大模型推理能力

The Illusion of Diminishing Returns: Measuring Long Horizon Execution in LLMs

持续扩展的幻觉回报：衡量LLM的长周期执行

Akshit Sinha, Arvindh Arun, Shashwat Goel, Steffen Staab, Jonas Geiping

机构 * University of Cambridge（剑桥大学） ； Institute for AI, University of Stuttgart（斯图加特大学人工智能研究所） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） ； University of Southampton（南安普顿大学） ； Tübingen AI Center（图宾根人工智能中心） 纠错

专题命中 测试时计算 ：reasoning(abstract)；test-time compute(abstract)；分类 cs.AI

AI总结 本文通过分析LLM在长周期任务中的执行能力，揭示了持续扩展LLM并非必然导致回报递减，而是执行能力的提升能显著改善长周期任务表现。

Comments Published at ICLR 2026

SciDesignBench: Benchmarking and Improving Language Models for Scientific Inverse Design

SciDesignBench: 科学逆向设计的语言模型基准测试与改进

David van Dijk, Ivan Vrkic

机构 * CellType Inc.（CellType公司） 纠错

专题命中 测试时计算 ：reasoning(abstract)；test-time compute(abstract)；分类 cs.LG

AI总结 本文提出SciDesignBench，通过520个模拟器支撑任务评估语言模型在科学逆向设计中的表现，发现模拟反馈对不同设计周期有不同影响，并引入RLSF训练方法提升模型性能。

Comments 35 pages, 19 figures, 9 tables

SPELL: Self-Play Reinforcement Learning for Evolving Long-Context Language Models

SPELL: 自我扮演强化学习用于进化长上下文语言模型

Ziyi Yang, Weizhou Shen, Chenliang Li, Ruijun Chen, Fanqi Wan, Ming Yan, Xiaojun Quan, Fei Huang

机构 * Sun Yat-sen University（中山大学） ； Tongyi Lab, Alibaba Group（阿里云实验室） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

专题命中 测试时计算 ：reasoning(abstract)；verifier(abstract)；分类 cs.CL

AI总结 本文提出SPELL框架，通过自我扮演问答和验证角色实现长上下文推理的无监督优化，实验显示其在多个基准上优于传统微调方法。

Comments Accepted to ICLR 2026

Scaling Generalist Data-Analytic Agents

放大通用数据分析代理

Shuofei Qiao, Yanqiu Zhao, Zhisong Qiu, Xiaobin Wang, Jintian Zhang, Zhao Bin, Ningyu Zhang, Yong Jiang, Pengjun Xie, Fei Huang, Huajun Chen

专题命中 测试时计算 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出DataMind，通过细粒度任务分类和递归易难任务组合机制，解决开源数据分析代理的数据不足、训练策略不当和代码多轮滚动不稳定问题，构建出性能优异的DataMind-14B和DataMind-7B代理。

Comments ICLR 2026

CORE: Context-Robust Remasking for Diffusion Language Models

CORE: 用于扩散语言模型的上下文鲁棒重掩码

Kevin Zhai, Sabbir Mollah, Zhenyi Wang, Mubarak Shah

专题命中 测试时计算 ：reasoning(abstract)；分类 cs.LG

AI总结 CORE通过上下文鲁棒重掩码方法改进扩散模型解码，通过检测上下文敏感性token提升生成稳定性，在推理阶段实现高效修正，优于现有基线方法。

Comments Project Page: https://ucf-crcv.github.io/core/

From XAI to Stories: A Factorial Study of LLM-Generated Explanation Quality

从XAI到故事：对LLM生成解释质量的因子研究

Fabian Lukassen, Jan Herrmann, Christoph Weisser, Benjamin Saefken, Thomas Kneib

机构 * University of Göttingen（哥廷根大学） ； BASF SE（巴斯夫股份有限公司） ； TU Clausthal（Clausthal 技术大学） ； Hochschule Bielefeld（比勒菲尔德应用科学大学） 纠错

专题命中 测试时计算 ：chain-of-thought(abstract)；分类 cs.CL

AI总结 本文通过因子研究探讨了预测模型选择、XAI方法、LLM选择和提示策略对LLM生成解释质量的影响，发现LLM选择主导其他因素，且零次提示在成本上具有竞争力。