大模型推理能力

Retrieval-Reasoning Large Language Model-based Synthetic Clinical Trial Generation

基于检索-推理的大型语言模型合成临床试验生成

Zerui Xu, Fang Wu, Yingzhou Lu, Yuanyuan Zhang, Yue Zhao

机构 * Institute for Clarity in Documentation（清晰文档研究所） ； Inria Paris-Rocquencourt（巴黎- Rocquencourt 国家信息与自动化研究所） ； Rajiv Gandhi University（拉吉夫·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒实验室） ； University of Chicago（芝加哥大学） ； Stanford University（斯坦福大学） ； Purdue University（普渡大学） ； University of Southern California（南加州大学） 纠错

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

AI总结 本文提出基于检索-推理框架的合成临床试验生成方法，利用LLM生成标注二元结果的合成试验报告，通过检索模块和推理模块提升生成质量，实验证明合成数据可有效增强真实数据集并提升临床试验预测性能。

Comments Published in ACM BCB 2025. 9 pages, 4 figures, 5 tables (Main paper + Supplementary Materials)

Journal ref Proceedings of the 16th ACM International Conference on Bioinformatics, Computational Biology, and Health Informatics (ACM BCB 2025)

Probabilistic Concept Graph Reasoning for Multimodal Misinformation Detection

基于概率概念图推理的多模态虚假信息检测

Ruichao Yang, Wei Gao, Xiaobin Zhu, Jing Ma, Hongzhan Lin, Ziyang Luo, Bo-Wen Zhang, Xu-Cheng Yin

机构 * University of Science and Technology Beijing（北京科技大学） ； Singapore Management University（新加坡管理大学） ； Hong Kong Baptist University（香港浸会大学） 纠错

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

AI总结 本文提出PCGR框架，通过构建概念图进行多模态虚假信息检测，实现可解释且可进化的方法，提升检测准确性和抗新兴操纵能力。

Comments Accepted by CVPR 2026

Mario: Multimodal Graph Reasoning with Large Language Models

Mario：基于大语言模型的多模态图推理

Yuanfu Sun, Kang Li, Pengkang Guo, Jiajin Liu, Qiaoyu Tan

机构 * New York University Shanghai（上海纽约大学） ； New York University（纽约大学） ； Tsinghua University（清华大学） ； EPFL（瑞士联邦理工学院洛桑） 纠错

专题命中 其他推理 ：reasoning(title,abstract)

AI总结 Mario通过多模态图推理框架解决跨模态一致性与异构模态偏好问题，实现对多模态图的有效推理，优于现有图模型。

Comments CVPR 2026

CodeNER: Code Prompting for Named Entity Recognition

CodeNER: 代码提示用于命名实体识别

Sungwoo Han, Hyeyeon Kim, Jingun Kwon, Hidetaka Kamigaito, Manabu Okumura

机构 * Chungnam National University（忠南大学） ； Nara Institute of Science and Technology (NAIST)（奈良先端科学技术大学院大学） ； Institute of Science Tokyo（东京科学大学） 纠错

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

AI总结 CodeNER通过代码提示提升LLM在命名实体识别中的能力，通过嵌入BIO标注规则改进长距离理解，实验显示在多语言数据集上优于传统文本提示方法。

Comments 18 pages, 7 figures

SentinelAI: A Multi-Agent Framework for Structuring and Linking NG9-1-1 Emergency Incident Data

SentinelAI：一种多智能体框架，用于结构化和链接NG9-1-1应急事件数据

Kliment Ho, Ilya Zaslavsky

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

AI总结 本文提出SentinelAI框架，通过多智能体系统实现应急事件数据的标准化和跨源推理，解决NG9-1-1数据标准下的数据整合难题。

Comments 10 pages, 5 figures

The Prompt Canvas: A Literature-Based Practitioner Guide for Creating Effective Prompts in Large Language Models

提示画布：基于文献的从业者指南，用于在大型语言模型中创建有效的提示

Michael Hewing, Vincent Leinhos

机构 * FH Münster – University of Applied Sciences（穆斯特应用科学大学） 纠错

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

AI总结 本文提出Prompt Canvas，通过文献综述整合提示工程方法，为从业者提供结构化指南，促进大语言模型的应用与研究。

Do Code LLMs Do Static Analysis?

代码LLM进行静态分析吗？

Chia-Yi Su, Collin McMillan

专题命中 其他推理 ：reasoning(abstract)

AI总结 本文研究代码LLM在代码智能任务中的静态分析能力，发现LLM在静态分析任务中表现不佳，且预训练静态分析任务无法提升代码智能任务性能。

Comments 42 pages, 2 figures, Accepted at Empirical Software Engineering