大模型推理能力

When Is Thinking Enough? Early Exit via Sufficiency Assessment for Efficient Reasoning

思考何时足够？通过充分性评估实现高效的推理早期退出

Yang Xiang, Yixin Ji, Ruotao Xu, Dan Qiao, Zheming Yang, Juntao Li, Min Zhang

机构 * Soochow University（苏州大学） ； ByteDance（字节跳动） 纠错

专题命中 复杂问题求解 ：reasoning(title,abstract)；chain-of-thought(abstract)；CoT(abstract)；分类 cs.CL

AI总结 本文提出DTSR框架，通过动态评估推理链的充分性，实现早期退出，减少计算冗余，提升推理效率。

Comments ACL 2026 Main Conference

On the Step Length Confounding in LLM Reasoning Data Selection

在LLM推理数据选择中的步长混淆问题

Bing Wang, Rui Miao, Chen Shen, Shaotian Yan, Kaiyuan Liu, Ximing Li, Xiaosong Yuan, Sinan Fan, Jun Zhang, Jieping Ye

机构 * College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； Key Laboratory of Symbolic Computation and Knowledge Engineering, MoE, Jilin University（吉林大学符号计算与知识工程教育部重点实验室） ； Alibaba Cloud Computing（阿里云） ； School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Department of Mathematics, University of Michigan（密歇根大学数学系） ； RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能研究中心） 纠错

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

AI总结 本文分析了自然性基于的数据选择方法在LLM推理数据中系统性偏好长推理步骤的问题，并提出ASLEC-DROP和ASLEC-CASL方法以缓解此混淆。

Comments Accepted by Findings of ACL 2026. 15 pages, 9 figures. Code: https://github.com/wangbing1416/ASLEC

MARVEL: Multimodal Adaptive Reasoning-intensiVe Expand-rerank and retrievaL

MARVEL：多模态自适应推理-增强扩展-排序和检索

Mahmoud SalahEldin Kasem, Mohamed Mahmoud, Mostafa Farouk Senussi, Mahmoud Abdalla, Abdelrahman Abdallah, Hyun-Soo Kang

专题命中 复杂问题求解 ：reasoning(title,abstract)；chain-of-thought(abstract)

AI总结 本文提出MARVEL框架，通过统一的扩展-检索-排序流程，结合LLM驱动的查询扩展、增强推理的密集检索器和基于GPT-4o的逐步推理排序，提升了多模态检索性能，在MM-BRIGHT基准上实现了37.9nDCG@10的高分。

ChemVLR: Prioritizing Reasoning in Perception for Chemical Vision-Language Understanding

ChemVLR：在化学视觉语言理解中优先考虑推理

Xuanle Zhao, Xinyuan Cai, Xiang Cheng, Xiuyi Chen, Bo Xu

机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统认知与决策智能重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

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

AI总结 ChemVLR通过细化化学描述符识别，提升化学视觉语言模型的推理能力，实现更清晰的推理路径，实验显示其在分子和反应任务中达到SOTA性能。

Comments Accepted by ACL 2026 Findings, Preprint Version

Generate, Analyze, and Refine: Training-Free Sound Source Localization via MLLM Meta-Reasoning

生成、分析与优化：基于MLLM元推理的无训练声源定位

Subin Park, Jung Uk Kim

机构 * Kyung Hee University（庆熙大学） 纠错

专题命中 复杂问题求解 ：reasoning(title,abstract)

AI总结 本文提出无训练的声源定位框架，利用多模态大语言模型的推理能力，通过生成-分析-优化流程实现声源定位，实验表明在单源和多源基准上表现优异。

Comments Accepted to CVPR 2026

PRISM: Programmatic Reasoning with Image Sequence Manipulation for LVLM Jailbreaking

PRISM：基于图像序列操作的程序化推理用于LVLM劫持

Quanchen Zou, Zonghao Ying, Moyang Chen, Wenzhuo Xu, Yisong Xiao, Yakai Li, Deyue Zhang, Dongdong Yang, Zhao Liu, Xiangzheng Zhang

专题命中 复杂问题求解 ：reasoning(title,abstract)

AI总结 本文提出PRISM框架，通过分解有害指令为多个无害视觉组件，利用模型推理过程生成有害输出，有效提升LVLM劫持成功率。

Comments This version is withdrawn to consolidate the submission under the corresponding author's primary account. The most recent and maintained version of this work can be found at arXiv:2603.09246

Draw-In-Mind: Rebalancing Designer-Painter Roles in Unified Multimodal Models Benefits Image Editing

Draw-In-Mind: 在统一多模态模型中重新平衡设计师-画家角色有助于图像编辑

Ziyun Zeng, David Junhao Zhang, Wei Li, Mike Zheng Shou

机构 * Show Lab, National University of Singapore（新加坡国立大学Show Lab） ； TikTok 纠错

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

AI总结 本文提出Draw-In-Mind模型，通过重新分配设计职责提升图像编辑性能，展示了在统一多模态模型中平衡理解与生成模块的重要性。

Comments ICLR 2026 Camera Ready Version; Add more discussions and fix typos

Adaptive Prompt Structure Factorization: A Framework for Self-Discovering and Optimizing Compositional Prompt Programs

自适应提示结构分解：一种自我发现和优化组合提示程序的框架

Haoyue Liu, Zhichao Wang, Yongxin Guo, Haoran Shou, Xiaoying Tang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Taobao and Tmall Group（淘宝天猫集团） 纠错

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

AI总结 本文提出aPSF框架，通过语义因素发现和单因素更新优化提示程序，提升大语言模型的推理可靠性，实验显示在多个基准上准确率提升2.16个百分点，优化成本降低45-87%。

A Parameter-Efficient Transfer Learning Approach through Multitask Prompt Distillation and Decomposition for Clinical NLP

一种通过多任务提示蒸馏与分解的参数高效迁移学习方法用于临床NLP

Cheng Peng, Mengxian Lyu, Ziyi Chen, Yonghui Wu

机构 * Department of Health Outcomes and Biomedical Informatics, College of Medicine, University of Florida（佛罗里达大学医学院健康结果与生物医学信息学系） ； Cancer Informatics Shared Resource, University of Florida Health Cancer Center（佛罗里达大学健康癌症中心癌症信息学共享资源） 纠错

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

AI总结 本文提出多任务提示蒸馏与分解框架，通过学习共享元提示在临床NLP任务中实现高效迁移，参数更少且性能更优。

AV-SQL: Decomposing Complex Text-to-SQL Queries with Agentic Views

AV-SQL：通过代理视图分解复杂文本到SQL查询

Minh Tam Pham, Trinh Pham, Tong Chen, Hongzhi Yin, Quoc Viet Hung Nguyen, Thanh Tam Nguyen

机构 * Griffith University（格里菲斯大学） ； The University of Queensland（昆士兰大学） 纠错

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

AI总结 AV-SQL通过代理视图分解复杂文本到SQL查询，提升复杂查询的执行准确率，其在Spider 2.0基准测试中达到70.38%的准确率，优于现有方法。

DTCRS: Dynamic Tree Construction for Recursive Summarization

DTCRS: 动态树构建用于递归摘要

Guanran Luo, Zhongquan Jian, Wentao Qiu, Meihong Wang, Qingqiang Wu

机构 * School of Informatics, Xiamen University（厦门大学信息学院） 纠错

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

AI总结 DTCRS通过动态生成摘要树减少冗余，提升摘要与问题的相关性，从而加快构建时间并改进三个问答任务的性能。

ECLIPSE: A Composable Pipeline for Predicting ecDNA Formation, Evolution, and Therapeutic Vulnerabilities in Cancer

ECLIPSE：用于预测癌症中ecDNA形成、进化和治疗脆弱性的可组合管道

Bryan Cheng, Jasper Zhang

专题命中 复杂问题求解 ：reasoning(abstract)

AI总结 ECLIPSE通过三个模块革新ecDNA预测与建模，展示标准基因组特征可预测ecDNA状态，利用物理约束神经SDEs捕捉随机动态，并通过因果推断识别治疗脆弱性，建立严谨基准并揭示方法论重要性。

Comments 9 pages, 5 figures. Accepted to workshop on AI and Partial Differential Equations, Foundation Models for Science: Real-World Impact and Science-First Design, Machine Learning for Genomics Explorations, and Generative and Experimental Perspectives for Biomolecular Design at ICLR 2026