大模型推理能力

A Survey of Reasoning-Intensive Retrieval: Progress and Challenges

检索推理综述：进展与挑战

Yiyang Wei, Tingyu Song, Siyue Zhang, Yilun Zhao

机构 * Zhejiang University（浙江大学） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学） ； Yale University（耶鲁大学） 纠错

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

AI总结 本文综述了推理密集型检索领域，系统分析了现有基准，提出了结构化分类体系，并总结了挑战与未来方向。

Comments Accepted to the ACL 2026 Main Conference; camera-ready version

Training-Free Time Series Classification via In-Context Reasoning with LLM Agents

无需训练的时间序列分类通过LLM代理的上下文推理

Songyuan Sui, Zihang Xu, Xia Hu

机构 * Rice University（Rice大学） 纠错

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

AI总结 本文提出FETA框架，利用上下文推理实现无需训练的时间序列分类，通过多代理结构提升效率和可解释性，在多个数据集上取得优异性能。

Comments 8 pages main content, 12 pages total including appendix, 1 figure

LIMSSR: LLM-Driven Sequence-to-Score Reasoning under Training-Time Incomplete Multimodal Observations

LIMSSR：基于大语言模型的训练时不完整多模态观察下的序列到评分推理

Huangbiao Xu, Huanqi Wu, Xiao Ke, Yuxin Peng

机构 * Fujian Provincial Key Laboratory of Networking Computing（网络计算与智能信息处理福建省重点实验室） ； Intelligent Information Processing, College of Computer（智能信息处理学院） ； Data Science, Fuzhou University（数据科学，福州大学） ； Engineering Research Center of Big Data Intelligence, Ministry of Education（大数据智能工程研究中心，教育部） ； Wangxuan Institute of Computer Technology, Peking University（王宣计算机技术研究所，北京大学） 纠错

专题命中 其他推理 ：reasoning(title,abstract)

AI总结 本文提出LIMSSR框架，通过提示引导的上下文感知模态补全和多维表示融合，解决训练时不完整多模态数据下的序列到评分推理问题，并在三个动作质量评估数据集上验证了其有效性。

Comments ICML 2026 [Spotlight]

Technical Report: Activation Residual Hessian Quantization (ARHQ) for Low-Bit LLM Quantization

技术报告：用于低比特大语言模型量化的小激活残差Hessian量化（ARHQ）

YiFeng Wang, Zhun Sun, Keisuke Sakaguchi

机构 * Graduate School of Information Sciences（信息科学研究生院） 纠错

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

AI总结 ARHQ通过构建输入侧残差Hessian来隔离误差敏感的权重方向，提升低比特激活权重量化的层间SNR并保持下游推理性能。

Language Models Struggle to Use Representations Learned In-Context

语言模型在上下文学习的表示使用上面临困难

Michael A. Lepori, Tal Linzen, Ann Yuan, Katja Filippova

机构 * Brown University（布朗大学） ； Google Research（谷歌研究） ； New York University（纽约大学） ； Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 研究探讨了语言模型是否能利用上下文学习的表示完成简单下游任务，发现开放权重模型在处理新语义表示时存在困难，即使它们在潜在表示中编码了这些语义。

When Structure Doesn't Help: LLMs Do Not Read Text-Attributed Graphs as Effectively as We Expected

结构无助时：LLM在文本属性图上表现不如我们预期

Haotian Xu, Yuning You, Tengfei Ma

机构 * Stony Brook University（石溪大学） ； California Institute of Technology（加州理工学院） 纠错

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

AI总结 研究发现，LLM在仅依赖节点文本描述时已能高效处理文本属性图，而多数结构编码策略效果有限，挑战了传统图学习范式，推动语义驱动的新方法。

Comments LoG 2025

Outbidding and Outbluffing Elite Humans: Mastering Liar's Poker via Self-Play and Reinforcement Learning

超越精英人类：通过自我对战与强化学习掌握骗子扑克

Richard Dewey, Janos Botyanszki, Ciamac C. Moallemi, Andrew T. Zheng

机构 * Allometry Labs（Allometry实验室） ； Graduate School of Business, Columbia University（哥伦比亚大学商学院） ； Sauder School of Business, University of British Columbia（不列颠哥伦比亚大学萨德尔商学院） 纠错

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

AI总结 本文提出Solly，首个在简化版骗子扑克中达到精英人类水平的AI，通过自我对战与深度强化学习实现超越人类和大语言模型的策略与表现。

Scaling Video Understanding via Compact Latent Multi-Agent Collaboration

通过紧凑潜在多智能体协作实现视频理解的扩展

Kerui Chen, Jinglu Wang, Jianrong Zhang, Ming Li, Yan Lu, Hehe Fan

机构 * Microsoft Research Asia（微软亚洲研究院） ； Zhejiang University（浙江大学） ； Guanming Lab（冠明实验室） 纠错

专题命中 其他推理 ：reasoning(abstract)

AI总结 本文提出MACF框架，通过解耦智能体感知预算与全局视频复杂度，实现可扩展的视频理解，保持视觉保真度，并在多种视频理解基准上优于现有方法。

Comments 12 pages

Gated Differential Linear Attention: A Linear-Time Decoder for High-Fidelity Medical Segmentation

门控差分线性注意力：一种线性时间的解码器用于高保真的医学分割

Hongbo Zheng, Afshin Bozorgpour, Dorit Merhof, Minjia Zhang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Regensburg（莱茵-瓦尔登堡大学） 纠错

专题命中 其他推理 ：reasoning(abstract)

AI总结 本文提出一种线性时间解码器，通过门控差分线性注意力在保持细密解剖边界的同时提升医学图像分割的效率和精度。