大模型推理能力

ReQAT: Achieving Full-Precision Reasoning Accuracy with 4-bit Floating-Point Quantization-Aware Training

ReQAT: 实现全精度推理精度的4位浮点量化感知训练

Janghwan Lee, Sihwa Lee, Jinseok Kim, Yongjik Kim, Jieun Lim, Jinwook Oh, Jungwook Choi

机构 * Hanyang University（汉阳大学） ； Samsung Advanced Institute of Technology（三星综合技术院） 纠错

专题命中 逻辑推理 ：reasoning(title,abstract)；chain-of-thought(abstract)；分类 cs.LG

AI总结 针对大推理模型在低比特量化（W4A4KV4）下推理精度严重下降的问题，提出ReQAT框架，通过迹对齐QAT、选择性熵最小化和量化友好初始化，恢复并超越BF16微调精度，实现最高3.9倍吞吐加速。

Comments ICML 2026

Neuro-Symbolic Software Verification: Hyper-charging Local Language Models with Symbolic Reasoning at Scale

神经符号软件验证：通过符号推理在规模上增强本地语言模型

Muhammad A. A. Pirzada, Julian Parsert, Weiqi Wang, Konstantin Korovin, Lucas C. Cordeiro

专题命中 逻辑推理 ：reasoning(title)；chain-of-thought(abstract)；verifier(abstract)

AI总结 提出VerIbmc管道，结合符号不变量生成与本地开源语言模型及ESBMC验证工具，通过结构化的验证器反馈迭代优化，实现隐私保护且高效的循环不变量合成，在520个问题上达到86.4%的解决率。

Recurrent Reasoning on Symbolic Puzzles with Sequence Models

基于序列模型的符号谜题循环推理

Gowrav Mannem, Chowdhury Marzia Mahjabin, Jason Chen, Shivank Garg, Kevin Zhu

机构 * Algoverse AI Research ； Cornell University（康奈尔大学） 纠错

专题命中 逻辑推理 ：reasoning(title,abstract)；分类 cs.AI、cs.LG

AI总结 提出 RecurrReason 基准，包含四个递归逻辑谜题，通过控制难度参数 N 评估序列模型，发现架构比规模更重要，预训练仅对局部结构转移函数的谜题有效。

Retro-Expert: Collaborative Reasoning for Interpretable Retrosynthesis

Retro-Expert: 面向可解释逆合成的协同推理

Xinyi Li, Sai Wang, Yutian Lin, Yu Wu

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 逻辑推理 ：reasoning(title,abstract)；分类 cs.AI、cs.LG

AI总结 提出Retro-Expert框架，通过强化学习结合大语言模型与专用模型，实现可解释的逆合成预测，并生成基于化学逻辑的自然语言解释。

Semantic Reasoning in Medicine: The Role of Knowledge Graphs Across Five Key Domains

医学中的语义推理：知识图谱在五个关键领域的作用

Haniye Sherafatmandjoo, Mohammad Akbari, Zahed Rahmati

机构 * Amirkabir University of Technology（阿米尔卡比尔理工大学） 纠错

专题命中 逻辑推理 ：reasoning(title,abstract)；分类 cs.LG

AI总结 综述知识图谱在医学中的应用，涵盖临床决策支持、疾病预测、健康推荐、精准医疗和医学问答，并讨论构建方法、挑战及未来方向。

Pushing the Boundaries of Natural Reasoning: Interleaved Bonus from Formal-Logic Verification

突破自然推理的边界：来自形式逻辑验证的交错奖励

Chuxue Cao, Jinluan Yang, Haoran Li, Kunhao Pan, Zijian Zhao, Zhengyu Chen, Yuchen Tian, Lijun Wu, Conghui He, Sirui Han, Yike Guo

专题命中 逻辑推理 ：reasoning(title,abstract)；分类 cs.LG

AI总结 提出形式逻辑验证引导框架，通过交错验证与生成过程实时纠正推理错误，结合两阶段训练，在数学、逻辑和通用推理基准上显著提升大模型性能。

Comments Accepted by ICML 26

Teaching LLMs Program Semantics via Symbolic Execution Traces

通过符号执行轨迹教学LLM程序语义

Jonas Bayer, Stefan Zetzsche, Olivier Bouissou, Remi Delmas, Michael Tautschnig, Soonho Kong

机构 * University of Cambridge（剑桥大学） ； Amazon Web Services（亚马逊网络服务） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.LG

AI总结 本文通过符号执行轨迹训练提升LLM对程序语义的理解，发现结合推理的训练显著提升了漏洞检测能力，且在不同属性类型上均有效。

VeriGraph: Towards Verifiable Data-Analytic Agents

VeriGraph: 迈向可验证的数据分析智能体

Jiajie Jin, Zhao Yang, Wenle Liao, Yuyang Hu, Guanting Dong, Xiaoxi Li, Yutao Zhu, Zhicheng Dou

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） 纠错

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

AI总结 提出VeriGraph框架，通过构建显式异质证据有向无环图（DAG）实现数据分析智能体的可验证性，并设计基于图的策略优化提升正确性与可审计性。

Comments 10 pages

Overcoming the Impedance Mismatch: A Theoretical Roadmap for Fusing Foundation Models and Knowledge Graphs

克服阻抗不匹配：融合基础模型与知识图谱的理论路线图

Sahil Rajesh Dhayalkar

机构 * Arizona State University（亚利桑那州立大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出“阻抗不匹配”概念，形式化分析基础模型与知识图谱的结构与几何摩擦，通过三级层次分类揭示现有方法的局限，并给出理论路线图实现真正的语义融合。

Comments 12 pages. Accepted at the ACL 2026 4th Workshop on Towards Knowledgeable Foundation Models (https://openreview.net/forum?id=hXDYsNAq8m)

NeuroSymbolic AI for Legal AI-TRISM: Trustworthy, Reliable, Interpretable, Safe Models

面向法律AI-TRISM的神经符号AI：可信、可靠、可解释、安全模型

Deepa Tilwani, Yash Saxena, Ankur Padia, Srinivasan Parthasarathy, Manas Gaur

机构 * Department of Computer Science, AI Institute, University of South Carolina（南卡罗来纳大学计算机科学系，人工智能研究所） ； Department of Computer Science and Electrical Engineering, University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校计算机科学与电气工程系） ； Department of Computer Science and Engineering, The Ohio State University（俄亥俄州立大学计算机科学与工程系） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 针对法律领域LLM缺乏可解释推理和易产生幻觉的问题，提出TRISM框架，融合神经符号AI与LLM，通过结构化法律知识集成和RAG验证机制提升模型可信度。

Minimal Oversight: Uncertainty-Aware Governance for Delegated AI Systems

最小监督：委托AI系统的不确定性感知治理

Carlos R. B. Azevedo

机构 * Independent Researcher（独立研究员） 纠错

专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI

AI总结 提出最小充分监督原则（MSO），通过Fisher信息流形上的变分法最小化治理负担，导出任务空间的水填充分配，并证明容量定理、局部近似和漂移主导的自律时间标度律，为委托AI系统提供可计算的治理框架。

Comments Companion Python package: pip install minimal-oversight | Code: https://github.com/crbazevedo/delegation-lab | 26 pages, 1 figure, 5 tables

LLM4RTL: Tool-Assisted LLM for RTL Generation

LLM4RTL: 工具辅助的大语言模型用于RTL生成

Jing Jin, Robert Chu, Ning Yan, Masood S. Mortazavi

机构 * UC Riverside（加州大学河滨分校） ； Futurewei（未来科技） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 提出JRCRC流水线，利用商业LLM层次结构过滤和优化RTL代码生成数据集，并设计工具辅助架构提升逻辑推理能力，在VerilogEval上超越多数方法，用更小模型达到GPT-4O性能。

Context Compression Is Not One Thing: Readable Symbolic Re-expression vs. Coherent Summary at Matched Budget

上下文压缩并非单一事物：在匹配预算下可读的符号化重新表达与连贯摘要的比较

Sisong Bei, Mikhail L. Arbuzov, Ziwei Dong, Dmitri Kalaev, Alexey Shvets

机构 * Independent Researcher（独立研究员） ； Palo Alto Networks 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL

AI总结 提出Telegraph English可读符号格式，将检索段落重写为结构化实体关系陈述，在匹配预算下比三种压缩基线及连贯摘要更有效，F1提升13-20个百分点。

Tangram: Unlocking Non-Uniform KV Cache Compression for Efficient Multi-turn LLM Serving

Tangram: 解锁非均匀KV缓存以实现高效的多轮LLM服务

Hyungmin Kim, Minsoo Kim, Hongseok Kim, Jungwook Choi

机构 * Hanyang University（翰林大学） ； Rebellions Republic of Korea（Rebellions） 纠错

专题命中 逻辑推理 ：planning(abstract)；分类 cs.LG

AI总结 针对多轮LLM服务中KV缓存线性增长导致的GPU内存和带宽压力，提出Tangram系统，通过确定性预算分配、头组页面和提前负载均衡三项技术实现非均匀KV缓存的高效管理，吞吐量提升达2.6倍。

Comments 13 pages. 15 figures

Learn from Your Mistakes: Tree-like Self-Play for Secure Code LLMs

从错误中学习：面向安全代码LLM的树状自博弈

Wenqi Chen, Ziyan Zhang, Bin Wang, Lin Liu, Hengheng Zhang, Zhengsu Chen

专题命中 逻辑推理 ：self-correction(abstract)；分类 cs.AI

AI总结 提出树状自博弈（TSP）框架，将安全代码生成建模为细粒度序列决策过程，通过构建决策树探索安全与脆弱路径，使模型在关键决策节点自我纠正，显著提升代码安全性并实现跨语言泛化。

Comments 18 pages, 3 figures, Accepted by ICML 2026

Mind the Gap: Diagnosing Constraint Discovery Failures in Text-in-Image Editing

注意差距：诊断图像内文本编辑中的约束发现失败

Rui Gui

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 通过图像内文本编辑的受控诊断，研究多模态模型在发现未明确指定的视觉依赖约束时的失败，发现模型仅能自行发现46%的约束，而明确提供时可达94%。

From Frames to Temporal Graphs: In-Context Egocentric Action Recognition with Vision-Language Models

从帧到时间图：基于视觉语言模型的上下文第一人称动作识别

Bessie Dominguez-Dager, Francisco Gomez-Donoso, Miguel Cazorla, Marc Pollefeys, Daniel Barath, Zuria Bauer

机构 * University of Alicante（阿利坎特大学） ； ETH Zürich（苏黎世联邦理工学院） ； Microsoft（微软） 纠错

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 提出将视频转换为时间动作图，通过多阶段提示生成自然语言叙述并结构化，实现上下文学习，在EGTEA和Epic-Kitchens-100上显著提升零样本和少样本动作识别性能。

OSDAG: Online Scheduling for Efficient Multi-Robot Collaboration

OSDAG: 面向高效多机器人协作的在线调度

Thanh Nguyen Canh, Thang Tran Viet, Phuc Van Dinh, Xiem HoangVan, Nak Young Chong

机构 * Japan Advanced Institute of Science and Technology（日本北陆先端科学技术大学院大学） ； University of Engineering and Technology, Vietnam National University（越南国立大学工程技术大学） ； Hanyang University（汉阳大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 提出OSDAG框架，结合LLM任务推理与DAG在线调度，通过一次性分解指令为依赖图并实时分配任务，相比对话式方法推理速度提升5-15倍，调度时间缩短38%。

Obligation-Producing Actions

产生义务的动作

Kalonji Kalala, Iluju Kiringa, Tet Yeap

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 提出情境演算中处理产生义务动作的框架问题的解决方案，通过简化可达关系并扩展Reiter的基本动作理论，实现了义务的直觉性质。

KnowML: Improving Generalization of ML-NIDS with Attack Knowledge Graphs

KnowML: 利用攻击知识图提升ML-NIDS的泛化能力

Xin Fan Guo, Xinran Zheng, Albert Merono Penuela, Lorenzo Cavallaro, Sergio Maffeis, Fabio Pierazzi

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 提出KnowML框架，通过LLM构建攻击知识图并编码到特征空间，解决异常检测NIDS因特征空间缺陷导致的泛化问题，在仅用良性流量训练时实现高达99%检测率且误报率≤0.0137%。

Comments Accepted at EuroS&P 2026