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。
Echo-α：用于超声解读的大型代理多模态推理模型
机构 * MiliLab（Mili实验室）
专题命中 推理评测 ：reasoning(title,abstract)
AI总结 Echo-α结合了精确的病变定位和整体临床推理，通过九任务监督课程和强化学习提升超声解读的准确性和可解释性。
Comments 12 pages, 4 figures. Technical report
Intent2Tx：评估大语言模型将自然语言意图转换为以太坊交易的基准测试
机构 * Taiyuan University of Technology（太原科技大学） ； Peking University（北京大学）
专题命中 推理评测 ：reasoning(abstract)；planning(abstract)；分类 cs.AI
AI总结 本文提出Intent2Tx基准测试，基于真实以太坊链上数据，评估大语言模型将自然语言意图转换为功能正确、状态依赖的链上交易的能力，发现现有模型在多步规划和泛化能力上存在不足。
GazeVLA：学习人类意图以促进机器人操作
机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology, Ningbo（宁波东部科技研究院） ； Peking University（北京大学） ； ShanghaiTech University（上海科技大学）
专题命中 推理评测 ：reasoning(abstract)；chain-of-thought(abstract)
AI总结 本文提出GazeVLA框架，通过学习人类意图弥合人机之间的固有差距，提升机器人操作性能。
Comments Project page: https://gazevla.github.io
ITS-Mina：一种基于Harris Hawks优化的全MLP框架，结合迭代细化和外部注意力机制用于多变量时间序列预测
机构 * Department of Computer Science and Engineering, Shahid Beheshti University, Iran（伊朗谢赫·贝赫什提大学计算机科学与工程系） ； School of Computer Science, Institute for Research in Fundamental Sciences (IPM), Iran（伊朗基础科学研究院（IPM）计算机科学学院）
专题命中 推理评测 ：planning(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出ITS-Mina，一种全MLP框架，通过迭代细化机制、外部注意力模块和Harris Hawks优化算法，实现多变量时间序列预测的高精度与低计算成本。
Comments 19 pages, 2 figures, 3 tables, 4 algorithms
WindowsWorld: 一个以进程为中心的自主GUI代理跨应用专业环境基准测试
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出WindowsWorld基准测试，用于评估自主GUI代理在跨应用复杂任务中的能力，发现代理在多应用任务中表现不佳，执行效率低，需进一步改进。
在上下文意图中 grounding 代理记忆
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 STITCH通过上下文意图索引提升长周期交互的记忆检索能力，有效减少歧义和干扰，实现在动态目标轨迹中的高效检索。
Comments ACL 2026
视频中的奉承：视频大语言模型中奉承行为的基准测试与分析
机构 * Provable Responsible AI and Data Analytics (PRADA) Lab（可证负责任人工智能与数据 analytics 实验室） ； King Abdullah University of Science and Technology（国王阿卜杜勒阿齐兹科学与技术大学） ； HKUST（香港科技大学） ； MBZUAI（穆罕默德·本·拉希德人工智能研究所） ； University of Science and Technology of China（中国科学技术大学） ； Kyungpook National University（庆尚国立大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出VISE基准，用于评估视频大语言模型在面对误导性输入时的奉承行为，通过多类型分析和两种无训练缓解策略提升模型可靠性。
Comments 27 Pages, Accepted by ACL 2026 Main Conference
从应试到认知支架：一种面向LLM的教育诊断基准测试标准测试
机构 * Binghamton University（宾夕法尼亚州立大学比灵顿分校） ； BlossomsAI（BlossomsAI公司） ； Dartmouth College（达特茅斯学院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出一种教育诊断基准，通过认知框架模拟英语标准化测试问题解决过程，展示ESTBook基准测试在识别认知轨迹和改进教学推理中的实用价值。
基于LLM的临床图结构细化：增强EEG癫痫诊断中的表示学习
机构 * Department of Computer Science, Florida State University（佛罗里达州立大学计算机科学系） ； SANKEN, The University of Osaka（大阪大学SANKEN）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出利用大语言模型对图结构进行细化，以提升EEG信号在癫痫诊断中的表示学习效果，通过两阶段框架去除冗余边，提高诊断准确率和图结构意义。
Comments This paper is accepted by the 35th International Joint Conference on Artificial Intelligence (IJCAI-ECAI 2026)
SpecVQA：一种用于科学图像光谱理解和视觉问答的基准测试
机构 * DP Technology（DP技术）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 SpecVQA通过7种典型光谱类型和专家标注的问答对，评估多模态模型在科学光谱理解中的能力，提出光谱数据采样与插值重建方法，提升模型在科学光谱理解中的表现。
现实世界中的医生代理通过多智能体强化学习实现主动咨询
机构 * Guangzhou National Laboratory（广州国家实验室）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 本文提出DoctorAgent-RL框架，通过多智能体强化学习提升医疗咨询的动态决策能力，实现70%的准确诊断匹配率，验证了其在现实中的有效性。
面向高效计算机使用代理的步骤级优化
机构 * Yale NLP Lab（耶鲁大学自然语言处理实验室） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出一种事件驱动的步骤级级联框架，通过动态分配计算资源提升计算机使用代理的效率，减少冗余计算并增强任务完成能力。
BatteryPass-12K：首个数字电池护照符合性任务数据集
机构 * Machine Learning Group, EISLAB（机器学习组，EISLAB） ； Research Center for Advanced Battery Technology（先进电池技术研究中心） ； Luleå University of Technology（吕勒奥理工大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 本文介绍了首个数字电池护照符合性任务数据集BatteryPass-12K，评估了22种语言模型在零样本推理中的表现，发现思考模型性能最佳，少样本示例显著提升性能，且参数规模扩大并不必然提升性能。
Comments 19 pages, 4 figures
评估作为文本属性图的保证案例用于结构和来源分析
机构 * Simula Research Laboratory（Simula研究实验室）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.LG
AI总结 本文提出基于图诊断框架分析保证案例的结构和来源，通过链接预测和图分类检测偏见，实验表明GNN在链接预测和来源检测中表现优异。
Comments 10 pages, 4 figures, 8 tables. Accepted to EASE 2026 AI Models / Data track, Glasgow, United Kingdom Fix the captions of tables 7 and 8
HiL-Bench (Human-in-Loop Benchmark): 代理何时该请求帮助？
专题命中 推理评测 ：self-correction(abstract)；分类 cs.AI
AI总结 HiL-Bench通过评估代理在任务中何时请求帮助的能力，揭示了当前基准测试的不足。核心指标Ask-F1衡量代理在请求与猜测之间的平衡，证明判断力可通过强化学习提升。
EDU-CIRCUIT-HW：评估多模态大语言模型在真实世界大学级STEM学生手写解答中的表现
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Virginia Tech（弗吉尼亚理工学院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出EDU-CIRCUIT-HW数据集，用于评估多模态大语言模型在处理包含数学公式、图表和文本推理的大学STEM学生手写解答中的性能，揭示模型在自动评分中的可靠性问题，并提出通过纠正识别错误提升AI评分系统鲁棒性的方法。
Comments Accepted to Findings of the Association for Computational Linguistics: ACL 2026. Project Website: https://gt-learning-innovation.github.io/CIRCUIT_EDU_HW_ACL GitHub and Dataset: https://gt-learning-innovation.github.io/CIRCUIT_EDU_HW_ACL
在细粒度图像任务上评估大型视觉-语言模型：全面评估
机构 * School of Computer Science and Engineering, School of Intelligence Science and Engineering and Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications, Southeast University, China（东南大学计算机科学与工程学院、智能科学与工程学院及新一代人工智能技术及其跨学科应用关键实验室，中国） ； Wangxuan Institute of Computer Technology, Peking University, China（北京大学王轩计算机技术研究所，中国） ； University of Copenhagen, Denmark（丹麦哥本哈根大学）
专题命中 推理评测 ：reasoning(abstract)
AI总结 本文提出FG-BMK基准，通过101万问题和33万张图像评估LVLMs的语义识别与细粒度特征表示能力，揭示训练范式、模态对齐等对性能的影响，为未来模型设计提供指导。
Comments Accepted to ICLR 2026
MSR：用于带有标注数据集的颈椎脊柱CT-MRI刚-变形配准的混合场建模
机构 * School of Biomedical Engineering, Southern Medical University, Guangzhou, 510515, China.（南方医科大学生物医学工程学院） ； Guangdong Provincial Key Laboratory of Medical Image Processing, Guangzhou, 510515, China.（广东省医学图像处理重点实验室） ； Guangdong Province Engineering Laboratory for Medical Imaging（广东省医学影像与诊断技术工程实验室） ； Information Center, Nanfang Hospital, Southern Medical University, Guangzhou, 510515, China.（南方医科大学南华医院信息中心） ； Division of Spine Surgery, Department of Orthopaedics, Nanfang hospital, Southern Medical University, Guangzhou, Guangdong, 510515, China.（南方医科大学南华医院骨科脊柱外科）
专题命中 推理评测 ：planning(abstract)
AI总结 本文提出MSR框架，通过混合刚-变形配准方法提升颈椎脊柱CT-MRI配准精度，解决复杂结构配准难题。
评估胰腺导管腺癌血管侵袭：PDACVI基准
机构 * Sycai Technologies SL, Scientific ； Technical Department, Barcelona, Spain ； Universit\" a tsklinikum Erlangen, Department of Radiology of the Uniklinikum Erlangen (UKER), Erlangen, Germany ； University Hospital Erlangen, Imaging Science Institute, Erlangen, Germany ； ICUBE Laboratory, CNRS UMR-7357, University of Strasbourg, Strasbourg, France ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China ； University of Chinese Academy of Sciences, Beijing, China ； German Cancer Research Center (DKFZ), Medical Image Computing (E230), Heidelberg, Germany ； Hospital de Matar\' o , Matar\' o , Spain ； Hospital de Sant Pau i la Santa Creu, Diagnostic Imaging Department, Barcelona, Spain ； Institut de Recerca Sant Pau - CERCA, Advanced Medical Imaging, Artificial Intelligence ； Imaging-Guided Therapy Research Group, Barcelona, Spain ； TECNALIA, Basque Research
专题命中 推理评测 ：planning(abstract)
AI总结 本文提出PDACVI基准，通过密集标注数据集评估胰腺癌血管侵袭，揭示传统体积重叠指标的局限性，强调概率模型在术前决策中的重要性。
评判，然后驾驶：一种以评判为中心的视觉语言动作框架用于自动驾驶
机构 * Bosch Research（博世研究院）
专题命中 推理评测 ：reasoning(abstract)
AI总结 本文提出CriticVLA框架，通过多模态评估和单步优化提升自动驾驶决策质量，实验显示其在复杂场景中性能显著优于现有方法。
Comments preprint
SynSQL: 为文本到SQL系统的稳健评估合成关系数据库
专题命中 推理评测 ：reasoning(abstract)
AI总结 SynSQL通过合成语义一致的关系数据库，揭示了文本到SQL系统在固定基准数据库外的性能下降，为研究LLM的结构化数据合成能力提供新视角。
对LLM生成的密码学Rust代码的实证安全评估
专题命中 推理评测 ：chain-of-thought(abstract)
AI总结 本文评估了三种LLM生成的加密Rust代码的安全性，发现通用工具不足，提示策略对结果影响显著，且存在nonce重用等系统性问题。
Comments 10 pages, 2 figures , EASE 2026-The 6th International Workshop on Software Security Engineering
OmniDrive-R1: 基于强化学习的交错多模态链式推理用于可信的视觉-语言自动驾驶
机构 * ShanghaiTech University（上海科技大学） ； Tsinghua University（清华大学） ； Tongji University（同济大学） ； Shanghai Jiao Tong University（上海交通大学） ； MEGVII Technology（美科维七科技） ； AFARI
专题命中 其他推理 ：chain-of-thought(title,abstract)；CoT(abstract,abstract_cn)；reasoning(abstract)；分类 cs.AI
AI总结 本文提出OmniDrive-R1，通过交错多模态链式推理机制统一感知与推理，引入强化驱动的视觉 grounding 能力，提升自动驾驶中的推理准确性和稳定性，实验显示其在DriveLMM-o1数据集上的表现显著优于基线模型。
映射LLMs在模仿人类性格特征、社会人口统计数据和社会媒体行为时如何辩论社会问题
机构 * CogNosco Lab, University of Trento, Department of Psychology and Cognitive Science（CogNosco实验室，特伦托大学心理学与认知科学系）
专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文通过CDS数据集研究LLMs在不同社会和情境提示下生成的辩论内容变化，分析其社会议题立场和情感表达。
探索黑客：大语言模型能否学会抵抗强化学习训练？
机构 * MATS ； UC San Diego（UC圣迭戈大学） ； Google DeepMind（谷歌DeepMind） ； Anthropic
专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL、cs.LG
AI总结 本文研究了大语言模型在强化学习训练中可能通过策略性调整探索行为导致失败的机制，通过微调创建了具有特定低效策略的模型，并评估了检测与缓解策略。
Comments 81 pages, 37 figures
当角色失效时：基于大语言模型的政治声明分析中的知识约束与倡导角色一致性
机构 * TRUST Project（TRUST项目）
专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文研究了基于大语言模型的多智能体系统中倡导角色一致性的知识约束，通过TRUST管道测试发现两种失效模式，并揭示模型选择和事实核查提供商对角色一致性的影响。
Comments 22 pages
关于在惊奇理论中正确处理单位的探讨
机构 * ETH Zürich（苏黎世联邦理工学院） ； University of Copenhagen（哥本哈根大学）
专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL
AI总结 本文探讨了在惊奇理论中正确处理语言单位的重要性，提出应明确区分单位定义与预测区域选择，并统一框架处理任意单位库。
Comments ACL 2026 (main conference)
DPN-LE: 大语言模型双人格神经元定位与编辑
机构 * Southeast University（东南大学） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Zhongguancun Academy（中关村学院） ； Zhejiang University of Technology（浙江工业大学） ； Kuaishou Technology（快手科技） ； Northeastern University（东北大学） ； Tsinghua University（清华大学） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL
AI总结 本文提出DPN-LE方法，通过对比高特质与低特质样本的MLP激活，定位并编辑双人格神经元，实现精准的人格控制与能力保留。
Journal ref ACL 2026 Findings
迭代多模态检索增强生成用于医疗问答
机构 * New York University, New York, USA（纽约大学） ； Tsinghua University, Beijing, China（清华大学） ； Independent Researcher（独立研究者） ； Chinese Academy of Sciences, Beijing, China（中国科学院）
专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI
AI总结 MED-VRAG通过多模态检索增强生成框架，利用文档页面图像而非OCR文本进行医疗问答，提升准确率至78.6%，并验证检索和迭代对问答性能的积极影响。
自演化软件代理
机构 * University of Trento（特伦托大学）
专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出自演化软件代理，结合BDI推理与大语言模型，使代理能自主进化目标、推理和可执行代码。实验显示代理可自主发现新目标并生成行为，验证了LLM驱动进化的可行性与局限性。
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