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。
边说话边思考：面向响应式与智能对话语音代理的推理时知识迁移
机构 * Paul G. Allen School of Computer Science & Engineering（保罗·G·阿伦计算机科学与工程学院）
专题命中 测试时计算 ：reasoning(abstract)；分类 cs.CL
AI总结 提出对话填充方法，通过小型说话者模型即时生成上下文响应以隐藏推理模型延迟，并在推理中无缝整合流式知识，在保持毫秒级响应速度的同时将准确度差距缩小至前沿推理模型的6.3%以内。
CAT：面向大型推理模型高效推理的置信度自适应思考
机构 * Laboratory of Intelligent Collaborative Computing, University of Electronic Science and Technology of China（电子科技大学智能协同计算实验室） ； Ubiquitous Intelligence and Trusted Services Key Laboratory of Sichuan Province（四川省泛在智能与可信服务重点实验室）
专题命中 复杂问题求解 ：reasoning(title,abstract)；CoT(abstract,abstract_cn)；chain-of-thought(abstract)；分类 cs.CL、cs.AI
AI总结 提出置信度自适应思考（CAT）框架，利用模型内在自确信信号作为置信度，通过偏好优化自主调节推理长度，在保持准确率的同时压缩简单问题的推理开销。
Comments Accepted at ACL 2026 Industry Track
迈向更好的Linux内核故障定位：利用对比推理和层次上下文分析
专题命中 复杂问题求解 ：reasoning(title,abstract)
AI总结 提出CoHiKer方法，通过对比推理分析测试用例行为差异，结合层次上下文分析从文件到方法逐级缩小定位范围，在Linux内核故障定位中Top-1准确率提升高达26.07%（文件级）和56.85%（方法级）。
KidnapRAG：针对代理式检索增强生成系统中推理劫持的黑盒攻击
专题命中 复杂问题求解 ：reasoning(title,abstract)
AI总结 提出KidnapRAG，一种针对代理式RAG系统的黑盒顺序投毒攻击，通过三种角色文档（诱饵、链环、恶意指令）劫持多步推理链，实验表明在多种框架和基准上优于现有方法。
Comments Preprint
面向网络安全专家的小型语言模型
机构 * IBM Research（IBM研究院）
专题命中 复杂问题求解 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.AI
AI总结 针对网络安全领域缺乏高质量领域模型和训练数据的问题，提出CyberPal 2.0系列小型语言模型（4B-20B参数），通过SecKnowledge 2.0管道生成增强的思维链指令数据集，在多项网络安全基准测试中超越基线并匹配或超越前沿模型。
LLM引导的ODE发现与小群体聚合数据的参数推断
机构 * Institute of Medical Biometry and Statistics, Faculty of Medicine and Medical Center, University of Freiburg（弗莱堡大学医学中心与医学院医学统计与生物统计研究所） ； Department of Dermatology, Medical Faculty and Medical Center, University of Freiburg（弗莱堡大学医学中心与医学院皮肤科） ； Prior Labs, University of Freiburg（弗莱堡大学Prior实验室）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 提出AgentODE框架，利用LLM提出候选ODE结构，并通过工具增强的推理代理仅基于群体级汇总统计量迭代优化参数分布，实现从稀疏、噪声数据中发现可解释的ODE结构。
通过迭代元反射实现自主科学发现
机构 * University of Edinburgh（爱丁堡大学） ； Massachusetts Institute of Technology（麻省理工学院）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 提出DiscoPER框架，利用大语言模型进行开放式的自主科学发现，通过动态代码生成、统计检验和二阶推理机制，在iNatDisco基准上以72.7%假设支持率恢复8/9已知模式。
超越激活对齐：任务感知的大语言模型量化中的对齐-多样性权衡
机构 * South China University of Technology（华南理工大学） ； Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区） ； Ocean University of China（中国海洋大学） ； Center for AI Theoretical Foundation and Systems, Shenzhen Loop Area Institute（深圳环区研究所人工智能理论基础与系统中心）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.LG
AI总结 本文揭示混合精度量化中的困惑度幻觉和对齐-多样性权衡，提出TASA框架联合优化校准数据组成和比特分配，在3.5比特平均精度下匹配或超越4比特基线。
ActivityNarrated: 一种面向可穿戴人类活动理解的开放性叙事范式
机构 * DFKI Kaiserslautern（德国人工智能研究中心凯泽斯劳滕） ； RPTU（莱茵兰-普法尔茨州凯泽斯劳滕-兰道工业大学）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.LG
AI总结 本文提出一种开放性叙事范式，通过将可穿戴传感器数据与自然语言描述对齐，实现开放词汇环境下的人类活动理解，实验表明其在跨参与者评估中表现优于传统闭合集方法。
DART: 难度自适应路由用于零样本视频时间定位
机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； Wuhan University（武汉大学） ； University of California, Merced（加州大学默塞德分校）
专题命中 复杂问题求解 ：reasoning(abstract)
AI总结 提出DART方法，通过难度感知路由和结构化推理，利用DPP选择关键帧并评估难度，对简单查询快速预测，复杂查询使用时间标记提示分解定位，在零样本视频时间定位中取得SOTA性能。
Comments Accepted to the European Conference on Computer Vision (ECCV) 2026
停止手把手指导你的编码智能体：设计替代逐步提示的循环机制
专题命中 复杂问题求解 ：self-correction(abstract)
AI总结 本文提出循环规范作为替代逐步提示的编码智能体新范式，定义其结构、分类与设计原则，并通过真实语料分析验证其成熟度。
重新思考视觉隐私：一种用于严重性评估的组合隐私风险框架与VLM
机构 * University of Southern California（南加州大学） ； Meta Superintelligence Labs（Meta超级智能实验室） ； Amazon AGI（亚马逊AGI）
专题命中 复杂问题求解 ：reasoning(abstract)
AI总结 提出组合隐私风险分类法（CPRT），将视觉属性按独立可识别性和组合危害潜力分级，并构建6.7K图像数据集，评估VLM在组合隐私风险评估中的表现。
VisReason: 面向视觉思维链推理的大规模数据集
机构 * Stony Brook University（石溪大学） ； Boston University（波士顿大学） ； MMLab, The Chinese University of Hong Kong（香港中文大学多媒体实验室）
专题命中 推理评测 ：reasoning(title,abstract)；chain-of-thought(title,abstract)；CoT(abstract,abstract_cn)；分类 cs.LG
AI总结 为解决多模态大模型缺乏大规模视觉思维链数据的问题，构建包含48.9万样本的VisReason数据集及专家级子集VisReason-Pro，通过微调Qwen2.5-VL模型显著提升逐步视觉推理准确性与泛化能力。
Comments ECCV Camera Ready, project page: https://y-research-sbu.github.io/VisReason/
Active-GRPO：用于分子优化的自适应模仿与自我改进推理
机构 * School of Medicine, Stanford University（斯坦福大学医学院） ； Data Science Institute, University of Chicago（芝加哥大学数据科学研究所） ； Pritzker School of Molecular Engineering, University of Chicago（芝加哥大学普利兹克分子工程学院） ； Department of Computer Science, University of Chicago（芝加哥大学计算机科学系） ； Argonne National Laboratory（阿贡国家实验室）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI、cs.LG
AI总结 提出Active-GRPO方法，通过主动模仿-强化和主动参考机制，在分子优化中自适应平衡模仿与自我改进，显著提升性能。
衡量LLM中的推理质量：一个多维行为框架
机构 * Department of Computer Engineering, Tarsus University（塔鲁斯大学计算机工程系） ； School of Computing and Augmented Intelligence (SCAI), Arizona State University (ASU)（计算与增强智能学院（SCAI），亚利桑那州立大学（ASU）） ； HumaConn AI Consulting（HumaConn AI咨询）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL、cs.AI
AI总结 提出一个基于行为的多维框架，从正确性、一致性、鲁棒性、逻辑连贯性、效率和稳定性六个维度评估LLM推理质量，揭示仅靠准确率无法观察到的行为，并支持部署决策。
用小代理模型预测LLM推理性能
机构 * Trillion Labs ； KAIST AI（韩国科学技术院人工智能系）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI、cs.LG
AI总结 提出rBridge方法，通过任务对齐加权负对数似然，使小模型（≤1B）有效预测大模型推理性能，成本降低超100倍，在1B-32B规模上实现最强相关性。
Comments ICLR 2026
PixelEyes: 解耦感知与推理以实现精准视觉证据查找
机构 * Wuhan University（武汉大学） ； UC Merced（加州大学默塞德分校） ； UTS（UTS大学） ； NUS（新加坡国立大学） ； NTU（南洋理工大学） ； CASIA（中国科学院自动化所）
专题命中 推理评测 ：reasoning(title,abstract)
AI总结 针对多轮视觉推理中目标定位失败导致轨迹冗余的问题，提出PixelEyes，通过解耦推理与感知（推理器决定查找目标，专用感知工具定位），引入掩码引导视觉搜索和语义区域广度优先搜索，构建PixelEyes-6K数据集和Pinpoint-Bench基准，显著提升定位准确性。
Comments 22pages, 10 figures
文本到图像模型是归纳主义的火鸡吗？一个用于因果推理的反事实基准
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 推理评测 ：reasoning(title,abstract)
AI总结 提出反事实基准CF-World，通过三个递进层级测试T2I模型在违反现实先验规则下的图像生成能力，发现所有模型在反事实设置下性能急剧下降，原因是模型将世界知识与视觉外观编码为紧密耦合的模式。
Comments 10 pages, 7 figures. Project page: https://github.com/jylei16/CF-World.github.io
RoadBench: 在城市道路场景下对多模态大语言模型进行细粒度空间理解与推理的基准测试
机构 * Department of Electronic Engineering, BNRist, Tsinghua University（清华大学电子工程系、北京信息科学与技术国家研究中心） ； Zhongguancun Academy（中关村学院） ； Amap, Alibaba Group（阿里巴巴集团高德地图）
专题命中 推理评测 ：reasoning(title,abstract)
AI总结 针对城市复杂场景中多模态大语言模型在细粒度空间理解与推理能力上的不足，提出RoadBench基准，包含8个任务、3040个测试用例，通过鸟瞰图和第一人称视角图像评估模型性能，揭示现有模型在此类任务上的显著缺陷。
Comments Accepted by ECCV 2026, the code and data are publicly available at: https://github.com/tsinghua-fib-lab/RoadBench
测试前沿大语言模型在平行物理世界中的物理素养
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出四阶段诊断方法评估LLM在陌生物理框架中的推理能力，在三个平行世界测试发现定性-定量不对称及自我审查薄弱。
Comments 37 pages, 2 figures, 9 tables
SVI-Bench: 一个用于战略视频智能的动态微世界
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Northeastern University（东北大学）
专题命中 推理评测 ：reasoning(abstract)；planning(abstract)
AI总结 本文提出SVI-Bench，一个基于团队体育动态微世界的大规模基准，通过四个层级（动态场景理解、因果推理、战略模拟、智能体合成）的9个任务评估视频智能从感知到战略规划的能力，发现模型在感知任务上表现良好但在认知层级上性能急剧下降。
StochasT：基于随机轮次深度的视觉指令微调学习
机构 * Boston University（波士顿大学） ； Rutgers University（罗格斯大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.LG
AI总结 针对视觉指令微调中多轮训练与单轮测试不匹配的问题，提出StochasT方法，通过随机分组语言任务为不同大小的轮次深度，增强模型在单轮和多轮场景下的鲁棒性。
Comments Accepted to ECCV 2026. Project page and code: https://yuanqing-ai.github.io/StochasT
MolSafeEval: 揭示AI生成分子安全风险的基准
机构 * Zhejiang University（浙江大学） ； ZJU-Hangzhou Global Scientific and Technological Innovation Center（浙大-杭州全球科技创新中心） ； University of Oxford（牛津大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.LG
AI总结 提出MolSafeEval基准，通过构建分子安全知识图谱和基于大语言模型的推理，系统评估四类分子生成模型的安全风险，揭示当前方法的漏洞。
Comments Accepted by Findings of ACL 2026
可控叙事渲染以增强辅助写作
机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； HiThink Research（海天瑞声）
专题命中 推理评测 ：chain-of-thought(abstract)；分类 cs.CL、cs.AI
AI总结 针对大语言模型在创意写作中安全编辑与无控制情节扩展的二元失败问题，提出基于叙事学故事/话语区分的Loom框架，通过三层流水线和意图中心符号链实现叙事意图与渲染密度的精确控制，在保持事实完整性的同时提升描述强度。
LongVQUBench：评估视觉语言模型的长期视频质量理解能力
机构 * Nanyang Technological University（南洋理工大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 提出LongVQUBench基准，包含1200+长视频和1500个问题，通过三级评估（局部、跨事件、全局）和针孔失真问答范式，揭示现有LVLMs在长视频质量理解上的局限性。
Comments Accepted at European Conference on Computer Vision 2026
AGI Maze：作为世界建模智能体的基准框架
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 提出AGI Maze框架，通过部分可观测网格迷宫任务评估LLM构建世界状态表示的能力，发现标准LLM在推理时无法内部表示迷宫，即使借助工作记忆也难以可靠求解。
EgoSafetyBench：用于评估具身VLM作为运行时安全卫士的诊断性自我中心视频基准
机构 * AIM Intelligence（AIM智能研究所） ； Seoul National University（首尔国立大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 提出EgoSafetyBench，一个包含1200个机器人视角场景的自我中心视频基准，用于评估视觉语言模型在流式安全监控中的能力，通过情景和视觉通道两个轨道测试模型识别危险和应对误导性文本的鲁棒性。
在Scrum认证问题上提示GPT-5：一项实证准确性研究
专题命中 推理评测 ：chain-of-thought(abstract)；分类 cs.AI
AI总结 本研究通过三种提示技术（零样本、思维链、带源引用）测试GPT-5在993个PSM认证问题上的准确性，发现所有提示均达到85%以上准确率，其中带源引用最佳（89.1%），并分析了错误类型。
ATM：基于CID的预写准入机制用于多智能体代码协同合成
专题命中 推理评测 ：planning(abstract)；分类 cs.AI
AI总结 提出ATM框架，通过CID代理和适配器引导的原子化，解决多智能体LLM系统中并发写意图的准入、组合与序列化问题，支持可审计性和有限恢复能力。
Comments 40 pages, 8 figures. Source code and supplementary artifact links are described in the manuscript appendix
识别和解决基于知识的VQA基准测试中的陷阱：审计、修复与增强
机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） ； AT&T Chief Data Office（AT&T首席数据办公室）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 本文审计现有KB-VQA基准测试，发现答案缺失/矛盾、问题不明确和视觉场景简单等系统性问题，导致准确率指标误导模型排名；提出审计-修复协议和多重实体增强协议，重新评估后性能趋势显著变化。
Comments Accepted to ECCV 2026. The datasets and code are available in https://github.com/VAN-QIAN/ECCV26-ARA
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