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。
后训练如何塑造生物学推理模型
机构 * Harvard University（哈佛大学） ； Google DeepMind（谷歌DeepMind） ； Google Research（谷歌研究院）
专题命中 逻辑推理 ：reasoning(title,abstract)；logical reasoning(title,abstract)；分类 cs.LG
AI总结 研究后训练各阶段（CPT、SFT、RL）对生物学推理模型领域内和领域外性能的影响，发现SFT提升领域内性能但损害泛化，RL可部分恢复泛化，最佳策略是短SFT加长RL。
语言模型中的演绎推理：横向与纵向推理
机构 * Department of Computer Science and Engineering, University of Bologna（博洛尼亚大学计算机科学与工程系）
专题命中 逻辑推理 ：reasoning(title,abstract)；chain-of-thought(abstract)；logical reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 研究小型Transformer语言模型在演绎任务中的推理机制，区分横向推理（自回归生成中间步骤）和纵向推理（跨层隐式推理），发现思维链监督有助于学习基于规则的推理，并通过机械可解释性揭示其实现方式。
一种基于概念驱动逻辑推理的可解释骨架癫痫检测的神经符号框架
机构 * Monash University（莫纳什大学）
专题命中 逻辑推理 ：reasoning(title)；logical reasoning(title)
AI总结 提出首个神经符号框架用于视频癫痫检测，通过概念驱动逻辑推理实现可解释性，在SAHZU和IEEE基准上分别达到89.78%和85.27%的灵敏度，误检率低至0.06和0.09次/小时。
Comments Accepted to MICCAI 2026 (Early Accept: top 9%)
先规划正确，再规划紧凑：面向高效具身推理的符号强化学习
机构 * Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Tencent（腾讯） ； University of London（伦敦大学）
专题命中 逻辑推理 ：reasoning(title)；planning(abstract)；verifier(abstract)
AI总结 针对具身任务规划中缺乏低成本确定性验证的问题，提出基于BDDL规范的符号强化学习框架，通过视频解析、LLM验证和轻量符号引擎提供毫秒级密集反馈，并引入难度感知长度调度GroupAdapt，在BEHAVIOR-1000上实现97.3的严格通过率，相对Qwen3-8B提升25.9%。
Comments 18 pages, 10 figures, 14 tables; includes appendix
解耦推理逻辑以解决显式知识冲突
机构 * School of Computer Science, University of Auckland（奥克兰大学计算机科学学院） ； Department of Electronics and Electrical Engineering, National Yang Ming Chiao Tung University（国立阳明交通大学电子与电机工程学系） ； School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院） ； Shenzhen Key Laboratory of Internet Information Collaboration, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）深圳市互联网信息协同重点实验室）
专题命中 逻辑推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出KCR框架，通过将冲突上下文解耦为推理轨迹并利用强化学习优化逻辑一致性，有效解决LLM中的显式知识冲突，7B模型性能超越GPT-4o等。
Agentic-Ideation: 面向科学构思智能体的样本高效智能体轨迹合成
机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）
专题命中 逻辑推理 ：reasoning(abstract)；logical reasoning(abstract)；分类 cs.AI
AI总结 提出Agentic-Ideation框架，通过Oracle引导的数据合成策略和掩码训练，高效生成高质量智能体轨迹，在科学构思任务上整体质量提升11.91%，数据合成效率提高10倍以上。
前馈层中的显式模糊逻辑：自遗忘量词发现可读的语法许可检测器
机构 * University of Washington（华盛顿大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL、cs.LG
AI总结 提出参数中性的显式模糊逻辑前馈层（NC-FFN），通过交集和集差操作实现逻辑推理，在125M参数语言模型上达到与GELU基线相当的困惑度，并通过自遗忘量词使前馈层可解释为语法许可检测器。
VLM能稳健推理吗？一项神经符号研究
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Edinburgh（爱丁堡大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 研究视觉语言模型在分布偏移下的推理稳健性，提出结合VLM概念识别与电路符号推理的神经符号方法VLC，在三个视觉演绎推理任务上实现更高的分布外准确率。
Comments TMLR 2026
Flow-Opt: 用于多机器人轨迹优化的可扩展集中式方法，结合流匹配与可微优化
机构 * University of Tartu（塔尔图大学）
专题命中 逻辑推理 ：planning(abstract)；分类 cs.LG
AI总结 本文提出Flow-Opt，通过生成模型与可微优化提升集中式多机器人轨迹优化的计算效率，实现快速生成数十机器人在复杂环境中的平滑轨迹，并支持批量处理与多样化路径生成。
用自然语言提示机器人团队
机构 * Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） ； Department of Mechanical and Process Engineering, ETH Zurich（苏黎世联邦理工学院机械与过程工程系）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG
AI总结 提出利用语言模型将高层任务分解为子任务，并蒸馏为循环神经网络（RNN）以支持多机器人团队的去中心化实时执行，通过图神经网络控制策略实现协作。
Comments This paper has been accepted for publication at IEEE Robotics and Automation Letters. Please, when citing the paper, refer to the official version
探究性行动逻辑
专题命中 逻辑推理 ：reasoning(abstract)
AI总结 提出探究性行动逻辑InqAL，一种用于推理行动的多主体模态逻辑，通过问题模态分析主体对结果的确定作用，并证明其完备性和可判定性。
Comments In Proceedings AiML 2026, arXiv:2606.29444
Journal ref EPTCS 447, 2026, pp. 222-241
验证门控的智能工业多机器人系统任务状态治理
机构 * Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 逻辑推理 ：reasoning(abstract)
AI总结 提出验证门控任务状态治理框架，通过同步任务森林与黑板状态，经确定性验证后原子提交，减少无效提交和冲突，提升工业多机器人系统安全与效率。
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