大模型推理能力

Mixture-of-Visual-Thoughts: Exploring Context-Adaptive Reasoning Mode Selection for General Visual Reasoning

视觉思维混合：探索上下文自适应推理模式选择用于通用视觉推理

Zejun Li, Yingxiu Zhao, Jiwen Zhang, Siyuan Wang, Yang Yao, Runzhou Zhao, Jun Song, Bo Zheng, Zhongyu Wei

机构 * Fudan University（复旦大学） ； Alibaba Group Holding Limited（阿里巴巴集团控股有限公司） ； Future Living Lab of Alibaba（阿里巴巴未来生活实验室） ； University of Southern California（南加州大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.AI

AI总结 本文提出MoVT框架，通过AdaVaR实现多模式统一学习与上下文自适应选择，提升通用视觉推理能力。

Comments 27 pages, 11 figures, 5 tables, accepted by ICLR 2026

Exploring Vision-Language Models for Online Signature Verification: A Zero-Shot Capability Study

探索用于在线签名验证的视觉-语言模型：零样本能力研究

Marta Robledo-Moreno, Ruben Vera-Rodriguez, Ruben Tolosana, Javier Ortega-Garcia

机构 * BiometricsAI, School of Engineering, Universidad Autonoma de Madrid, Spain（生物识别AI，工程学院，马德里自治大学，西班牙） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；chain-of-thought(abstract)；CoT(abstract)

AI总结 本文研究了最新视觉-语言模型在在线签名验证任务中的零样本性能，发现信号质量和伪造类型对性能有显著影响，尤其在高难度伪造场景中，基于链式推理的模型表现下降。

Comments Accepted at the 14th International Workshop on Biometrics and Forensics

On the Diagram of Thought

思维图式图示

Yifan Zhang, Yang Yuan, Andrew Chi-Chih Yao

机构 * IIIS Tsinghua University（清华大学人工智能研究院） ； Shanghai Qi Zhi Institute（上海启智研究院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出思维图式（DoT）框架，使LLM能构建动态推理图谱，通过类型推理记录和范畴论数学框架，实现可审计的分步推理，区分类型子轨迹与自然语言文本的语义保障。

Comments 30 pages

LATERN: Test-Time Context-Aware Explainable Video Anomaly Detection

LATERN：测试时上下文感知的可解释视频异常检测

Mitchell Piehl, Muchao Ye

机构 * The University of Iowa（爱荷华大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出LATERN框架，通过上下文感知模块和递归证据聚合模块提升视频异常检测的准确性和解释一致性。

SceneParser: Hierarchical Scene Parsing for Visual Semantics Understanding

SceneParser: 用于视觉语义理解的分层场景解析

Pengxin Xu, Xincheng Lin, Luping Xiao, Qing Jiang, Meishan Zhang, Hao Fei, Shanghang Zhang, Xingyu Chen

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Zhongguancun Academy（中关村学院） ； Huazhong University of Science and Technology（华中科技大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； South China University of Technology（华南理工大学） ； University of Oxford（牛津大学） ； Peking University（北京大学） 纠错

专题命中 视觉空间推理 ：planning(abstract)

AI总结 本文提出SceneParser，通过分层解析任务构建场景-对象-部件-功能的层次结构，利用结构完成伪标签和课程学习提升结构感知能力，实验表明其在复杂场景理解中表现更优。

Comments Preprint. Code, models, and dataset are provided in the manuscript

Exploring Bottlenecks in VLM-LLM Navigation: How 3D Scene Understanding Capability Impacts Zero-Shot VLN

探索VLM-LLM导航中的瓶颈：3D场景理解能力如何影响零样本VLN

Ziyi Xia, Chaoran Xiong, Litao Wei, Xinhao Hu, Ling Pei

机构 * Shanghai Key Laboratory of Navigation and Location Based Services, Shanghai Jiao Tong University（上海导航与基于位置的服务关键实验室，上海交通大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文研究了零样本视觉-语言导航中3D场景理解能力对性能的影响，提出了统计成功率上限，揭示了感知饱和现象，建议转向导航相关的核心词汇和准确的边界框比例。

Comments Accepted by ICRA Workshop MM-Spatial AI, Oral

Analogical Trajectory Transfer

类比轨迹迁移

Junho Kim, Eun Sun Lee, Gwangtak Bae, Seunggu Kang, Young Min Kim

机构 * Dept. of Electrical and Computer Engineering, Seoul National University（电子与计算机工程系，首尔国立大学） ； Interdisciplinary Program in Artificial Intelligence and INMC, Seoul National University（人工智能交叉计划和INMC，首尔国立大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出通过分解空间子问题实现类比轨迹迁移，利用3D基础模型特征进行跨场景映射，快速生成空间一致的轨迹迁移方案，适用于AR/VR和机器人领域。

CoRDS: Coreset-based Representative and Diverse Selection for Streaming Video Understanding

CoRDS：基于核心集的代表性与多样性选择用于流视频理解

Ailar Mahdizadeh, Puria Azadi, Muchen Li, Xiangteng He, Leonid Sigal

机构 * University of British Columbia（不列颠哥伦比亚大学） ； Vector Institute（向量研究所） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出CoRDS方法，通过核心集选择优化流视频理解中的缓存压缩，提升代表性与多样性，优于传统启发式方法。

VGGT-360: Geometry-Consistent Zero-Shot Panoramic Depth Estimation

VGGT-360：几何一致的零样本全景深度估计

Jiayi Yuan, Haobo Jiang, De Wen Soh, Na Zhao

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 VGGT-360通过利用VGGT基础模型的内在3D一致性，提出一种无需训练的零样本全景深度估计框架，整合三个模块实现全景到3D到深度的统一流程，提升估计精度和鲁棒性。

Seed3D 2.0: Advancing High-Fidelity Simulation-Ready 3D Content Generation

Seed3D 2.0: 推动高保真仿真准备的3D内容生成

Diandian Gu, Jing Lin, Gaohong Liu, Jiahang Liu, Su Ma, Guang Shi, Jun Wang, Qinlong Wang, Qianyi Wu, Zhongcong Xu, Xuanyu Yi, Zihao Yu, Jianfeng Zhang, Zhuolin Zheng, Yifan Zhu, Rui Chen, Hengkai Guo, Xiaoyang Guo, Mingcong Han, Xu Han, Xiu Li, Yixun Liang, Weiqiang Lou, Junzhe Lu, Guan Luo, Minghan Qin, Shuguang Wang, Yuang Wang

机构 * ByteDance（字节跳动） 纠错

专题命中 视觉空间推理 ：planning(abstract)

AI总结 Seed3D 2.0通过改进生成保真度、仿真能力及应用范围，引入统一PBR模型和仿真准备模型套件，提升3D内容生成精度与视觉效果。

Comments Seed3D 2.0 Technical Report; Official Page on https://seed.bytedance.com/seed3d_2_0

Stop Overthinking: Unlocking Efficient Listwise Reranking with Minimal Reasoning

停止过度思考：通过最小推理解锁高效的列表级重排序

Danyang Liu, Kan Li

专题命中 测试时计算 ：reasoning(title,abstract)；CoT(abstract,abstract_cn)；chain-of-thought(abstract)

AI总结 本文提出Length-Regularized Self-Distillation框架，通过合成高效推理数据集，减少推理成本，提升列表级重排序效果。

Anti-Length Shift: Dynamic Outlier Truncation for Training Efficient Reasoning Models

反长度偏移：动态异常截断用于训练高效的推理模型

Wei Wu, Liyi Chen, Congxi Xiao, Tianfu Wang, Qimeng Wang, Chengqiang Lu, Yan Gao, Yi Wu, Yao Hu, Hui Xiong

机构 * University of Science and Technology of China（中国科学技术大学） ； Xiaohongshu Inc.（小红书公司） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

专题命中 测试时计算 ：reasoning(title,abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出动态异常截断方法，通过在训练时抑制冗余token，提升推理模型的效率与性能，实验显示在AIME-24上推理token使用减少78%且准确率提升。

Comments Accepted by ACL2026

Grounded Continuation: A Linear-Time Runtime Verifier for LLM Conversations

grounded continuation: 一种线性时间的运行时验证器用于大语言模型对话

Qisong He, Yi Dong, Xiaowei Huang

机构 * School of Computer Science and Informatics, University of Liverpool, UK（利兹大学计算机科学与信息学学院） 纠错

专题命中 测试时计算 ：verifier(title,abstract)；reasoning(abstract)；分类 cs.AI

AI总结 本文提出一种线性时间的运行时验证器，用于检测大语言模型对话中基于已废弃前提的延续。通过显式依赖图验证，该方法在LongMemEval-KU和LoCoMo基准上表现出色，准确率显著高于基线模型。

Agentic Systems as Boosting Weak Reasoning Models

代理系统作为增强弱推理模型

Varun Sunkaraneni, Pierfrancesco Beneventano, Riccardo Neumarker, Tomaso Poggio, Tomer Galanti

机构 * Texas A&M University（德克萨斯A&M大学） ； MIT（麻省理工学院） 纠错

专题命中 测试时计算 ：reasoning(title,abstract)；verifier(abstract)；分类 cs.AI

AI总结 研究通过验证器支持的委员会搜索方法提升弱推理模型性能，证明通过多次采样可增强覆盖度，但需额外局部正确性信号以生成可靠批评者和比较者，实验显示弱模型提案池中存在大量正确补丁，关键挑战在于有效选择。

Embedding Perturbation may Better Reflect Intermediate-Step Uncertainty in LLM Reasoning

嵌入扰动可能更好地反映大语言模型推理中的中间步骤不确定性

Qihao Wen, Jiahao Wang, Yang Nan, Pengfei He, Ravi Tandon, Han Xu

机构 * University of Arizona（亚利桑那大学） ； Michigan State University（密歇根州立大学） 纠错

专题命中 测试时计算 ：reasoning(title,abstract)；分类 cs.LG

AI总结 本文研究了大语言模型推理中中间步骤不确定性的量化方法，发现基于嵌入扰动的指标在不确定性评估中表现更优，具有更高的效率和简洁性。

AIS: Adaptive Importance Sampling for Quantized RL

AIS: 量化强化学习中的自适应重要性采样

Jiajun Zhou, Wei Shao, Lingchao Zheng, Yuwei Fan, Ngai Wong

机构 * Huawei（华为） ； The University of Hong Kong（香港大学） 纠错

专题命中 测试时计算 ：reasoning(abstract)；planning(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出AIS方法，通过动态调整重要性采样强度，解决量化强化学习中 rollout 与训练不匹配导致的策略梯度偏差问题，在保持FP8加速优势的同时，提升训练稳定性。

Do We Really Need External Tools to Mitigate Hallucinations? SIRA: Shared-Prefix Internal Reconstruction of Attribution

我们真的需要外部工具来缓解幻觉吗？SIRA：共享前缀内部重构归因

Tian Qin, Junzhe Chen, Yuqing Shi, Tianshu Zhang, Qiang Ju, Lijie Wen

机构 * Tsinghua University（清华大学） ； The University of Sydney（悉尼大学） ； Stanford University（斯坦福大学） ； Baichuan AI（百川AI） 纠错

专题命中 测试时计算 ：verifier(abstract)；分类 cs.CL、cs.AI

AI总结 SIRA通过内部构建对比参考减少视觉语言模型的幻觉，无需外部工具或额外计算，保持描述覆盖并降低开销。

Self-Pruned Key-Value Attention: Learning When to Write by Predicting Future Utility

自修剪键值注意机制：通过预测未来效用学习何时写作

Gergely Szilvasy, Manuel Faysse, Maria Lomeli, Matthijs Douze, Pierre-Emmanuel Mazaré, Loïc Cabannes, Wen-tau Yih, Hervé Jégou

机构 * Meta FAIR 纠错

专题命中 测试时计算 ：test-time compute(abstract)；分类 cs.CL、cs.LG

AI总结 本文提出自修剪键值注意机制，通过预测未来效用减少长序列的KV缓存大小，提升内存使用和解码速度，同时保持验证损失和下游任务性能。

Comments 28 pages, 8 figures, 8 tables

An Interpretable Latency Model for Speculative Decoding in LLM Serving

为LLM服务中的推测解码开发一个可解释的延迟模型

Linghao Kong, Megan Flynn, Michael Peng, Nir Shavit, Mark Kurtz, Alexandre Marques

机构 * MIT（麻省理工学院） ； Red Hat AI（红帽人工智能） 纠错

专题命中 测试时计算 ：verifier(abstract)；分类 cs.LG

AI总结 本文提出一个可解释的延迟模型，用于LLM服务中的推测解码，通过Little定律推断有效批处理大小，并分解预填充、草稿和验证的请求需求，以解释延迟变化及系统配置影响。

Comments 10 pages, 8 figures

KGPFN: Unlocking the Potential of Knowledge Graph Foundation Model via In-Context Learning

KGPFN：通过上下文学习解锁知识图谱基础模型的潜力

Yisen Gao, Jiaxin Bai, Haoyu Huang, Zhongwei Xie, Yufei Li, Hong Ting Tsang, Sirui Han, Yangqiu Song

机构 * Department of Computer Science and Engineering, HKUST, Hong Kong, China（香港科技大学计算机科学与工程系） ； Department of Computer Science and Engineering, HKBU, Hong Kong, China（香港城市大学计算机科学与工程系） 纠错

专题命中 测试时计算 ：reasoning(abstract)；分类 cs.AI

AI总结 KGPFN通过结合先验数据拟合网络与上下文学习，统一了可转移关系规律与推理时的上下文学习，有效提升知识图谱推理能力。

Prompting Policies for Multi-step Reasoning and Tool-Use in Black-box LLMs with Iterative Distillation of Experience

多步推理和工具使用中黑盒LLM的提示策略：基于经验迭代蒸馏的强化学习框架

Krishna Sayana, Ketan Todi, Ambarish Jash

机构 * Google Research（谷歌研究） 纠错

专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出基于经验迭代蒸馏的强化学习框架，用于训练提示策略以提升黑盒LLM的多步推理和工具使用能力，实验显示在逻辑推理和工具使用任务中性能显著提升。

Comments 10 pages and reference, appendix

Chain-of-Procedure: Hierarchical Visual-Language Reasoning for Procedural QA

过程链：用于过程问答的层次视觉语言推理

Guanhua Chen, Yutong Yao, Shenghe Sun, Ci-Jun Gao, Shudong Liu, Lidia S. Chao, Feng Wan, Derek F. Wong

机构 * NLP ； CT Lab, Department of Computer and Information Science, University of Macau（计算机与信息科学系，澳门大学CT实验室） ； Department of Electrical and Computer Engineering, University of Macau（电气与计算机工程系，澳门大学） ； Centre for Cognitive and Brain Sciences, University of Macau（认知与脑科学中心，澳门大学） 纠错

专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.CL

AI总结 本文提出ProcedureVQA基准，针对视觉过程问答任务，通过过程链框架解决现有VLMs在跨模态检索和步骤分解上的不足，实验显示其在六个VLMs上提升达13%。

Hierarchical Attacks for Multi-Modal Multi-Agent Reasoning

多模态多智能体推理的分层攻击

Hao Zhou, Tiru Wu, Yan Jiang, Wanqi Zhou, Junxing Hu, Ai Han

专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.AI

AI总结 本文提出HAM³框架，通过感知、通信、推理三层分层攻击，评估多智能体系统在不同推理范式下的攻击成功率，揭示多模态多智能体系统的安全漏洞。

Comments Accepted to CVPR 2026

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026

MemReranker: Reasoning-Aware Reranking for Agent Memory Retrieval

MemReranker：面向智能体记忆检索的推理增强重排序

Chunyu Li, Mengyuan Zhang, Jingyi Kang, Ding Chen, Jiajun Shen, Bo Tang, Xuanhe Zhou, Feiyu Xiong, Zhiyu Li

机构 * China Telecom Research Institute（中国电信研究院） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.CL

AI总结 MemReranker通过多阶段LLM知识蒸馏构建，解决记忆检索中语义相关但缺乏关键信息的问题，提升重排序模型的推理能力与效率。

Native Parallel Reasoner: Reasoning in Parallelism via Self-Distilled Reinforcement Learning

原生并行推理器：通过自我蒸馏强化学习实现并行推理

Tong Wu, Yang Liu, Jun Bai, Zixia Jia, Shuyi Zhang, Ziyong Lin, Yanting Wang, Song-Chun Zhu, Zilong Zheng

机构 * State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI） 纠错

专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.CL

AI总结 本文提出Native Parallel Reasoner，一种无需教师的框架，使大语言模型能够自我进化真正的并行推理能力。通过三个创新，NPR将模型从顺序模拟转变为原生并行认知，提升了推理性能和推理速度。

Modeling Bounded Rationality in Drug Shortage Pharmacists Using Attention-Guided Dynamic Decomposition

在药物短缺情况下，利用注意力引导的动态分解建模有限理性药剂师

Yaniv Eliyahu Amiri, Noah Chicoine, Jacqueline Griffin, Stacy Marsella

机构 * Khoury College of Computer Sciences, Northeastern University, Boston, MA, USA（东北大学科里学院计算机科学系，波士顿，马萨诸塞州，美国） ； Department of Mechanical and Industrial Engineering, Northeastern University, Boston, MA, USA（东北大学机械与工业工程系，波士顿，马萨诸塞州，美国） ； Department of Psychology, Northeastern University, Boston, MA, USA（东北大学心理学系，波士顿，马萨诸塞州，美国） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；planning(abstract)；分类 cs.AI

AI总结 本文提出一种有限理性注意力引导决策框架，通过动态分解药物为高成本推理子集和低成本监控子集，模拟不同场景显示注意力引导规划能稳定决策而不需完全状态推理。

Comments Accepted at CogSci 2026. 6 pages plus references, 1 figure, 2 tables

Nexus : An Agentic Framework for Time Series Forecasting

Nexus：一个用于时间序列预测的代理框架

Sarkar Snigdha Sarathi Das, Palash Goyal, Mihir Parmar, Nanyun Peng, Vishy Tirumalashetty, Chun-Liang Li, Rui Zhang, Jinsung Yoon, Tomas Pfister

机构 * Google（谷歌） ； Pennsylvania State University（宾夕法尼亚州立大学） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 Nexus框架通过分解预测任务，整合上下文信息，提升时间序列预测的准确性与可解释性，超越传统模型和LLM的局限。

Comments 30 Pages, 3 figures, 5 Tables

APWA: A Distributed Architecture for Parallelizable Agentic Workflows

APWA: 一种用于可并行化代理工作流的分布式架构

Evan Rose, Tushin Mallick, Matthew D. Laws, Cristina Nita-Rotaru, Alina Oprea

机构 * Northeastern University（东北大学） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出APWA架构，通过分解任务为非干扰子问题，提升多代理系统处理高并行任务的效率和扩展性。

Comments 25 pages, 2 figures, 14 tables

Dynamic Mixed-Precision Routing for Efficient Multi-step LLM Interaction

动态混合精度路由用于高效多步LLM交互

Yuanzhe Li, Jianing Deng, Jingtong Hu, Tianlong Chen, Song Wang, Huanrui Yang

机构 * University of Arizona（亚利桑那大学） ； University of Pittsburgh（匹兹堡大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； University of Central Florida（佛罗里达中央大学） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出动态混合精度路由框架，通过自适应选择高精度与低精度LLM，在多步决策中实现准确率与成本的平衡。

Towards In-Depth Root Cause Localization for Microservices with Multi-Agent Recursion-of-Thought

面向微服务的深入根本原因定位：多智能体递归思考

Lingzhe Zhang, Tong Jia, Kangjin Wang, Chiming Duan, Minghua He, Rongqian Wang, Xi Peng, Meiling Wang, Gong Zhang, Renhai Chen, Ying Li

机构 * Peking University（北京大学） ； Huawei Theory Lab（华为理论实验室） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出RCLAgent框架，通过多智能体递归思考实现微服务系统根本原因定位，提升定位准确性和推理效率。