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。
我们要玩一场游戏吗？用于开放式兵棋推演的语言模型
专题命中 规划推理 ：planning(abstract)；分类 cs.AI
AI总结 该研究通过对223篇相关论文的范围综述，明确了兵棋推演中语言模型的控制角色现状，指出需关注模型对行动与后果的控制程度以保障模拟保真度。
Comments 49 pages (9-page body), 3 figures. Published at the Social Sim'26 Workshop at COLM 2026 (non-archival)
CALM-AH：面向视频层面矛盾与犹豫识别的ABAW11校准多模态集成模型，采用可靠性门控多专家共识机制
机构 * Monash University（莫纳什大学） ； Monash Suzhou Research Institute（莫纳什苏州研究院）
专题命中 规划推理 ：verifier(abstract)
AI总结 针对ABAW11视频层面矛盾与犹豫识别任务，提出CALM-AH多模态集成模型及RG-MEC门控多专家共识机制，在ABAW11数据集上分别取得0.7525与0.7771的Macro-F1性能。
面向LLM智能体的优先执行式合成工具使用轨迹生成
专题命中 规划推理 ：reasoning(abstract)
AI总结 针对传统数据合成的局限，提出优先执行式框架SyntheticAgentTraceQA生成工具增强型智能体的监督数据，经四工具生态系统及Qwen模型验证，该框架可提升工具执行等性能，且揭示了掩码与全监督的权衡。
面向电力系统的智能体人工智能：识别与缩小能力差距的策略
专题命中 规划推理 ：planning(abstract)
AI总结 该研究针对电力系统规划任务，复现当前最优Agentic AI并评估其能力，发现其仅能解决部分低复杂度问题，明确了能力升级需求，强调需采用严格测试与可复现基准评估Agentic AI进展。
Comments 5 pages, 1 figure, 2 tables
RynnBrain 1.1：迈向更具能力和通用性的具身基础模型
机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hupan Lab（湖畔实验室）
专题命中 视觉空间推理 ：reasoning(abstract)；planning(abstract)
AI总结 介绍RynnBrain 1.1具身基础模型家族，其经统一框架训练，相比1.0版本有改进。开发RynnBrain - VLA并部署。该模型在多方面成果显著，初始化策略表现优，联合训练提升了得分和成功率。
Comments KL,BH,MZ,TZ,ZC,ZW,SL,XL,XL,BY,MZ,JL,RD contribute equally. Project Lead: Kehan Li and Xin Li project: https://alibaba-damo-academy.github.io/RynnBrain github: https://github.com/alibaba-damo-academy/RynnBrain huggingface: https://huggingface.co/collections/Alibaba-DAMO-Academy/rynnbrain-11 modelscope: https://modelscope.cn/collections/DAMO_Academy/RynnBrain-11
GeoRA: 为强化学习可验证奖励设计的几何感知低秩适应
机构 * Meituan（美团） ； Peking University（北京大学）
专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 GeoRA通过利用RLVR更新子空间的各向异性与压缩性结构，采用SVD提取主方向初始化低秩适配器，冻结残差部分作为结构锚点，从而在数学、医学和编程领域优于现有低秩基线，同时在跨领域任务中表现更佳。
Comments Accepted at ACL 2026 Main
Auto-JEPA：面向端到端自动驾驶的连续意图隐式世界模型
专题命中 视觉空间推理 ：planning(abstract)；分类 cs.AI
AI总结 Auto-JEPA是面向端到端自动驾驶的连续意图隐式世界模型，通过联合嵌入预测学习未来驾驶意图，无需密集未来世界建模，在NAVSIM数据集上取得优异规划性能，可聚焦规划相关视觉特征。
用于磁共振成像多任务3D脑肿瘤分割的深度学习模型统一基准
机构 * Centro de Tecnologías de la Imagen (CTIM)（图像技术中心（CTIM）） ； Instituto Universitario de Cibernética, Empresas y Sociedad (IUCES)（网络、企业与社会大学研究所（IUCES）） ； University of Las Palmas de Gran Canaria（拉斯帕尔马斯大加那利大学）
专题命中 视觉空间推理 ：planning(abstract)；分类 cs.AI
AI总结 本研究构建统一基准，在相同条件下对比3D U-Net等5种深度学习模型在BraTS 2023、2024数据集上的脑肿瘤分割性能，明确了不同架构的准确率与效率权衡及适用场景。
Comments 27 pages, 16 figures, 8 tables
基于有噪学生策略性自蒸馏的自增强视觉语言模型
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； ByteDance Inc.（字节跳动公司） ； Zhejiang University of Technology（浙江工业大学） ； Hong Kong Baptist University（香港浸会大学）
专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.LG
AI总结 研究针对视觉语言模型无外部监督难以改进的问题，提出NOPD自蒸馏方法，利用干净与损坏输入预测差异产生自监督信号，在多视觉推理任务中有效，能提升多个模型在多个基准测试中的表现。
HAM-VLN：利用分层智能体记忆实现零样本视觉与语言导航
专题命中 视觉空间推理 ：reasoning(abstract)
AI总结 本研究提出HAM-VLN零样本VLN方法，通过分层智能体记忆缓解长程导航的记忆与推理瓶颈，提升导航指标并缩短上下文长度，在多个基准数据集上取得优异零样本性能。
结构化安全审计：在LLM生成代码的正确性与内容安全之间平衡
专题命中 测试时计算 ：reasoning(title,summary_cn)；chain-of-thought(abstract)
AI总结 本文提出NLSafety-Utility Duality Score和Dual Reasoning，通过结构化安全审计和任务导向的代码审查，提升LLM生成代码的安全性和正确性，实验显示其在多个模型上显著提升SUDS评分。
Comments 13 pages. Accepted at the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE 2026). Artifact: https://doi.org/10.5281/zenodo.19245736
具有自适应验证器的多模态强化学习
机构 * Microsoft Research（微软研究院） ； UMass Amherst（马萨诸塞大学阿默斯特分校） ； ETH Zurich（苏黎世联邦理工学院） ； UW–Madison（威斯康星大学麦迪逊分校）
专题命中 测试时计算 ：verifier(title,abstract)；reasoning(abstract)；分类 cs.AI
AI总结 本文提出Argos验证器，通过结合SFT数据筛选与RL训练，提升多模态推理模型在空间推理、视觉幻觉及机器人任务中的性能，同时减少奖励黑客问题。
DualityCert：量子场论中对偶性声明修复的验证器门控语言模型
专题命中 测试时计算 ：verifier(title,abstract)；分类 cs.AI、cs.LG
AI总结 研究针对量子场论中对偶性声明修复，提出DualityCert验证器。语言模型代理接收错误声明编辑至通过验证，在预注册基准测试中，验证器门控重试等策略在不同模型上有不同表现，各获胜策略都用低成本证书，还发布了相关内容。
Comments 17 pages, 2 figures, 9 tables. v2: added reference and note on concurrent related work. Code, benchmark, and all per-attempt records: https://github.com/xingyang-yu/QFTCert
Think2Go：基于大语言模型推理的生成式下一个兴趣点（POI）推荐
专题命中 测试时计算 ：reasoning(title,abstract)
AI总结 Think2Go框架统一SFT与RL推理，通过优势加权机制校准策略优化，解决现有POI推荐模型的意图捕捉不足问题，提升推荐性能与稳健性。
Comments Accepted by KDD 2026 Research Track Cycle 1 (Oral presentation)
FibVLA：一种采用斐波那契采样的高效时序视觉-语言-动作模型
专题命中 测试时计算 ：reasoning(abstract)；planning(abstract)
AI总结 本文提出FibVLA框架，通过对数事后采样和流匹配等技术，解决了视觉-语言-动作模型时序信息捕捉与推理效率的矛盾，提升了动作性能与实时响应能力。
证据类型竞争：干预数据何时能教会语言模型因果方向？
机构 * Tsingjiao Information Science (Beijing) Co., Ltd（北京清教信息科技有限公司）
专题命中 测试时计算 ：reasoning(abstract)；分类 cs.CL、cs.LG
AI总结 该研究发现干预数据训练语言模型因果推理的金标准假设存在局限，观测上下文会抑制模型的因果方向判断能力，提出证据平均方案可降低符号错误率。
Comments 13 pages, 6 figures, 4 tables
裁决式字幕生成：用于严格零样本图像字幕生成的多智能体对齐评分与共识蒸馏束仲裁
机构 * AI Platform OneNexus, OneMount（OneMount AI平台OneNexus） ； School of Electronic Engineering, Soongsil University（崇实大学电子工程学院） ； MoAdata（MoAdata公司） ； University of Economics Ho Chi Minh City (UEH)（胡志明市经济大学）
专题命中 测试时计算 ：verifier(abstract)；分类 cs.CL、cs.AI
AI总结 该研究提出裁决式字幕生成多智能体框架，通过多阶段对齐评分与共识蒸馏重排序，在不微调IFCap的情况下，显著提升COCO等数据集的零样本图像字幕生成性能，且可跨数据集迁移。
TransMem：将隐藏状态转换为大语言模型的记忆
专题命中 测试时计算 ：reasoning(abstract)；分类 cs.CL
AI总结 针对长上下文LLM智能体的历史信息未充分利用问题，提出轻量级记忆模块TransMem，结合证据条件自蒸馏，在多基准测试中显著提升性能。
Comments 12 pages, 4 figures
面向回合级智能体强化学习的科学发现环境扩展
机构 * Shanghai AI Lab（上海人工智能实验室）
专题命中 测试时计算 ：verifier(abstract)；分类 cs.AI
AI总结 本文提出可扩展框架SciDisco，结合SciThèque与DiscoPO，训练出的SciDisco-14B在假设驱动的科学数据分析基准上实现了当前最优性能。
一致性并非质量：当人类共识并非真值时，对人类与大语言模型定性编码的盲专家验证
专题命中 测试时计算 ：verifier(abstract)；分类 cs.AI
AI总结 该研究发现以人类共识为标准的一致性评估无法准确衡量LLM定性编码质量，盲专家验证显示部分LLM编码优于人类，提出了可迁移的验证协议与编码分工框架。
Role-Agent: 通过双角色演化引导LLM智能体
机构 * University of Science and Technology of China（中国科学技术大学） ； AMAP, Alibaba Group（阿里巴巴集团高德地图）
专题命中 测试时计算 ：reasoning(abstract)；分类 cs.AI
AI总结 提出Role-Agent框架，让单个LLM同时作为智能体和环境，通过世界在智能体（WIA）和智能体在世界（AIW）两个组件实现自举协同演化，在多个基准上平均提升超过4%。
Comments 20 pages, including 12 pages of main text and 8 pages of appendix; work in progress
双维度一致性：在适应性推理时间扩展中平衡预算与质量
机构 * Xi’an Jiaotong University（西安交通大学）
专题命中 测试时计算 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出双维度一致性框架，通过结合置信度加权贝叶斯协议与趋势感知分层剪枝，平衡推理预算与质量，减少10倍以上token消耗并保持高精度。
自我修正错觉：LLM 纠正他人但不纠正自己
机构 * National Taiwan University（国立台湾大学）
专题命中 复杂问题求解 ：self-correction(title,abstract)；reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文通过保持错误声明字节一致仅改变角色标签，发现 LLM 无法自我修正并非能力缺陷，而是聊天模板角色标签的人为产物，并提出无需训练或模型修改的提示结构干预方法。
Comments 15 pages, 3 figures, 15 tables
少复制，多扎根：通过证据感知强化学习克服长上下文推理中的重复复制
机构 * Peking University（北京大学） ； Alibaba Group（阿里巴巴集团）
专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.CL、cs.AI
AI总结 研究长上下文推理中语言模型的重复复制问题，提出GEAR奖励塑造方法，通过区分关键证据和干扰上下文来增强奖励信号，经实验验证该方法能提升模型性能，减少重复复制，凸显准确扎根证据对长上下文推理的重要性。
学习标量奖励模型的端到端潜在推理轨迹
专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.CL
AI总结 针对奖励模型范式不匹配问题，提出LatentRM框架，将推理轨迹作为潜在变量端到端优化，在多任务上优于各类基准奖励模型。
结果引导蒸馏：一种提升自动驾驶中视觉语言模型推理能力的师生框架
机构 * Stony Brook University（石溪大学） ； Rutgers University（罗格斯大学） ； Sunrise Technology Inc.（晨昇科技公司）
专题命中 复杂问题求解 ：reasoning(title,abstract)
AI总结 本研究提出结果引导蒸馏的师生框架，将VLM的显式推理与几何轨迹生成结合，在Waymo基准上使自动驾驶性能提升约24%，优于经典推理基线。
从经验中学习有状态的预测知识
机构 * University College London（伦敦大学学院） ； National University of Singapore（新加坡国立大学） ； Chinese Academy of Sciences（中国科学院） ； Brown University（布朗大学） ； University of Bristol（布里斯托尔大学） ； University of Edinburgh（爱丁堡大学） ； Zhongguancun Academy（中关村科学院） ； The Yangtze River Delta（长三角）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.CL、cs.LG
AI总结 该研究针对LLM智能体现有轨迹级反思学习的缺陷，提出SKL方法，通过两种算法训练智能体学习有状态预测知识，在多任务上性能优于现有范式。
不要混合奖励，要混合策略：多奖励强化学习的策略分解与优化
机构 * Fundation Model Research Center, CASIA（中国科学院自动化研究所基础模型研究中心） ； School of Artificial Intelligence, UCAS（中国科学院大学人工智能学院） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； College of Automotive and Energy Engineering (CAEE), Tongji University（同济大学汽车与能源工程学院）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 本研究针对多奖励RL的对齐税问题，提出PRISM框架，通过策略分解优化正、负策略，在三类任务上优于基线并具备推理可控性。
反思还是重新生成？为什么大型语言模型（LLM）的修正会失败，而人类的修正却能成功
机构 * Amazon（亚马逊）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.LG
AI总结 本研究提出人类-LLM反思框架（HRF）对比人类与LLM的修正，发现LLM反思在客观任务增益近零、主观任务增益为负，本质是条件重新生成，而非真正的错误驱动修正。
Comments 20 pages, 8 figures
它认为有多难？分析大型语言模型思维链轨迹中感知步骤的推理能量
机构 * UC Merced（加州大学默塞德分校） ； UC San Diego（加州大学圣迭戈分校） ； UIUC（伊利诺伊大学厄巴纳-香槟分校） ； Adobe Research（奥多比研究院）
专题命中 推理评测 ：reasoning(title,abstract)；chain-of-thought(title,abstract)；CoT(abstract,abstract_cn)；分类 cs.CL、cs.AI、cs.LG
AI总结 该研究提出SARE框架量化LLM思维链各步骤的推理能量，发现推理能量不均匀、错误轨迹关键节点能量更低，SARE特征性能优于或匹配输出置信度基线，揭示内部几何动态含预测信息。
Comments 13 pages, 3 figures
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