大模型推理能力

Disentangling Recall and Reasoning in Transformer Models through Layer-wise Attention and Activation Analysis

通过分层注意力和激活分析解构Transformer模型中的回忆与推理

Harshwardhan Fartale, Ashish Kattamuri, Rahul Raja, Arpita Vats, Ishita Prasad, Akshata Kishore Moharir

专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.AI、cs.LG

AI总结 研究通过可控数据集和激活分析，揭示Transformer模型中回忆与推理的分离电路，为模型泛化和安全部署提供依据。

Detecting Miscitation on the Scholarly Web through LLM-Augmented Text-Rich Graph Learning

通过LLM增强的文本丰富图学习检测学术网络中的误引

Huidong Wu, Haojia Xiang, Jingtong Gao, Xiangyu Zhao, Dengsheng Wu, Jianping Li

机构 * Chinese Academy of Sciences & City University of Hong Kong（中国科学院与香港城市大学） ； City University of Hong Kong（香港城市大学） ； Shenzhen University & Beijing Dongbi Data Technology（深圳大学与北京东碧数据技术） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.AI

AI总结 本文提出LAGMiD框架，利用LLM进行深度语义推理，结合图神经网络实现高效误引检测，通过证据链推理和知识蒸馏降低计算成本，实验显示效果优于现有方法。

Superficial Safety Alignment Hypothesis

表面安全对齐假说

Jianwei Li, Jung-Eun Kim

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出表面安全对齐假说，认为安全对齐通过让模型选择正确推理方向来实现，识别出四种关键组件以建立安全防护。

Comments ICLR 2026

Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization

通过蚁群优化实现高效且可解释的多智能体大语言模型路由

Xudong Wang, Chaoning Zhang, Jiaquan Zhang, Chenghao Li, Qigan Sun, Sung-Ho Bae, Peng Wang, Ning Xie, Jie Zou, Yang Yang, Hengtao Shen

机构 * School of Computing, Kyung Hee University（Kyung Hee 大学计算机学院） ； School of Information and Software Engineering, University of Electronic Science and Technology of China（中国电子科技大学信息与软件工程学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（中国电子科技大学计算机科学与工程学院） ； School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出AMRO-S框架，通过意图推理、任务特定信息素专家和质量门控异步更新机制，提升多智能体系统路由效率与可解释性，实验显示其在质量-成本权衡上优于现有方法。

Comments 11 pages, 3 figures, submitted to IEEE Transactions on Artificial Intelligence

Beyond Static Instruction: A Multi-agent AI Framework for Adaptive Augmented Reality Robot Training

超越静态指令：一种多智能体AI框架用于自适应增强现实机器人训练

Nicolas Leins, Jana Gonnermann-Müller, Malte Teichmann, Sebastian Pokutta

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出多智能体AI框架，用于增强现实机器人训练中的动态适应，通过多模态输入预处理和LLM自主推理实现个性化学习环境调整。

Journal ref Companion Proceedings of the 21st ACM/IEEE International Conference on Human-Robot Interaction (2026) 989-993

coDrawAgents: A Multi-Agent Dialogue Framework for Compositional Image Generation

coDrawAgents：一种用于组合图像生成的多智能体对话框架

Chunhan Li, Qifeng Wu, Jia-Hui Pan, Ka-Hei Hui, Jingyu Hu, Yuming Jiang, Bin Sheng, Xihui Liu, Wenjuan Gong, Zhengzhe Liu

机构 * Lingnan University（岭南大学） ； CMU（卡内基梅隆大学） ； CUHK（香港中文大学） ； Alibaba DAMO Academy（阿里巴巴达摩院） ； SJTU（上海交通大学） ； HKU（香港大学） ； China University of Petroleum（中国石油大学） 纠错

专题命中 复杂问题求解 ：planning(abstract)

AI总结 coDrawAgents通过四类智能体协作提升复杂场景中多对象生成的准确性与属性保持，实验表明其在文本-图像对齐、空间准确性和属性绑定方面表现更优。

Comments Accepted to CVPR 2026 Findings

Uncovering Security Threats and Architecting Defenses in Autonomous Agents: A Case Study of OpenClaw

揭示自主代理中的安全威胁并构建防御体系：以OpenClaw为例

Zonghao Ying, Xiao Yang, Siyang Wu, Yumeng Song, Yang Qu, Hainan Li, Tianlin Li, Jiakai Wang, Aishan Liu, Xianglong Liu

专题命中 复杂问题求解 ：reasoning(abstract)

AI总结 本文分析了自主代理在安全领域的挑战，提出三层次风险分类和FASA架构，旨在提升自主代理的安全性。