大模型推理能力

DeltaLogic: Minimal Premise Edits Reveal Belief-Revision Failures in Logical Reasoning Models

DeltaLogic: 最小前提编辑揭示逻辑推理模型中的信念修正失败

Amit Dhanda

机构 * Amazon（亚马逊） 纠错

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

AI总结 DeltaLogic通过最小证据变化评估逻辑推理模型的信念修正能力，发现初始推理能力强并不等于修正行为强，Qwen3-4B在修正任务中仍存在惯性失败，Phi-4-mini-instruct表现更优但仍有非 trivial 抽象问题。

Comments ICLR 2026 Workshop on Logical Reasoning of Large Language Models

V2X-QA: A Comprehensive Reasoning Dataset and Benchmark for Multimodal Large Language Models in Autonomous Driving Across Ego, Infrastructure, and Cooperative Views

V2X-QA：面向自动驾驶多视角的多模态大语言模型综合数据集与基准测试

Junwei You, Pei Li, Zhuoyu Jiang, Weizhe Tang, Zilin Huang, Rui Gan, Jiaxi Liu, Yan Zhao, Sikai Chen, Bin Ran

机构 * Department of Civil and Environmental Engineering, University of Wisconsin–Madison（威斯康星大学麦迪逊分校土木与环境工程系） ； Department of Civil and Architectural Engineering and Construction Management, University of Wyoming（怀俄明大学土木与建筑工程及施工管理系） ； School of Transportation, Southeast University（东南大学交通学院） 纠错

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

AI总结 本文提出V2X-QA数据集和基准测试，用于评估多模态大语言模型在自动驾驶中的多视角推理能力，揭示视角对性能的影响，并提出V2X-MoE模型以提升多视角推理性能。

Understanding the Role of Hallucination in Reinforcement Post-Training of Multimodal Reasoning Models

理解强化学习在多模态推理模型后训练中幻觉的作用

Gengwei Zhang, Jie Peng, Zhen Tan, Mufan Qiu, Hossein Nourkhiz Mahjoub, Vaishnav Tadiparthi, Kwonjoon Lee, Yanyong Zhang, Tianlong Chen

机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Science and Technology of China（中国科学技术大学） ； Arizona State University（亚利桑那州立大学） ； Honda Research Institute, USA（本田美国研究所） 纠错

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

AI总结 本文提出Hallucination-as-Cue框架，通过引入模态特异性扰动分析强化学习对多模态推理模型的影响，揭示幻觉在训练中的关键作用，挑战现有假设。

Comments CVPR 2026

ADSeeker: A Knowledge-Grounded Reasoning Framework for Industry Anomaly Detection and Reasoning

ADSeeker: 一种基于知识的推理框架用于工业异常检测与推理

Kai Zhang, Zekai Zhang, Xihe Sun, Anpeng Wang, Jingmeng Nie, Qinghui Chen, Han Hao, Jianyuan Guo, Jinglin Zhang

专题命中 推理评测 ：reasoning(title,abstract)

AI总结 ADSeeker通过整合视觉文档知识库和查询图像-知识检索增强生成框架，提升工业异常检测性能，提出层次稀疏提示机制和类型级特征以提取异常模式，构建大规模AD数据集MulA，实现零样本状态下的最佳性能。

ESL-Bench: An Event-Driven Synthetic Longitudinal Benchmark for Health Agents

ESL-Bench: 一个基于事件的合成纵向基准用于健康代理

Chao Li, Cailiang Liu, Ang Gao, Kexin Deng, Shu Zhang, Langping Xu, Xiaotong Shi, Xionghao Ding, Jian Pei, Xun Jiang

机构 * Shanda Group（盛大集团） 纠错

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

AI总结 ESL-Bench通过合成100个用户数据，涵盖健康档案、多阶段叙事计划、日常设备测量、定期检查记录和事件日志，评估健康代理在多源轨迹推理中的性能，发现数据库代理在比较和解释任务中显著优于记忆增强RAG基线。

A Systematic Security Evaluation of OpenClaw and Its Variants

对OpenClaw及其变种的系统性安全评估

Yuhang Wang, Haichang Gao, Zhenxing Niu, Zhaoxiang Liu, Wenjing Zhang, Xiang Wang, Shiguo Lian

机构 * Xidian University（西安电子科技大学） ； Data Science & Artificial Intelligence Research Institute, China Unicom（中国联通数据科学与人工智能研究院） 纠错

专题命中 推理评测 ：planning(abstract)；分类 cs.AI

AI总结 本文系统评估了六个OpenClaw系列代理框架的安全性，发现代理系统存在显著安全漏洞，且其风险高于孤立使用的基础模型。

Comments 39 pages, 14 figures

QAPruner: Quantization-Aware Vision Token Pruning for Multimodal Large Language Models

QAPruner: 量化感知的多模态大语言模型视觉标记剪枝

Xinhao Wang, Zhonyu Xia, Zhiwei Lin, Zhe Li, Yongtao Wang

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所） 纠错

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

AI总结 本文提出QAPruner框架，通过结合量化误差模拟与异常强度指标，实现多模态大语言模型的视觉标记剪枝与后训练量化联合优化，提升低比特下的推理精度。

Comments 12 pages

PaveBench: A Versatile Benchmark for Pavement Distress Perception and Interactive Vision-Language Analysis

PaveBench: 一种多功能的路面病害感知及交互视觉-语言分析基准

Dexiang Li, Zhenning Che, Haijun Zhang, Dongliang Zhou, Zhao Zhang, Yahong Han

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Tianjin University（天津大学） ； Hefei University of Technology（合肥工业大学） 纠错

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

AI总结 PaveBench针对路面状况评估中的视觉识别与多模态交互需求，提供分类、检测、分割及视觉-语言问答等四项任务，支持多轮交互与事实推理，填补现有数据集在多模态分析与实际应用连接上的空白。

SWAY: A Counterfactual Computational Linguistic Approach to Measuring and Mitigating Sycophancy

SWAY：一种反事实计算语言学方法用于衡量和缓解谄媚倾向

Joy Bhalla, Kristina Gligorić

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 推理评测 ：CoT(abstract)；分类 cs.CL

AI总结 本文提出SWAY，一种无监督的计算语言学指标，用于衡量和缓解大语言模型的谄媚倾向。通过反事实提示机制，识别模型在正负语言压力下的同意变化，发现谄媚倾向随认知承诺增加而增强，并提出基于反事实的CoT缓解策略，有效降低谄媚倾向而不影响对真实证据的响应。

Evaluating Small Language Models for Front-Door Routing: A Harmonized Benchmark and Synthetic-Traffic Experiment

评估小型语言模型用于前端路由：一个统一的基准和合成流量实验

Warren Johnson, Charles Lee

机构 * Plexor Labs（Plexor实验室） ； Project Autobots 纠错

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

AI总结 本文通过统一基准和合成流量实验，评估小型语言模型在前端路由中的性能，发现Qwen-2.5-3B在准确率、延迟和成本上表现优异，但整体仍存在准确率与延迟的平衡问题。

Comments 23 pages, 1 figure, 9 tables. Article 8 in the TAAC Research Series. Code and data: https://github.com/micoverde/plexor-slm-frontdoor-rct

From Virtual Environments to Real-World Trials: Emerging Trends in Autonomous Driving

从虚拟环境到现实世界试验：自动驾驶领域新兴趋势

A. Humnabadkar, A. Sikdar, B. Cave, H. Zhang, N. Bessis, A. Behera

机构 * Edge Hill University（埃奇希尔大学） 纠错

专题命中 推理评测 ：planning(abstract)；分类 cs.AI

AI总结 本文综述了自动驾驶、模拟技术和合成数据集的最新发展，探讨了合成数据在感知与规划中的应用、数字孪生模拟系统验证以及领域适应策略，分析了基准设计趋势及关键挑战，旨在推动安全、可推广的自动驾驶系统发展。

Comments Accepted manuscript - Transactions on Intelligent Transportation Systems

FLEX: A Largescale Multimodal, Multiview Dataset for Learning Structured Representations for Fitness Action Quality Assessment

FLEX：一个大规模多模态、多视角数据集，用于学习结构化表示以评估健身动作质量

Hao Yin, Lijun Gu, Paritosh Parmar, Lin Xu, Tianxiao Guo, Xiujin Liu, Weiwei Fu, Yang Zhang, Tianyou Zheng

机构 * School of Biomedical Engineering (Suzhou), USTC（中国科学技术大学苏州生物医学工程学院） ； Suzhou Institute of Biomedical Engineering and Technology, CAS（中国科学院苏州生物医学工程技术研究所） ； Institute of High-Performance Computing, A*STAR, Singapore（新加坡科技研究局高性能计算研究所） ； School of Psychology, Beijing Sports University（北京体育大学心理学院） ； School of Competitive Sports, Beijing Sports University（北京体育大学竞技体育学院） ； Department of Robotics, University of Michigan（密歇根大学机器人系） 纠错

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

AI总结 FLEX数据集通过多模态融合和结构化知识图谱提升健身动作质量评估的准确性与解释性，支持跨模态预测和生物力学导向的表示学习。

Comments Dataset and code are available at https://github.com/HaoYin116/FLEX . Link to Project page https://haoyin116.github.io/FLEX_Dataset

MSAO: Adaptive Modality Sparsity-Aware Offloading with Edge-Cloud Collaboration for Efficient Multimodal LLM Inference

MSAO：基于边缘-云协作的自适应模态稀疏性感知卸载框架用于高效多模态大语言模型推理

Zheming Yang, Qi Guo, Jun Wan, Jiarui Ruan, Yunqing Hu, Chang Zhao, Xiangyang Li

专题命中 推理评测 ：reasoning(abstract)

AI总结 本文提出MSAO框架，通过边缘-云协作和模态稀疏性分析，降低多模态大语言模型推理的延迟和资源消耗，提升吞吐量。

Comments 10 pages, 9 figures

PolyReal: A Benchmark for Real-World Polymer Science Workflows

PolyReal：一个用于现实世界聚合物科学工作流程的基准

Wanhao Liu, Weida Wang, Jiaqing Xie, Suorong Yang, Jue Wang, Benteng Chen, Guangtao Mei, Zonglin Yang, Shufei Zhang, Yuchun Mo, Lang Cheng, Jin Zeng, Houqiang Li, Wanli Ouyang, Yuqiang Li

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） ； Northwestern Polytechnical University（西北工业大学） ； Tongji University（同济大学） ； The University of Hong Kong（香港大学） ； National University of Singapore（新加坡国立大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 推理评测 ：reasoning(abstract)

AI总结 PolyReal是一个新的多模态基准，用于评估大规模语言模型在聚合物实验全流程中的能力，揭示了模型在实践任务上的不足，填补了评估空白。

SelRoute: Query-Type-Aware Routing for Long-Term Conversational Memory Retrieval

SelRoute：基于查询类型的长期对话记忆检索路由

Matthew McKee

专题命中 推理评测 ：reasoning(abstract)

AI总结 SelRoute通过根据查询类型选择专用检索管道提升长期对话记忆检索效果，实验显示其在多个基准测试中表现优异，但存在推理密集型检索任务的失败模式。

Comments 12 pages, 12 tables, 3 appendices

Vibe Coding XR: Accelerating AI + XR Prototyping with XR Blocks and Gemini

Vibe Coding XR: 通过XR Blocks和Gemini加速AI+XR原型设计

Ruofei Du, Benjamin Hersh, David Li, Nels Numan, Xun Qian, Yanhe Chen, Zhongyi Zhou, Xingyue Chen, Jiahao Ren, Robert Timothy Bettridge, Xiang 'Anthony' Chen, Faraz Faruqi, Steve Toh, David Kim

专题命中 推理评测 ：reasoning(abstract)

AI总结 本文提出XR Blocks框架和Vibe Coding XR工作流，利用LLM将高阶提示转化为功能混合现实应用，通过模拟现实环境减少设备测试摩擦，提供60个原型数据集和自动化评估流程。