大模型推理能力

Thoughts-as-Planning: Latent World Models for Chain-of-Thoughts Optimization via Reinforcement Planning

思想即规划：通过强化规划进行思维链优化的潜在世界模型

Dong Liu, Yanxuan Yu, Ying Nian Wu

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学） 纠错

专题命中 规划推理 ：planning(title,summary_cn)；reasoning(abstract)；分类 cs.CL、cs.AI

AI总结 提出Thoughts-as-Planning框架，将思维链优化形式化为潜在语义空间中的序贯决策过程，通过潜在世界模型模拟推理链编辑对下游输出的影响，并利用梯度下降或强化学习进行规划，在语言理解和生成任务上优于现有基线。

DeepTool: Scaling Interleaved Deliberation in Tool-Integrated Reasoning via Process-Supervised Reinforcement Learning

DeepTool: 通过过程监督强化学习扩展工具集成推理中的交错思考

Yang He, Xiao Ding, Bibo Cai, Yufei Zhang, Kai Xiong, Zhouhao Sun, Bing Qin, Ting Liu

机构 * Research Center for Social Computing（社会计算研究中心） ； Interactive Robotics, Harbin Institute of Technology, China（交互机器人，哈尔滨工业大学，中国） 纠错

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)；self-correction(abstract)；分类 cs.AI

AI总结 针对工具集成推理中缺乏逐步监督和自纠正能力的问题，提出DeepTool框架，通过合成交错轨迹和基于动作中心过程奖励的GRPO强化学习，显著提升模型在多个基准上的性能。

When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making

机器人何时应该思考？基于强化学习的资源感知推理在具身机器人决策中的应用

Jun Liu, Pu Zhao, Zhenglun Kong, Xuan Shen, Peiyan Dong, Fan Yang, Lin Cui, Hao Tang, Geng Yuan, Wei Niu, Wenbin Zhang, Xue Lin, Gaowen Liu, Yanzhi Wang, Dong Huang

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Northeastern University（东北大学） ； Harvard University（哈佛大学） ； Cornell University（康奈尔大学） ； MIT（麻省理工学院） ； Fujitsu Research of America（美国富士通研究） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； University of Georgia（佐治亚大学） ； Florida International University（佛罗里达国际大学） ； EmbodyX Inc（EmbodyX公司） ； Cisco Systems（思科系统） 纠错

专题命中 规划推理 ：reasoning(title,abstract)；planning(abstract)；分类 cs.AI、cs.LG

AI总结 提出RARRL框架，通过强化学习学习高层编排策略，使具身代理能自适应决定是否调用LLM推理、选择推理角色及分配计算预算，以平衡推理开销与任务成功率。

Reasoning with Sampling: Cutting at Decision Points

基于采样的推理：在决策点进行裁剪

Felix Zhou, Anay Mehrotra, Quanquan C. Liu

机构 * Yale University（耶鲁大学） ； Stanford University（斯坦福大学） 纠错

专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 提出Entropy-Cut Metropolis-Hastings算法，利用基础模型的下一词元熵作为代理识别关键决策点并重新采样，从而高效地从幂分布中采样以增强推理能力，在多个基准上超越基线和RL训练模型。

Does The Way You Plan Matter? An Empirical Study of Planning Representations for LLM Web Agents

计划方式重要吗？LLM网络代理计划表示的实证研究

Alejandra Zambrano, Sara Vera Marjanovic, Imene Kerboua, Xing Han Lù, Leila Kosseim

机构 * Concordia University（康科德大学） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； University of Copenhagen（哥本哈根大学） ； Universite Claude Bernard Lyon（克莱尔蒙特-伯恩大学） ； McGill University（麦吉尔大学） 纠错

专题命中 规划推理 ：planning(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本研究提出PlanAhead框架，通过自动难度分类和四种计划表示（顺序子目标、叙述、伪代码、检查清单）的对比实验，发现计划表示形式和生成计划的LLM显著影响网络代理的鲁棒性和任务成功率。

Comments Extended version of paper submitted to EMNLP, waiting for acceptance

A Review of Learning-Based Motion Planning: Toward a Data-Driven Optimal Control Approach

基于学习的运动规划综述：迈向数据驱动的最优控制方法

Jia Hu, Yang Chang, Haoran Wang

机构 * College of Transportation Key Laboratory of Road and Traffic Engineering of the Ministry of Education（交通运输学院 道路交通工程教育部重点实验室） ； Institute for Advanced Study（先进研究院） ； Tongji University（同济大学） 纠错

专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI

AI总结 本文系统综述了数据驱动最优控制范式，通过融合最优控制的理论保证与机器学习的自适应能力，为自动驾驶运动规划提供了三维实现路线图，并指出了四个未来研究方向。

Comments 44 pages, 14 figures

Molecular Lead Optimization via Agentic Tool Planning

通过智能体工具规划进行分子先导优化

Lingxiao Li, Haobo Zhang, Ruohao Fan, Bin Chen, Jiayu Zhou

机构 * University of Michigan（密歇根大学） ； University of California, Davis（加州大学戴维斯分校） ； Michigan State University（密歇根州立大学） 纠错

专题命中 规划推理 ：planning(title)；reasoning(abstract)；分类 cs.LG

AI总结 提出TRACE，一种轨迹感知的LLM推理智能体，将先导优化建模为序列决策问题，通过工具选择实现结构约束下的前瞻性分子优化，在ADMET任务中优于基线。

Comments 12 pages

Hierarchical Task Network Planning with LLM-Generated Heuristics

基于LLM生成启发式的层次任务网络规划

Felipe Meneguzzi, Alexandre Buchweitz, Augusto B. Corrêa, Victor Scherer Putrich, André Grahl Pereira

机构 * University of Aberdeen, UK（爱丁堡大学（英国）） ； PUCRS, Brazil（巴西普埃布拉联邦大学） ； University of Oxford, UK（牛津大学（英国）） ； Saarland University, Germany（萨尔大学（德国）） ； Universidade Federal do Rio Grande do Sul, Brazil（巴西里约格兰德 do 南大学） 纠错

专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI

AI总结 研究利用大语言模型为层次任务网络规划生成搜索启发式，通过Pytrich规划器在六个基准领域评估，结果表明LLM生成的启发式在覆盖度上接近最优HTN规划器，并在83%的共享问题上显著减少搜索开销。

Comments 9 pages, 3 figures; submitted to NeurIPS 2026

Intent-aligned Autonomous Spacecraft Guidance via Reasoning Models

通过推理模型实现意图对齐的自主航天器制导

Yuji Takubo, Simone D'Amico

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 提出一种通过行为序列和航点约束将高层推理与安全轨迹优化相结合的意图对齐航天器制导框架，在近距离操作场景中实现了超过90%的SCP收敛率，并比启发式决策高出1.5倍的满足顶级意图优先性能标准的轨迹生成率。

Comments Accepted for Computer Vision and Pattern Recognition Conference (CVPR) 2026, AI4Space Workshop (4-page Short paper). 9 pages, 3 figures (including supplementary materials)

FLIP: Real-Time and Resilient Formation Planning for Large-Scale DIstributed Swarms via Point Cloud Registration

FLIP：通过点云配准实现大规模分布式集群的实时弹性编队规划

Yuan Zhou, Guangtong Xu, Zhenyu Hou, Jialiang Hou, Fei Gao

机构 * Institute of Cyber-Systems and Control, College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院智能系统与控制研究所） ； Huzhou Institute, Zhejiang University（浙江大学湖州研究院） 纠错

专题命中 规划推理 ：planning(title,abstract)

AI总结 提出将最优编队位置序列计算转化为时空点云配准问题，利用带离群点剔除的PCR方法实现大规模分布式集群的弹性、高效轨迹规划。

From Historical Patches to Repair Plans: Outcome-Conditioned Reasoning for Repository-Level Program Repair

从历史补丁到修复计划：面向仓库级程序修复的结果条件推理

Chenglin Li, Yisen Xu, Zehao Wang, Shin Hwei Tan, Tse-Hsun, Chen

专题命中 规划推理 ：reasoning(title,abstract)

AI总结 提出条件推理蒸馏（ConRAD），通过从已验证补丁反向重构修复推理并蒸馏出结果一致的阶段性修复计划，在推理时引导故障定位和补丁生成，无需微调或搜索，在SWE-Bench Lite上显著提升Pass@1。

Comments ICML 2026,17 pages, 3 figures, 5 tables

Adaptive Interviewing for Persona Simulation in LLMs: Evidence-Grounded Reasoning Improves Decision Alignment

面向LLM人格模拟的自适应访谈：基于证据的推理提升决策对齐

Ruoxi Su, Yuhan Liu, Jingyu Hu

机构 * University of Cambridge（剑桥大学） ； Independent Researcher（独立研究员） 纠错

专题命中 规划推理 ：reasoning(title)；分类 cs.CL、cs.AI

AI总结 提出自适应访谈框架，通过结构化三阶段对话收集人格相关信息，并基于访谈记录评估LLM在道德困境场景中模拟个体决策的能力，发现基于后续追问的证据推理能显著提升预测准确性。

Comments 20 pages, 2 figures, 12 tables

E-valuator: Reliable Agent Verifiers with Sequential Hypothesis Testing

E-valuator: 基于序贯假设检验的可靠智能体验证器

Shuvom Sadhuka, Drew Prinster, Clara Fannjiang, Gabriele Scalia, Bonnie Berger, Aviv Regev, Hanchen Wang

机构 * Genentech（基因泰克） ； MIT（麻省理工学院） ； Johns Hopkins（约翰霍普金斯大学） ； Stanford（斯坦福大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；verifier(abstract)；分类 cs.AI、cs.LG

AI总结 提出E-valuator方法，将任意黑盒验证器分数转化为具有可控虚警率的决策规则，通过序贯假设检验实现对智能体轨迹的在线监控，提升统计功效并节省令牌。

HEART-Bench: Do LLM Agents Exhibit Human-like Psychology?

HEART-Bench: 大语言模型智能体是否表现出类似人类的心理学？

Weihan Peng, Chenxu Zhang, Qianao Wang, Yuling Shi, Heng Lian, Qihong Mao, Jiahao Pang, Chunliang Feng, Bowen Li, Xiaodong Gu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Imperial College London（伦敦帝国理工学院） ； Quwan Group（启元集团） ； University of Washington（华盛顿大学） ； South China Normal University（华南师范大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；planning(abstract)；分类 cs.CL

AI总结 提出HEART-Bench基准，通过构建基于大五人格和自传体记忆的虚拟角色，在DIAMONDS情境框架下评估LLM智能体能否展现一致的人类心理特征。

Comments GitHub: https://github.com/peng-weihan/HEART-BENCH

Why Specialist Models Still Matter: A Heterogeneous Multi-Agent Paradigm for Medical Artificial Intelligence

为什么专家模型仍然重要：面向医学人工智能的异构多智能体范式

Yanan Wang, Shuaicong Hu, Jian Liu, Guohui Zhou, Aiguo Wang, Cuiwei Yang

机构 * Fudan University（复旦大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 提出HetMedAgent异构多智能体框架，通过冲突感知证据融合、不确定性驱动的临床医生干预触发和自适应阈值校准，实现通用大语言模型与领域专家模型的协同，在三个临床决策任务中验证了专家模型在模态特定分析中的不可替代价值。

Comments Accepted at ICML 2026. 12 pages main text, 16 pages appendix

GrepSeek: Training Search Agents for Direct Corpus Interaction

GrepSeek：训练用于直接语料库交互的搜索代理

Alireza Salemi, Chang Zeng, Atharva Nijasure, Jui-Hui Chung, Razieh Rahimi, Fernando Diaz, Hamed Zamani

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； Princeton University（普林斯顿大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 提出GrepSeek，一种通过两阶段训练（冷启动数据集+GRPO优化）和语义保持的分片并行执行引擎，训练紧凑型搜索代理直接与文本语料库交互（通过shell命令），在开放域问答中取得最优F1和精确匹配。

SURGENT: A Surgical Multi-Agent Assistance System Across the Perioperative Workflow

SURGENT: 一种跨围手术期工作流程的手术多智能体辅助系统

Dongsheng Shi, Yue Li, Xin Yi, Yongyi Cui, Huawei Feng, Linlin Wang

机构 * East China Normal University（华东师范大学） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 提出SURGENT手术多智能体辅助系统，结合思维树规划器、多科室协作智能体和检索增强推理，通过新型记忆设计管理长期患者病史和短期工作摘要，在五项围手术期任务中优于基线LLM和现有医疗多智能体框架。

Comments preprint

A Composable Multimodal Framework for cine CMR-Text-Driven Prediction of Heart Failure Outcomes

用于电影心脏磁共振-文本驱动的心力衰竭结局预测的可组合多模态框架

Jianzhou Chen, Jinyang Sun, Xiumei Wang, Xi Chen, Heyu Chu, Guo Song, Yuji Luo, Xingping Zhou, Rong Gu

机构 * Department of Cardiology, Nanjing Drum Tower Hospital, State Key Laboratory of Pharmaceutical Biotechnology, Nanjing University（南京鼓楼医院心内科，南京大学国家药物生物技术重点实验室） ； School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院） ； College of Electronic and Optical Engineering, Nanjing University of Posts and Telecommunications（南京邮电大学电子与光学工程学院） ； College of Integrated Circuit Science and Engineering, Nanjing University of Posts and Telecommunications（南京邮电大学集成电路科学与工程学院） ； Department of Cardiology, Nanjing Drum Tower Hospital Clinical College of Nanjing Medical University（南京医科大学南京鼓楼医院临床学院心内科） ； Institute of Quantum Information and Technology, Nanjing University of Posts and Telecommunications（南京邮电大学量子信息与技术研究院） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI、cs.LG

AI总结 提出一种可组合多模态框架，通过整合cine CMR影像、结构化临床指标和非结构化文本记录，实现比单模态AI算法更准确的心力衰竭预后预测，并支持个性化治疗优化。

Anchorless Diversification for Parallel LLM Ideation

无锚点多样化并行LLM创意生成

Fares Nabil Ibrahim, Nafis Saami Azad, Raiyan Abdul Baten

机构 * Bellini College of Artificial Intelligence, Cybersecurity, and Computing, University of South Florida（贝尔尼人工智能、网络安全与计算学院，佛罗里达州立大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 研究无锚点方法（如语义方向分层）在并行LLM创意生成中实现候选池多样化，无需依赖种子想法，在多样性、质量和计算效率上优于有锚点基线。

Treatment-Conditioned Diffusion for Forecasting Neurodegenerative Disease Progression

治疗条件扩散用于预测神经退行性疾病进展

Danylo Boiko, Viktoriia Mishkurova

机构 * Innoloft Inc.（Innoloft公司） ； Bogomolets National Medical University（博戈莫列茨国家医学大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 提出一种治疗条件扩散框架，通过条件化生成过程于患者的筛查DaTscan图像和一年内左旋多巴等效日剂量，预测高保真未来脑状态，在临床保真度上显著优于基线。

Comments 9 pages, 5 figures, 1 table

ActTraitBench: Quantifying the Knowledge-Decision Gap in Large Language Models via Human-Grounded Behavioral Validation

ActTraitBench: 通过人类行为验证量化大型语言模型中的知识-决策差距

Yutong Yang, Chenxi Miao, Weikang Li, Yunfang Wu

机构 * Peking University（北京大学） ； Baidu Inc（百度公司） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL

AI总结 提出ActTraitBench框架，基于人类数据建立心理测量方面与行为范式的一一映射，并通过分位数映射校准LLM评分分布，揭示LLM在自我报告与行为决策之间的知识-决策差距，并引入CoCA干预来缓解该差距。

Spurious Prompts: Can Irrelevant Prompts Steer Large Language Models?

虚假提示：无关提示能否引导大型语言模型？

Pawel Batorski, Abtin Pourhadi, Jerzy Sarosiek, Przemyslaw Spurek, Paul Swoboda

机构 * Heinrich Heine University Düsseldorf（海因里希·海因斯大学多特蒙德分校） ； Jagiellonian University（雅盖隆大学） ； IDEAS Research Institute（IDEAS研究所） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL

AI总结 研究语义无关的提示（虚假提示）对大型语言模型行为的影响，提出黑盒搜索方法发现此类提示，并证明其在多个基准和模型上能显著影响模型输出。

AutoSizer: Automatic Sizing of Analog and Mixed-Signal Circuits via Large Language Model (LLM) Agents

AutoSizer: 通过大语言模型代理自动调整模拟和混合信号电路的尺寸

Xi Yu, Dmitrii Torbunov, Soumyajit Mandal, Yihui Ren

机构 * Artificial Intelligence Department, Brookhaven National Laboratory, Upton, NY（布鲁赫斯国家实验室人工智能部） ； Instrumentation Department, Brookhaven National Laboratory, Upton, NY 11973（布鲁赫斯国家实验室仪器部） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 提出AutoSizer，一种反射式LLM驱动的元优化框架，通过双循环结构统一电路理解、自适应搜索空间构建和优化编排，在模拟和混合信号电路尺寸调整中实现更优解质量、更快收敛和更高成功率。

Skill-Pro: Learning Reusable Skills from Experience via Non-Parametric PPO for LLM Agents

Skill-Pro: 通过非参数PPO从经验中学习可复用技能以用于LLM智能体

Qirui Mi, Zhijian Ma, Mengyue Yang, Haoxuan Li, Yisen Wang, Haifeng Zhang, Jun Wang

机构 * Key Laboratory of Interdisciplinary Research of Computation and Economics（交叉计算与经济学交叉研究实验室） ； Shanghai University of Finance and Economics（上海财经大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, Chinese Academy of Sciences（中国科学院人工智能研究所） ； University of Bristol（布里斯托大学） ； Peking University（北京大学） ； University College London（伦敦大学学院） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 提出Skill-Pro框架，通过非参数PPO从交互经验中自动学习可复用的程序性技能，无需参数更新，实现高效经验重用和长期自主性。

Comments Accepted at ICML 2026 (spotlight); 22 Pages, 6 Figures, 5 Tables

GPS-Enhanced Tourist Mobility Modeling with Seasonal Spatial Priors and LLM-Based Activity Chain Generation

基于季节性空间先验和LLM活动链生成的GPS增强游客移动性建模

Yifan Liu, Yanling Sang, Xishun Liao, Morgan Sun, Bo Yang, Zhiyuan Zhang, Chris Stanford, Haoxuan Ma, Jiaqi Ma

机构 * UCLA Mobility Lab, Department of Civil and Environmental Engineering, University of California, Los Angeles（加州大学洛杉矶分校移动实验室，土木与环境工程系，加州大学洛杉矶分校） ； Novateur Research Solutions（Novateur研究解决方案） ； University of Central Florida（中央佛罗里达大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 提出一种四阶段仿真框架，结合GPS和调查数据推导的月份条件空间先验、游客人口统计信息、距离可行区域序列分配以及基于LLM的活动链生成，以解决游客移动性建模中非例行、吸引驱动且对旅行目的、季节和成员组成高度敏感的问题。

UI-KOBE: Knowledge-Oriented Behavior Exploration for Lightweight Graph-Guided GUI Agents

UI-KOBE：面向轻量级图引导GUI代理的知识导向行为探索

Yuxiang Chai, Han Xiao, Xinyu Fu, Jinpeng Chen, Rui Liu, Hongsheng Li

机构 * CUHK MMLab（香港大学多模态实验室） ； Huawei Research（华为研究） ； Shenzhen Loop Area Institute（深圳河套学院） ； CPII under InnoHK（创新香港下的CPII） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 提出UI-KOBE框架，通过自动构建应用知识图谱并引导轻量级GUI代理进行运行时决策，以提升其移动端GUI任务执行效果。

Practitioner Beliefs and Behaviors in AI-Enhanced Education: DOT Framework Survey Evidence

AI增强教育中的从业者信念与行为：DOT框架调查证据

David Gibson, M. Elizabeth Azukas, Gerald Knezek

机构 * Curtin University（Curtin 大学） ； Georgia Tech Research Institute（佐治亚理工研究学院） ； Georgia Institute of Technology（佐治亚理工学院） ； University of North Texas（北卡罗来纳州立大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 基于DOT框架，通过横截面调查（n=72）探究高等教育从业者对AI整合的信念、行为及制度条件，发现从业者支持AI教学辅助但强调人类监督，且设计导向实践与理论存在差距。

BEAMS: Benchmarking and Evaluating AI for Modeling and Simulation

BEAMS：用于建模与仿真的AI基准测试与评估

Sara Metcalf, William Schoenberg

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 提出BEAMS倡议，通过建立以人为本的基准测试框架，评估AI工具在建模与仿真中的表现，发现其在因果推理和定量修正方面存在不足。

Slide Deck Q&A Quality Assurance App: A Multi-Stage Pipeline for Pedagogical Question Generation

Slide Deck Q&A 质量保证应用：面向教学问题生成的多阶段流水线

Jim Salsman

机构 * TalkNicer, Inc.（TalkNicer公司） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.CL

AI总结 提出一个基于Flask的多阶段大语言模型流水线，从PDF幻灯片中提取文本和图像，生成结构化的教学问题集，并通过窗口规划、幻灯片合成、标注和协调四个阶段提高问题质量。

Comments 15 pages, 3 research questions, 1 figure, 1 table, 6 references, 2 appendices

ConceptM$^3$oE: Concept-Guided Multimodal Mixture of Experts for Interpretable Computational Pathology

ConceptM$^3$oE：面向可解释计算病理学的概念引导多模态专家混合模型

Xuan Wang, Zhongling Xu, Gopi Kannedhara, Joakim Nguyen, Jian Yu, Jinrui Fang, Abdurrahmaan Baghdadi, Tianlong Chen, Awais Naeem, Chandra Krishnan, Edward Castillo, Andrew H. Song, Ankita Shukla, Ying Ding, Nicholas Konz, Hairong Wang

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Dell Children’s Medical Center（德尔儿童医疗中心） ； The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心） ； University of Nevada, Reno（内华达大学里诺分校） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 提出ConceptM$^3$oE框架，通过概念引导的多模态专家混合路径嵌入概念形成，并利用残差路径保持性能与可解释性，在脑肿瘤分类中优于基线并提升小样本性能。