A dual-emission ratio-fluorescent sensing nanohybrid based on Radix Hedysari green-synthesized carbon quantum dots (CDs) and glutathione-functionalized gold nanoclusters (GSH-AuNCs) had been developed for the determination of cefodizime sodium (CDZM). The designed fluorescence nanohybrid had two significant fluorescence emission peaks at 458 nm and 569 nm when excited at 360 nm, which was attributed to the CDs and GSH-AuNCs. With the addition of CDZM, the fluorescence at 458 nm was slightly weakened while the fluorescence at 569 nm was enhanced obviously. Based on the relationship between the I569/I458 fluorescence intensity ratio and the concentration of CDZM, the designed nanohybrid exhibited a good linearity range of 1.0–1000.0 μM and the limit of detection (LOD) was 0.19 μM. The method was finally applied in the detection of CDZM in urine, showing the potential applications in complicated biological samples.

Large Language Models (LLMs) have shown significant potential in performing inferences on various tasks using heterogeneous sensors with minimal human intervention. Despite their promise, challenges such as high inference overhead and limitations on resource-constrained edge devices remain. Additionally, model hallucinations, particularly those arising from cognitive biases when interpreting numerical data, hinder performance. This work introduces a novel technique, embedding interpolation, to enhance LLMs' understanding of sensor measurements and mitigate inference overhead on edge devices. By computing embeddings through pre-computed boundary embeddings instead of directly from the input, we improve efficiency and accuracy. The effective-ness of this approach is demonstrated through visualizations with image generation models.