大模型推理能力

Improving Medical Visual Reinforcement Fine-Tuning via Perception and Reasoning Augmentation

通过感知与推理增强改进医疗视觉强化微调

Guangjing Yang, ZhangYuan Yu, Ziyuan Qin, Xinyuan Song, Huahui Yi, Qingbo Kang, Jun Gao, Yiyue Li, Chenlin Du, Qicheng Lao

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Emory University（埃默里大学） ； Sichuan University（四川大学） ； Peking University（北京大学） 纠错

专题命中 其他推理 ：reasoning(title,abstract)；分类 cs.AI

AI总结 本研究提出VRFT-Aug框架，通过增强感知与推理能力，改进医疗影像领域的强化微调效果，提升模型在医学应用中的可靠性与推理能力。

Comments CPAL 2026

Journal ref 2026 Conference on Parsimony and Learning (CPAL)

DeepScan: A Training-Free Framework for Visually Grounded Reasoning in Large Vision-Language Models

DeepScan: 一种无需训练的框架，用于大视觉-语言模型中的视觉引导推理

Yangfu Li, Hongjian Zhan, Jiawei Chen, Yuning Gong, Qi Liu, Yue Lu

机构 * East China Normal University（东华大学） ； Sichuan University（四川大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

专题命中 其他推理 ：reasoning(title,abstract)

AI总结 DeepScan是一种无需训练的框架，通过层次扫描、聚焦和证据增强推理提升大视觉-语言模型在视觉任务中的表现。

Comments 18 pages 17 figures

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026

MMAI Gym for Science: Training Liquid Foundation Models for Drug Discovery

MMAI Gym for Science: 训练液态基础模型用于药物发现

Maksim Kuznetsov, Zulfat Miftahutdinov, Rim Shayakhmetov, Mikolaj Mizera, Roman Schutski, Bogdan Zagribelnyy, Ivan Ilin, Nikita Bondarev, Thomas MacDougall, Mathieu Reymond, Mihir Bafna, Kaeli Kaymak-Loveless, Eugene Babin, Maxim Malkov, Mathias Lechner, Ramin Hasani, Alexander Amini, Vladimir Aladinskiy, Alex Aliper, Alex Zhavoronkov

机构 * Insilico Medicine ； Liquid AI 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 MMAI Gym for Science通过训练液态基础模型，实现了在药物发现任务中超越大模型的性能，同时保持高效和广泛适用性。

IntPro: A Proxy Agent for Context-Aware Intent Understanding via Retrieval-conditioned Inference

IntPro：一种通过检索条件推理的代理代理，用于基于情境的意图理解

Guanming Liu, Meng Wu, Peng Zhang, Yu Zhang, Yubo Shu, Xianliang Huang, Kainan Tu, Ning Gu, Liuxin Zhang, Qianying Wang, Tun Lu

机构 * Fudan University（复旦大学） ； Lenovo Group Ltd（联想集团有限公司） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 IntPro通过检索条件推理学习适应个体用户，提升基于情境的意图理解性能。

ByteFlow: Language Modeling through Adaptive Byte Compression without a Tokenizer

ByteFlow：通过自适应字节压缩实现语言建模而不使用分词器

Chunyuan Deng, Sanket Lokegaonkar, Colin Lockard, Besnik Fetahu, Nasser Zalmout, Xian Li

机构 * Rice University（里士德大学） ； Amazon Science（亚马逊科学） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL、cs.LG

AI总结 ByteFlow通过自适应字节压缩实现无分词器的语言建模，提升模型性能与适应性。

Comments ICLR 2026

FeedAIde: Guiding App Users to Submit Rich Feedback Reports by Asking Context-Aware Follow-Up Questions

FeedAIde: 通过提问情境感知的后续问题引导应用用户提交丰富的反馈报告

Ali Ebrahimi Pourasad, Meyssam Saghiri, Walid Maalej

机构 * University of Hamburg（汉堡大学） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI

AI总结 FeedAIde通过情境感知和生成式AI技术，帮助用户更高效地提交详细反馈报告，提升开发人员获取信息的价值。

Comments Accepted for publication at the 13th International Conference on Mobile Software Engineering and Systems (MOBILESoft) 2026

Believe Your Model: Distribution-Guided Confidence Calibration

相信你的模型：分布引导的置信度校准

Xizhong Yang, Haotian Zhang, Huiming Wang, Mofei Song

机构 * Southeast University（东南大学） ； Kuaishou Technology（快手科技） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.LG

AI总结 本文提出DistriVoting和SelfStepConf，通过结合分布先验和动态调整推理过程，提升模型在答案选择中的可靠性与准确性。

Comments 38 pages

Vision-Zero: Scalable VLM Self-Improvement via Strategic Gamified Self-Play

Vision-Zero: 通过战略化游戏化自play实现可扩展的VLM自改进

Qinsi Wang, Bo Liu, Tianyi Zhou, Jing Shi, Yueqian Lin, Yiran Chen, Hai Helen Li, Kun Wan, Wentian Zhao

专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI

AI总结 Vision-Zero通过战略化游戏化自play框架，实现无标注数据下的多模态模型自改进，提升推理与跨领域任务性能。

Comments ICLR 2026

ORION: Intent-Aware Orchestration in Open RAN for SLA-Driven Network Management

ORION：面向开放RAN的意图感知编排

Gabriela da Silva Machado, Gustavo Z. Bruno, Alexandre Huff, Jose Marcos Camara Brito, Cristiano B. Both

专题命中 其他推理 ：reasoning(abstract)

AI总结 ORION通过整合大语言模型实现开放RAN的意图编排，提升网络管理的自动化与智能化水平。

Weakly Supervised Concept Learning with Class-Level Priors for Interpretable Medical Diagnosis

弱监督概念学习：基于类级先验的可解释医疗诊断

Md Nahiduzzaman, Steven Korevaar, Alireza Bab-Hadiashar, Ruwan Tennakoon

机构 * School of Computing Technologies（计算技术学院） ； RMIT University（皇家墨尔本理工大学） ； School of Engineering（工程学院） 纠错

专题命中 其他推理 ：reasoning(abstract)

AI总结 本文提出了一种弱监督框架PCP，通过类级先验和正则化机制提升医疗诊断中的概念预测性能，实现比零样本基线更高的F1分数和与全监督模型相当的分类效果。

Comments Accepted to IEEE International Symposium on Biomedical Imaging (ISBI) 2026