大模型推理能力

PolicyGuard: A Dialogue-Grounded Sub-Agent Verifier for Policy Adherence in LLM Agents

PolicyGuard: 一种基于对话的子代理验证器，用于确保LLM代理遵循策略

Seongjae Kang, Taehyung Yu, Sung Ju Hwang

专题命中 测试时计算 ：verifier(title,abstract)；reasoning(abstract)；分类 cs.CL、cs.AI

AI总结 提出PolicyGuard子代理验证器，通过共享对话上下文、策略推理和可操作反馈，在tau²-BENCH航空数据集上使PASS4提升12个百分点，同时误拦率降低约一半。

Comments 20 pages, 8 figures

CLARity: Reasoning Consistency Alone Can Teach Reinforced Experts

CLARity：仅通过推理一致性即可教授强化专家

Jiuheng Lin, Cong Jiang, Zirui Wu, Jiarui Sun, Yansong Feng

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所） 纠错

专题命中 测试时计算 ：reasoning(title,abstract)；分类 cs.CL、cs.AI

AI总结 CLARity通过一致性感知奖励机制和两阶段精炼-监控训练流程，提升推理一致性，利用小规模通用LLM有效指导专家模型，实验显示在一致性与准确性上均有显著提升。

Comments ACL 2026 Main Conference

Inference-Time Conformal Reasoning with Valid Factuality Control for Large Language Models

面向大语言模型的推理时保形推理与有效事实性控制

Ting Wang, Yuanjie Shi, Yan Yan, Huan Zhang

机构 * Machine Learning, ICML（机器学习，国际机器学习大会） 纠错

专题命中 测试时计算 ：reasoning(title,abstract)；分类 cs.AI

AI总结 提出推理时保形推理框架，将保形预测集成到推理图生成中，通过图级不确定性校准生成停止阈值，实现有效事实性控制。

Comments Accepted at ICML 2026

Efficient Spatio-Temporal Grounding with Multimodal Large Models via Second-Level Tracking and RL Verification

基于二级跟踪和强化学习验证的多模态大模型高效时空定位

Tianshu Zhang, Yan Wang, Ji Qi, Lijie Wen

机构 * Tsinghua University（清华大学） 纠错

专题命中 测试时计算 ：reasoning(abstract)；chain-of-thought(abstract)；verifier(abstract)；分类 cs.AI

AI总结 提出一种从帧级到秒级跟踪的流水线，结合跨秒平滑、链式思维轨迹合成和强化学习优化，在长视频中实现高效且准确的时空定位。

SEVA: Self-Evolving Verification Agent with Process Reward for Fact Attribution

SEVA: 具有过程奖励的自进化验证代理用于事实归因

Aojie Yuan, Yi Nian, Haiyue Zhang, Zijian Su, Yue Zhao

机构 * University of Southern California, Los Angeles, USA（美国南加州大学，洛杉矶） ； University of Michigan, Ann Arbor, USA（美国密歇根大学，安娜堡） 纠错

专题命中 测试时计算 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 提出SEVA，一种结构化验证代理，通过过程奖励解决多组件输出中的优势崩溃问题，实现自我进化循环，在7B模型上验证了奖励粒度必须匹配输出粒度的原则。

Comments Accepted at AI4GOOD@ICML 2026 and FAGEN@ICML 2026. Code: https://github.com/Justin0504/Verifiable_agent

When More Sampling Hurts: The Modal Ceiling and Correlation Ceiling of Test-Time Scaling

当更多采样有害时：测试时扩展的模态上限与相关性上限

Yong Yi Bay, Kathleen A. Yearick

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 测试时计算 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文揭示测试时扩展中采样过多会导致选择性能停滞甚至下降，提出模态上限和相关性上限，并给出有效采样数作为停止准则。

Comments 24 pages, 10 figures, 3 tables. Code and data: https://github.com/bay-yearick-lab/sampling-ceilings

Accelerating scientific discovery with Co-Scientist

用Co-Scientist加速科学发现

Juraj Gottweis, Wei-Hung Weng, Alexander Daryin, Tao Tu, Petar Sirkovic, Artiom Myaskovsky, Grzegorz Glowaty, Felix Weissenberger, Alessio Orlandi, Dan Popovici, Anil Palepu, Keran Rong, Ryutaro Tanno, Khaled Saab, Fan Zhang, Jacob Blum, Andrew Carroll, Kavita Kulkarni, Nenad Tomasev, Dina Zverinski, Ivor Rendulic, Elahe Vedadi, Florian Hasler, Luka Rimanic, Marina Boia, Ivan Budiselic, Ben Feinstein, Mathias Bellaiche, Tom Sheffer, Jan Freyberg, Jeremy Ratcliff, Ottavia Bertolli, Katherine Chou, Avinatan Hassidim, Burak Gokturk, Amin Vahdat, Yuan Guan, Vikram Dhillon, Eeshit Dhaval Vaishnav, Byron Lee, Tiago R D Costa, José R Penadés, Gary Peltz, Yossi Matias, James Manyika, Demis Hassabis, Yunhan Xu, Pushmeet Kohli, Annalisa Pawlosky, Alan Karthikesalingam, Vivek Natarajan

机构 * Google Cloud AI Research（谷歌云人工智能研究） ； Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究） ； Stanford University School of Medicine（斯坦福大学医学院） ； Houston Methodist（休斯顿卫理公会医院） ； Sequome ； Fleming Initiative and Imperial College London（弗莱明倡议与伦敦帝国理工学院） 纠错

专题命中 测试时计算 ：test-time compute(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 Co-Scientist是一种基于Gemini的多智能体AI系统，通过异步任务框架和竞赛进化过程，提升科学假设生成质量，应用于药物再利用、新靶点发现和抗菌机制解释，验证了其加速科学发现的能力。

Comments 157 pages in total (main 42 pages, supplementary information 115 pages), 4 main figures, 1 main table, 6 extended data figures, 2 extended data tables, 9 supplementary figures, 4 supplementary tables, 37 main references, 117 supplementary references. Nature (2026)

How Far Do On-Prem Open LLMs Get on Text-to-SQL? A Cross-Family Size x Technique Frontier on BIRD

本地开源大模型在Text-to-SQL上的表现如何？基于BIRD的跨系列规模×技术前沿研究

Vladimir Beskorovainyi

机构 * Besk Tech（Besk科技） ； Moscow Institute of Physics and Technology (MIPT)（莫斯科物理技术学院） 纠错

专题命中 测试时计算 ：self-correction(abstract)；分类 cs.CL、cs.LG

AI总结 本研究在BIRD开发集上系统评估了三种开源大模型系列在Text-to-SQL任务上的表现，发现模型代际比规模更重要，自纠正能稳健提升性能，而模式链接和自一致性效果有限。

Comments 9 pages, 4 figures, 3 tables. Code: https://github.com/beskvladimir-create/nl2sql-onprem-bench Data DOI: https://doi.org/10.5281/zenodo.20952794

Towards Physical Intuitions for Alignment Dynamics: A Case Study With Randomness Crystallization

走向对齐动力学的物理直觉：以随机性结晶为例的案例研究

Kunal Samanta, Ari Holtzman, Peter West

专题命中 测试时计算 ：reasoning(abstract)；分类 cs.CL

AI总结 通过类比热力学相变中的结晶过程，将语言模型对齐分解为三个相，并提出直观度量验证相变，为对齐动力学提供物理直觉。

Evidence-Driven LLM Agent for C-to-Synthesizable-C Conversion and Verification

证据驱动的LLM智能体用于C到可综合C的转换与验证

Zhe Zhao, Hongbing Lang, Zhihan Xiao, Luke Ztz Hu, John Imoleayo Adebisi, Songping Mai

专题命中 测试时计算 ：verifier(abstract)；分类 cs.AI

AI总结 提出一种基于大语言模型的闭环生成-验证-诊断-修复框架，通过四阶段验证器、渐进式不匹配定位链和证据检索增强生成，将C代码转换为HLS可综合C，显著优于现有方法。

Comments 14 pages, 8 figures, submitted to IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems (TCAD)

When Latent Agents Lie: KV-Cache Integrity in Multi-Agent LLM Collaboration

当潜在智能体说谎时：多智能体LLM协作中的KV缓存完整性

Luís Brito, Carlos Baquero

专题命中 测试时计算 ：verifier(abstract)

AI总结 研究多智能体问答中KV缓存传递的安全问题，发现恶意智能体可通过篡改隐藏状态破坏协作，提出HMAC-SHA256清单保护传输完整性。

Comments 16 pages, 2 figures, 3 tables