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。
有证据支持的视频问答
机构 * Salesforce, Palo Alto, CA, USA（Salesforce公司） ； Brown University, Providence, RI, USA（布朗大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究视频问答中模型缺乏可视化依据的问题，提出E-VQA任务及ST-Evidence基准，开发数据集ST-Evidence-Instruct，通过微调提高模型表现，为可解释的视频理解建立基线。
Journal ref ECCV 2026
Vinci2：在连续自我中心视频中提供主动协助
机构 * Dalian University of Technology（大连理工大学） ； Alaya Lab（阿莱雅实验室） ； The University of Tokyo（东京大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究连续自我中心视频中智能助手的主动协助问题，提出Vinci2系统，包含EgoServe基准测试和EgoMemo智能体，通过依赖上下文决策及相关技术，在新基准测试上建立强大基线且在现有测试中具竞争力。
Comments Accepted by ECCV 2026
用于法律信息处理的跨架构大语言模型集成、基于特征的重新排序和检索增强提示
机构 * Durham University（杜伦大学） ； Jazan University（吉赞大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 该研究参与COLIEE 2026五项法律信息处理任务，采用开放权重系统。核心方法包括跨架构模型集成、基于特征重新排序及检索增强提示。在多任务中取得不同成果，如法规蕴含任务准确率高，展示了不同方法在不同任务设置下的有效性。
Comments 10 pages. Team DU participation in all five tasks of COLIEE 2026
大语言模型准备好进行科学发现了吗？面向能力的人工智能科学家基准测试
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究围绕科学发现评估大语言模型的能力，引入SDABench基准，涵盖多领域多能力的真实和合成数据实例，评估15个模型，发现其在描述性分析好但在特定任务下降，还提供错误分析框架定位失败之处。
成像101：在科学计算成像上对大语言模型编码智能体进行基准测试
机构 * College of Future Technology and the National Biomedical Imaging Center, Peking University（北京大学未来技术学院和国家生物医学成像中心） ； AI for Science Institute (AISI)（科学人工智能研究所） ； University of Michigan（密歇根大学） ； State Key Laboratory of Acoustics and Marine Information, Institute of Acoustics, Chinese Academy of Sciences（中国科学院声学研究所声场声信息国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Astronautics, Beihang University（北京航空航天大学宇航学院） ； Key Laboratory of Spacecraft Design Optimization and Dynamic Simulation Technologies, Ministry of Education（教育部航天器设计优化与动态仿真技术重点实验室）
专题命中 推理评测 ：planning(abstract)；分类 cs.AI
AI总结 研究针对计算成像构建正确重建管道费力的问题，引入含57个任务的Imaging-101基准及三个评估轨道，评估七个前沿大语言模型，发现应用编码智能体于计算成像存在系统性挑战，指出技能增强、领域专业化智能体是可靠成像辅助的途径。
检测人工智能生成的视频：视觉-语言双视角综述
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学中关村人工智能学院） ； Harvard University（哈佛大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 综述人工智能生成视频检测，将任务重定义为事实保真度验证，提出视觉-语言双视角分类法，基于对221篇论文回顾，综合生成范式、审视检测方法、回顾评估指标，讨论挑战并指出未来方向。
Comments 51 pages, accepted by ACL 2026
Journal ref Association for Computational Linguistics 2026 pages 32221 to 32255
WasteAssistant：用于智能垃圾分类与可持续管理的监管引导视觉问答框架
机构 * SVNIT（萨达尔·瓦拉巴伊·国家理工学院） ； NTNU（挪威科技大学） ； KIIT（卡林加工业技术学院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 该研究针对现有智能垃圾分类系统的不足，提出集成视觉语言模型和多模态大语言模型的框架，构建新数据集，经实验验证基于BLIP的模型效果更佳，提升了分类准确率，确保监管合规，推动多模态AI在垃圾管理中的应用。
Comments 12 Pages, 5 Figures
ChartSync：视觉逻辑级联图表编辑的基准测试
机构 * Jianghan University（江汉大学） ； HiThink Research（海思睿研） ； University of Science and Technology of China（中国科学技术大学） ； Southeast University（东南大学） ； Zhejiang University（浙江大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 研究针对生成式图像编辑模型处理结构化统计图的困难，提出视觉逻辑级联编辑任务。引入ChartSync基准测试，含多种图表类别和任务类型。通过两层框架评估模型，发现开源与专有模型能力差距，分析误差以指导多模态架构发展，数据集和代码已公开。
智能交易系统能否为自身智能付费？
机构 * HKUST(GZ)（香港科技大学（广州）） ； Paradoox AI（悖论人工智能公司） ； E Fund Management Co., Ltd（易方达基金管理有限公司） ； MBZUAI（Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）） ； The University of Tokyo（东京大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究基于LLM的交易系统中智能体能否为自身智能付费的问题，引入TradeLens工具包进行评估，通过多方面分析发现可行性取决于智能到利润的转化，不同模型有不同失败模式，重构了此类交易智能体的评估方式。
共识与异议：群体推荐系统中主观偏好的动态大语言模型建模
机构 * Maastricht University（马斯特里赫特大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 研究群体推荐系统中LLMs能否模拟对群体内偏好分布的敏感性并选理想聚合策略。通过微调LLMs、开发模拟模型生成推荐候选并动态选择，经用户研究验证，该方法在满意度和共识方面表现优，凸显LLMs用于适应性调整的优势。
Comments Full paper accepted at the 20th ACM Conference on Recommender Systems (RecSys 2026)
AgentAbstain：基于大语言模型的智能体知道何时不行动吗？
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究基于大语言模型的智能体何时应弃权的问题，提出AgentAbstain评估框架及AbstainGen全自动管道，通过配对任务基准测试多种前沿LLMs，发现弃权能力与任务解决能力无关，并识别出失败模式，代码和数据集开源。
Comments 56 pages, 13 figures
长视野终端基准测试：使用基于密集奖励的评分方式测试智能体在长视野终端任务中的极限
机构 * Tencent（腾讯） ； University of Maryland, College Park（马里兰大学帕克分校） ； University of Georgia（佐治亚大学） ； University of Minnesota, Twin Cities（明尼苏达大学双城分校） ； Indiana University（印第安纳大学） ； Lehigh University（里海大学） ； National University of Singapore（新加坡国立大学） ； The Hong Kong Polytechnic University（香港理工大学）
专题命中 推理评测 ：planning(abstract)；分类 cs.AI
AI总结 研究针对现有终端基准测试局限，引入长视野终端基准测试（Long-Horizon-Terminal-Bench），含46个长视野任务。通过分解为分级子任务提供密集中间奖励，评估15个前沿模型，揭示改进空间，分析失败模式，发布该基准测试助力长视野终端智能体发展。
Comments 17 pages
少些推理，多些验证：确定性门控在使用工具的语言模型智能体中恢复了一种无声的违反策略失败模式
机构 * Indian Institute of Technology Kharagpur（印度理工学院卡拉格布尔分校） ； Massachusetts Institute of Technology（麻省理工学院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究使用工具的语言模型智能体违反策略问题，提出用确定性预执行门控干预，在τ²基准航空公司领域评估，该方法能提高成功率，防止无声违反策略写入，虽不保证任务成功，但有可靠性成果。
DEER：用于评估深度研究代理在专家报告生成上的基准
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 DEER是一个用于评估深度研究代理在专家报告生成中性能的基准，通过系统化的评估标准和主张验证架构，提升报告质量和逻辑完整性。
Comments ICML 2026 (45 pages, 12 figures, 25 tables, 129 references
VANGUARD：用于GPS受限环境下的无人机车辆锚定地面采样距离估计
机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院航空航天信息研究所） ； Tandon School of Engineering, New York University（纽约大学工学院） ； School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences（中国科学院大学电子电气与通信工程学院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 VANGUARD通过利用车辆锚点和核密度估计，为无人机在GPS受限环境中提供可靠地面采样距离估计，降低空间推理中的误差和失败率。
FIRE-Bench：评估人工智能代理在科学见解重新发现方面的表现
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Cornell University（康奈尔大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究旨在评估大语言模型驱动的人工智能代理在科学见解重新发现上的能力。核心方法是引入FIRE-Bench基准，让代理基于高层次研究问题进行全周期探索。主要贡献是为衡量代理驱动的科学发现进展提供了严格诊断框架，揭示当前代理系统在全周期科研上的挑战。
Comments 34 pages, 3 figures, 16 tables; ICML 2026 Camera-ready Version
DR-Arena：深度研究智能体的自动化评估框架
机构 * National University of Singapore（国立新加坡大学） ； Nanyang Technological University（南洋理工大学） ； Singapore Management University（新加坡管理学院） ； Singapore University of Technology and Design（新加坡科技设计大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 针对大语言模型作深度研究智能体时任务性能评估难的问题，提出DR-Arena自动化评估框架，通过动态调查、构建实时信息树、自动考官出题及自适应进化循环提升任务复杂性来评估，实验证明其与人类偏好对齐效果好，可替代人工裁决。
Comments 22 pages, 8 figures. Accepted to ACL 2026 as an oral presentation and selected as an SAC Highlight
Journal ref Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pp. 27130-27152, 2026
ManiScope：基于大语言模型的加密货币操纵风险可视化分析
专题命中 推理评测 ：reasoning(abstract)
AI总结 针对加密货币市场操纵风险评估问题，提出ManiScope系统，利用大语言模型辅助可视化分析，提供多方面协同视图及人机协作框架，经案例和用户研究验证，该系统能有效评估风险、减少人工并围绕假设组织发现。
DynEval：对自然环境下的文本到图像生成模型进行全面评估
机构 * Indian Institute of Science（印度科学研究所） ； Hugging Face（拥抱脸）
专题命中 推理评测 ：reasoning(abstract)
AI总结 研究针对文本到图像生成模型评估难题，提出DynEval动态评估框架，通过构建两个数据集，利用课程学习策略微调评估器，在多基准测试中与人类判断相关性更高，可对多个T2I模型进行细粒度分析。
Comments Accepted at ECCV 2026. Project page: https://vcl-iisc.github.io/dyneval/
使用具有错误减少技术的大语言模型来判定静态分析警报
专题命中 推理评测 ：reasoning(abstract)
AI总结 研究用大语言模型判定静态分析警报，采用一致性检查和LLM推理评估两种方法，在三个测试套件上评估多个LLMs，中级推理LLMs经错误缓解后召回率和特异性高，还探讨了相关问题及合成程序作为证据的结果。
Comments 22 pages
SkillGuard：一种面向智能体技能的权限框架
专题命中 推理评测 ：reasoning(abstract)
AI总结 提出SkillGuard权限框架，通过双平面治理模型联合管控上下文影响和动作副作用，以缩小技能声明意图与运行时行为之间的安全差距。
OpenEarthAgent：一个用于工具增强地理空间代理的统一框架
机构 * Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； IBM Research（IBM研究院） ； Linköping University（林霍姆斯大学） ； Technical University Munich（慕尼黑技术大学） ； Australian National University（澳大利亚国立大学）
专题命中 推理评测 ：reasoning(abstract)
AI总结 本文提出OpenEarthAgent框架，通过整合卫星影像、自然语言查询和结构化推理轨迹，实现多模态地理空间推理，提升遥感任务的执行能力与空间逻辑一致性。
Comments Accepted at the European Conference on Computer Vision (ECCV 2026)
基于大语言模型的分布式多智能体系统中长期记忆的成本与准确性
专题命中 推理评测 ：reasoning(abstract)
AI总结 针对分布式多智能体系统中长期记忆的成本与准确性评估空白，构建独立可复现测试平台，比较多种架构并发现检索不完整是准确率差距主因，RAG基线以更低总拥有成本达到高准确率。
Comments Copyright IEEE 2026. Manuscript accepted at IEEE COMPSAC 2026. Not for redistribution. Published version: https://doi.org/10.1109/XXXXXX
TIIF-Bench：你的文本到图像模型如何遵循指令？
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Tsinghua University（清华大学） ； OPPO Research Institute（OPPO研究院）
专题命中 推理评测 ：reasoning(abstract)
AI总结 研究旨在评估T2I模型遵循指令能力，提出TIIF-Bench基准，含多维度、多难度提示及新评估指标，利用大语言模型知识开发可重现评估器，通过对主流模型测试分析其优缺点及现有基准局限性。
Comments 35 pages, 14 figures, 9 tables
推理的成本：链式推理诱导视觉-语言模型的过度自信
机构 * KTH Royal Institute of Technology, Stockholm, Sweden（皇家理工学院） ； Science for Life Laboratory, Stockholm, Sweden（生命科学实验室）
专题命中 其他推理 ：reasoning(title,abstract)；chain-of-thought(title,abstract)；CoT(abstract,abstract_cn)；分类 cs.LG
AI总结 研究发现链式推理会降低视觉-语言模型的不确定性估计质量，主要机制是隐式答案条件化，导致模型过度自信。
用于少样本工业视觉的小视觉语言模型的答案条件思维链蒸馏
机构 * Entropy AI Research Labs Private Limited（熵人工智能研究实验室私人有限公司）
专题命中 其他推理 ：chain-of-thought(title,abstract)；CoT(abstract,abstract_cn)；reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 针对制造业视觉检测难题，提出答案条件思维链蒸馏法，利用最少标注数据让小型视觉语言模型适应新工业任务，经实验验证该方法在多任务中优于直接微调，提升了推理质量和模型性能。
Comments 11 pages, 5 figures, 8 tables
通过结构感知掩码和GRPO实现高效的链式推理知识蒸馏课程学习
机构 * City University of Hong Kong（香港城市大学）
专题命中 其他推理 ：chain-of-thought(title,abstract)；CoT(abstract,abstract_cn)；reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 通过结构感知掩码和GRPO实现高效的链式推理知识蒸馏，提升学生模型的准确率和输出简洁性。
Comments 13 pages, 12 figures. Accepted at SDM 2026
Diffusion-GR2: 扩散生成推理重排序器
机构 * Meta AI ； UNC Chapel Hill（北卡罗来纳大学教堂山分校）
专题命中 其他推理 ：reasoning(title,abstract)；chain-of-thought(abstract)；分类 cs.AI
AI总结 提出Diffusion-GR2，通过转换微调、在线策略蒸馏和强化学习将自回归推理重排序器转换为块扩散模型，在保持精度的同时将推理吞吐量提升2.4-3.5倍。
Comments Work in progress
路由、通信与推理：用于高效多智能体推理的门控路由与自适应深度
机构 * Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（印度理工学院德里分校雅迪人工智能学院） ； Department of Electrical Engineering, Indian Institute of Technology Delhi（印度理工学院德里分校电气工程系）
专题命中 其他推理 ：reasoning(title,abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 研究针对多智能体推理中未解决的问题，提出GRADE分层多智能体系统，用四个轻量级学习门控及CoGRPO训练方法，智能体模型可热插拔。该系统在多个任务上优于基线，消融实验明确关键因素，证明校准对热插拔必要。
通过身份桥揭示Transformer中多跳推理的机制
机构 * School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学科学学院） ； Institute of Natural Sciences, MOE-LSC, Shanghai Jiao Tong University（上海交通大学自然科学研究院） ； Shanghai Seres Information Technology Co., Ltd, Shanghai 200040, China（上海塞瑞斯信息技术有限公司）
专题命中 其他推理 ：reasoning(title,abstract)；分类 cs.AI、cs.LG
AI总结 研究大型语言模型多跳推理中两跳推理诅咒现象，引入身份桥进行最小监督，使单层Transformer能实现分布外两跳泛化，通过理论和实证分析揭示其机制及效果，并扩展到主流LLMs的实际设置。
Comments Accepted by COLM 2026
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