大模型推理能力

Mechanistic Interpretability for Neural Networks: Circuits, Sparse Features and Symbolic Reasoning

神经网络的机械可解释性：电路、稀疏特征和符号推理

Pranav Sawant, Jakub Krejčí

机构 * The University of Texas at Dallas（德克萨斯大学达拉斯分校） ； VSB—Technical University of Ostrava（奥斯特拉瓦技术大学） 纠错

专题命中 逻辑推理 ：reasoning(title)；分类 cs.LG

AI总结 研究神经网络机械可解释性，通过Transformer电路分析、Sparse Autoencoders等工具应对叠加等挑战，探索控制模型行为方法，还将机械见解与神经符号人工智能框架联系，以实现神经网络内部算法逆向工程及可解释。

Comments 20 pages

EvoPlan: Evolutionary Neuro-Symbolic Robot Planning with Spatio-Temporal Guarantees

EvoPlan：具有时空保证的进化神经符号机器人规划

Bhavya Sai Nukapotula, Samin Moosavi, Haoze Wang, Luke Duncan, Diya Shakkottai, Varun Murali, Srinivas Shakkottai

机构 * Texas A&M University（德克萨斯农工大学） 纠错

专题命中 逻辑推理 ：planning(title)

AI总结 研究针对基于LLM的机器人规划器不足及经典PDDL规划器问题，提出含离线STL约束挖掘、进化PDDL规划器和受约束执行循环的神经符号框架，能保证计划属性，在基准测试中表现良好且可在无云环境下部署。

The Blind Curator: How a Biased Judge Silently Disables Skill Retirement in Self-Evolving Agents

盲选策展人：有偏见的评判者如何在自我进化的智能体中悄然阻碍技能淘汰

Xing Zhang, Yanwei Cui, Guanghui Wang, Ziyuan Li, Wei Qiu, Bing Zhu, Peiyang He

机构 * AWS Generative AI Innovation Center（亚马逊云科技生成式人工智能创新中心） ； HSBC Holdings Plc., HSBC Technology Center, China（汇丰控股有限公司，汇丰科技中心，中国） 纠错

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

AI总结 研究自我进化智能体中，有偏见的评判者对技能淘汰的影响。通过损坏奖励分析等方法发现，“误判通过”偏差会导致技能淘汰机制失效，此为行为安全结果。还提出廉价审计可判断评判者是否越过阈值影响智能体。

Sparse Delta Memory: Scaling the State of Linear RNNs through Sparsity

稀疏增量记忆：通过稀疏性扩展线性循环神经网络的状态

Loïc Cabannes, Pierre-Emmanuel Mazaré, Gergely Szilvasy, Matthijs Douze, Maria Lomeli, Ilze Amanda Auzina, Justin Carpentier, Gabriel Synnaeve, Hervé Jégou

机构 * Meta FAIR ； Inria Paris（巴黎信息与自动化研究所） ； ENS-PSL University（巴黎文理研究大学） ； University of Tübingen（图宾根大学） 纠错

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

AI总结 研究针对线性注意力模型长上下文召回不足的问题，提出稀疏增量记忆（SDM）架构，通过稀疏寻址扩展门控线性循环神经网络隐藏状态，在等FLOP和参数数量下提升性能，还能改进常识与推理任务。

Unveiling the Visual Counting Bottleneck in Vision-Language Models

揭示视觉语言模型中的视觉计数瓶颈

Xingzhou Pang, Yifan Hou, Junling Wang, Mrinmaya Sachan

机构 * Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系） 纠错

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

AI总结 通过分解视觉计数为三个认知阶段，发现视觉语言模型在符号映射阶段失败，提出断裂数量假说：模型学习到分离的模态特定统计流形，无法实现跨模态对齐。

Comments ICML 2026

RIMRULE: Improving Tool-Using Language Agents via MDL-Guided Rule Learning

RIMRULE：通过MDL引导的规则学习改进使用工具的语言智能体

Xiang Gao, Yuguang Yao, Qi Zhang, Kaiwen Dong, Avinash Baidya, Ruocheng Guo, Hilaf Hasson, Kamalika Das

机构 * Intuit AI Research（Intuit AI研究） 纠错

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

AI总结 研究针对大型语言模型在特定领域使用工具的难题，提出RIMRULE神经符号方法，通过从失败轨迹提炼规则并用MDL目标巩固，以动态注入规则提升性能，实验证明该方法能提高工具使用准确性，且规则具有跨架构可移植性。

Comments Published as a long paper in the main conference of ACL 2026