大模型推理能力

Incentivizing Neuro-symbolic Language-based Reasoning in VLMs via Reinforcement Learning

通过强化学习激励基于神经符号语言的视觉语言推理

Karthic Palaniappan

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

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

AI总结 本文基于Qwen3-VL-2B-Instruct模型，通过强化学习提升视觉语言模型的神经符号语言推理能力，在数学、科学和常识问题上准确率提升3.33%，推理令牌减少75%。

Can Large Language Models Adequately Perform Symbolic Reasoning Over Time Series?

大型语言模型能否在时间序列上进行充分的符号推理？

Zewen Liu, Juntong Ni, Xianfeng Tang, Max S. Y. Lau, Qi He, Wenpeng Yin, Wei Jin

机构 * Emory University（埃默里大学） ； Amazon（亚马逊） ； Microsoft（微软） ； Penn State University（宾夕法尼亚州立大学） 纠错

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

AI总结 本文提出SymbolBench基准，评估大型语言模型在时间序列上的符号推理能力，结合遗传编程构建闭环系统，揭示模型在科学发现中的优势与局限。

Comments camera_ready

The Bitter Lesson of Diffusion Language Models for Agentic Workflows: A Comprehensive Reality Check

扩散语言模型在代理工作流中的苦涩教训：全面的现实检验

Qingyu Lu, Liang Ding, Kanjian Zhang, Jinxia Zhang, Dacheng Tao

机构 * Southeast University（东南大学） ； Alibaba（阿里巴巴） ； Southeast University Shenzhen Research Institute（东南大学深圳研究院） ； College of Computing and Data Science at Nanyang Technological University（南洋理工大学计算机与数据科学学院） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；planning(abstract)；分类 cs.CL

AI总结 本文评估了扩散语言模型在代理任务中的表现，发现其在长期规划和工具调用任务中存在系统性失败，提出需整合因果推理机制以提升代理能力。

Comments ACL 2026 - Main Conference