AI 大模型
大模型数学、逻辑、规划、多步推理和测试时计算能力。
从论证组件到图：一种具有置信门控的多智能体辩论方法用于论证关系识别
机构 * Faculty of Electronics and Information Technology, Warsaw University of Technology（华沙理工大学电子与信息技术学院）
专题命中 复杂问题求解 ：reasoning(abstract)；self-correction(abstract)；分类 cs.CL
AI总结 提出一种多智能体辩论框架，通过置信门控机制仅在不确定时进行辩论，在UKP语料上达到训练无关方法最高Macro F1，并生成可读辩论记录。
Comments Accepted for publication in the proceedings of KES 2026
混合NARX-LLM用于格陵兰冰山排放：提示驱动的残差校正
机构 * Heriot-Watt University（赫瑞瓦特大学） ； StudioYG
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 提出混合NARX-LLM框架，结合非线性自回归模型与大型语言模型进行残差校正，并引入物理信息提示方法，用于建模格陵兰冰山排放的复杂非线性动态，提升预测准确性。
超越文本到SQL：一个面向受控企业分析API的代理LLM系统
机构 * Dialpad Inc.（Dialpad公司）
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Analytic Agent，一个基于LLM的代理系统，能够将自然语言意图安全地转换为与企业分析API的交互，解决传统文本到SQL系统在企业环境中面临的可靠性与合规性问题。
Comments Accepted to the Enterprise AI Agents Workshop @ KDD 2026. The first four authors contributed equally to this work
价值轴：语言模型编码它们是否在正确的轨道上
机构 * Stanford University（斯坦福大学） ； Anthropic
专题命中 复杂问题求解 ：self-correction(abstract)；分类 cs.CL
AI总结 通过构建Qwen3-8B的“价值轴”，发现语言模型内部追踪当前轨迹的成功概率，并影响自信、自我纠正和探索行为。
Comments Code repository: https://github.com/nickjiang2378/value-axis
必要时聚焦：用于无训练视觉定位的自适应路由与协作定位
机构 * East China University of Science and Technology（华东理工大学） ； Tsinghua University（清华大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of Science and Technology of China（中国科学技术大学）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.CL
AI总结 提出LazyMCoT动态框架，通过自适应路由评估不确定性，对简单查询跳过处理，对困难样本利用协作定位模块进行两阶段精炼，在提升推理精度的同时降低平均推理延迟。
基于Agent Rosetta的蛋白质设计：面向专业科学智能体的案例研究
机构 * Polymathic AI（多学科人工智能实验室） ； Center for Computational Biology, Flatiron Institute（计算生物学中心，Flatiron研究所） ； Google DeepMind（谷歌DeepMind） ； Center for Computational Mathematics, Flatiron Institute（计算数学中心，Flatiron研究所） ； New York University（纽约大学） ； Johns Hopkins University（约翰霍普金斯大学）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 提出Agent Rosetta，将大语言模型与Rosetta软件环境结合，通过迭代优化实现用户定义的蛋白质设计目标，在规范氨基酸设计上匹配专家，在非规范残基设计上超越现有ML方法。
学习共享：面向高效并行智能体系统的选择性记忆
机构 * Institute of Artificial Intelligence, University of Central Florida, Orlando, United States（人工智能研究所，中央佛罗里达大学，奥兰多，美国）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 提出LTS机制，通过强化学习训练控制器选择性共享跨团队中间信息，在减少并行智能体系统计算开销的同时保持或提升任务性能。
Comments ICML 2026
DynaDebate: 通过动态路径生成打破多智能体辩论中的同质性
机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（认知智能国家重点实验室，中国科学技术大学） ； North Automatic Control Technology Institute（北自动控制技术研究所） ； Shenzhen Institute for Advanced Study, UESTC（深圳先进研究 institute, 电子科技大学）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 提出DynaDebate框架，通过动态路径生成、过程中心辩论和触发式验证机制，解决多智能体辩论中推理路径同质化问题，提升辩论效果。
Comments 19pages,7 figures
Shachi: 一种用于基于LLM的涌现集体行为建模的模块化、可控框架
机构 * Sakana AI, Japan（日本Sakana AI） ； The University of Tokyo, Japan（日本东京大学）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 提出Shachi框架，将智能体认知分解为配置、记忆和工具等独立可控组件，通过扰动实验研究微观认知特征如何影响宏观群体动态，并在10任务基准和关税冲击案例中验证其有效性。
Comments Accepted to ALIFE 2026
当思维链更清楚时：多轮推理模型的失败模式
专题命中 推理评测 ：CoT(summary_cn,abstract)；reasoning(title,abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出CoT-Output 2x2安全矩阵诊断多轮推理模型隐藏的时间动态失败，发现监督悖论和上下文注入失败两种可复现漏洞。
Comments Accepted at the ICML 2026 Workshop on Failure Modes in Agentic AI (FAGEN)
基于多模态大语言模型的链式思维差异-共性推理的可解释音频编辑评估
机构 * College of Computer Science, Nankai University, Tianjin, China（南开大学计算机科学学院，天津，中国） ； Academy for Advanced Interdisciplinary Studies, Nankai University, Tianjin, China（南开大学先进跨学科研究学院，天津，中国）
专题命中 推理评测 ：reasoning(title,abstract)；chain-of-thought(title,abstract)
AI总结 提出首个基于自然语言的音频编辑自动评估框架，利用Qwen2-Audio和链式思维推理策略，实现可解释且与人类判断高度一致的评估。
利用思维链监督的强化学习进行仇恨和宣传模因的可解释检测
机构 * Hamad Bin Khalifa University（哈马德·本·哈利法大学） ； Qatar University（卡塔尔大学）
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 提出基于强化学习的后训练方法，结合任务特定奖励和组相对策略优化（GRPO），提升思考型多模态大语言模型在仇恨和宣传模因检测中的分类性能和解释质量。
RoTRAG: 基于经验法则推理的检索增强生成对话有害内容检测
机构 * Peking University（北京大学） ； Enhans ； University of North Texas（北得克萨斯大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出RoTRAG框架，通过检索外部道德规范（RoTs）增强LLM的多轮对话有害内容检测，实现基于规范推理和分类，平均F1提升约40%，分布误差降低8.4%。
Comments Accepted by SIGIR-ICTIR 2026, Oral Presentation
Journal ref Proceedings of the 2026 International ACM SIGIR Conference on Innovative Concepts and Theories in Information Retrieval (ICTIR '26), July 25, 2026, Melbourne, VIC, Australia. ACM, New York, NY, USA, 12 pages
让LLMs互相评判：面向医学问答的多智能体同行评审推理
机构 * University of Minnesota（明尼苏达大学）
专题命中 推理评测 ：reasoning(title,abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.AI
AI总结 提出多智能体同行评审推理方法，让多个LLM独立生成思维链推理并相互评估，选择最优推理链输出答案，在三个医学问答数据集上优于单模型和多数投票方法。
Comments Accepted by the Journal of the American Medical Informatics Association
LLM何时推理？基于熵相变的动力系统视角
机构 * Samsung Research（三星研究院） ； State Key Laboratory of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University（通用人工智能国家重点实验室，北京理工大学）
专题命中 推理评测 ：CoT(abstract,abstract_cn)；reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文通过早期解码熵动态检测LLM的推理状态，提出轻量级无训练路由框架EDRM，自适应选择推理策略，在减少token消耗的同时提升准确率。
MIRAGE: 审计前沿大语言模型在推理、智能体与时间耦合条件下的反穆斯林偏见
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 推理评测 ：reasoning(title,abstract)；chain-of-thought(abstract)；分类 cs.LG
AI总结 提出MIRAGE基准，包含1200个提示，覆盖直接完成、思维链推理和模拟智能体决策三种部署场景，发现思维链放大偏见、智能体决策存在不对称性、偏见与检索新闻时间耦合，现有缓解措施效果有限。
CycliST：用于循环状态转换推理的视频语言模型基准
机构 * Artificial Intelligence and Machine Learning Lab, TU Darmstadt（人工智能与机器学习实验室，图腾斯达特技术大学） ； Konrad Zuse School of Excellence in Learning and Intelligent Systems (ELIZA)（Konrad Zuse 学校（ELIZA）） ； Honda Research Institute Europe GmbH, Offenbach, Germany（本田欧洲研究院，奥芬巴赫，德国） ； Uncertainty in Artificial Intelligence Group, TU Eindhoven（人工智能不确定性小组，埃因霍温技术大学） ； Hessian Center for AI (hessian.AI)（黑森人工智能中心（hessian.AI）） ； Center for Cognitive Science（认知科学中心） ； German Center for Artificial Intelligence (DFKI)（德国人工智能中心（DFKI））
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI、cs.LG
AI总结 提出CycliST基准，通过合成视频评估视频语言模型对循环状态转换的文本推理能力，揭示现有模型在检测循环模式、时间理解和定量分析方面的局限。
Comments Published in the Journal of Data-centric Machine Learning Research (DMLR); https://openreview.net/forum?id=l03g53HUL2
Journal ref Journal of Data-centric Machine Learning Research, 2026
通过对比改进：基于检索增强的对比推理用于自动提示优化
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL、cs.AI
AI总结 本文提出CRPO框架，通过对比推理提升提示优化效果，利用HelpSteer2数据集中的高质量示例进行对比分析，改进提示生成的鲁棒性和可解释性。
Comments Preprint
Journal ref 2025 ACM/IEEE Joint Conference on Digital Libraries (JCDL), Dekalb, IL, USA, 2025, pp. 269-272
编织多源证据进行生物医学推理：BioMedHop基准与BioWeave框架
机构 * University of New South Wales（新南威尔士大学） ； CSIRO（澳大利亚联邦科学与工业研究组织） ； University of Technology Sydney（悉尼科技大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 提出BioMedHop基准和BioWeave框架，用于评估和实现生物医学多源证据推理，BioWeave在基准上优于基线方法10.5%，并提升小模型性能。
XMedFusion：面向自主医疗系统的知识引导多模态感知与推理框架
机构 * National University of Sciences and Technology (NUST)（巴基斯坦国立科技大学） ； University of Oxford（牛津大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出XMedFusion模块化AI框架，通过视觉感知、知识图谱构建和检索引导生成等智能体协同，增强放射学报告生成的视觉基础与临床发现捕捉能力，在公共数据集上显著优于基线模型。
Comments Accepted at the 2026 International Conference on Robotics and Automation in Industry (ICRAI)
Journal ref 2026 International Conference on Robotics and Automation in Industry (ICRAI), pp. 1-6, May 2026
AI中涌现的策略推理风险：基于分类法的评估框架
机构 * Amazon Nova Responsible AI（亚马逊诺瓦负责任人工智能）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出ESRRSim框架，基于7类20子类的风险分类法，通过双评估标准自动评估LLM的策略推理风险，发现检测率在14.45%-72.72%之间，且模型代际提升显著。
MAWARITH：面向大语言模型的法律继承推理数据集与基准
机构 * Hamad Bin Khalifa University, Qatar（卡塔尔哈马德比内卡菲大学） ； Nazarbayev University, Kazakhstan（哈萨克斯坦纳扎尔巴耶夫大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 提出MAWARITH数据集，包含12,500个阿拉伯语继承案例，支持端到端的伊斯兰继承推理，并设计MIR-E多阶段评估指标，实验显示商业模型达90%而开源模型低于50%。
探究合作多智能体强化学习中的Dec-POMDP推理
机构 * University of Edinburgh（爱丁堡大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.LG
AI总结 通过统计和信息论探针分析基线策略，发现多数基准测试无需真正的Dec-POMDP推理，反应策略性能与记忆策略相当，协调常依赖脆弱的同步耦合。
Comments To appear at the 25th International Conference on Autonomous Agents and Multi-Agent Systems (AAMAS 2026), added DOI
Journal ref AAMAS 2026
时间盲：使用CHRONOSIGHT基准测试视觉语言模型的时间推理能力
机构 * Department of Computer Science, University of Missouri（密苏里大学计算机科学系） ； SAP
专题命中 推理评测 ：reasoning(title,abstract)
AI总结 提出CHRONOSIGHT基准，从五个维度评估视觉语言模型的时间推理能力，发现模型与人类存在巨大差距（人类平均0.89，最佳模型0.40），并通过微调显著提升性能。
铭记于心：面向用户中心的持续空间智能推理在自我中心视频流中的应用
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 推理评测 ：reasoning(title,abstract)
AI总结 提出UCS-Bench数据集和DirectMe框架，通过增量构建结构化空间记忆，实现自我中心视频流中动态空间推理、长期记忆与用户实时位置对齐，显著提升多模态大模型的空间推理能力。
Comments 45 pages. https://icml.cc/virtual/2026/poster/63682
Journal ref ICML 2026
LLaMA 3.1-8B-Instruct中的框架条件化道德计算：伦理推理的机械可解释性审计
机构 * KD Consulting, CA, USA（KD咨询公司，美国加利福尼亚州） ； New York University, NY, USA（纽约大学，美国纽约州）
专题命中 推理评测 ：reasoning(title)；分类 cs.AI
AI总结 通过机械可解释性平台分析LLaMA 3.1-8B-Instruct在54个道德提示上的内部计算，发现情境锚定效应：领域特定表示主导激活列表顶部，模型道德能力恒定但显著性高度依赖于提示选择的解释框架。
Comments 47 pages, 10 figures
迈向可验证的自主数据科学：通过基于工具的推理解决不规则时间序列问答
机构 * 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(title)；分类 cs.AI
AI总结 针对现实世界时间序列数据的不规则性，提出IRTS-ToolBench基准（1700个问题，10种任务类型，13个领域），通过标准化输入和可复现评估协议，研究LLM和AI代理在不规则条件下的表现。
Comments 15 pages
LLM-WikiRace 基准测试：大语言模型在真实知识图谱上的规划能力有多强？
机构 * University of Oxford, UK（牛津大学，英国） ； University College London (Centre for AI), UK（伦敦大学学院（人工智能中心），英国） ； University of Basel, Switzerland（巴塞尔大学，瑞士）
专题命中 推理评测 ：reasoning(abstract)；planning(abstract)；分类 cs.AI、cs.LG
AI总结 提出 LLM-Wikirace 基准，通过维基百科超链接导航任务评估大语言模型的规划、推理与世界知识，发现模型在简单任务上超人类，但困难任务成功率仅 23%，且规划与长程推理是主要瓶颈。
TERMS-Bench: 在交易率之外评估大语言模型谈判代理
机构 * Stanford School of Engineering（斯坦福大学工程学院） ； Stanford Department of Economics（斯坦福大学经济系） ； Stanford Graduate School of Business（斯坦福商学院）
专题命中 推理评测 ：reasoning(abstract)；verifier(abstract)；分类 cs.AI
AI总结 TERMS-Bench通过博弈论框架评估谈判代理，揭示其在交易率之外的性能差异，如盈余提取、线索使用和合规性。
Comments Project Site: https://terms-bench.github.io/
幻觉的统一定义：是世界模型的问题，笨蛋！
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 推理评测 ：planning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文提出幻觉的统一定义，即用户可观察到的错误内部世界建模，并连接至HalluWorld基准测试，以区分真实幻觉与规划或奖励错误。
Comments ICML 2026. HalluWorld benchmark at https://github.com/DegenAI-Labs/HalluWorld
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈