Hypergraph Enterprise Agentic Reasoner over Heterogeneous Business Systems
面向异构业务系统的超图企业代理推理器
机构 * SUPCON
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出HEAR，一种基于分层超图本体的企业代理推理器，通过分层图层和超边层实现结构化多跳分析，无需重新训练LLM，在供应链任务中达到94.7%的准确率，并展示出适应性和效率。
AI 大模型
大模型推理能力
大模型数学、逻辑、规划、多步推理和测试时计算能力。
1. 复杂问题求解 9 篇
M3: Conversational LLMs Simplify Secure Clinical Data Access, Understanding, and Analysis
M3: 对话式大语言模型简化安全的临床数据访问、理解与分析
机构 * Massachusetts Institute of Technology（麻省理工学院） ； Technical University of Munich（慕尼黑技术大学） ； Universitat Pompeu Fabra（庞培法华大学） ； St. Jude Children’s Research Hospital（圣犹大儿童研究医院） ； Beth Israel Deaconess Medical Center（贝斯以色列医疗中心） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出M3系统，通过模型上下文协议实现对MIMIC-IV数据库的自然语言查询，降低了临床数据访问和分析的技术门槛，并展示了其在安全性和性能上的优势。
Comments 18 pages, 4 figures, 3 tables
OSCToM: RL-Guided Adversarial Generation for High-Order Theory of Mind
OSCToM: 用于高阶理论之心的强化学习引导对抗生成
机构 * Department of Computer Science（计算机科学系） ； BRAC University（布拉克大学）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出OSCToM，一种结合强化学习、领域特定语言和组合替代模型的方法，用于建模LLM中的嵌套信念冲突，通过生成观察者-自我冲突来提升复杂社会场景下的理论之心推理能力。
Comments 15 pages, 12 figures containing 15 images, 3 tables. Code available at https://github.com/sharminsrishty/osct
Mix-Quant: Quantized Prefilling, Precise Decoding for Agentic LLMs
Mix-Quant: 量化预填，精准解码用于代理大语言模型
机构 * National University of Singapore（新加坡国立大学）
专题命中 复杂问题求解 ：planning(abstract)；分类 cs.CL
AI总结 本文提出Mix-Quant，一种简单有效的阶段感知量化框架，用于加速代理大语言模型的推理。通过在预填阶段应用高吞吐量NVFP4量化，同时保留BF16精度用于解码，从而在保持任务性能的同时显著提高效率，实现预填阶段高达3倍的速度提升。
Leveraging Vision-Language Models to Detect Attention in Educational Videos
利用视觉-语言模型检测教育视频中的注意力
机构 * Sorbonne University, CNRS, LIP6 & PHENIX（索邦大学、国家科学研究中心、LIP6与PHENIX）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 本文研究利用视觉-语言模型直接分析教育视频内容，结合眼动数据以提高注意力检测的准确性，但发现其在实时教育诊断中的局限性。
AuDirector: A Self-Reflective Closed-Loop Framework for Immersive Audio Storytelling
AuDirector：一种用于沉浸式音频叙事的自反思闭环框架
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Tsinghua University（清华大学）
专题命中 复杂问题求解 ：self-correction(abstract)
AI总结 本文提出AuDirector框架，通过自反思闭环多智能体方法解决长期音频叙事中一致性、情感表达和音频保真度的问题，提升语音生成的质量和用户交互性。
2. 推理评测 37 篇
Mechanics of Bias and Reasoning: Interpreting the Impact of Chain-of-Thought Prompting on Gender Bias in LLMs
偏见与推理的力学：分析链式推理提示对大语言模型中性别偏见的影响
机构 * Mila – Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； HEC Montreal（蒙特利尔HEC）
专题命中 推理评测 ：reasoning(title,abstract)；chain-of-thought(title,abstract)；CoT(abstract,abstract_cn)；分类 cs.CL、cs.AI
AI总结 本文研究了链式推理提示对大语言模型中性别偏见的影响，结合基准测试评估与机制可解释性技术，发现链式推理并未有效减少偏见，偏见仍存在于隐藏表示中。
Comments 24 pages, 6 figures, including appendix. Accepted at the ICLR 2026 Workshop on Algorithmic Fairness Across Alignment Procedures and Agentic Systems. Submitted to COLM 2026
Affordance-R1: Reinforcement Learning for Generalizable Affordance Reasoning in Multimodal Large Language Model
Affordance-R1: 为多模态大语言模型中的通用化 affordance 推理设计的强化学习
机构 * The Hong Kong University of Science and Technology (GZ)（香港科技大学（广州）） ； National University of Singapore（新加坡国立大学） ； ShanghaiTech University（上海科技大学） ； East China Normal University（华东师范大学） ； Nanjing University of Information Science & Technology（南京信息工程大学） ； Zhejiang University（浙江大学） ； Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所） ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 推理评测 ：CoT(summary_cn,abstract)；reasoning(title,abstract)；chain-of-thought(abstract)
AI总结 本文提出 Affordance-R1，一种结合认知 CoT 引导的 Group Relative Policy Optimization (GRPO) 的统一 affordance 地标框架，通过强化学习实现零样本泛化和测试时推理能力。
EvalMORAAL: Interpretable Chain-of-Thought and LLM-as-Judge Evaluation for Moral Alignment in Large Language Models
EvalMORAAL: 可解释的链式推理与大语言模型道德对齐的LLM-as-Judge评估
机构 * Department of Methodology and Statistics, Utrecht University（方法论与统计学系，乌得勒支大学）
专题命中 推理评测 ：chain-of-thought(title,abstract)；CoT(abstract,abstract_cn)；分类 cs.CL、cs.AI
AI总结 本文提出EvalMORAAL框架，通过两种评分方法和模型作为裁判的同行评审，评估20个大语言模型的道德对齐情况，发现西方与非西方地区存在显著的道德对齐差距。
Comments Accepted as a poster at *SEM 2026
RoadTones: Tone Controllable Text Generation from Road Event Videos
RoadTones: 从道路事件视频生成可调节语气的文本
机构 * CVIT & iHub-Data, IIIT Hyderabad, India（CVIT与iHub-Data，IIIT海得拉巴，印度）
专题命中 推理评测 ：CoT(summary_cn,abstract)；chain-of-thought(abstract)
AI总结 本文提出RoadTones-51K数据集和RoadTones-VL-CoT模型，通过生成语气条件的推理草稿提升可解释性，并引入RoadTones-Eval评估体系，共同为上下文敏感的可调节视频描述奠定基础。
Comments Accepted at CVPR Findings 2026. Project page: https://roadtones.github.io/
FruitEnsemble: MLLM-Guided Arbitration for Heterogeneous ensemble in Fine-Grained Fruit Recognition
FruitEnsemble: MLLM-Guided Arbitration for Heterogeneous ensemble in Fine-Grained Fruit Recognition
机构 * University of Science and Technology Liaoning（辽宁科技大学） ； Chuzhou University（楚州大学） ； Yeshiva University（犹他大学）
专题命中 推理评测 ：CoT(abstract,abstract_cn)；reasoning(abstract)；chain-of-thought(abstract)
AI总结 本文提出FruitEnsemble框架，通过多阶段动态推理解决细粒度水果分类中的泛化限制问题，利用MLLM进行专家仲裁以提升分类准确率，最终达到70.49%的分类精度。
Comments 10 pages,6 figures,submitted to CVPR 2026
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) 2026
Reasoning-Trace Collapse: Evaluating the Loss of Explicit Reasoning During Fine-Tuning
推理轨迹坍缩：在微调过程中显式推理能力的丧失评估
机构 * King’s College London（伦敦国王学院）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.LG
AI总结 本文研究了在微调过程中显式推理能力的丧失问题，提出了一种结构评估框架来区分答案正确性与推理轨迹的有效性，并发现标准监督微调会迅速抑制有效的推理轨迹，而仅关注答案的指标会掩盖这一问题。
Comments 22 pages, 3 tables, 3 figures
AgentEscapeBench: Evaluating Out-of-Domain Tool-Grounded Reasoning in LLM Agents
AgentEscapeBench: 评估LLM代理在跨领域工具引导推理中的能力
机构 * Fudan University（复旦大学） ； Meituan Longcat Team（美团Longcat团队）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出AgentEscapeBench基准测试，用于评估LLM代理在非熟悉工作流和短程交互之外维持工具引导推理的能力，通过逃亡室风格的任务测试代理在显式长距离依赖约束下推断、执行和修订新工具使用程序的能力，结果显示代理在依赖深度增加时表现显著下降。
Can VLMs Unlock Semantic Anomaly Detection? A Framework for Structured Reasoning
VLMs能否解锁语义异常检测？一个结构化推理的框架
机构 * Professorship of Autonomous Vehicle Systems TUM School of Engineering ； Design, Technical University of Munich Munich, Germany
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出SAVANT框架，通过结构化推理方法提升VLM在语义异常检测中的性能，实现对自动驾驶场景中罕见异常情况的更准确识别。
Comments 8 pages, 5 figures
Dictionary Insertion Prompting for Multilingual Reasoning on Multilingual Large Language Models
字典插入提示用于多语言推理在多语言大语言模型上
机构 * The Chinese University of Hong Kong（香港中文大学） ； Southeast University（东南大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出了一种名为字典插入提示（DIP）的新方法，通过在提示中插入词典中的英文对应词来提升多语言推理性能，实验表明在10到200种语言上效果显著。
Comments ACL *SEM 2026
When Reasoning Supervision Hurts: TTCW-Based Long-Form Literary Review Generation
推理监督有害：基于TTCW的长文本文学评论生成
机构 * School of Computer Science, University of Birmingham, United Kingdom（英国伯明翰大学计算机科学学院）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出了一种基于TTCW的长文本文学评论生成方法，通过构建包含263911个长文本故事的数据集，每个故事都标注了14个TTCW维度的评分和元合成评论。实验发现，非推理微调在性能和稳定性上更优，而推理监督模型更易出现解析失败，导致生成无关或重复的推理文本，表明在固定格式评分标准下，推理监督并不总是有益的。
Comments Submit to EMNLP 2026
ProCrit: Self-Elicited Multi-Perspective Reasoning with Critic-Guided Revision for Multimodal Sarcasm Detection
ProCrit: 通过批评引导的修订实现自激发多视角推理用于多模态讽刺检测
机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院） ； Baidu Inc.（百度公司） ； Zhipu AI（智谱AI）
专题命中 推理评测 ：reasoning(title,abstract)
AI总结 本文提出ProCrit，一种通过批评引导的修订实现自激发多视角推理的框架，用于多模态讽刺检测，解决了现有方法依赖固定视角的问题，通过动态生成多视角分析并进行协同优化。
IndusAgent: Reinforcing Open-Vocabulary Industrial Anomaly Detection with Agentic Tools
IndusAgent: 通过智能工具增强开放词汇工业异常检测
机构 * State Key Lab of Processors, Institute of Computing Technology, CAS（处理器国家重点实验室，计算技术研究所，中国科学院） ； Santa Clara University（圣克拉拉大学） ； LongCat Team（LongCat团队） ； Independent Researcher（独立研究者） ； New York University（纽约大学） ； Sun Yat-sen University（孙中山大学） ； Nanyang Technological University（南洋理工大学） ； Stanford University（斯坦福大学） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国）
专题命中 推理评测 ：CoT(abstract,abstract_cn)；reasoning(abstract)
AI总结 本文提出IndusAgent框架，通过整合视觉观测、高分辨率局部片段和专家正常性先验，提升开放词汇工业异常检测的零样本性能，验证了方法的鲁棒性和泛化能力。
What if Agents Could Imagine? Reinforcing Open-Vocabulary HOI Comprehension through Generation
如果智能体能够想象？通过生成强化开放词汇人-物交互理解
机构 * Dream-X Team（Dream-X团队） ； Stanford University（斯坦福大学） ； National University of Singapore（新加坡国立大学） ； Independent Researcher（独立研究者） ； Case Western Reserve University（凯斯西储大学） ； UC Santa Cruz（加州大学圣克鲁兹分校）
专题命中 推理评测 ：CoT(abstract,abstract_cn)；reasoning(abstract)
AI总结 本文提出ImagineAgent框架，通过生成式世界建模和工具增强强化学习，解决开放词汇人-物交互理解中的跨模态幻觉和视角限制问题，实现了高效且鲁棒的推理。
TextReg: Mitigating Prompt Distributional Overfitting via Regularized Text-Space Optimization
TextReg: 通过正则化的文本空间优化缓解提示分布过拟合
机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文研究了提示分布过拟合问题，提出TextReg框架通过正则化的文本梯度实现软惩罚目标，结合双证据梯度净化、语义编辑正则化和正则化引导的提示更新，提升模型在分布外（OOD）任务上的泛化能力。
Comments Code: https://github.com/luchengfu6/TextReg
GraphRAG on Consumer Hardware: Benchmarking Local LLMs for Healthcare EHR Schema Retrieval
在消费级硬件上实现GraphRAG：对本地LLMs在医疗EHR模式检索中的基准测试
机构 * Department of Computer Engineering（计算机工程系） ； California Polytechnic State University（加州州立大学波特兰分校）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文研究了在消费级硬件上使用本地LLMs进行医疗EHR模式检索的GraphRAG方法，评估了四种不同模型在索引效率、知识图构建、查询延迟、回答质量和幻觉方面的表现，发现模型参数大小和检索模式对结果有显著影响。
Comments 9 pages, 1 figure, 5 tables
FT-Dojo: Towards Autonomous LLM Fine-Tuning with Language Agents
FT-Dojo: 向自主LLM微调迈进的语言代理
机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； Microsoft Research Asia（微软亚洲研究院） ； The University of Chicago（芝加哥大学）
专题命中 推理评测 ：planning(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出FT-Dojo交互式基准环境，用于研究自主LLM微调，通过标准化任务接口、共享数据仓库、沙盒执行环境和反馈协议，开发了FT-Agent框架，实现了结构化迭代规划和多级反馈分析，实验显示FT-Agent在13个任务中表现优异，且展示了代理在故障恢复和长期规划中的能力。
Comments 26 pages, 6 figures, 11 tables
Anatomy of Agentic Memory: Taxonomy and Empirical Analysis of Evaluation and System Limitations
代理记忆的解剖结构：评估和系统限制的分类与实证分析
机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of California Davis（加州大学戴维斯分校） ； Texas A&M University（德克萨斯农工大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文通过分类和实证分析，探讨了代理记忆系统的架构和系统限制，揭示了现有系统在基准饱和效应、指标有效性、模型依赖性和内存维护开销等方面的问题，并提出了更可靠的评估方法和可扩展的系统设计方向。
END: Early Noise Dropping for Efficient and Effective Context Denoising
END：早期噪声丢弃以实现高效有效的上下文去噪
机构 * Amazon（亚马逊）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出END方法，通过在早期层对输入序列进行分割和线性探针，有效识别并丢弃噪声部分，从而提升LLM在不同任务上的性能和效率，同时加深了对LLM内部上下文推理机制的理解。
DeepWeb-Bench: A Deep Research Benchmark Demanding Massive Cross-Source Evidence and Long-Horizon Derivation
DeepWeb-Bench: 一个要求大规模跨源证据和长周期推导的深度研究基准
机构 * Peking University（北京大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出DeepWeb-Bench基准，通过要求大规模证据收集、跨源验证和长周期推导，评估前沿语言模型在深度研究任务中的能力，揭示检索并非瓶颈，强弱模型失败方式不同，且模型在不同领域表现出专业性。
Comments Work in Progress. 27 pages, 10 figures, 4 tables. Project page: https://sixiongxie1001-dot.github.io/deep-research-benchmark2.0
WikiVQABench: A Knowledge-Grounded Visual Question Answering Benchmark from Wikipedia and Wikidata
WikiVQABench: 一个基于维基百科和维基数据的知识引导视觉问答基准
机构 * IBM Research San Jose（IBM桑 Jose研究实验室）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出WikiVQABench，一个结合维基百科图片、文章描述和维基数据结构化知识的知识引导视觉问答基准，通过大规模语言模型生成候选多选题，并由人工审核确保事实正确性和视觉-文本一致性，评估多种视觉-语言模型在知识密集型推理中的性能。
TempGlitch: Evaluating Vision-Language Models for Temporal Glitch Detection in Gameplay Videos
TempGlitch: 评估视觉-语言模型在游戏视频中检测时间故障的能力
机构 * University of Alberta（阿尔伯塔大学） ； Sony Interactive Entertainment（索尼互动娱乐）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出TempGlitch基准测试，用于评估视觉-语言模型在游戏视频中检测时间故障的能力，发现现有模型在处理时间故障时表现不佳，且更密集的帧采样和更大的模型尺寸并不能有效解决这些问题。
Text Analytics Evaluation Framework: A Case Study on LLMs and Social Media
文本分析评估框架：基于LLM和社交媒体的案例研究
机构 * School of Computer Science and Informatics, Cardiff University（计算机科学与信息学学院，卡迪夫大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 本文提出了一种基于问题的评估框架，通过470个手工整理的问题来评估LLM在处理聚合文本数据时的语义理解和推理能力，揭示了LLM在处理大规模文本数据时的性能瓶颈。
CTFExplorer: Evaluating LLM Offensive Agents Through Multi-Target Web CTF Benchmarking
CTFExplorer: 通过多目标网络CTF基准测试评估LLM进攻性代理
机构 * CISPA - Helmholtz Center for Information Security（CISPA-海德堡信息安全研究中心） ； NYU Tandon School of Engineering（纽约大学坦顿工程学院） ； NYU Abu Dhabi（纽约大学阿布扎克分校） ； IIIT Hyderabad（海得拉巴印度理工学院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出CTFExplorer基准测试，通过多目标网络CTF基准测试评估LLM进攻性代理，研究问题是如何在不确定环境下评估代理的战术推理能力，核心方法是引入多目标环境测试代理的探索、优先级和攻击链能力，主要贡献是开发了可评估代理行为的框架。
Retrieval-Augmented Code Generation: A Survey with Focus on Repository-Level Approaches
检索增强的代码生成：聚焦于仓库级方法的综述
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Chinese University of Hong Kong（香港中文大学） ； Southern University of Science and Technology（南方科技大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 本文综述了检索增强的代码生成方法，重点探讨仓库级方法，分析了其在大规模代码生成中的挑战与解决方案，总结了现有方法的分类框架及关键挑战。
