大模型推理能力

DUALVISION: RGB-Infrared Multimodal Large Language Models for Robust Visual Reasoning

DUALVISION：用于鲁棒视觉推理的RGB-红外多模态大语言模型

Abrar Majeedi, Zhiyuan Ruan, Ziyi Zhao, Hongcheng Wang, Jianglin Lu, Yin Li

机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Amazon（亚马逊） ； Northeastern University（东北大学） 纠错

专题命中 推理评测 ：reasoning(title,abstract)

AI总结 本文提出DUALVISION，通过局部化交叉注意力融合IR-RGB信息，提升多模态大语言模型在视觉退化条件下的性能，并引入DV-204K和DV-500数据集进行评估。

Comments Accepted at CVPR Findings 2026

Xpertbench: Expert Level Tasks with Rubrics-Based Evaluation

Xpertbench：基于评分标准的专家级任务

Xue Liu, Xin Ma, Yuxin Ma, Yongchang Peng, Duo Wang, Zhoufutu Wen, Ge Zhang, Kaiyuan Zhang, Xinyu Chen, Yida Ding, Tianci He, Jiani Hou, Liang Hu, Ziyun Huang, Yongzhe Hui, Jianpeng Jiao, Chennan Ju, Yingru Kong, Yiran Li, Jiashuo Liu, Mengyun Liu, Luyao Ma, Fei Ni, Yiqing Ni, Pengbo Niu, Yueyan Qiu, Yanle Ren, Xinyu Shen, Zilin Shi, Zaiyuan Wang, Wenjie Yue, Chun Zhang, Shiyu Zhang, Xinyi Zhang, Kaiwen Zhao, Zhenwei Zhu, Shanshan Wu, Qi Zhao, Wenhao Huang

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

AI总结 XpertBench通过精心设计的高保真任务评估LLM在专业领域的能力，揭示了当前AI系统在专家级任务上的性能瓶颈，展示了模型在不同领域中的表现差异。

InsideOut: Measuring and Mitigating Insider-Outsider Bias in Interview Script Generation

InsideOut: 评估和缓解面试脚本生成中的内部-外部偏见

Yixin Wan, Xingrun Chen, Kai-Wei Chang

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 本文提出InsideOut基准，通过文化情境面试脚本生成任务量化LLM的内部-外部偏见，采用三种评估指标，并提出基于代理的MFA框架缓解偏见，实验表明MFA方法显著降低偏见。

A-MAR: Agent-based Multimodal Art Retrieval for Fine-Grained Artwork Understanding

A-MAR：基于代理的多模态艺术检索用于细粒度艺术作品理解

Shuai Wang, Hongyi Zhu, Jia-Hong Huang, Yixian Shen, Chengxi Zeng, Stevan Rudinac, Monika Kackovic, Nachoem Wijnberg, Marcel Worring

机构 * University of Amsterdam（阿姆斯特丹大学） ； University of Bristol（布里斯托大学） ； Amazon AGI（亚马逊人工智慧） ； College of Business and Economics（商学院和经济学学院） ； University of Johannesburg（约翰内斯堡大学） 纠错

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

AI总结 本文提出A-MAR框架，通过结构化推理计划显式指导多模态艺术检索，提升解释质量和证据 grounding 能力，在艺术领域验证了代理式多模态推理的有效性。

Journal ref ICMR 2026, ACM International Conference on Multimedia Retrieval

Time Series Augmented Generation for Financial Applications

时间序列增强生成用于金融应用

Anton Kolonin, Alexey Glushchenko, Evgeny Bochkov, Abhishek Saxena

机构 * SingularityNET Foundation（SingularityNET基金会） 纠错

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

AI总结 本文提出了一种新的评估方法和基准，用于衡量LLM在金融时间序列分析中的推理能力，通过大规模实证研究验证了工具增强范式的有效性。

Comments 11 pages, 3 figures, 2 tables

From Experience to Skill: Multi-Agent Generative Engine Optimization via Reusable Strategy Learning

从经验到技能：通过可重用策略学习的多智能体生成引擎优化

Beining Wu, Fuyou Mao, Jiong Lin, Cheng Yang, Jiaxuan Lu, Yifu Guo, Siyu Zhang, Yifan Wu, Ying Huang, Fu Li

机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Central South University（中南大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Sun Yat-sen University（中山大学） ； Ramus ； Hong Kong University of Science and Technology (GuangZhou)（香港科技大学（广州）） 纠错

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

AI总结 本文提出MAGEO框架，通过协调规划、编辑和基于保真的评估，实现生成引擎优化，结合双轴指标DSV-CF和双分支评估协议，提升内容编辑的语义可见性和归因准确性。

Comments ACL 2026 Findings

Lost in Translation: Do LVLM Judges Generalize Across Languages?

迷失在翻译中：大型视觉-语言模型（LVLM）的评判者是否能跨语言泛化？

Md Tahmid Rahman Laskar, Mohammed Saidul Islam, Mir Tafseer Nayeem, Amran Bhuiyan, Mizanur Rahman, Shafiq Joty, Enamul Hoque, Jimmy Huang

机构 * York University（约克大学） ； University of Alberta（阿尔伯塔大学） ； Nanyang Technological University（南洋理工大学） ； Salesforce AI Research（Salesforce AI研究） 纠错

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

AI总结 本文提出MM-JudgeBench，首个多语言多模态评判模型评估基准，包含60000+跨25种语言的配对偏好实例，揭示了LVLM评判器在跨语言性能上的显著差异，指出模型大小和架构并非多语言鲁棒性的良好预测因素。

Comments Accepted at ACL 2026 Findings

HalluAudio: A Comprehensive Benchmark for Hallucination Detection in Large Audio-Language Models

HalluAudio：大型音频-语言模型中幻觉检测的综合基准

Feiyu Zhao, Yiming Chen, Wenhuan Lu, Daipeng Zhang, Xianghu Yue, Jianguo Wei

机构 * College of Intelligence and Computing, Tianjin University, China（天津大学智能计算学院） ； ASUS Intelligent Cloud Services, Singapore（ASUS智能云服务） 纠错

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

AI总结 HalluAudio是首个大规模评估语音、环境声音和音乐中幻觉的基准，包含5000多对人工验证的问答对，通过对抗性提示和混合音频条件系统诱导幻觉，评估准确率、幻觉率、偏差等，揭示了大型音频-语言模型在声音接地、时间推理和音乐属性理解上的缺陷。

Comments Accepted to ACL 2026

SAVOIR: Learning Social Savoir-Faire via Shapley-based Reward Attribution

SAVOIR：通过基于Shapley的奖励归因学习社交能力

Xiachong Feng, Yi Jiang, Xiaocheng Feng, Deyi Yin, Libo Qin, Yangfan Ye, Lei Huang, Weitao Ma, Yuxuan Gu, Chonghan Qin, Bing Qin, Lingpeng Kong

机构 * The University of Hong Kong（香港大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） 纠错

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

AI总结 本文提出SAVOIR框架，基于合作博弈理论解决语言代理训练中的信用分配问题，通过预期效用转移和Shapley值实现公平奖励分配，实验显示其在SOTOPIA基准上达到新状态-of-the-art性能。

Comments ACL 2026 Findings

Once Correct, Still Wrong: Counterfactual Hallucination in Multilingual Vision-Language Models

一旦正确，仍错误：多语言视觉-语言模型中的反事实幻觉

Basel Mousi, Fahim Dalvi, Shammur Chowdhury, Firoj Alam, Nadir Durrani

机构 * Qatar Computing Research Institute, HBKU（卡塔尔计算研究所，哈姆丹·本·哈马德大学） 纠错

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

AI总结 研究探讨多语言视觉-语言模型在文化背景下反事实幻觉的问题，提出M²CQA基准测试，通过17个中东国家图像和多语言对比陈述评估模型性能，发现阿拉伯语尤其在方言中反事实幻觉率显著上升。

ChemPro: A Progressive Chemistry Benchmark for Large Language Models

ChemPro：一种渐进式的化学基准测试用于大语言模型

Aaditya Baranwal, Shruti Vyas

机构 * Aaditya Baranwal ； Shruti Vyas 纠错

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

AI总结 ChemPro通过4100个化学问题-答案对评估大语言模型在化学领域的表现，涵盖多个难度层级，揭示了LLM在科学推理中的局限性。

Comments Accepted at Artificial Intelligence Chemistry Journal

Journal ref Artif. Intell. Chem. 4(1), 100118 (2026)

TabReX : Tabular Referenceless eXplainable Evaluation

TabReX : 不依赖参考的表格可解释性评估

Tejas Anvekar, Junha Park, Aparna Garimella, Vivek Gupta

机构 * Arizona State University（亚利桑那州立大学） ； Adobe Research（Adobe研究） 纠错

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

AI总结 TabReX 提出了一种不依赖参考的表格生成评估框架，通过图推理方法将源文本和生成表格转化为知识图谱，并计算可解释的评分，实现结构和事实的准确性评估。

Comments Accepted to ACL 2026 (Main Conference). Long paper

STK-Adapter: Incorporating Evolving Graph and Event Chain for Temporal Knowledge Graph Extrapolation

STK-Adapter：融合演进图与事件链以实现时序知识图谱外推

Shuyuan Zhao, Wei Chen, Weijie Zhang, Xinrui Hou, Junfeng Shen, Boyan Shi, Shengnan Guo, Youfang Lin, Huaiyu Wan

专题命中 推理评测 ：reasoning(abstract)

AI总结 本文提出STK-Adapter，通过融合演进图与事件链，解决时序知识图谱外推中空间-时间信息丢失和特征稀释问题，提升模型推理能力与泛化能力。

Comments Accepted by ACL 2026

Bridging Foundation Models and ASTM Metallurgical Standards for Automated Grain Size Estimation from Microscopy Images

弥合基础模型与ASTM冶金标准以实现显微图像中的晶粒尺寸自动估计

Abdul Mueez, Shruti Vyas

机构 * University of Central Florida（中央佛罗里达大学） 纠错

专题命中 推理评测 ：reasoning(abstract)

AI总结 本文提出一种结合Cellpose-SAM和ASTM E112 Jeffries平面模块的自动化管道，用于显微图像中的密集实例分割和晶粒尺寸估计，通过拓扑感知梯度追踪和适应性提示生成，实现高精度的冶金评估。

Comments Accepted at the 11th IEEE Workshop on Computer Vision for Multimodal Microscopy Image Analysis (CVMI), CVPR Workshops 2026

Autonomous Skeletal Landmark Localization towards Agentic C-Arm Control

自主骨骼标志点定位以实现智能C臂控制

Jay Jung, Ahmad Arrabi, Jax Luo, Scott Raymond, Safwan Wshah

机构 * University of Vermont（佛蒙特大学） ； Cleveland Clinic（克利夫兰诊所） 纠错

专题命中 推理评测 ：reasoning(abstract)

AI总结 本文研究了利用多模态大语言模型实现C臂控制中骨骼标志点的自主定位，通过实验验证了其在准确性和推理能力上的优势，为智能C臂控制提供了新方法。

Comments Accepted at IJCARS: IPCAI 2026. Int J CARS (2026)

CogGen: A Cognitively Inspired Recursive Framework for Deep Research Report Generation

CogGen：一种受认知启发的递归框架用于深度研究报告生成

Kuo Tian, Pengfei Sun, Zhen Wu, Junran Ding, Xinyu Dai

专题命中 推理评测 ：planning(abstract)

AI总结 CogGen通过递归架构模拟认知写作，实现灵活规划与全局重构，引入抽象视觉表示和认知负荷评估框架，提升多模态内容生成质量。

Comments 28 pages, 3 figures, Accepted to ACL 2026 Findings

Reasoning Models Will Sometimes Lie About Their Reasoning

推理模型有时会谎称其推理过程

William Walden, Miriam Wanner

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

专题命中 其他推理 ：reasoning(title,abstract)；CoT(abstract)；分类 cs.CL、cs.AI

AI总结 研究探讨了在模型被明确提示可能接收异常输入的情况下，推理模型的忠实性。发现尽管提示能提升原有指标，但新提出的更细致指标显示模型常否认使用提示，挑战了推理监控和可解释性。

Fine-Tuning Small Reasoning Models for Quantum Field Theory

对量子场论进行小规模推理模型的微调

Nathaniel S. Woodward, Zhiqi Gao, Yurii Kvasiuk, Kendrick M. Smith, Frederic Sala, Moritz Münchmeyer

机构 * Department of Physics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校物理系） ； Department of Computer Science, University of Wisconsin-Madison（威斯康星大学麦迪逊分校计算机科学系） ； Perimeter Institute for Theoretical Physics（理论物理研究所） 纠错

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

AI总结 本文研究了在训练大型语言模型时，领域特定物理推理能力的发展，通过微调小规模推理模型，生成合成问题和人类编写的问题，进行强化学习和监督微调实验，分析推理错误的变化，并公开数据管道和训练数据。

Reinforcement Learning Improves LLM Accuracy and Reasoning in Disease Classification from Radiology Reports

强化学习提升LLM在放射学报告疾病分类中的准确性和推理能力

Yishu Wei, Yi Lin, Adam Flanders, George Shih, Yifan Peng

机构 * Department of Population Health Sciences, Weill Cornell Medicine, New York, NY（人口健康科学系，韦尔·柯林斯医学中心，纽约，NY） ； Department of Radiology, Weill Cornell Medicine, New York, NY（放射科，韦尔·柯林斯医学中心，纽约，NY） ； Department of Radiology, Thomas Jefferson University, Philadelphia, PA（放射科，托马斯·杰斐逊大学，费城，PA） 纠错

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

AI总结 本文提出两阶段方法，通过监督微调优化疾病标签，再用GRPO提升预测准确性与格式，增强推理能力。

How to Fine-Tune a Reasoning Model? A Teacher-Student Cooperation Framework to Synthesize Student-Consistent SFT Data

如何微调一个推理模型？一种教师-学生合作框架来合成学生一致的SFT数据

Zixian Huang, Kaichen Yang, Xu Huang, Feiyang Hao, Qiming Ge, Bowen Li, He Du, Kai Chen, Qipeng Guo

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Dalian University of Technology（大连理工大学） ； Nanjing University（南京大学） 纠错

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

AI总结 本文提出TESSY框架，通过交替生成风格和非风格标记，解决教师生成数据与学生分布之间的风格差异问题，提升推理模型性能。

GRAIL:Learning to Interact with Large Knowledge Graphs for Retrieval Augmented Reasoning

GRAIL:学习与大规模知识图谱交互以实现检索增强推理

Ge Chang, Jinbo Su, Jiacheng Liu, Pengfei Yang, Yuhao Shang, Huiwen Zheng, Hongli Ma, Yan Liang, Yuanchun Li, Yunxin Liu

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

AI总结 GRAIL通过结合LLM引导的随机探索与路径过滤，建立数据合成管道，学习动态决策策略，提升知识图谱检索的精度与简洁性平衡，实验表明在三个知识图谱问答数据集上准确率和F1值分别提升21.01%和22.43%。

Comments This is a duplicate submission of the article "Enhancing Agentic Textual Graph Retrieval with Synthetic Stepwise Supervision" [arXiv:2510.03323]. The content is identical to the newer version. This entry is being withdrawn to avoid redundancy

Failure Modes in Multi-Hop QA: The Weakest Link Effect and the Recognition Bottleneck

多跳问答中的故障模式：最弱链接效应与识别瓶颈

Meiru Zhang, Zaiqiao Meng, Nigel Collier

机构 * University of Cambridge（剑桥大学） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI、cs.LG

AI总结 研究揭示多跳问答中LLM因位置偏见导致的识别与综合失败机制，提出MFAI方法解决识别瓶颈，提升低可见性位置准确率，并展示系统2推理模型在长上下文中的有效性。

Comments Accepted at ACL 2026

Rethinking Scale: Deployment Trade-offs of Small Language Models under Agent Paradigms

重新思考规模：在代理范式下小型语言模型的部署权衡

Xinlin Wang, Mats Brorsson

机构 * Proximus Luxembourg S.A.（普罗米修斯卢森堡股份有限公司） ； University of Luxembourg（卢森堡大学） 纠错

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

AI总结 本文探讨了在代理范式下小型语言模型的部署权衡，通过对比基础模型、单代理工具系统和多代理协作系统，发现单代理系统在性能与成本间达到最佳平衡。

Where Fake Citations Are Made: Tracing Field-Level Hallucination to Specific Neurons in LLMs

伪造引用的产生地：追踪领域层面的幻觉到LLM中的特定神经元

Yuefei Chen, Yihao Quan, Xiaodong Lin, Ruixiang Tang

机构 * Rutgers University（罗格斯大学） 纠错

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

AI总结 研究发现LLM生成虚假引用时，作者名错误率最高，领域特定的幻觉神经元通过内部模型信号可检测和缓解。

MATA: Multi-Agent Framework for Reliable and Flexible Table Question Answering

MATA：用于可靠和灵活的表格问答的多智能体框架

Sieun Hyeon, Jusang Oh, Sunghwan Steve Cho, Jaeyoung Do

机构 * Department of Electrical and Computer Engineering, Seoul National University（首尔国立大学电气与计算机工程系） ； Interdisciplinary Program in Artificial Intelligence, Seoul National University（首尔国立大学人工智能跨学科项目） 纠错

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

AI总结 MATA通过多智能体框架和小语言模型工具，提升表格问答的可靠性与灵活性，实验显示其在不同LLM上均取得最佳准确率和高效推理。

Comments Accepted to ACL 2026 (findings)

Detecting Data Contamination in Large Language Models

在大型语言模型中检测数据污染

Juliusz Janicki, Savvas Chamezopoulos, Evangelos Kanoulas, Georgios Tsatsaronis

机构 * University of Amsterdam（阿姆斯特丹大学） ； Elsevier（埃塞克斯） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI

AI总结 研究评估了黑盒会员推断攻击在检测大型语言模型训练数据中的有效性，发现现有方法无法可靠检测成员身份，所有方法的AUC-ROC约为0.5，更高级的模型表现出更高的TPR和FPR，显示了检测的困难性。

Do Emotions Influence Moral Judgment in Large Language Models?

情绪是否影响大语言模型的道德判断？

Mohammad Saim, Tianyu Jiang

机构 * University of Cincinnati（辛辛那提大学） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL

AI总结 研究通过情感诱导流程评估多组数据和LLM中道德可接受性变化，发现积极情绪提升道德可接受性，负面情绪降低，且部分情绪表现与预期相反，揭示了当前LLM与人类在道德判断上的差异。

Comments 18 pages, 14 figures, 6 tables

MASS-RAG: Multi-Agent Synthesis Retrieval-Augmented Generation

MASS-RAG：多代理合成检索增强生成

Xingchen Xiao, Heyan Huang, Runheng Liu, Jincheng Xie

机构 * School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院） ； Department of Mathematical Sciences, Tsinghua University（清华大学数学科学系） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL

AI总结 MASS-RAG通过多代理结构处理证据，提升检索增强生成在噪声、不完整或异质证据下的表现，实验显示其在相关证据分散于检索结果时性能更优。

Comments ACL 2026 Findings, 19 pages

EHRAG: Bridging Semantic Gaps in Lightweight GraphRAG via Hybrid Hypergraph Construction and Retrieval

EHRAG：通过混合超图构建与检索弥合语义鸿沟的轻量级图RAG

Yifan Song, Xingjian Tao, Zhicheng Yang, Yihong Luo, Jing Tang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI

AI总结 EHRAG通过构建融合结构与语义关系的超图，结合结构-语义混合检索机制，提升轻量级图RAG的语义关联能力，在保持线性索引复杂度的同时优于现有基线模型。

Comments Accepted by Findings of ACL2026

VimRAG: Navigating Massive Visual Context in Retrieval-Augmented Generation via Multimodal Memory Graph

VimRAG：通过多模态记忆图导航大规模视觉上下文

Qiuchen Wang, Shihang Wang, Yu Zeng, Qiang Zhang, Fanrui Zhang, Zhuoning Guo, Bosi Zhang, Wenxuan Huang, Lin Chen, Zehui Chen, Pengjun Xie, Ruixue Ding

机构 * Tongyi Lab, Alibaba Group（通义实验室，阿里巴巴集团） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL

AI总结 VimRAG通过多模态记忆图提升检索增强生成在处理大规模视觉上下文中的能力，采用动态有向无环图结构和图调制视觉记忆编码机制，实现高效的信息检索与推理。