大模型推理能力

BabyReasoningBench: Generating Developmentally-Inspired Reasoning Tasks for Evaluating Baby Language Models

BabyReasoningBench: 生成发育启发式的推理任务以评估婴儿语言模型

Kaustubh D. Dhole

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

AI总结 本文提出BabyReasoningBench，基于发展心理学经典范式，设计19个推理任务，评估婴儿语言模型在因果推理、信念归因等任务上的表现，揭示不同任务对模型能力的影响。

Iterative Semantic Reasoning from Individual to Group Interests for Generative Recommendation with LLMs

基于个体到群体利益的迭代语义推理用于LLM生成推荐

Xiaofei Zhu, Jinfei Chen, Feiyang Yuan, Zhou Yang

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

AI总结 本文提出ISRF框架，通过三次步骤实现从个体到群体的语义推理，提升生成推荐的准确性与全面性。

Comments Accepted at The Web Conference (WWW) 2026

GameUIAgent: An LLM-Powered Framework for Automated Game UI Design with Structured Intermediate Representation

GameUIAgent：一种基于大语言模型的自动化游戏UI设计框架，采用结构化中间表示

Wei Zeng, Fengwei An, Zhen Liu, Jian Zhao

专题命中 复杂问题求解 ：test-time compute(abstract)；self-correction(abstract)；分类 cs.AI

AI总结 本文提出GameUIAgent框架，通过结构化中间表示将自然语言描述转化为Figma设计，结合神经符号管道实现迭代自校正，发现质量天花板效应和渲染评估保真原则。

Comments 8 pages, 6 figures

Training-Free Agentic AI: Probabilistic Control and Coordination in Multi-Agent LLM Systems

无需训练的代理AI：多代理大语言模型系统的概率控制与协调

Mohammad Parsa Hosseini, Ankit Shah, Saiyra Qureshi, Alex Huang, Connie Miao, Wei Wei

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

AI总结 本文提出REDEREF控制器，通过概率方法提升多代理LLM系统的路由效率与鲁棒性，减少资源消耗并提高任务成功率。

Comments under review, 13 pages

Breaking the SFT Plateau: Multimodal Structured Reinforcement Learning for Chart-to-Code Generation

突破SFT平台：面向图表到代码生成的多模态结构强化学习

Lei Chen, Xuanle Zhao, Zhixiong Zeng, Jing Huang, Liming Zheng, Yufeng Zhong, Lin Ma

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

AI总结 本文提出多模态结构强化学习（MSRL）以突破SFT平台，通过大规模实验构建最大训练语料库，并采用双阶段课程训练策略，提升图表到代码生成的高阶指标。

Comments Accepted to ICLR 2026

Verified Multi-Agent Orchestration: A Plan-Execute-Verify-Replan Framework for Complex Query Resolution

验证多智能体协调：复杂查询解析的计划-执行-验证-重计划框架

Xing Zhang, Yanwei Cui, Guanghui Wang, Wei Qiu, Ziyuan Li, Fangwei Han, Yajing Huang, Hengzhi Qiu, Bing Zhu, Peiyang He

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

AI总结 本文提出VMAO框架，通过验证驱动的迭代循环协调专用LLM代理，提升复杂查询解答的完整性和来源质量。

Comments ICLR 2026 Workshop on MALGAI

MOSAIC: Multi-agent Orchestration for Task-Intelligent Scientific Coding

MOSAIC：多智能体协作用于任务智能的科学编码

Siddeshwar Raghavan, Tanwi Mallick

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

AI总结 MOSAIC通过多智能体协作解决复杂科学编码任务，采用自反思和学生-教师模式提升准确性和鲁棒性。

Comments The paper requires a great deal of restructuring to be beneficial to the research community. We also identified some issues with the current experiments and improvements in LLM models which we want our work to reflect

Node Role-Guided LLMs for Dynamic Graph Clustering

基于节点角色的动态图聚类LLM

Dongyuan Li, Ying Zhang, Yaozu Wu, Renhe Jiang

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

AI总结 本文提出DyG-RoLLM框架，通过可学习原型将连续图嵌入映射为离散语义概念，实现动态图聚类的可解释性与鲁棒性。

Comments The paper has been accepted by WWW 2026

AutoTool: Automatic Scaling of Tool-Use Capabilities in RL via Decoupled Entropy Constraints

AutoTool: 通过解耦熵约束实现强化学习中工具使用能力的自动扩展

Yirong Zeng, Xiao Ding, Yufei Liu, Yuxian Wang, Qunyao Du, Yutai Hou, Wu Ning, Haonan Song, Duyu Tang, Dandan Tu, Bing Qin, Ting Liu

机构 * Harbin Institute of Technology, SCIR Lib（哈尔滨工业大学，SCIR实验室） ； Peking University（北京大学） ； Huawei Technologies Ltd（华为技术有限公司） 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AutoTool方法，通过解耦熵约束实现强化学习中工具使用能力的自动扩展，提升模型在复杂问题上的表现，同时减少计算开销。

Comments ICLR 2026 poster

DOVA: Deliberation-First Multi-Agent Orchestration for Autonomous Research Automation

DOVA：基于协商的多智能体协作以实现自主研究自动化

Aaron Shen, Alfred Shen

机构 * University of California, Berkeley, USA（加州大学伯克利分校） ； Amazon Web Services, USA（亚马逊网络服务） 纠错

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

AI总结 DOVA通过协商优先的协作机制、混合协同推理和自适应多层思考，提升多源信息整合与复杂任务处理能力，降低推理成本并提高回答准确性。

Human Attribution of Causality to AI Across Agency, Misuse, and Misalignment

人类对AI在代理、滥用和偏差中的因果归因

Maria Victoria Carro, David Lagnado

机构 * Università degli Studi di Genova（热那亚大学） ； FAIR IALAB ； University of Buenos Aires（布宜诺斯艾利斯大学） ； University College London（伦敦大学学院） 纠错

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

AI总结 研究探讨了人类在AI导致有害结果时对因果责任的归因，发现AI代理程度越高，责任归于AI；开发者虽远离事件但被归责高，用户责任降低；分解AI为大语言模型和代理组件时，代理部分更易被归责。

Comments 13 pages, 6 figures

Credibility Matters: Motivations, Characteristics, and Influence Mechanisms of Crypto Key Opinion Leaders

可信度至关重要：加密货币关键意见领袖的动机、特征及影响机制

Alexander Kropiunig, Svetlana Kremer, Bernhard Haslhofer

专题命中 复杂问题求解 ：self-correction(abstract)

AI总结 本文研究加密货币关键意见领袖的动机、特征及影响机制，基于SDT理论分析其可信度的自我决定性实践，提出四个可信度标志，并探讨高风险加密生态系统中的可信度设计。

Comments 17 pages, 3 figures. Accepted at ACM CHI 2026, Barcelona

Beyond Self-Interest: Modeling Social-Oriented Motivation for Human-like Multi-Agent Interactions

超越自我利益：为类人多智能体交互建模社会导向动机

Jingzhe Lin, Ceyao Zhang, Yaodong Yang, Yizhou Wang, Song-Chun Zhu, Fangwei Zhong

专题命中 复杂问题求解 ：reasoning(abstract)

AI总结 本文提出ASVO智能体，通过整合欲望驱动自主性与社会价值导向理论，实现类人多智能体交互中的社会导向动机建模，提升行为自然性和人类拟真性。

Comments 9 pages, 6 figures. Accepted to AAMAS 2026 (Oral)

ClimateAgents: A Multi-Agent Research Assistant for Social-Climate Dynamics Analysis

ClimateAgents: 一种用于社会-气候动态分析的多智能体研究助手

Shan Shan

专题命中 复杂问题求解 ：reasoning(abstract)

AI总结 本文提出ClimateAgents，一种多智能体研究助手，通过整合多模态数据检索、统计建模和自动推理，帮助研究者探索社会-环境动态，提升气候分析的适应性和解释性。

Language-Guided Token Compression with Reinforcement Learning in Large Vision-Language Models

基于强化学习的语言引导标记压缩在大视觉-语言模型中

Sihan Cao, Jianwei Zhang, Pengcheng Zheng, Jiaxin Yan, Caiyan Qin, Yalan Ye, Wei Dong, Peng Wang, Yang Yang, Chaoning Zhang

机构 * School of Computer Science and Engineering（计算机科学与工程学院） ； University of Electronic Science and Technology of China（电子科学与技术大学） ； School of Robotics and Advanced Manufacture（机器人与先进制造学院） ； Harbin Institute of Technology（哈尔滨工业大学） ； College of Information and Control Engineering（信息与控制工程学院） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)

AI总结 本文提出TPRL框架，通过语言引导的序列优化实现视觉标记压缩，减少推理成本并提升效率，实验显示可减少66.7%的视觉标记和54.2%的FLOPs，精度损失仅0.7%。

EvolvR: Self-Evolving Pairwise Reasoning for Story Evaluation to Enhance Generation

EvolvR：自进化成对推理用于故事评估以增强生成

Xinda Wang, Zhengxu Hou, Yangshijie Zhang, Bingren Yan, Jialin Liu, Chenzhuo Zhao, Zhibo Yang, Bin-Bin Yang, Feng Xiao

专题命中 推理评测 ：reasoning(title,abstract)；chain-of-thought(abstract)；CoT(abstract)；分类 cs.CL、cs.AI

AI总结 EvolvR通过自进化成对推理框架提升故事评估准确性，解决传统方法在开放任务中的局限性，实现生成质量的显著提升。

SFCoT: Safer Chain-of-Thought via Active Safety Evaluation and Calibration

SFCoT：通过主动安全评估和校准实现更安全的推理链

Yu Pan, Wenlong Yu, Tiejun Wu, Xiaohu Ye, Qiannan Si, Guangquan Xu, Bin Wu

机构 * Department College of Intelligence and Computing（智能与计算学院） ； Tianjin University（天津大学） ； NSFOCUS Technologies Group Co., Ltd.（NSFOCUS技术集团有限公司） ； College of Management and Economics（管理与经济学院） ； School of Cyber Security（网络安全学院） 纠错

专题命中 推理评测 ：chain-of-thought(title,abstract)；reasoning(abstract)；分类 cs.AI

AI总结 本文提出SFCoT框架，通过实时评估和校准潜在不安全的推理步骤，有效降低对抗攻击成功率，提升大语言模型的安全性。

EmotionThinker: Prosody-Aware Reinforcement Learning for Explainable Speech Emotion Reasoning

EmotionThinker: 基于语调感知的强化学习用于可解释的语音情绪推理

Dingdong Wang, Shujie Liu, Tianhua Zhang, Youjun Chen, Jinyu Li, Helen Meng

专题命中 推理评测 ：reasoning(title,abstract)；chain-of-thought(abstract)

AI总结 本文提出EmotionThinker，通过强化学习将语音情绪识别转化为深度推理问题，利用细粒度声学线索生成可解释的情绪预测，改进了语音大语言模型的语调感知能力。

Comments ICLR 2026 (Oral). Project page: https://github.com/dingdongwang/EmotionThinker

LongVidSearch: An Agentic Benchmark for Multi-hop Evidence Retrieval Planning in Long Videos

LongVidSearch: 一种多跳证据检索规划的代理基准

Rongyi Yu, Chenyuan Duan, Wentao Zhang

专题命中 推理评测 ：planning(title,abstract)；reasoning(abstract)

AI总结 LongVidSearch 是一个评估长视频中多跳证据检索规划的基准，通过标准化接口强制多跳检索，包含3000个问题，涵盖四种推理类别，测试代理在相同访问条件下检索规划的准确性与效率。

Comments 12 pages, 2 figures, appendix included

ECG-Reasoning-Benchmark: A Benchmark for Evaluating Clinical Reasoning Capabilities in ECG Interpretation

ECG-Reasoning-Benchmark: 一个用于评估心电图解读中临床推理能力的基准

Jungwoo Oh, Hyunseung Chung, Junhee Lee, Min-Gyu Kim, Hangyul Yoon, Ki Seong Lee, Youngchae Lee, Muhan Yeo, Edward Choi

专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出ECG-Reasoning-Benchmark，通过6400个样本系统评估17种核心心电图诊断的逐步推理能力，发现现有多模态大语言模型在多步逻辑推理中存在严重缺陷，无法有效将心电图发现与实际信号证据关联。

Comments Preprint. 9 pages for main text, 2 pages for references, 19 pages for supplementary materials (appendix)

BIS Reasoning 1.0: The First Large-Scale Japanese Benchmark for Belief-Inconsistent Syllogistic Reasoning

BIS推理1.0：首个大规模日语信念不一致三段论基准数据集

Ha-Thanh Nguyen, Hideyuki Tachibana, Chaoran Liu, Qianying Liu, Su Myat Noe, Koichi Takeda, Sadao Kurohashi

专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出BIS推理1.0，首个针对大语言模型信念不一致推理评估的日语三段论数据集，通过系统引入逻辑有效但信念不一致的三段论，揭示信念偏差问题，并评估多种模型在零样本下的表现。

Comments Accepted at LREC 2026

Infinite Problem Generator: Verifiably Scaling Physics Reasoning Data with Agentic Workflows

无限问题生成器：通过代理工作流可验证地扩展物理推理数据

Aditya Sharan, Sriram Hebbale, Dhruv Kumar

专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出IPG框架，通过公式-as-代码方法生成可解物理问题，解决大语言模型训练中高质量数据稀缺的问题，发布包含1335个经典力学问题的ClassicalMechanicsV1数据集，展示高结构多样性及复杂度与代码长度的强相关性。

Stop Before You Fail: Operational Capability Boundaries for Mitigating Unproductive Reasoning in Large Reasoning Models

在失败前停止：为减轻大推理模型中低效推理而设定的操作能力边界

Qingjie Zhang, Yujia Fu, Yang Wang, Liu Yan, Tao Wei, Ke Xu, Minlie Huang, Han Qiu

专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文研究大推理模型在面对超出其操作能力边界的问题时，是否能通过早期信号预测并减少无效推理，提出两种监控策略提升效率和可靠性。

InterveneBench: Benchmarking LLMs for Intervention Reasoning and Causal Study Design in Real Social Systems

InterveneBench：用于干预推理和真实社会系统因果研究设计的LLM基准测试

Shaojie Shi, Zhengyu Shi, Lingran Zheng, Xinyu Su, Anna Xie, Bohao Lv, Rui Xu, Zijian Chen, Zhichao Chen, Guolei Liu, Naifu Zhang, Mingjian Dong, Zhuo Quan, Bohao Chen, Teqi Hao, Yuan Qi, Yinghui Xu, Libo Wu

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 InterveneBench通过真实社会科学研究评估LLM在干预推理和因果研究设计中的能力，发现现有模型表现不足，并提出STRIDES多智能体框架提升性能。

Comments 35pages,3 figures

MMSU: A Massive Multi-task Spoken Language Understanding and Reasoning Benchmark

MMSU：一个大规模多任务语音语言理解与推理基准

Dingdong Wang, Junan Li, Jincenzi Wu, Dongchao Yang, Xueyuan Chen, Tianhua Zhang, Helen Meng

专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL

AI总结 MMSU基准通过整合语音的语义、语调和语音学特征，评估语音语言理解与推理能力，发现现有模型存在改进空间，为开发更高级的人机语音交互系统提供新标准。

Comments ICLR 2026. MMSU benchmark is available at https://huggingface.co/datasets/ddwang2000/MMSU. Project page https://github.com/dingdongwang/MMSU

Towards Efficient Medical Reasoning with Minimal Fine-Tuning Data

面向最少微调数据的高效医疗推理

Xinlin Zhuang, Feilong Tang, Haolin Yang, Xiwei Liu, Ming Hu, Huifa Li, Haochen Xue, Junjun He, Zongyuan Ge, Yichen Li, Ying Qian, Imran Razzak

专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL

AI总结 本文提出DIQ数据选择策略，通过平衡难度与梯度影响，提升医疗推理效率，实验证明仅用1%数据即可达到全数据表现，10%数据优于基线方法。

Comments Accepted by CVPR 2026

Locatability-Guided Adaptive Reasoning for Image Geo-Localization with Vision-Language Models

基于可定位性的自适应推理图像地理定位方法

Bo Yu, Fengze Yang, Yiming Liu, Chao Wang, Xuewen Luo, Taozhe Li, Ruimin Ke, Xiaofan Zhou, Chenxi Liu

机构 * The University of Utah（犹他大学） ； The University of Oklahoma（俄克拉荷马大学） ； Worcester Polytechnic Institute（沃斯特理工学院） ； Rensselaer Polytechnic Institute（雷士利理工学院） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

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

AI总结 本文提出Geo-ADAPT框架，通过优化可定位性评分和两阶段分组相对策略优化，提升图像地理定位的适应性和准确性，减少幻觉。

QTrack: Query-Driven Reasoning for Multi-modal MOT

QTrack: 基于查询的多模态 MOT 推理

Tajamul Ashraf, Tavaheed Tariq, Sonia Yadav, Abrar Ul Riyaz, Wasif Tak, Moloud Abdar, Janibul Bashir

专题命中 推理评测 ：reasoning(title,abstract)

AI总结 本文提出基于查询的多模态 MOT 推理方法，通过自然语言查询定位和跟踪特定目标，构建了 RMOT26 基准并提出 QTrack 模型，结合多模态推理与跟踪定位，提升语言引导的跟踪性能。

Comments Project Page: https://gaashlab.github.io/QTrack/

Colon-X: Advancing Intelligent Colonoscopy toward Clinical Reasoning

Colon-X：推动智能结肠镜向临床推理迈进

Ge-Peng Ji, Jingyi Liu, Deng-Ping Fan, Huazhu Fu, Nick Barnes

机构 * NKIARI & SLAI, Shenzhen Futian and VCIP, Nankai University, Tianjin, China（NKIARI与SLAI，深圳福田及VCIP，南开大学，天津，中国） ； Australian National University (ANU), Canberra, Australia（澳大利亚国立大学（ANU），堪培拉，澳大利亚） ； King Abdullah University of Science and Technology (KAUST), Thuwal, Saudi Arabia（国王阿卜杜勒·阿齐兹大学（KAUST），图瓦尔，沙特阿拉伯） ； Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR), Singapore（高性能计算研究所（IHPC），科学、技术和研究局（A*STAR），新加坡） 纠错

专题命中 推理评测 ：reasoning(title,abstract)

AI总结 本文提出Colon-X，构建了最全面的结肠镜多模态数据集ColonVQA，并开发了专为结肠镜设计的ColonR1模型，通过任务自适应奖励和梯度稳定策略优化，在数据稀缺条件下实现了56.61%的总体准确率，优于监督微调方法。

Comments Technical report (v2)

SpatialViz-Bench: A Cognitively-Grounded Benchmark for Diagnosing Spatial Visualization in MLLMs

SpatialViz-Bench：一种基于认知的多模态基准，用于诊断大语言模型中的空间可视化能力

Siting Wang, Minnan Pei, Luoyang Sun, Cheng Deng, Yuchen Li, Kun Shao, Zheng Tian, Haifeng Zhang, Jun Wang

专题命中 推理评测 ：reasoning(abstract)；chain-of-thought(abstract)；CoT(abstract)；分类 cs.CL

AI总结 本文提出SpatialViz-Bench，一个包含12个任务和4种子能力的多模态基准，通过1180个程序生成问题评估大语言模型的空间可视化能力，揭示了模型在空间任务中的缺陷。