AI 大模型
大模型数学、逻辑、规划、多步推理和测试时计算能力。
AtManRL：通过可微注意力显著性实现更忠实的推理
机构 * Aleph Alpha Research Lab（Aleph Alpha研究实验室） ； TU Darmstadt（图林根大学） ； Hessian.AI Lab（黑森AI实验室）
专题命中 复杂问题求解 ：reasoning(title,abstract)；CoT(abstract,abstract_cn)；chain-of-thought(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文提出AtManRL方法，通过可微注意力操控学习更忠实的推理过程，结合GRPO框架优化正确性与可解释性，实验证明能识别关键推理token并提升模型透明度。
Comments 14 pages, 8 figures, 1 table
CiPO：通过迭代偏好优化实现大型推理模型的反事实去学习
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 复杂问题求解 ：reasoning(title,abstract)；CoT(abstract,abstract_cn)；chain-of-thought(abstract)；分类 cs.CL
AI总结 针对大型推理模型去学习难题，CiPO通过迭代偏好优化重新定义去学习为对推理过程的针对性干预，有效去除中间推理步骤和最终答案的知识，同时保持推理能力。
Comments Accepted by ACL 2026 Main Conference
可解释的轨迹，意外的结果：探讨基于轨迹的知识蒸馏中的断层
机构 * School of Computing & AI, Arizona State University（计算与人工智能学院，亚利桑那州立大学）
专题命中 复杂问题求解 ：CoT(abstract,abstract_cn)；reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.AI
AI总结 本文通过规则问题分解设计实验，探讨基于轨迹的知识蒸馏中轨迹语义正确性与可解释性之间的断层，发现轨迹正确性并不能保证最终答案正确，且可解释的分解轨迹在准确性上不具优势。
Comments Accepted at The 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)
ATTNPO：基于注意力的高效推理过程监督
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） ； Baidu Inc.（百度公司） ； Tianjin University（天津大学）
专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出ATTNPO，通过利用模型内在注意力信号进行步骤级信用分配，有效减少推理长度并提升性能，适用于9个基准测试。
Comments Accepted by ACL 2026 Main
HyperGVL：超图理解与推理中大视觉-语言模型的基准测试与改进
机构 * Southern University of Science and Technology（南方科技大学） ； Hong Kong University of Science and Technology（香港科技大学） ； Huawei Research（华为研究） ； Beihang University（北航）
专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出HyperGVL基准，评估12种先进LVLM在超图理解与推理中的能力，通过84,000个样本覆盖12种任务，引入可泛化的WiseHyGR路由器提升模型性能。
Comments Under Review; Opensource after accepted
AstroVLM：专家多智能体协作推理用于天体成像质量诊断
机构 * The Chinese University of Hong Kong（香港中文大学） ； Central South University（中南大学） ； Huawei Technologies Co., Ltd（华为技术有限公司） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学深圳校区）
专题命中 复杂问题求解 ：reasoning(title)
AI总结 本文提出AstroVLM，通过多智能体协作推理解决复杂天体成像质量诊断问题，实验表明其在实际任务中优于所有基线模型。
FACTS: 通过离线模板生成实现基于表格的摘要的代理工作流
机构 * McGill University（麦吉尔大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； RBC Borealis
专题命中 复杂问题求解 ：reasoning(abstract)；planning(abstract)；分类 cs.CL
AI总结 FACTS通过离线模板生成实现高效、准确且隐私合规的表格摘要，优于现有方法，适用于实际查询需求。
Comments Accepted by ACL 2026 Findings
OjaKV: 基于上下文的在线低秩KV缓存压缩
机构 * Rensselaer Polytechnic Institute（拉特格斯理工学院） ； IBM Research（IBM研究院）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 OjaKV通过结合战略混合存储策略与在线子空间适应，实现KV缓存压缩，提升长上下文推理效率，无需微调模型。
通过对手建模进行多智能体谈判中的偏好估计
机构 * Graduate School of Informatics, Kyoto University（京都大学信息学研究生院） ； Accenture Japan Ltd（Accenture日本公司）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.CL
AI总结 本文提出一种整合自然语言信息的结构化贝叶斯对手建模框架，提升多智能体谈判中的偏好估计准确性与一致性。
Comments This paper is accepted as a Findings of ACL 2026
MedGemma vs GPT-4：开源与专有零样本医学疾病图像分类
机构 * Department of Information and Communication Technology, Bangladesh University of Professionals（信息与通信技术系，孟加拉国专业大学）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 本文比较了开源MedGemma与专有GPT-4在医学图像零样本疾病分类中的性能，MedGemma通过LoRA微调在准确率和敏感性上均表现更优，凸显了领域特定微调对临床应用的重要性。
Comments Accepted for publication in the Journal of Machine Learning and Deep Learning (JMLDL). 9 pages, 9 figures, 10 tables
Journal ref Journal of Machine Learning and Deep Learning, Vol. 2, No. 2, pp. 1-9, 2025
在AI辅助研究软件开发中应用SHAPR：从构建股票交易系统中获得的经验
专题命中 复杂问题求解 ：reasoning(abstract)
AI总结 本文通过构建模块化股票交易系统案例，展示了SHAPR框架在AI辅助软件开发中的应用，强调持续文档更新、合同稳定编码、源码层提升连贯性等核心方法与贡献。
Comments 6 pages, 2 figures, conference paper
Video-STAR: 通过工具强化开放词汇动作识别
机构 * AMAP, Alibaba Group（阿里集团AMAP） ； University of California at Merced（加州大学默塞德分校） ； University of Queensland（昆士兰大学） ； Case Western Reserve University（凯斯西储大学）
专题命中 复杂问题求解 ：reasoning(abstract)
AI总结 Video-STAR通过结合上下文子动作分解与工具增强强化学习，提升开放词汇动作识别的细粒度匹配与跨模态推理能力，有效减少跨模态幻觉。
超越多项选择题：一个包含方言变体的开放性阿拉伯文化问答基准测试
机构 * Qatar Computing Research Institute, Qatar（卡塔尔计算研究所）
专题命中 推理评测 ：CoT(summary_cn,abstract)；chain-of-thought(abstract,comments)；reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出了一种方法，将现代标准阿拉伯语的多项选择题翻译成英文和阿拉伯方言，并转换为开放性问题，评估不同模型在不同设置下的表现，发现模型在阿拉伯方言上表现欠佳，CoT方法提高了正确性但指标混杂。
Comments Cultural Knowledge, Everyday Knowledge, Open-Ended Question, Chain-of-Thought, Large Language Models, Native, Multilingual, Language Diversity
AscendKernelGen: 一种针对神经处理单元的LLM基内核生成系统研究
机构 * Pengcheng Laboratory（鹏城实验室） ； Huawei（华为） ； Sun Yat-sen University（中山大学） ； Peking University（北京大学）
专题命中 推理评测 ：CoT(summary_cn,abstract)；reasoning(abstract)；chain-of-thought(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出AscendKernelGen框架，通过引入Ascend-CoT数据集和KernelGen-LM模型，提升NPU内核生成效率与正确性，实验显示复杂内核编译成功率从0%提升至95.5%。
Comments 33 pages,7 figures,16 tables
ReactBench: 一种用于在化学反应图上进行拓扑推理的MLLMs基准测试
机构 * International Digital Economy Academy（国际数字经济学院） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
专题命中 推理评测 ：reasoning(title,abstract)；logical reasoning(title)；分类 cs.AI
AI总结 ReactBench通过化学反应图揭示MLLMs在拓扑推理中的局限性，包含1618个专家标注的问答对，评估17种MLLMs显示锚定任务与整体结构推理任务存在超过30%的性能差距。
超越单帧：跨体积MRI的多帧空间接地推理
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Harvard University（哈佛大学） ； Georgetown University（乔治城大学）
专题命中 推理评测 ：reasoning(title,abstract)；chain-of-thought(abstract)；分类 cs.AI
AI总结 本文提出SGMRI-VQA基准，通过多帧空间接地推理提升医学VLMs性能，展示监督微调提升接地能力。
理解大语言模型中新知识诱导的事实幻觉：分析与解释
机构 * National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； Huawei Translation Services Center（华为翻译服务中心）
专题命中 推理评测 ：reasoning(summary_cn,abstract)；分类 cs.CL
AI总结 研究探讨了新知识微调导致的大语言模型事实幻觉现象，通过设计Biography-Reasoning数据集，分析不同知识类型和任务类型中的幻觉表现，发现知识类型中不熟悉程度是幻觉的主要驱动因素。
Comments ACL 2026 Findings
从基准测试到推理：一个双视角、大规模评估LLMs在越南法律文本上的表现
机构 * University of Science, VNUHCM（越南国家大学科学大学） ； Vietnam National University（越南国家大学） ； Hanoi Open University（河内开放大学） ； Ho Chi Minh, Vietnam（胡志明市，越南）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL、cs.AI
AI总结 本文提出双视角评估框架，评估四种LLM在越南法律文本的准确性、可读性和一致性，发现Grok-1在可读性和一致性上表现优异但法律准确性不足，而Claude 3 Opus高准确性掩盖了推理错误，揭示当前LLM在法律推理上的核心挑战。
Comments 7 pages, 2 figures. Accepted at the FISU Joint Conference on Artificial Intelligence (FJCAI 2026), Vietnam
推理陷阱：增强大语言模型推理能力如何放大工具幻觉
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Nanjing University of Science and Technology（南京理工大学） ； Independent Researcher（独立研究者）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI、cs.LG
AI总结 研究探讨增强LLM推理能力是否导致工具幻觉增加，通过SimpleToolHalluBench验证因果关系，发现推理增强与幻觉成正比，且不受过拟合影响，揭示需新的训练目标平衡能力和可靠性。
Comments Accepted to ACL 2026 Main
VLegal-Bench: 用于大型语言模型越南法律推理的认知导向基准
机构 * CMC OpenAI ； VinUniversity ； HUST ； SRH University Heidelberg
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL、cs.AI
AI总结 VLegal-Bench是首个系统评估大型语言模型在越南法律任务上的基准，包含10450个样本，通过严格标注流程确保样本基于权威法律文件，涵盖法律问题解答、检索增强生成、多步推理等任务。
重新审视大语言模型推理中的均匀信息密度假说
机构 * Yonsei University（延世大学） ； OneLine AI
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL、cs.AI
AI总结 本文研究大语言模型推理中均匀信息密度假说的有效性，提出新框架量化局部和全局信息流均匀性，发现高质量推理在局部均匀但全局非均匀，证明均匀性优于其他内部信号预测推理质量。
Comments ACL 2026 Findings
VRAG-DFD: 可验证检索增强的基于大语言模型的深度伪造检测
机构 * Shanghai Jiao Tong University（上海交通大学） ； Tencent Youtu Lab（腾讯优图实验室）
专题命中 推理评测 ：CoT(abstract,abstract_cn)；reasoning(abstract)；chain-of-thought(abstract)
AI总结 本文提出VRAG-DFD框架，通过结合检索增强生成和强化学习，解决深度伪造检测中专业伪造知识不足的问题，提升大语言模型的推理能力。
视觉-语言模型真的能进行视觉推理吗？一种对模态差距的严格研究
机构 * College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算机与数据科学学院，新加坡） ； Alibaba-NTU Global e-Sustainability CorpLab (ANGEL)（阿里巴巴-国立大学全球可持续发展公司实验室（ANGEL）） ； Tongyi Lab, Alibaba Group, China（阿里云实验室，阿里巴巴集团，中国）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文通过CrossMath基准测试，发现视觉-语言模型在文本输入时表现优异，但加入图像信息后推理性能下降，表明其推理主要依赖文本空间，而非真实视觉证据。
视频推理：评估大语言模型如何提取、整合和重构时空证据
机构 * UNIST（全南大学） ； KAIST（韩国科学技术院）
专题命中 推理评测 ：reasoning(title,abstract)
AI总结 本文评估大语言模型在视频中的时空推理能力，提出VAEX-BENCH基准，通过合成数据测试抽象推理任务，揭示模型在抽象任务中的局限性。
Comments Project page: https://disl-lab.github.io/VAEX-Bench/
基于提示的代码摘要：系统文献综述
机构 * William & Mary（威廉玛丽学院）
专题命中 推理评测 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.LG
AI总结 本文综述了基于提示的代码摘要方法，分析了不同提示策略的有效性及评估挑战，旨在为未来研究和实际应用提供指导。
Comments 42 pages, 9 figures, 10 tables. Systematic Literature Review. This work is currently under review at ACM TOSEM
ReXSonoVQA：面向以过程为中心的超声理解的视频问答基准
机构 * Harvard Medical School（哈佛医学院）
专题命中 推理评测 ：reasoning(abstract)；planning(abstract)；分类 cs.AI
AI总结 ReXSonoVQA是一个包含514个视频片段和514个问题的视频问答基准，旨在评估动作-目标推理、artifact解决与优化及过程上下文与规划能力，测试VLMs在动态过程理解中的表现。
COMPOSITE-STEM基准：通过70个专家编写的任务评估AI代理的科学推理能力
机构 * PortexAI ； University of Milano-Bicocca（米兰-比科卡大学） ； University of Calgary（卡尔加里大学） ； University of Chicago（芝加哥大学） ； Inria（法国国家信息与自动化技术研究院） ； Fraunhofer Institute for Individualized Medical Technology IMTE（弗劳恩霍夫个性化医疗技术研究所） ； University of Cambridge（剑桥大学） ； Independent（独立） ； McGill University（麦吉尔大学） ； Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Queen Mary University of London（伦敦大学玛丽女王学院） ； Dot Ingredients ； National University of Singapore（新加坡国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； University of Edinburgh（爱丁堡大学） ； Murdoch University（墨尔本大学） ； University of Porto（波尔图大学） ； Stanford University（斯坦福大学） ； Stony Brook University（史泰津布鲁克大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文提出COMPOSITE-STEM基准，通过70个专家编写任务评估AI代理的科学推理能力，结合精确匹配评分和LLM作为评委的协议，展示AI在科学领域的能力突破。
BAGEL：语言模型中动物知识专精的基准测试
机构 * Earth Species Project（地球物种项目） ； NYU Center for Data Science（纽约大学数据科学中心；纽约大学上海） ； NYU Shanghai（纽约大学上海数据科学中心；纽约大学-复旦大学数学科学研究所） ； NYU Shanghai Center for Data Science ； NYU-ECNU Institute of Mathematical Sciences at NYU Shanghai
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 BAGEL基准测试评估语言模型在动物知识方面的专精能力，结合多个来源生成封闭式问题对，涵盖分类学、形态学、栖息地等多个方面，旨在提升语言模型在生物多样性应用中的可靠性。
Comments 28 pages, 3 figures
QuantSightBench：评估LLM定量预测的预测区间
机构 * ELLIS Institute Tübingen（图宾根ELLIS研究所） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Tübingen AI Center（图宾根人工智能中心）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出QuantSightBench基准，评估LLM在连续量数值预测中的表现，发现现有模型在90%覆盖率目标上普遍不足，且置信度校准随极端值恶化。
不完全合作的人机交互：在模拟和用户研究中比较人类和AI属性的影响
机构 * Aptima, Inc.（Aptima公司） ； Arizona State University（亚利桑那州立大学） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 推理评测 ：chain-of-thought(abstract)；分类 cs.CL、cs.AI
AI总结 研究通过模拟和用户实验比较人类和AI属性在不完全合作场景中的影响，发现AI属性，尤其是透明度，在真实用户研究中更具影响力。
Comments Will be presented at ACL 2026 and published in the Findings of the Association for Computational Linguistics: ACL 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈