大模型推理能力

Think Fast: Estimating No-CoT Task-Completion Time Horizons of Frontier AI Models

快速思考：估计前沿AI模型的无思维链任务完成时间范围

Dewi Gould, Francis Rhys Ward, Anders Cairns Woodruff, Rauno Arike, Josh Hills, Alex Serrano, Ida Caspary, Jason Ross Brown, Jo J. Jiao, Patrick Leask, Twm Stone, Ram Potham, Ionut Gabriel Stan, Harry Mayne, Simeon Hellsten, Shubhorup Biswas, Ariana Azarbal, William L. Anderson, Elle Najt, Ryan Greenblatt, Julian Stastny

机构 * Redwood Research（红木研究） ； Astra Fellows Program（Astra 后援计划） ； Aether Research（Aether 研究） ； MATS Research（MATS 研究） ； Polytechnic University of Catalonia（加泰罗尼亚理工大学） ； Imperial College London（伦敦帝国理工学院） ； University of Cambridge（剑桥大学） ； University of Chicago（芝加哥大学） ； Durham University（杜伦大学） ； MIT（麻省理工学院） ； University of Oxford（牛津大学） ； University of Glasgow（格拉斯哥大学） ； Constellation（星座） 纠错

专题命中 数学推理 ：CoT(title,abstract)；reasoning(abstract)；chain-of-thought(abstract)；分类 cs.AI

AI总结 本研究通过超过3万个问题测试前沿AI模型在无思维链推理下的表现，估计其50%任务完成时间范围，发现该时间每约两年翻一番，GPT-5.5已达3分钟以上。

Self-Improving Large Language Models via Progressive Experience Evolution

基于渐进式经验演化的自我改进大语言模型

Shijie Ren, Xiting Wang, Meng Li, Yujie Guo, Yunhang Yao, Ziheng Peng, Xunlong Wang, Yuetan Chen, Haoyang Zhou, Yunlong Liang, Fandong Meng

专题命中 数学推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本研究提出统一后训练框架SPEE，通过显式经验演化与隐式策略优化结合，在五种数学推理基准上提升了大语言模型的自我改进能力，优于现有基线方法。

Comments 10 pages, 5 figures

When Search Teaches Style: Causal Internalization of Tactical Priors in AlphaZero

AlphaZero-Edu：普及AlphaZero的访问

Ruitong Li, Binjie Guo, Aisheng Mo, Guowei Su, Han Wang, Jie Li, Ru Zhang

机构 * Department of Communication Studies, School of Communication, Hong Kong Baptist University（通讯学院传播研究系，香港 Baptist 大学） ； Department of Neurobiology and Department of Rehabilitation Medicine, First Affiliated Hospital, Zhejiang University School of Medicine（神经生物学系和康复医学系，浙江大学医学院第一附属医院） ； Personal participation（个人参与） 纠错

专题命中 数学推理 ：reasoning(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出AlphaZero-Edu，一种轻量级教育导向的实现，通过模块化架构和高效训练，提升AlphaZero的可访问性和可重复性，实现单GPU训练和并行自对弈加速。

MIDAL: A Dataset of Math Image Descriptions for Accessible Learning

MIDAL：用于无障碍学习的数学图像描述

Rebeka Popek, Vaghawan Ojha, Young Hwan You

机构 * E.K. Solutions Pvt. Ltd.（E.K.解决方案私人有限公司） 纠错

专题命中 数学推理 ：reasoning(abstract)

AI总结 该研究推出含2020张多级别数学图像的MIDAL数据集，用于训练视觉语言模型生成无障碍图像描述，还可微调语言模型提升数学推理能力，助力高等教育STEM内容无障碍性建设。

Beyond the Single Camera: Agentic Multi-View Reasoning in Sports Video Understanding

超越单摄像头：体育视频理解中的智能多视角推理

Kerui Chen, Jinglu Wang, Xiaoyi Zhang, Yan Lu

机构 * Zhejiang University（浙江大学） ； Microsoft Research Asia（微软亚洲研究院） 纠错

专题命中 逻辑推理 ：reasoning(title,abstract)；logical reasoning(abstract)

AI总结 针对体育视频多视角理解缺乏评估基准及MLLMs难以利用多视角信息的问题，引入SportMV - Bench基准，分析瓶颈所在，并提出SportMV - Agent框架，通过迭代循环实现主动视角选择等，相比最强MLLM基线有显著提升。

JigShape: Evaluating Visual-Geometric Reasoning in VLMs through Jigsaw Puzzles

JigShape：通过拼图任务评估视觉语言模型的视觉几何推理能力

Shawn Li, Wei Yang, Jike Zhong, Jiate Li, Jiawei Yang, You Qin, Ryan Rossi, Franck Dernoncourt, Roger Zimmermann, Yue Wang, Zhengzhong Tu, Vicente Ordonez, Mohit Bansal, Yue Zhao

机构 * University of Southern California（南加州大学） ； National University of Singapore（新加坡国立大学） ； Adobe Research（奥多比研究院） ； Texas A&M University（德克萨斯农工大学） ； Rice University（莱斯大学） ； The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

专题命中 逻辑推理 ：reasoning(title,abstract)；分类 cs.AI

AI总结 本研究提出JigShape拼图基准，发现零样本VLM大多缺乏几何推理能力，所有模型在大尺寸拼图上均出现性能崩塌，将可扩展几何推理确立为VLM的开放性挑战。

WCM: World-Cognition Model for Generalizable Human-Robot Interaction

WCM：用于通用人机交互的世界认知模型

Yuzhen Chen, KC Zhou

专题命中 逻辑推理 ：reasoning(abstract)；chain-of-thought(abstract)；CoT(abstract)；分类 cs.AI、cs.LG

AI总结 针对机器人在物理任务交互困难的问题，提出基于SLAK架构和异步运行时的世界认知模型（WCM），引入人在回路教学模式，经思维链监督改进模型，在九个现实世界人机交互任务中平均成功率达73.8%。

Benchmarking LLM Competence on Logical Inference over Probability Operators

基于概率算子的逻辑推理能力大语言模型基准测试

Nayera Hasan, Jack Greff, Alvin Grissom

机构 * Haverford College（哈维福德学院） 纠错

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

AI总结 本研究构建含14320个提示的概率算子推理基准，评估29个大语言模型，发现多数模型存在答案偏差，仅9个超随机水平，且各维度均有偏差。

Comments Under review

ACEM: A Cost Estimation Model for Agentic Software Engineering

ACEM：面向智能体软件工程的成本估算模型

Mohammad El-Ramly

专题命中 逻辑推理 ：reasoning(abstract)；planning(abstract)

AI总结 针对智能体软件工程成本估算问题，本文提出ACEM模型，分解成本为LLM、HITL、基础设施三类，引入RF、CF、HIS构念并映射传统度量，为智能体开发成本估算提供早期方案。

Comments 27 pages, under journal publication

AgentModernize: Preserving Business Logic in Legacy Modernization with Multi-Agent LLMs and Behavioral Specification Graphs

AgentModernize: 通过多智能体LLM和行为规范图在遗留系统现代化中保留业务逻辑

Sheikh Nazib Ahmed, Marnim Galib

专题命中 逻辑推理 ：CoT(abstract,abstract_cn)

AI总结 本文提出AgentModernize框架，通过多智能体系统和行为规范图来保留业务逻辑，解决传统方法在遗留系统现代化中丢失隐含规则和交叉模块约束的问题，实验表明该方法在多个场景中表现优异。

Comments 10 pages, 8 tables, 1 figure

NeSyFS: A Neuro-symbolic Fast-Slow Thinking Framework for LLM Agent under Partial Observability

NeSyFS：部分可观测场景下LLM智能体的神经符号快慢思考框架

Duo Xu, Faramarz Fekri

专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI

AI总结 该研究针对部分可观测场景下LLM智能体的决策挑战，提出NeSyFS神经符号快慢思考框架，结合知识图谱、TSMC算法与反思模块，在三个基准测试中表现优于现有方法。

Deferred Exposure of Future Trajectories for Verifiable Reasoning in Autonomous Driving VLMs

用于自动驾驶视觉语言模型可验证推理的未来轨迹延迟暴露

Zixuan Huang, Yang Zhou, Kaixuan Wang, Guli Zhang, Hongyan Xie, Yakun Zhu, Hao Geng, Xiaozhi Chen, Yikun Ban, Deqing Wang

专题命中 规划推理 ：reasoning(title,abstract)；CoT(abstract,abstract_cn)；chain-of-thought(abstract)；planning(abstract)

AI总结 该研究针对自动驾驶VLA模型的轨迹锚定偏差问题，提出AD-MCQ规划框架与DEFT-RLVR方法，将未来轨迹转化为决策后验证目标，提升了自动驾驶推理能力并保留了通用视觉能力。

Before Reasoning Can Fail: Pre-Evidence Procedural Failures in Agentic RAG

在推理失效之前：智能体检索增强生成（RAG）中的证据前程序失效

Daeyoung Roh, Donghee Han

机构 * KAIST（韩国科学技术院） 纠错

专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.AI

AI总结 该研究针对智能体RAG系统在推理前的程序失效，提出将错误答案分为两类失效，评估Read-Gate机制，发现强制阅读可提升准确率，且证据收集应作为独立轨迹控制问题评估。

Comments 22 pages, 7 figures. Code: https://github.com/Noverse0/before-reasoning-fails

Enhancing LLM Performance Through Debate: An Empirical Study on Multi-Agent Debate for Coding Tasks

通过辩论提升大语言模型性能：针对编码任务的多智能体辩论实证研究

Yong Jin Chun, Qihong Chen, Jiawei Li, Iftekhar Ahmed

专题命中 规划推理 ：reasoning(abstract)；planning(abstract)

AI总结 本研究探究多智能体辩论（MAD）在软件工程四类编码任务上的有效性，适配NLP的MAD框架并提出两种变体，证实结构化辩论可提升LLM编码性能，凸显其协作协同效应。

Comments accepted to ACM Transactions on Software Engineering and Methodology (TOSEM)

SimulRAG: Simulator-based RAG for Grounding LLMs in Long-form Scientific QA

SimulRAG：基于模拟器的检索增强生成（RAG）框架，用于将大型语言模型（LLMs）落地到长篇科学问答任务中

Haozhou Xu, Dongxia Wu, Matteo Chinazzi, Ruijia Niu, Rose Yu, Yi-An Ma

机构 * University of California San Diego（加州大学圣迭戈分校） ； Stanford University（斯坦福大学） ； Northeastern University（东北大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.CL、cs.LG

AI总结 针对LLMs在长篇科学问答中易幻觉的问题，本文提出SimulRAG框架，引入UE+SBA机制，发布相关基准，实验表明其信息量与事实性较基线分别提升30.4%、16.3%

Comments Haozhou Xu and Dongxia Wu are co-first authors

When Prompts Control Robots: Prompt Injection Attacks in Multi-Agent Robotic Systems

当提示控制机器人时：多智能体机器人系统中的提示注入攻击

Neha Nagaraja, Amisha Bagari, Hayretdin Bahsi

机构 * School of Informatics, Computing, and Cyber Systems, Northern Arizona University（北亚利桑那大学信息学、计算与网络安全学院） ； Department of Software Science, Tallinn University of Technology（塔林理工大学软件科学系） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 本文针对基于LLM的多智能体机器人系统，系统研究了直接和间接提示注入攻击的风险、传播特性及架构对攻击成功率的影响，是该领域的首项系统性研究。

Which Modality Decides? Counterfactual Modality Attribution for Multimodal LLMs

哪种模态起决定作用？多模态大语言模型的反事实模态归因

Vahidin Hasic, Chao Wang, Luis C. Garcia-Peraza-Herrera, David Watson, Senka Krivic

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 该研究针对多模态大语言模型无法确定预测驱动模态的问题，提出反事实模态归因（CMA）框架，经实验验证其能准确识别决策驱动模态，可用于多模态模型的安全审计。

Comments 9 pages, 5 figures

Toward Goal-Agnostic Joint-Embedding Predictive Control of Partial Differential Equations

迈向偏微分方程的目标无关联合嵌入预测控制

Jonathan Gallagher, Roberto Guglielmi

机构 * University of Waterloo（滑铁卢大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 该研究针对偏微分方程提出目标无关控制框架，基于联合嵌入预测架构，通过离线训练小型二维ViT编码器等，经模型预测路径积分控制器复用。在相关基准测试中，KE探测器规划提升奖励、降低误差，验证了潜在动力学与目标无关及校准可观测量用于状态控制的优势。

Comments Associated code will be open sourced alongside a later, updated submission

Language model agents show in-group trust bias invisible to standard behavioural audits

指令调优语言模型代理中类似人类的内群体偏见

Messi H. J. Lee

机构 * Independent Researcher（独立研究者） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 通过多代理模拟，发现指令调优语言模型在群体标签可见时表现出内群体信任偏见、行动同质性和网络同配性，且这种歧视在标准审计中不可见，但会累积为结构性不平等。

Suffix-Constrained Greedy Search Algorithms for Causal Language Models

后缀约束的贪心搜索算法用于因果语言模型

Ayoub Hammal, Pierre Zweigenbaum, Caio Corro

机构 * Université Paris-Saclay, CNRS, LISN（巴黎萨克雷大学、法国国家科学研究中心、LISN） ； Université de Rennes, INSA Rennes, CNRS, IRISA（雷恩大学、里昂国立应用科学学院、法国国家科学研究中心、IRISA） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL

AI总结 本研究提出后缀约束贪心搜索算法，用于在因果语言模型中确保最终答案的结构化提取，同时不损害性能甚至提升结果。

OR-Agent: Bridging Evolutionary Search and Structured Research for Automated Algorithm Discovery

OR-Agent：连接进化搜索与结构化研究以实现自动化算法发现

Qi Liu, Ruochen Hao, Can Li, Wanjing Ma

机构 * Key Laboratory of Road and Traffic Engineering of the Ministry of Education（教育部道路与交通工程重点实验室） ； College of Transportation, Tongji University（同济大学交通运输学院） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 OR-Agent通过结构化树形工作流和进化-系统化构想机制，实现自动化算法发现的高效探索与科学发现。

VirtualCrime: Evaluating the Criminal Potential and Agentic Behaviors of Large Language Models via Sandbox Simulation

VirtualCrime: 通过沙盒模拟评估大语言模型的犯罪潜力

Yilin Tang, Yu Wang, Lanlan Qiu, Wenchang Gao, Yunfei Ma, Baicheng Chen, Tianxing He

专题命中 规划推理 ：planning(abstract)

AI总结 本文提出VirtualCrime框架，通过三代理系统评估大语言模型的犯罪能力，设计40种多样化的犯罪任务，并评估8种强大的LLM，发现模型在犯罪过程中生成详细计划并执行智能犯罪过程，但有时会采取严重行动伤害NPC。

AgenticSCR: An Autonomous Agentic Secure Code Review for Immature Vulnerabilities Detection

AgenticSCR: 一种用于检测初期漏洞的自主代理安全代码审查

Wachiraphan Charoenwet, Kla Tantithamthavorn, Patanamon Thongtanunam, Hong Yi Lin, Minwoo Jeong, Ming Wu

机构 * The University of Melbourne（墨尔本大学） ； Monash University（莫纳什大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.AI、cs.LG

AI总结 AgenticSCR通过结合LLMs、自主决策和语义记忆，有效检测预提交阶段的初期漏洞，优于传统SAST工具和静态LLM基线。

Comments Accepted at the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE'26 Industry-Track)

Self-Guided Adaptive Safety Alignment: Synthesizing and Internalizing Guidelines in Reasoning Models

自引导防御：通过合成指南实现推理模型的自适应安全对齐

Yuhang Wang, Yanxu Zhu, Jiaming Zhang, Dongyuan Lu, Jitao Sang

机构 * Beijing Key Lab of Traffic Data Analysis and Mining（北京交通大数据分析与挖掘重点实验室） ； Beijing Jiaotong University（北京交通大学） ； School of Information Technology and Management（信息科技与管理学院） ； University of International Business and Economics（国际经济贸易大学） 纠错

专题命中 测试时计算 ：reasoning(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出SGASA框架，通过合成指南实现推理模型的自适应安全对齐，提升对抗性提示防御能力并减少对良性请求的拒绝。

Where Reasoning Diverges: Localized Multi-Agent Debate for Multi-Hop Question Answering

推理分歧之处：本地化多智能体辩论

Weijun Gao, Xiang Ding, Haoyang Liu, Tiancheng Xing

机构 * The Chinese University of Hong Kong（香港中文大学） ； Nagoya University（名古屋大学） ； Institute of Science Tokyo（东京科学大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 测试时计算 ：reasoning(title)；分类 cs.AI

AI总结 针对多智能体辩论冗余交换完整推理轨迹的问题，提出LMAD协议，通过定位冲突并限制辩论范围，在十个骨干模型上实现宏平均评判准确率提升7.20个百分点。

An Agentic Approach to Metadata Reasoning

元数据推理的代理方法

Jiani Zhang, Sercan O. Arik, Cosmin Arad, Fatma Ozcan, Alon Halevy

专题命中 复杂问题求解 ：reasoning(title,abstract)

AI总结 本文提出元数据推理代理，通过检索候选表和自主咨询元数据，有效筛选数据源。在KramaBench和合成基准测试中，其在数据选择和避免低质量数据方面表现优异。

Know When to Stop: Segment-Level Credit Assignment for Reducing Overthinking

知止：用于减少过度思考的片段级信用分配

Chia-Hsuan Lee, Sihui Dai, Mingyang Zhou, Isha Slavin, Hsuan Su, Shi-Xiong Zhang, Sambit Sahu, William Campbell

机构 * Capital One（第一资本） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；self-correction(abstract)；分类 cs.CL

AI总结 提出DASH方法，通过将推理轨迹中的最终答案候选与真实值比较，实现片段级信用分配，减少推理语言模型过度思考行为，在AIME25上准确率达50.8%。

SphUnc: Hyperspherical Uncertainty Decomposition and Causal Identification via Information Geometry

SphUnc：通过信息几何的超球面不确定性分解与因果识别

Rong Fu, Chunlei Meng, Jinshuo Liu, Dianyu Zhao, Yongtai Liu, Yibo Meng, Xiaowen Ma, Wangyu Wu, Yangchen Zeng, Shuaishuai Cao, Simon Fong

机构 * University of Macau（澳门大学） ； Fudan University（复旦大学） ； Hangzhou Dianzi University（杭州电子科技大学） ； Renmin University of China（中国人民大学） ； Hanyang University（翰阳大学） ； Tsinghua University（清华大学） ； Zhejiang University（浙江大学） ； University of Liverpool（利物浦大学） ； Southeast University（东南大学） ； Central South University（中南大学） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI、cs.LG

AI总结 SphUnc结合超球面表示学习与结构因果建模，通过信息几何融合分解不确定性为epistemic和aleatoric成分，并通过样本模拟实现因果识别，提升多智能体系统中的预测准确性和不确定性校准能力。

Comments 22 pages, 15 figures

SpatialCLI: Learning to Reason With Spatial Tools, Then Without Them

SpatialCLI：先借助空间工具进行推理，再脱离工具进行推理

Yang Zhou, Zixuan Huang, Sunzhu Li, Zhuo Yang, Chen Zhang, Shunian Chen, Caijun Yan, Jianyao Xu, Shunyu Liu, Weijie Fu, Peiliang Li, Xiaozhi Chen, Yuxiang Cai

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI

AI总结 本研究提出SpatialCLI框架，通过三个阶段让视觉语言模型先借助专用空间工具推理，再内化感知能力，在MindCube上大幅提升了Qwen3-VL-8B-Instruct的性能，表现优于对比模型。

Fault Cause Identification across Manufacturing Lines through Ontology-Guided and Process-Aware FMEA Graph Learning with LLMs

基于本体引导和流程感知FMEA图学习结合大语言模型的跨生产线故障原因识别

Sho Okazaki, Kohei Kaminishi, Takuma Fujiu, Yusheng Wang, Manu Sasidharan, Jun Ota

专题命中 复杂问题求解 ：reasoning(abstract)

AI总结 该研究针对跨生产线故障原因识别难题，提出OGPAL框架，结合LLM与RGCN实现FMEA知识复用，在汽车压力传感器装配线案例中性能优于基线方法。