大模型推理能力

MedPRMBench: A Fine-grained Benchmark for Process Reward Models in Medical Reasoning

MedPRMBench: 一种面向医疗推理过程奖励模型的细粒度基准

Lingyan Wu, Xiang Zheng, Weiqi Zhai, Wei Wang, Xuan Ren, Zifan Zhang, Hu Wei, Bing Zhao

机构 * Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 本文提出MedPRMBench，首个医疗领域过程奖励模型基准，通过三阶段流程生成高质量数据，涵盖14种细粒度错误类型，评估模型在医疗推理中的误差检测能力，提升下游任务准确率。

GeoRC: A Benchmark for Geolocation Reasoning Chains

GeoRC：地理定位推理链基准测试

Mohit Talreja, Joshua Diao, Jim Thannikary James, Radu Casapu, Tejas Santanam, Ethan Mendes, Alan Ritter, Wei Xu, James Hays

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 本文提出GeoRC基准，通过Champion级GeoGuessr专家生成的800条真实推理链，评估VLM生成推理链的准确性，发现大模型在生成可审计推理链上仍逊于人类专家，而小型模型表现更差。

Comments Accepted to ACL 2026

Reasoning-Based Refinement of Unsupervised Text Clusters with LLMs

基于推理的无监督文本聚类细化方法

Tunazzina Islam

机构 * Department of Computer Science（计算机科学系） 纠错

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

AI总结 本文提出利用大语言模型作为语义评判者，对无监督聚类结果进行推理细化，通过三个阶段提升聚类的连贯性与可解释性，实验证明其在社交媒体数据中优于传统方法。

Comments Accepted to the Findings of the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026). Camera-ready

BOP-ASK: Object-Interaction Reasoning for Vision-Language Models

BOP-ASK：面向视觉-语言模型的对象交互推理

Vineet Bhat, Sungsu Kim, Valts Blukis, Greg Heinrich, Prashanth Krishnamurthy, Ramesh Karri, Stan Birchfield, Farshad Khorrami, Jonathan Tremblay

机构 * New York University（纽约大学） ； NVIDIA（英伟达） 纠错

专题命中 推理评测 ：reasoning(title,abstract)；planning(abstract)

AI总结 本文提出BOP-ASK数据集，用于训练和评估视觉-语言模型的对象交互推理能力，包含15万张图像和3300万对问题答案，涵盖六个任务，验证了模型在复杂环境中的空间推理能力。

Comments Accepted at CVPR 2026. Code, Datasets & Benchmark available at https://bop-ask.github.io/

MMErroR: A Benchmark for Erroneous Reasoning in Vision-Language Models

MMErroR：面向视觉-语言模型错误推理的基准测试

Yang Shi, Yifeng Xie, Minzhe Guo, Liangsi Lu, Mingxuan Huang, Jingchao Wang, Zhihong Zhu, Boyan Xu, Zhiqi Huang

机构 * Guangdong University of Technology（广东工业大学） ； Hong Kong Baptist University（香港 Baptist大学） ； Sun Yat-sen University（中山大学） ； Peking University（北京大学） 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MMErroR基准，通过1997个包含单一推理错误的样本，评估视觉-语言模型检测错误推理的能力，发现即使最佳模型也仅能正确分类66.65%的错误。

Comments Accepted by ACL 2026 Main

Semantic-Space Exploration and Exploitation in RLVR for LLM Reasoning

在RLVR中对LLM推理进行语义空间探索与利用

Fanding Huang, Guanbo Huang, Xiao Fan, Yi He, Xiao Liang, Xiao Chen, Qinting Jiang, Faisal Nadeem Khan, Jingyan Jiang, Zhi Wang

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Shenzhen Technology University（深圳技术大学） 纠错

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

AI总结 本文提出VERL方法，通过有效秩和其时间导数改进RLVR，实现语义空间中探索与利用的平衡，提升LLM推理性能。

Comments Accepted as an ACL 2026 Findings paper

From Answers to Arguments: Toward Trustworthy Clinical Diagnostic Reasoning with Toulmin-Guided Curriculum Goal-Conditioned Learning

从答案到论证：通过托尔金引导的课程目标条件学习实现可信的临床诊断推理

Chen Zhan, Xiaoyu Tan, Gengchen Ma, Yu-Jie Xiong, Xiaoyan Jiang, Xihe Qiu

机构 * School of Electronic and Electrical Engineering, Shanghai University of Engineering Science（上海工程技术大学电子与电气工程学院） ； Tencent Youtu Lab（腾讯优图实验室） 纠错

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

AI总结 本文提出托尔金引导的课程目标条件学习框架，通过逐步训练LLM生成符合托尔金结构的诊断论证，提升临床诊断的透明性和可靠性。

Comments Accepted at ACL 2026

WeatherArchive-Bench: Benchmarking Retrieval-Augmented Reasoning for Historical Weather Archives

WeatherArchive-Bench: 基于历史天气档案的检索增强推理基准测试

Yongan Yu, Xianda Du, Qingchen Hu, Jiahao Liang, Jingwei Ni, Dan Qiang, Kaiyu Huang, Grant McKenzie, Renee Sieber, Fengran Mo

机构 * McGill University（麦吉尔大学） ； University of Waterloo（滑铁卢大学） ； ETH Zurich（苏黎世联邦理工学院） ； Beijing Jiaotong University（北京交通大学） 纠错

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

AI总结 本文提出WeatherArchive-Bench，用于评估检索增强生成系统在处理历史天气档案中的能力，揭示密集检索器在历史术语上的不足及LLM对社会脆弱性与韧性概念的误判问题。

Comments accepted to the Resource Track of SIGIR 2026

The Cognitive Penalty: Ablating System 1 and System 2 Reasoning in Edge-Native SLMs for Decentralized Consensus

认知惩罚：在边缘原生SLM中消融系统1和系统2推理以实现去中心化共识

Syed Muhammad Aqdas Rizvi

机构 * Independent Researcher（独立研究者） ； Lahore University of Management Sciences（拉合尔管理科学大学） 纠错

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

AI总结 本文研究了边缘原生SLM中系统1和系统2推理对去中心化共识的影响，发现系统1在对抗性环境中表现更优，而系统2导致计算准确率倒置和稳定性下降。

Comments Working paper. 14 pages, 3 figures, 6 tables. Code and dataset: https://github.com/smarizvi110/sentinel-bench

Evaluating Multi-Hop Reasoning in RAG Systems: A Comparison of LLM-Based Retriever Evaluation Strategies

评估基于检索增强生成系统的多跳推理：LLM检索评估策略的比较

Lorenz Brehme, Thomas Ströhle, Ruth Breu

机构 * Universität Innsbruck（因斯布鲁克大学） 纠错

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

AI总结 本文通过对比三种LLM评估策略，提出上下文感知检索评估（CARE），证明其在提升RAG系统多跳推理能力方面效果显著，尤其在参数多和上下文长的模型中表现更优。

Comments 15 Pages, Accepted for publication at the SynIRgy Workshop, ECIR 2026 (48th European Conference on Information Retrieval)

QuantumQA: Enhancing Scientific Reasoning via Physics-Consistent Dataset and Verification-Aware Reinforcement Learning

量子QA：通过物理一致的数据集和验证意识强化学习增强科学推理

Songxin Qu, Tai-Ping Sun, Yun-Jie Wang, Huan-Yu Liu, Cheng Xue, Xiao-Fan Xu, Han Fang, Yang Yang, Yu-Chun Wu, Guo-Ping Guo, Zhao-Yun Chen

机构 * Institute of Advanced Technology, University of Science and Technology of China（中国科学技术大学先进技术研究院） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院） ； School of Physics, University of Science and Technology of China（中国科学技术大学物理学院） ； School of Electronics and Information Engineering, Anhui University（安徽大学电子与信息工程学院） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） 纠错

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

AI总结 本文提出量子QA数据集和验证意识奖励模型，通过物理一致的数据集和强化学习提升科学推理能力，实验证明其在科学领域表现优异。

Comments 25 pages

EgoEsportsQA: An Egocentric Video Benchmark for Perception and Reasoning in Esports

EgoEsportsQA：一种用于电子竞技感知与推理的视角视频基准

Jianzhe Ma, Zhonghao Cao, Shangkui Chen, Yichen Xu, Wenxuan Wang, Qin Jin

机构 * Renmin University of China（中国人民大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 本文提出EgoEsportsQA基准，通过六阶段流程收集1745对高质量问答对，评估视频大语言模型在虚拟环境中的感知与推理能力，揭示模型在战术推理和微操作方面的不足。

Comments Work in progress

Closing the Modality Reasoning Gap for Speech Large Language Models

弥合语音大语言模型的模态推理差距

Chaoren Wang, Heng Lu, Xueyao Zhang, Shujie Liu, Yan Lu, Jinyu Li, Zhizheng Wu

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Microsoft Corporation（微软公司） 纠错

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

AI总结 本文提出TARS框架，通过不对称奖励设计对齐文本和语音条件轨迹，显著缩小模态推理差距并在7B级语音大语言模型中取得最佳性能。

Comments Accepted by ACL 2026 Main Conference

SCALER:Synthetic Scalable Adaptive Learning Environment for Reasoning

SCALER：合成可扩展自适应学习环境用于推理

Caijun Xu, Changyi Xiao, Zhongyuan Peng, Xinrun Wang, Yixin Cao

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Singapore Management University（新加坡国立大学） 纠错

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

AI总结 SCALER通过自适应环境设计维持有效学习信号，解决RL训练中任务难度与模型能力不匹配及训练模式狭窄的问题，提升推理能力。

Comments 22 pages,5 figures

ReTraceQA: Evaluating Reasoning Traces of Small Language Models in Commonsense Question Answering

ReTraceQA：评估小语言模型在常识问答中的推理轨迹

Francesco Maria Molfese, Luca Moroni, Ciro Porcaro, Simone Conia, Roberto Navigli

机构 * Sapienza NLP Group（萨皮恩扎大学自然语言处理小组） ； Sapienza University of Rome（罗马萨皮恩扎大学） 纠错

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

AI总结 ReTraceQA通过引入过程级评估，揭示小语言模型在常识推理中存在大量推理过程错误，但最终答案正确的情况，表明现有评价方法高估了模型能力。

Comments Accepted at ACL 2026 Main Conference

Persona-Based Requirements Engineering for Explainable Multi-Agent Educational Systems: A Scenario Simulator for Clinical Reasoning Training

基于角色的可解释多智能体教育系统需求工程：用于临床推理训练的场景模拟器

Weibing Zheng, Laurah Turner, Jess Kropczynski, Matthew Kelleher, Murat Ozer, Shane Halse

机构 * School of Information Technology University of Cincinnati, OH Cincinnati, USA（信息科技学院 奥地利辛辛那提大学） ； College of Medicine University of Cincinnati, OH Cincinnati, USA（医学院 奥地利辛辛那提大学） 纠错

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

AI总结 本文提出基于角色的可解释多智能体教育系统需求工程框架，通过临床推理训练系统展示如何利用角色和用户故事捕捉多方需求，提升系统可解释性和临床场景真实性。

Comments 7 pages, 2 figures, CSTE2026: https://cste.net/index.html

Althea: Human-AI Collaboration for Fact-Checking and Critical Reasoning

Althea：面向事实核查和批判性推理的人机协作

Svetlana Churina, Kokil Jaidka, Anab Maulana Barik, Harshit Aneja, Cai Yang, Wynne Hsu, Mong Li Lee

机构 * Centre for Trusted Internet & Community (CTIC)（可信互联网与社区中心） ； National University of Singapore (NUS)（新加坡国立大学） 纠错

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

AI总结 Althea通过整合问题生成、证据检索和结构化推理，提升在线主张的核查效率与准确性，其在AVeriteC基准测试中达到宏F1值0.44，且在用户研究中显示指导性交互对短期准确性和长期改进均有显著影响。

MeasHalu: Mitigation of Scientific Measurement Hallucinations for Large Language Models with Enhanced Reasoning

MeasHalu：通过增强推理缓解大型语言模型中的科学测量幻觉

Ruijun Huang, Zhiqiao Kang, Yuxuan Zhu, Junxiong Li, Jiahao Zhao, Minghuan Tan, Feng Jiang, Min Yang

机构 * Shenzhen Key Laboratory for High Performance Data Mining（深圳高性能数据挖掘重点实验室） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院） ； Artificial Intelligence Research Institute, Shenzhen University of Advanced Technology（深圳先进技术大学人工智能研究院） 纠错

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

AI总结 本文提出MeasHalu框架，通过增强推理和针对性优化缓解LLM的科学测量幻觉问题，改进测量提取的准确性。

Comments To appear in ACL 2026

Learning to Trade Like an Expert: Cognitive Fine-Tuning for Stable Financial Reasoning in Language Models

学习像专家一样交易：用于语言模型在金融推理中稳定性的认知微调

Yuchen Pan, Soung Chang Liew

机构 * Department of Information Engineering, The Chinese University of Hong Kong（信息工程系，香港中文大学） 纠错

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

AI总结 本文提出一种框架，通过 curated 多选题数据集和两阶段评估协议，训练语言模型在金融决策中具备稳定性和风险意识，优于开源基线并接近前沿模型表现。

Comments 6 pages, 3 figures

Synthetic Data Generation for Training Diversified Commonsense Reasoning Models

为训练多样化常识推理模型生成合成数据

Tianhui Zhang, Bei Peng, Danushka Bollegala

机构 * University of Liverpool（利物浦大学） ； University of Sheffield（谢菲尔德大学） ； Amazon（亚马逊） 纠错

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

AI总结 本文提出两阶段方法生成首个合成数据集CommonSyn，提升生成多样性和质量，适用于不同规模的大语言模型。

Comments ACL2026 Main

BizCompass: Benchmarking the Reasoning Capabilities of LLMs in Business Knowledge and Applications

BizCompass：评估大语言模型在商业知识与应用中的推理能力的基准测试

Jianing Hao, Yuhe Wu, Yuanjian Xu, Shichang Meng, Shuai Yuan, Wei Zeng, Zixuan Wang, Guang Zhang

专题命中 推理评测 ：reasoning(title,abstract)

AI总结 BizCompass通过连接理论基础与实际商业知识，评估LLM在金融、经济等领域的推理能力，揭示不同模型在商业场景中的表现差异及影响因素。

Comments 40 pages, 6 figures, Findings of ACL 2026

GeoArena: Evaluating Open-World Geographic Reasoning in Large Vision-Language Models

GeoArena：在大视觉-语言模型中评估开放世界地理推理

Pengyue Jia, Yingyi Zhang, Xiangyu Zhao, Sharon Li

机构 * Department of Data Science, City University of Hong Kong（香港城市大学数据科学系） ； Department of Computer Sciences, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系） 纠错

专题命中 推理评测 ：reasoning(title,abstract)

AI总结 本文提出GeoArena框架，通过人偏好评估动态图像中的地理推理能力，评估17种前沿LVLM，分析模型行为与人类偏好可靠性。

Comments ACL 2026 Main

TemporalVLM: Video LLMs for Temporal Reasoning in Long Videos

TemporalVLM：长视频中的时间推理视频大语言模型

Fawad Javed Fateh, Umer Ahmed, Hamza Khan, M. Zeeshan Zia, Quoc-Huy Tran

机构 * Retrocausal, Inc.（Retrocausal公司） 纠错

专题命中 推理评测 ：reasoning(title,abstract)

AI总结 本文提出TemporalVLM，一种用于长视频时间推理和细粒度理解的视频大语言模型，通过时间感知编码和BiLSTM模块实现全局特征聚合，并引入IndustryASM数据集进行评估。

Comments Accepted to ACL 2026

TPS-CalcBench: A Benchmark and Diagnostic Evaluation Framework for LLM Analytical Calculation Competence in Hypersonic Thermal Protection System Engineering

TPS-CalcBench: 一种用于高超音速热防护系统工程中LLM分析计算能力的基准和诊断评估框架

Jinglai Zheng, Chuhan Qiao, Haiming Huang

机构 * School of Civil Engineering, Beijing Jiaotong University, Beijing 100044, China（北京交通大学土木工程学院） 纠错

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

AI总结 本文提出TPS-CalcBench，首个针对高超音速气动学和高温气体动力学中闭式解析计算的诊断基准，通过领域导向任务分类、双轨评估和人类-AI数据管道，建立安全关键工程LLM部署评估的完整诊断-评估-干预框架。

Terminal Wrench: A Dataset of 331 Reward-Hackable Environments and 3,632 Exploit Trajectories

终端 wrench：331个可奖励黑客环境和3,632条exploit轨迹的数据集

Ivan Bercovich, Ivgeni Segal, Kexun Zhang, Shashwat Saxena, Aditi Raghunathan, Ziqian Zhong

机构 * Fewshot Corp（Fewshot公司） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 推理评测 ：reasoning(abstract)；chain-of-thought(abstract)；verifier(abstract)；分类 cs.AI

AI总结 本文发布了一个包含331个终端代理基准环境和3,632条exploit轨迹的数据集，展示了不同任务中的特定exploit方法，并通过LLM评估检测性能下降。

Plausibility as Commonsense Reasoning: Humans Succeed, Large Language Models Do not

可解释性作为常识推理：人类成功，大语言模型却不成功

Sercan Karakaş

机构 * University of Chicago（芝加哥大学） 纠错

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

AI总结 研究探讨大语言模型是否能像人类一样在歧义解析中结合世界知识与句法结构。通过土耳其前置定语从句附着歧义，发现人类表现出显著的可解释性效应，而大语言模型则表现不一致。

Comments Accepted to The Workshop on Cognitive Modeling and Computational Linguistics co-located with LREC 2026

The Provenance Gap in Clinical AI: Evidence-Traceable Temporal Knowledge Graphs for Rare Disease Reasoning

临床AI中的溯源差距：用于罕见疾病推理的证据可追溯时间知识图谱

Md Shamim Ahmed, Maja Dusanic, Moritz Nikolai Kirschner, Elisabeth Nyoungui, Jana Zschüntzsch, Lukas Galke Poech, Richard Röttger

机构 * Department of Mathematics and Computer Science, University of Southern Denmark（丹麦南方大学数学与计算机科学系） ； Universitätsmedizin Göttingen（哥廷根大学医学中心） 纠错

专题命中 推理评测 ：reasoning(title)；分类 cs.CL

AI总结 本文提出HEG-TKG系统，通过时间知识图谱提升临床推理的证据可追溯性，实现100%证据可验证性，同时保证安全性和完整性。

Comments 32 pages, 9 figures, 7 tables. Will submit to npj Digital Medicine. Supplementary materials included

Neurosymbolic Repo-level Code Localization

神经符号层面的代码定位

Xiufeng Xu, Xiufeng Wu, Zejun Zhang, Yi Li

机构 * Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出KA-LCL问题，引入KA-LogicQuery基准测试，展示现有方法在无命名提示下的性能下降，提出LogicLoc框架结合LLM和Datalog实现精确代码定位。

BridgeEQA: Virtual Embodied Agents for Real Bridge Inspections

BridgeEQA：用于真实桥梁检查的虚拟具身代理

Subin Varghese, Joshua Gao, Asad Ur Rahman, Vedhus Hoskere

机构 * University of Houston（德克萨斯大学休斯顿分校） 纠错

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

AI总结 本文提出BridgeEQA基准，通过200个真实桥梁场景和2200个开放词汇问题对，评估具身记忆问答能力，引入Image Citation Relevance指标，并提出EMVR模型提升性能。

From Passive Metric to Active Signal: The Evolving Role of Uncertainty Quantification in Large Language Models

从被动度量到主动信号：不确定性量化在大语言模型中的演变角色

Jiaxin Zhang, Wendi Cui, Zhuohang Li, Lifu Huang, Bradley Malin, Caiming Xiong, Chien-Sheng Wu

机构 * Salesforce AI Research（Salesforce AI研究院） ； Intuit（Intuit公司） ； Vanderbilt University（范德比大学） ； University of California, Davis（加州大学戴维斯分校） ； Vanderbilt University Medical Center（范德比大学医学中心） 纠错

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

AI总结 本文探讨大语言模型中不确定性量化从被动诊断指标到主动控制信号的演变，分析其在高级推理、自主代理和强化学习中的应用及贡献。

Comments This paper has been accepted by ACL 2026