大模型推理能力 - arXivDaily 专题

2604.20179 2026-04-23 cs.CR cs.AI cs.SE 74%

Taint-Style Vulnerability Detection and Confirmation for Node.js Packages Using LLM Agent Reasoning

基于LLM代理推理的Node.js包污点式漏洞检测与验证

Ronghao Ni, Mihai Christodorescu, Limin Jia

机构 * Carnegie Mellon University（卡内基梅隆大学）； Google（谷歌）

专题命中代码与定理证明：reasoning(title)；分类 cs.AI

AI总结本文提出LLMVD.js，通过LLM代理实现Node.js包的污点式漏洞检测与验证，有效率达84%，优于传统方法，无需注解或报告。

Comments 19 pages, 6 figures

2604.20134 2026-04-23 cs.CR cs.AI cs.CL 73%

AgentSOC: A Multi-Layer Agentic AI Framework for Security Operations Automation

AgentSOC: 一种多层代理AI框架用于安全运营自动化

Joyjit Roy, Samaresh Kumar Singh

机构 * IEEE

专题命中代码与定理证明：reasoning(abstract)；planning(abstract)；分类 cs.CL、cs.AI

AI总结 AgentSOC通过整合感知、前瞻性推理和基于风险的行动规划，提升安全运营中心自动化水平，实现警报标准化、上下文丰富化及安全响应合规性。

Comments 7 pages, 6 figures, 2 tables. Peer-reviewed paper published in IEEE ICAIC 2026 (IEEE Xplore)

Journal ref 2026 IEEE 5th International Conference on AI in Cybersecurity (ICAIC), Houston, TX, USA, 2026

2604.20523 2026-04-23 cs.SE cs.AI 70%

Early-Stage Product Line Validation Using LLMs: A Study on Semi-Formal Blueprint Analysis

利用LLM进行早期阶段产品线验证：对半正式蓝图分析的研究

Viet-Man Le, Thi Ngoc Trang Tran, Sebastian Lubos, Alexander Felfernig, Damian Garber

机构 * Graz University of Technology（格拉茨技术大学）

专题命中代码与定理证明：reasoning(abstract,abstract_cn)；分类 cs.AI

AI总结研究LLM能否直接对半正式文本蓝图执行特征模型分析操作，通过12种先进LLM和16种标准操作，对比其与求解器FLAMA的输出，发现优化推理模型在准确性上接近求解器，揭示了结构解析和约束推理的系统性错误及精度-成本权衡。

Comments The 41st ACM/SIGAPP Symposium on Applied Computing (SAC '26), March 23--27, 2026, Thessaloniki, Greece DOI: 10.1145/3748522.3779903

2510.18471 2026-04-23 cs.SE cs.AI cs.CL 62%

CodeRL+: Improving Code Generation via Reinforcement with Execution Semantics Alignment

CodeRL+: 通过执行语义对齐改进代码生成

Xue Jiang, Yihong Dong, Mengyang Liu, Hongyi Deng, Tian Wang, Yongding Tao, Rongyu Cao, Binhua Li, Zhi Jin, Wenpin Jiao, Fei Huang, Yongbin Li, Ge Li

机构 * School of Computer Science, Peking University（北京大学计算机科学系）； Tongyi Lab, Alibaba Group（阿里集团通义实验室）； School of Computer Science, Wuhan University（武汉大学计算机科学系）

专题命中代码与定理证明：reasoning(abstract)；分类 cs.CL、cs.AI

AI总结本文提出CodeRL+，通过将执行语义对齐整合到RLVR训练流程中，提升代码生成的准确性，实验显示其在pass@1指标上平均提升4.6%。

Comments Accepted by ACL 2026

2604.20117 2026-04-23 cs.CL 57%

To Know is to Construct: Schema-Constrained Generation for Agent Memory

知即建构：基于模式约束的代理记忆生成

Lei Zheng, Weinan Song, Daili Li, Yanming Yang

机构 * UnionPay（中国银联）

专题命中代码与定理证明：reasoning(abstract)；分类 cs.CL

AI总结本文提出SCG-MEM架构，通过模式约束生成实现记忆检索，避免结构幻觉并提升多跳推理能力，实验显示其在LoCoMo基准上表现优异。

2604.20055 2026-04-23 cs.AI cs.HC 57%

From Fuzzy to Formal: Scaling Hospital Quality Improvement with AI

从模糊到正式：利用AI扩展医院质量改进

Patrick Vossler, Jean Feng, Venkat Sivaraman, Robert Gallo, Hemal Kanzaria, Dana Freiser, Christopher Ross, Amy Ou, James Marks, Susan Ehrlich, Christopher Peabody, Lucas Zier

机构 * University of California, San Francisco（加州大学旧金山分校）； Zuckerberg San Francisco General Hospital（扎克伯格旧金山总医院）

专题命中代码与定理证明：reasoning(abstract)；分类 cs.AI

AI总结本文提出通过AI框架优化医院质量改进过程，通过学习LLM提示和自然语言规范，提升质量因素发现的效率与可追溯性，实现人类与AI协同优化。

Comments 34 pages, 8 figures, 6 tables

1. 代码与定理证明 6 篇