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。
大语言模型是否在形式化中作弊？评估逻辑推理中的忠实性
机构 * EPFL（苏黎世联邦理工学院）
专题命中 逻辑推理 ：reasoning(title,abstract)；logical reasoning(title,abstract)；分类 cs.CL、cs.AI
AI总结 本文评估了大语言模型在逻辑推理中的忠实性，发现统一生成方法在形式化过程中未表现出系统性作弊行为，但两种阶段流程揭示了两种不同的不忠实性模式。
Comments 25 pages, 4 figures, 22 tables. Published at the VerifAI-2 Workshop, ICLR 2026 (non-archival). Code and data: https://github.com/koreankiwi99/formalization-gaming
发现共享的逻辑子空间：通过自然语言和符号视角的对齐来引导LLM逻辑推理
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Computer & Information Science and Engineering, University of Florida（佛罗里达大学计算机与信息科学与工程系）
专题命中 逻辑推理 ：reasoning(title,abstract)；logical reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出通过对齐自然语言和符号视角的逻辑子空间来提升LLM的多步逻辑推理能力，通过实验验证该方法在四个基准测试中提升了准确率并具备良好的泛化能力。
Comments Accepted to ACL 2026
从自然语言到可执行的Narsese：一种神经符号基准和管道用于基于NARS的推理
机构 * Temple University（特拉华大学）
专题命中 逻辑推理 ：reasoning(title,summary_cn)；分类 cs.AI
AI总结 本文提出神经符号框架，将自然语言推理问题转换为可执行的形式化表示，结合FOL和Narsese，并引入NARS-Reasoning-v0.1基准，支持符号生成与执行验证，展示可监督适应的潜力。
Comments 14 pages. Submitted to AGI-26
CoDA：通过引导式推理的领域适应实现有效的跨领域知识迁移
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory（鹏城实验室）
专题命中 逻辑推理 ：CoT(title,abstract)；reasoning(abstract)；logical reasoning(abstract)；分类 cs.AI
AI总结 针对跨领域知识迁移中领域分布偏移问题，CoDA通过轻量适配器和基于特征的知识蒸馏结合MMD分布匹配，有效对齐源域与目标域的潜在推理表示，提升逻辑推理任务性能。
Comments 12 pages, 6 figures
LePREC：基于结构因素的推理作为分类，以评估法律问题的相关性
机构 * Faculty of Information Technology, Monash University, Australia（墨尔本大学信息技术学院，澳大利亚） ； School of Information Technology, Monash University Malaysia（墨尔本大学马来西亚分校信息学院） ； School of Business, Monash University Malaysia（墨尔本大学马来西亚分校商学院） ； Faculty of Law, Monash University, Australia（墨尔本大学法学院，澳大利亚）
专题命中 逻辑推理 ：reasoning(title,abstract)；分类 cs.CL、cs.AI
AI总结 本文提出LePREC框架，结合神经生成与结构统计推理，提升法律问题识别的精度，实验表明其比先进LLM基线提升30-40%。
Comments Accepted by ACL 2026 Main Conference
Revac：一个社交推理解谜代理
机构 * Department of Computer Science and Engineering（计算机科学与工程系） ； RV College of Engineering（RV 工程学院） ； Department of Information Science and Engineering（信息科学与工程系） ； Department of Artificial Intelligence and Machine Learning（人工智能与机器学习系）
专题命中 逻辑推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 Revac-8通过整合记忆玩家分析、社交图分析和动态语气选择，解决了社交推理解谜中的不确定性推理与欺骗适应问题，实现了在高风险社交环境中的卓越表现。
验证何时有效？对LLM作为解决方案验证器的深入探讨
机构 * Agentic Learning AI Lab, New York University（代理学习人工智能实验室，纽约大学）
专题命中 逻辑推理 ：reasoning(abstract)；logical reasoning(abstract)；verifier(abstract)；分类 cs.CL
AI总结 研究探讨了在何种条件下验证有效，通过分析37个模型在9个基准测试中的表现，发现跨模型家族验证效果优于自验证，且验证收益随模型相似性增加而降低。
Comments Accepted at ICLR 2026 AI with Recursive Self-Improvement workshop
SAGER：面向推荐代理的自进化用户策略技能
专题命中 逻辑推理 ：reasoning(abstract)；chain-of-thought(abstract)
AI总结 SAGER通过为每个用户分配专用策略技能，实现个性化推荐代理的自进化推理，实验表明其在四个公开基准上达到最优性能，证明个性化推理过程是推荐改进的新来源。
Nexusformer：非线性注意力扩展用于稳定且可继承的Transformer扩展
机构 * The School of Computer Science, China University of Geosciences, 388 Lumo Road, Wuhan, 430074, Hubei, China（中国地质大学（北京）计算机科学学院）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 Nexusformer通过非线性映射解决传统Transformer扩展中的线性瓶颈，实现无损结构扩展，实验表明其在语言模型和推理任务中以更低的计算成本达到与Tokenformer相当的性能。
所有权危害：AI代理安全的缺失威胁模型
机构 * BlueFocus Communication Group（蓝ocus通信集团） ； Tongji University（同济大学）
专题命中 逻辑推理 ：verifier(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出Owner-Harm威胁模型，旨在解决AI代理对部署者造成伤害的问题，通过实验验证了现有防御体系的不足，并引入SSDG框架提升检测效果。
Comments 15 pages. Companion manuscript on per-decision proof-obligation synthesis (LSVJ-S) in preparation
从逐字到概要：基于语义信息瓶颈的金字塔多模态记忆压缩用于长视界视频智能体
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） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳校区） ； Peng Cheng Laboratory（鹏城实验室）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出MM-Mem架构，通过金字塔多模态记忆压缩，结合语义信息瓶颈目标，实现长视界视频理解中的高效记忆组织与任务相关信息保留。
Comments Accepted by ACL 2026 Main. 17 pages, 7 figures, 8 tables. TL;DR: We propose MM-Mem, a cognition-inspired, dual-trace hierarchical memory framework for long-horizon video understanding grounded in Fuzzy-Trace Theory. It features adaptive memory compression via the Information Bottleneck and employs an entropy-driven top-down retrieval to access fine-grained details only when necessary
LogosKG：硬件优化的可扩展且可解释的知识图谱检索
机构 * LARK Lab, University of Colorado Anschutz（洛克拉克实验室，科罗拉多大学安施图茨分校） ； University of Colorado Boulder（科罗拉多大学波德分校） ； Loyola University Chicago（芝加哥洛克拉克大学） ； Harvard Medical School（哈佛医学院） ； Boston Children’s Hospital（波士顿儿童医院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL
AI总结 LogosKG通过符号知识图谱和硬件高效操作实现大规模知识图谱的多跳检索，提升效率与可解释性，展示出在生物医学知识与大语言模型推理对齐分析中的应用价值。
Comments Accepted to the ACL 2026 Main Conference. 9 pages
ARGUS：通过数据流不变量指导的代理GPU优化
机构 * CausalFlow Inc.（CausalFlow公司） ； HKUST（香港科技大学） ； Tsinghua University（清华大学） ； Stanford University（斯坦福大学） ； UCAS ； UC Riverside（UC河滨分校）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 ARGUS通过数据流不变量指导代理生成高效GPU内核，解决传统代理在关键计算任务中的性能不足问题，实现接近人工优化的性能和广泛的任务泛化能力。
人工智能时代的关键思维：基于调查的综述与机器学习洞察
专题命中 逻辑推理 ：reasoning(abstract)
AI总结 本文通过访谈和逻辑推理任务探讨人工智能使用行为与批判性思维表现的关系，发现用户对AI的依赖程度和耐心影响推理能力，表明AI影响因使用方式而异。
Comments 5 Figures, 2 Tables, Submitted to International Conference On Power, Electronics, Communications, Computing, and Intelligent Infrastructure 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