大模型推理能力

EmoLLM: Appraisal-Grounded Cognitive-Emotional Co-Reasoning in Large Language Models

EmoLLM：基于评估的认知-情感共推理在大语言模型中

Yifei Zhang, Mingyang Li, Henry Gao, Liang Zhao

机构 * Department of Computer Science, Emory University（埃默里大学计算机科学系） 纠错

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

AI总结 EmoLLM通过引入评估推理图结构，实现认知与情感的协同推理，提升对话中情感状态和响应质量，同时保持事实可靠性。

SpecSteer: Synergizing Local Context and Global Reasoning for Efficient Personalized Generation

SpecSteer：协同局部上下文与全局推理以实现高效个性化生成

Hang Lv, Sheng Liang, Hao Wang, Yongyue Zhang, Hongchao Gu, Wei Guo, Defu Lian, Yong Liu, Enhong Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） 纠错

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

AI总结 本文提出SpecSteer框架，通过结合本地上下文与云端推理，解决个性化生成中的隐私与推理能力矛盾，实现高效生成并提升性能。

SophiaVL-R1: Reinforcing MLLMs Reasoning with Thinking Reward

SophiaVL-R1: 通过思考奖励强化大语言模型的推理能力

Kaixuan Fan, Kaituo Feng, Haoming Lyu, Dongzhan Zhou, Xiangyu Yue

机构 * MMLab, The Chinese University of Hong Kong（MMLab，香港中文大学） ； Shanghai Artifcial Intelligence 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 SophiaVL-R1通过引入思考奖励信号提升多模态大语言模型的推理能力，采用信任GRPO方法和退火训练策略，有效缓解奖励黑客问题，实验表明其在多个基准测试中表现优异。

Comments ICLR 2026, Project page:https://github.com/kxfan2002/SophiaVL-R1

Aligning Paralinguistic Understanding and Generation in Speech LLMs via Multi-Task Reinforcement Learning

通过多任务强化学习对齐语音大语言模型中的语用理解和生成

Jingxiang Chen, Minseok Kim, Seong-Gyun Leem, Yin Huang, Rashi Rungta, Zhicheng Ouyang, Haibin Wu, Surya Teja Appini, Ankur Bansal, Yang Bai, Yue Liu, Florian Metze, Ahmed A Aly, Anuj Kumar, Ariya Rastrow, Zhaojiang Lin

机构 * Meta Reality Labs（Meta现实实验室） 纠错

专题命中 其他推理 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出通过多任务强化学习提升语音大语言模型对语用信息的理解与生成，实验表明在多个数据集上比监督模型和 proprietary 模型提升了8-12%的性能。

Retrieving Counterfactuals Improves Visual In-Context Learning

检索反事实改进视觉上下文学习

Guangzhi Xiong, Sanchit Sinha, Zhenghao He, Aidong Zhang

机构 * University of Virginia（弗吉尼亚大学） 纠错

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

AI总结 本文提出CIRCLES框架，通过主动检索反事实样例提升视觉语言模型的因果推理能力，实验表明其在多个数据集上优于现有方法，尤其在小规模模型和信息稀缺场景下表现突出。

Comments CVPR 2026

When AI Navigates the Fog of War

当AI穿越战争的迷雾

Ming Li, Xirui Li, Tianyi Zhou

机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； University of Maryland, College Park（马里兰大学学院市分校） 纠错

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

AI总结 本文研究AI在战争初期预测能力，通过2026年中东冲突案例，测试模型在无训练数据泄露情况下分析危机的能力，揭示模型在不同领域中的策略现实性和叙事演变。

Large Language Models for Wireless Communications: From Adaptation to Autonomy

大语言模型在无线通信中的应用：从适应到自主

Le Liang, Hao Ye, Yucheng Sheng, Ouya Wang, Jiacheng Wang, Shi Jin, Geoffrey Ye Li

机构 * Southeast University（东南大学） ； University of California, Santa Cruz（加州大学圣克鲁兹分校） ； Imperial College London（伦敦帝国理工学院） 纠错

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

AI总结 本文探讨大语言模型在无线通信中的应用，包括适应预训练模型、开发专用基础模型以及实现自主推理的代理模型，总结其优势与挑战。

DynaTrust: Defending Multi-Agent Systems Against Sleeper Agents via Dynamic Trust Graphs

DynaTrust: 通过动态信任图防御多智能体系统中的睡眠代理

Yu Li, Qiang Hu, Yao Zhang, Lili Quan, Jiongchi Yu, Junjie Wang

机构 * Tianjin University（天津大学） ； Singapore Management University（新加坡管理学院） 纠错

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

AI总结 本文提出DynaTrust，通过动态信任图防御多智能体系统中的睡眠代理，动态更新信任并重构图以隔离受损代理，提升防御效果和系统可用性。

Comments 9 pages

Sharing State Between Prompts and Programs

在提示和程序之间共享状态

Ellie Y. Cheng, Logan Weber, Tian Jin, Michael Carbin

机构 * MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

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

AI总结 本文提出共享程序状态抽象，使提示可直接访问程序变量并实现控制流，通过Nightjar系统验证了其在任务准确性和代码效率上的优势。

Comments ICLR 2026