大模型推理能力

CFMS: A Coarse-to-Fine Multimodal Synthesis Framework for Enhanced Tabular Reasoning

CFMS：一种用于增强表格推理的粗到细多模态合成框架

Qixian Huang, Hongqiang Lin, Tong Fu, Yingsen Wang, Zhenghui Fu, Qirui Wang, Yiding Sun, Dongxu Zhang

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

AI总结 本文提出CFMS框架，通过粗到细的多模态合成方法提升表格推理能力，实验表明其在处理大表格和小模型时具有鲁棒性。

CARO: Chain-of-Analogy Reasoning Optimization for Robust Content Moderation

CARO：用于鲁棒内容审核的类比推理优化

Bingzhe Wu, Haotian Lu, Yuchen Mou

机构 * National Engineering Laboratory for Big Data System Computing Technology（大数据系统计算技术国家工程实验室） ； Shenzhen University（深圳大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 逻辑推理 ：reasoning(title,abstract)；logical reasoning(abstract)；分类 cs.AI

AI总结 CARO通过两阶段训练框架提升LLM的类比推理能力，有效缓解内容审核中的误导性决策短路问题，实验显示其在模糊审核基准上平均F1得分提升24.9%。

Comments Accepted to ACL 2026 findings; under official publication process

Mixture of Cognitive Reasoners: Modular Reasoning with Brain-Like Specialization

认知推理的混合：类脑的专业化模块推理

Badr AlKhamissi, C. Nicolò De Sabbata, Greta Tuckute, Zeming Chen, Martin Schrimpf, Antoine Bosselut

机构 * EPFL（瑞士联邦理工学院洛桑） ； Brain and Cognitive Sciences at MIT（麻省理工学院脑与认知科学系） ； Kempner Institute at Harvard University（哈佛大学肯普纳研究所） 纠错

专题命中 逻辑推理 ：reasoning(title,abstract)；logical reasoning(abstract)；分类 cs.LG

AI总结 本文提出MiCRo模型，通过类脑专业化模块实现认知行为，提供可解释的推理模块，支持动态路由并优于基线模型。

Comments ICLR 2026. Project Page at https://cognitive-reasoners.epfl.ch

Stop Fixating on Prompts: Reasoning Hijacking and Constraint Tightening for Red-Teaming LLM Agents

不要执着于提示：针对LLM代理的推理劫持与约束紧缩

Yanxu Mao, Peipei Liu, Tiehan Cui, Congying Liu, Mingzhe Xing, Datao You

机构 * School of Software, Henan University（河南大学软件学院） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Peking University（北京大学） 纠错

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

AI总结 本文提出JailAgent框架，通过触发提取、推理劫持和约束紧缩三个阶段，避免修改用户提示，提升跨模型和跨场景的性能。

PoTable: Towards Systematic Thinking via Plan-then-Execute Stage Reasoning on Tables

PoTable：通过表格推理中的计划-执行阶段推理实现系统性思维

Qingyang Mao, Qi Liu, Zhi Li, Mingyue Cheng, Zheng Zhang, Rui Li

机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能国家重点实验室） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） 纠错

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

AI总结 本文提出PoTable，一种基于计划-执行阶段的表格推理方法，通过明确的分析阶段和代码生成机制提升推理的系统性和可解释性。

Comments Accepted by IEEE TKDE 2026

From Pixels to Digital Agents: An Empirical Study on the Taxonomy and Technological Trends of Reinforcement Learning Environments

从像素到数字代理：关于强化学习环境分类和技术趋势的实证研究

Lijing Luo, Yiben Luo, Alexey Gorbatovski, Sergey Kovalchuk, Xiaodan Liang

机构 * Sun Yat-sen University（中山大学） ； Yancheng Institute of Technology（盐城工学院） ； Central University Moscow（莫斯科中央大学） ； ITMO University（ITMO大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；logical reasoning(abstract)；分类 cs.AI

AI总结 本文通过大规模数据分析，研究强化学习环境从物理模拟到通用代理的演变，揭示领域分为语义优先和领域特定泛化两大生态，并提出设计下一代具身语义模拟器的路线图。

Comments 32 pages main text, 18 figures

Legal2LogicICL: Improving Generalization in Transforming Legal Cases to Logical Formulas via Diverse Few-Shot Learning

Legal2LogicICL: 通过多样少量样本学习提升将法律案例转换为逻辑公式的一般化能力

Jieying Xue, Phuong Minh Nguyen, Ha Thanh Nguyen, May Myo Zin, Ken Satoh

机构 * Center for Juris-Informatics, ROIS-DS（法信息学中心，ROIS-DS） ； Japan Advanced Institute of Science and Technology（日本先端科学技术大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出Legal2LogicICL框架，通过检索增强生成实现有效上下文学习，构建信息丰富且稳定的少量样本演示，提升法律案例转逻辑表示的准确性与稳定性。

Comments Accepted at ICAIL 2026

CLASP: Closed-loop Asynchronous Spatial Perception for Open-vocabulary Desktop Object Grasping

CLASP: 闭环异步空间感知用于开放词汇桌面物体抓取

Yiran Ling, Wenxuan Li, Siying Dong, Yize Zhang, Xiaoyao Huang, Jing Jiang, Ruonan Li, Jie Liu

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； National Key Laboratory of Smart Farm Technologies and Systems（智慧农场技术与系统全国重点实验室） ； Peng Cheng Laboratory（鹏城实验室） ； Northeastern University（东北大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；logical reasoning(abstract)

AI总结 本文提出CLASP框架，通过异步闭环机制整合多模态感知、逻辑推理与状态反馈，解决低级抓取中多模态演示不足、空间幻觉和开放环执行脆弱性问题，实现87%的成功率和强泛化能力。

Learning and Enforcing Context-Sensitive Control for LLMs

学习与强制上下文敏感控制用于大语言模型

Mohammad Albinhassan, Pranava Madhyastha, Mark Law, Alessandra Russo

机构 * Imperial College London（伦敦帝国学院） ； City University of London（伦敦城市大学） ； ILASP Limited, UK（英国ILASP有限公司） ； The Alan Turing Institute（艾伦·图灵研究所） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出一种自动学习上下文敏感约束的框架，通过两阶段过程提升LLM生成的有效性，使小型模型也能完美遵守约束，优于其他方法。

Comments ACL 2025 Student Research Workshop

Journal ref Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 4: Student Research Workshop), pages 834-842, 2025

CircuitSynth: Reliable Synthetic Data Generation

CircuitSynth：可靠的合成数据生成

Zehua Cheng, Wei Dai, Jiahao Sun, Thomas Lukasiewicz

机构 * University of Oxford（牛津大学） ； TU Wien（维也纳工业大学） 纠错

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

AI总结 CircuitSynth提出了一种新的神经符号框架，通过将语义推理与表层实现解耦，结合概率句法决策图和凸优化机制，实现高保真合成数据生成，确保逻辑约束和分布目标。

Comments 11 Pages

Enabling Global, Human-Centered Explanations for LLMs:From Tokens to Interpretable Code and Test Generation

使大语言模型具备全球、以人为本的解释能力：从token到可解释的代码和测试生成

Dipin Khati, Daniel Rodriguez-Cardenas, David N. Palacio, Alejandro Velasco, Michele Tufano, Denys Poshyvanyk

机构 * Microsoft（微软） ； Google（谷歌） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG

AI总结 本文提出code rationales框架，通过将token级解释映射到高层编程类别，实现大语言模型代码生成的全局可解释性，验证了其在减少解释不确定性方面的有效性。

Comments Accepted to ICSE 2026