大模型推理能力

Metacognition as Reward: Reinforcing LLM Reasoning via Knowledge and Regulation Signals

元认知作为奖励：通过知识和调节信号强化LLM推理

Sirui Chen, Lei Xu, Yuying Zhao, Yutian Chen, Yu Wang, Beier Zhu, Hanwang Zhang, Shengjie Zhao, Chaochao Lu

机构 * Tongji University（同济大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Nanyang Technological University（南洋理工大学） ； University of Science and Technology of China（中国科学技术大学） ； EPFL（苏黎世联邦理工学院） ； Wuhan University（武汉大学） 纠错

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

AI总结 提出元认知奖励（MaR）框架，利用元认知知识和调节信号作为过程奖励，提升LLM推理质量，在22个基准上平均提升7.7%。

CoReVAD: A Contextual Reasoning Framework for Training-Free Video Anomaly Detection

CoReVAD: 一种无需训练的视频异常检测上下文推理框架

Hyeongmuk Lim, Youngbum Hur

机构 * Department of Industrial Engineering, Inha University, Incheon, Republic of Korea（韩国釜山大学工业工程系） 纠错

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

AI总结 提出CoReVAD框架，利用单一冻结视觉语言模型直接生成异常分数和时间描述，通过局部响应清洗和全局时序上下文精炼实现无需训练的视频异常检测，在UCF-Crime和XD-Violence数据集上取得竞争性能并提供可解释解释。

Comments Accepted to ICPR 2026

Leveraging Foundation Models for Causal Generative Modeling

利用基础模型进行因果生成建模

Aneesh Komanduri, Xintao Wu

机构 * University of Arkansas（亚拉巴马大学） 纠错

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

AI总结 提出FM-CGM框架，通过预训练基础模型实现零样本因果发现、干预和反事实生成，并引入因果语义引导机制确保忠实反事实图像生成。

CoFrGeNet: Continued Fraction Architectures for Language Generation

CoFrGeNet：用于语言生成的连分式架构

Amit Dhurandhar, Vijil Chenthamarakshan, Dennis Wei, Tejaswini Pedapati, Karthikeyan Natesan Ramamurthy, Rahul Nair

机构 * IBM Research（IBM研究院） 纠错

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

AI总结 受连分式启发，提出CoFrGeNet架构，用新函数类替换Transformer中的多头注意力和前馈网络，在参数量减少1/2至2/3的情况下，在下游分类、问答、推理和文本理解任务上达到或超越原模型性能。

Comments Earlier version accepted to ICML 2026

MemAudit: Post-hoc Auditing of Poisoned Agent Memory via Causal Attribution and Structural Anomaly Detection

MemAudit：通过因果归因和结构异常检测对中毒代理记忆进行事后审计

Zhewen Tan, Yilun Yao, Huiyan Jin, Wenhan Yu, Guoan Wang, Mengyuan Fan, liang lu, Feng Liu, Xiangzheng Zhang, Duohe Ma, Tong Yang, Lin Sun

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； Qiyuan Tech（齐元科技） ； Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机科学学院多媒体信息处理实验室） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院） 纠错

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

AI总结 提出MemAudit框架，结合反事实记忆影响评分和记忆一致性图，对记忆增强型LLM代理中的恶意注入记忆进行事后因果审计，显著降低攻击成功率。

Parallel Context Compaction for Long-Horizon LLM Agent Serving

长视界LLM智能体服务的并行上下文压缩

Musa Cim, Burak Topcu, Chita Das, Mahmut Taylan Kandemir

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

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

AI总结 针对长视界LLM智能体对话历史超出上下文窗口的问题，提出并行压缩方法，通过细粒度控制摘要体积和提示工程，在HotpotQA和LoCoMo基准上相比顺序基线降低端到端耗时并提升压缩吞吐量。

LLM Code Smells: A Taxonomy and Detection Approach

LLM 代码异味：分类与检测方法

Zacharie Chenail-Larcher, Brahim Mahmoudi, Naouel Moha, Quentin Stiévenart, Florent Avellaneda

机构 * École de technologie supérieure ； Université du Québec à Montréal 纠错

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

AI总结 本文提出并完善了LLM代码异味的概念，构建了包含9种异味的分类体系，开发了静态检测工具SpecDetect4LLM，并在692个开源项目中验证了其检测效果（精确率91.3%，召回率71.8%），发现73.5%的项目存在此类异味。

Certification from Examples is Hard for Circuits and Transformers under Minimal Overparametrization

在最小过参数化下，从示例中认证对于电路和Transformer是困难的

Artur Back de Luca, Kimon Fountoulakis

机构 * University of Waterloo（滑铁卢大学） 纠错

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

AI总结 本文证明在最小过参数化下，对于深度≥2的阈值电路和对数精度Transformer，认证所需示例集大小可能呈指数增长，并探讨了近似认证的难度。

Comments 38 pages, 5 figures

Beyond Zero: Enterprise Security for the AI Era

超越零信任：面向AI时代的企业安全

Joseph Valente, Michal Zalewski

专题命中 其他推理 ：reasoning(abstract)

AI总结 本文提出Beyond Zero安全范式，通过将信任边界缩小到单个操作并融合静态授权与动态AI推理，实现每秒数千次的人机决策中介，构建自防御企业。

Comments This is a preprint and this paper has been accepted for publication in ACM Queue. The final version of this paper may change through the editorial process