大模型推理能力

Resource-Aware Neuro-Symbolic Reasoning for Local Small Language Models

资源感知的神经符号推理用于本地小型语言模型

Carlos Ramírez Ovalle, Abel Alvarez

专题命中 逻辑推理 ：reasoning(title,abstract)

AI总结 提出VFR-LLM管道，将问题翻译为类型化有限域规则和约束，通过符号层验证一致性，用确定性求解器推理，在本地小模型上以单次调用达到高精度，替代重复采样。

Symbolic Reasoning Frameworks Trigger Memory-Mediated Ecosystem Dynamics in Multi-Agent LLM Systems

符号推理框架在多智能体战略环境中调节大语言模型的风险规避

Augustin Chan

机构 * iterative.day 纠错

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

AI总结 本研究通过注入符号推理框架（如易经、塔罗牌）作为反思提示，发现其能差异化调节LLM的风险规避倾向，并在多智能体博弈中产生框架特定的胜者分布，且该效应源于反思过程而非内容遵循。

Comments 28 pages, 4 figures, 9 tables, 6 listings. Code and data: https://doi.org/10.5281/zenodo.20338937

Where Larger Models Excel: The Primacy of Constraint-Guided Reasoning

大模型何处更胜一筹：约束引导推理的首要性

Guan-Yi Lin, Hen-Hsen Huang

机构 * National Chengchi University（国立政治大学） ； Academia Sinica（中央研究院） 纠错

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

AI总结 研究大语言模型在推理基准上性能差距的原因，提出AdvCluster框架自动识别大模型优势问题并提取细粒度优势描述，发现约束引导推理是大模型的核心优势。

Comments 10 pages, 3 figures,

VLMs are Good Teachers for Video Reasoning via Adaptive Test-Time Optimization

VLMs 是视频推理的好老师：通过自适应测试时优化

Junhao Cheng, Liang Hou, Tianxiong Zhong, Xin Tao, Pengfei Wan, Kun Gai, Jing Liao

机构 * City University of Hong Kong（香港城市大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） 纠错

专题命中 逻辑推理 ：reasoning(title,abstract)

AI总结 提出将视觉语言模型（VLM）作为“教师”，通过提取任务规则并设计可微分奖励，指导视频生成模型（VGM）在测试时在线优化轻量级 LoRA 模块，从而提升视频推理的泛化能力。

Comments Project Page: https://VLM-as-Teacher.github.io/

BrepCoder: A Unified Multimodal Large Language Model for Multi-task B-rep Reasoning

BrepCoder: 用于多任务B-rep推理的统一多模态大语言模型

Mingi Kim, Yongjun Kim, Jungwoo Kang, Hyungki Kim

机构 * Chungnam National University（全南国立大学） 纠错

专题命中 逻辑推理 ：reasoning(title)；分类 cs.LG

AI总结 提出BrepCoder，一种统一的多模态大语言模型，通过将CAD建模序列转换为类Python代码并与B-rep对齐，采用两阶段训练策略，实现从B-rep输入执行多种CAD任务，包括补全、纠错和问答。

Staying VIGILant: Mitigating Visual Laziness via Counterfactual Visual Alignment in MLLMs

保持VIGILant：通过多模态大语言模型中的反事实视觉对齐缓解视觉懒惰

Xi Xiao, Chen Liu, Chih-Ting Liao, Yunbei Zhang, Qizhen Lan, Yuxiang Wei, Lin Zhao, Janet Wang, Jianyang Gu, Muchao Ye, Tianyang Wang, Hao Xu

机构 * UAB（阿拉巴马大学伯明翰分校） ； Yale（耶鲁大学） ； UNSW（新南威尔士大学） ； Tulane（杜兰大学） ； Georgia Tech（佐治亚理工学院） ； NEU（东北大学） ； OSU（俄亥俄州立大学） ； UIowa（爱荷华大学） ； Harvard（哈佛大学） 纠错

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

AI总结 提出VIGIL框架，通过强化学习后训练最大化视觉输入与生成响应间的互信息，惩罚“盲目自信”实例，有效缓解MLLMs的视觉懒惰问题，在幻觉和推理基准上优于现有方法。

Comments ECCV 2026

A Multi-Level Validation and Traceability Framework for AI-Generated Telescope Scheduling Decisions

AI生成的望远镜调度决策的多级验证与可追溯性框架

Hengchu Xiao, Chuanjun Wang

机构 * Yunnan Observatories, Chinese Academy of Sciences（云南天文台，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Key Laboratory of the Structure and Evolution of Celestial Objects, Chinese Academy of Sciences（中国科学院天文结构与演化重点实验室） ； Yunnan Key Laboratory of Solar Physics and Space Science（云南太阳物理与空间科学重点实验室） ； Center for Astronomical Mega-Science, Chinese Academy of Sciences（中国科学院天文大科学中心） 纠错

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

AI总结 提出多级验证与可追溯推理框架，通过数据引用验证、逻辑一致性检查和约束验证，提高AI调度决策的可执行性和可靠性，减少瞬态机会损失。

Comments 25 pages, 8 figures, Published in Universe

Journal ref Universe, Volume 12, Issue 6, 172 (2026)

Training Language Models to Use Prolog as a Tool

训练语言模型以使用Prolog作为工具

Niklas Mellgren, Peter Schneider-Kamp, Lukas Galke Poech

机构 * University of Southern Denmark（南丹麦大学） 纠错

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

AI总结 本文探讨通过强化学习训练语言模型使用Prolog进行符号推理，发现正确性与可审计性之间存在权衡，影响模型性能与可解释性。

Comments ACL 2026 Findings (change from last version: corrected year in this comment)

ConcoLixir: Reactive LLM Discovery Oracles for Python Concolic Testing

ConcoLixir：用于Python符号执行的响应式LLM发现预言

Dong Chen, Chih-Duo Hong, Fang Yu

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 针对Python符号执行中库调用降级、语义操作难解和路径覆盖停滞问题，提出ConcoLixir，利用LLM作为发现预言生成种子、输入并引导覆盖，平均行覆盖率提升8.6-17.0个百分点，成本仅$1.63。