器滥用企图的拦截案例。
