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。
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
十年视觉语言人工智能模型中准确性和视觉认知错误的演变
机构 * Psychological & Brain Sciences, University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校心理与脑科学系） ； Department of Computer Science, University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校计算机科学系） ； Department of Electrical and Computer Engineering, University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校电气与计算机工程系）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究十年间视觉语言模型进展，引入CSB数据集，评估模型在其上及MS-COCO样本中的准确性与视觉认知错误类型，发现MLLM消除简单与复杂场景描述准确性差距，几乎消除多数错误类型，为模型发展提供全面评估。
UniClawBench：面向实际任务中主动智能体的通用基准测试
机构 * HKU MMLab（香港大学多媒体实验室） ； Meituan（美团）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 针对现有基准测试难以评估主动智能体的问题，提出UniClawBench，基于五项基础模型能力设计400个双语现实任务，采用实时评估和闭环评估策略，通过多模型框架对比展示基础模型能力和框架设计对性能的影响，还公开了基准测试和代码。
Comments Project Page: https://uniclawbench.github.io | GitHub Repo: https://github.com/HKU-MMLab/UniClawBench
通过PredicateLongBench理解长上下文任务的难度轴
机构 * NVIDIA
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究针对大语言模型长上下文能力评估不足，提出PredicateLongBench基准，通过识别满足谓词的最长连续子序列压力测试长上下文推理，探索多个难度轴，用两种生成管道实验，发现前沿模型在难度提升时表现不佳，助于理解能力局限。
PolyUQuest：基于异构图的可验证结构感知网络检索增强生成
机构 * The Hong Kong Polytechnic University（香港理工大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究针对现有RAG系统不足，提出基于异构图的PolyUQuest框架。通过双层路由器分配查询到三种检索模式，答案可验证。在PolyU官网等评估中，该框架在多方面优于现有系统，还提供交互式界面，准备部署为学生问答服务。
精神病院：一个用于评估精神科临床问诊的虚拟环境
机构 * School of Computer Science, Chongqing University（重庆大学计算机科学学院） ； School of Computer Science, Hunan University（湖南大学计算机科学学院）
专题命中 推理评测 ：planning(abstract)；分类 cs.AI
AI总结 研究针对大语言模型在精神科临床问诊评估不足的问题，引入MentalHospital虚拟环境，实例化S.O.A.P.工作流程，用双轨协议评估，开发MentalEval，经测试其具有临床保真度且与专家高度一致，指出大语言模型在精神状态评估上落后临床医生。
一种用于人工智能辅助鉴别诊断的面向安全的假设-演绎框架
机构 * Yale School of Medicine, Yale University（耶鲁大学医学院，耶鲁大学） ； Università degli Studi di Trieste（的里雅斯特大学） ； Vanderbilt University（范德堡大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究针对诊断错误威胁，提出AegisDx框架，通过协调LLM组件进行鉴别诊断、筛查危险情况、验证推理等。经多层面评估，该框架在诊断准确率及安全评分等方面表现优于独立LLM，为急性护理提供更优床边决策支持
DeepSWE：在原始的、长周期工程任务上评估前沿编码智能体
机构 * Datacurve
专题命中 推理评测 ：verifier(abstract)；分类 cs.LG
AI总结 研究针对编码智能体评估，指出多数基准测试存在的问题。提出DeepSWE基准测试，其任务从零编写，用手写验证器评分，能避免相关问题，在区分智能体等方面表现出色，还发布了基准测试等相关内容。
Comments 32 pages, 10 figures. Code and data: https://github.com/datacurve-ai/deep-swe ; https://deepswe.datacurve.ai/
机构红队测试：部署规则而非模型，因果性地塑造多智能体人工智能安全
机构 * 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 研究多智能体人工智能安全中部署规则的影响，提出机构红队测试方法，通过IABench-CA实例化，发现规则改变集体安全、无安全默认规则、身份显著性是机制，还打包成安全案例工作流程认证规则区域并明确风险义务。
视觉语言模型中使用空间指示表达式的多语言能力评估
机构 * The University of Tokyo（东京大学） ； Riken（理化学研究所） ； Tohoku University（东北大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 研究聚焦视觉语言模型的空间推理能力，通过开发基准评估其使用四种语言空间指示表达式的多语言能力，实验发现测试模型使用指示词方式与人类不同，特别是在依距离选指示词方面。
Comments Accepted to ACL SRW 2026
一个用于自动驾驶的具有大语言模型注释的高风险驾驶场景知识增强数据集
机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； Fudan University（复旦大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.LG
AI总结 研究自动驾驶中高风险场景数据不足问题，核心方法是构建K-Risk数据集，整合多源轨迹数据并利用大语言模型生成注释，主要贡献是为自动驾驶开发和评估提供标准化基础。
Comments 22 pages, 9 figures
驾驭效应：编排设计如何设定企业智能体人工智能的代币经济学
机构 * Writer, Inc.（作家公司）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究智能体人工智能开发中代币最大化问题及应对方法，核心方法是通过控制交换实验凸显驾驭层作用，主要贡献为证明驾驭层可降低成本、提升效率和质量，且效率提升适用于所有模型，质量提升与模型强度相关。
一种评估智能体人工智能自主模型发现的实验设计方法
机构 * Department of Statistics, Virginia Tech（统计学系，弗吉尼亚理工学院） ； Department of Statistical Science, Baylor University（统计科学系，贝勒大学） ； Advanced Research Computing, Virginia Tech（高级研究计算，弗吉尼亚理工学院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究大型语言模型编码智能体自主模型发现行为，提出实验设计与分析框架，将智能体视为随机模型发现算子，在多种受控因素下研究Codex和Claude Code两个算子，进行回归模型和推理，开发规范分解，通过网络造词游戏测试平台得出相关深刻发现。
Comments 39 pages, 11 figures, 6 tables. Data and code available at the GitHub repository listed in the paper
Prompt Coach：软件开发中用于学习提示工程的智能导师的实证评估
机构 * Accenture Labs, India（Accenture实验室，印度） ； Accenture, India（Accenture，印度） ； Accenture, USA（Accenture，美国）
专题命中 推理评测 ：self-correction(abstract)；分类 cs.AI
AI总结 研究针对软件开发人员难以掌握的提示工程技能，提出智能导师Prompt Coach，通过苏格拉底式指导助其学习编写高质量代码生成提示，经实证研究，15名专业开发者参与，单次课程后有显著改进，提升了提示编写技能。
Comments 7 pages. To be published in the proceedings of 41st International Conference on Automated Software Engineering (ASE '26), October 12-16, 2026, Munich, Germany (Industry Showcase Track)
EvoAgentBench：通过能力迁移评测智能体自进化的基准平台
机构 * Anhui University（安徽大学） ； EverMind, Shanda Group（盛趣游戏灵眸智能科技） ； Southeast University（东南大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 针对现有评测无法分离大语言模型智能体程序性经验迁移的问题，提出跨四领域的EvoAgentBench基准，可将自进化评测转为对经验编码、路由与吸收的细粒度诊断。
Comments 15 pages, 2 figures, 8 tables
服从、发散、崩溃：对错误指令的盲目服从驱使代码语言模型陷入无法恢复的代码语义崩溃
机构 * IIIT Delhi（印度德里国家理工学院） ； IIT Kanpur（印度坎浦尔理工学院） ； Microsoft Research India（微软印度研究院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究代码语言模型在指令错误时的表现，通过四个实验评估其在单步和迭代修复设置中对错误指令的应对，发现模型会盲目服从错误指令致代码语义崩溃，引入幽灵错误且无法恢复。
自主信息寻求：智能推荐系统路线图
机构 * National University of Singapore（新加坡国立大学） ； Polytechnic University of Bari（巴里理工大学） ； Renmin University of China（中国人民大学） ； University of Science and Technology of China（中国科学技术大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 综述基于大语言模型的智能体融入推荐系统带来的转变，介绍基于自主性水平的分类法及三种核心范式，分析各范式采用的架构和智能体对关键组件的增强，探讨评估方法及未解决问题，指出开放挑战。
关于强化学习中奖励函数对大语言模型置信度校准的有效性
机构 * School of Computing National University of Singapore（新加坡国立大学计算机学院） ； Institute of Advanced Intelligence and Computing（高级智能与计算研究所） ； Agency for Science, Technology and Research（科技研究局） ； Department of Electrical & Computer Engineering（电气与计算机工程系）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.LG
AI总结 研究大语言模型用强化学习训练以提升推理准确性和表达置信度时，奖励函数的设计问题。提出不可破解置信奖励方案概念并定义相关奖励方案谱，指出实际数据集中存在的问题及最佳校准奖励方案因数据集和应用而异。
Comments 50 pages, 8 figures
HCSU：用于细粒度历史书法风格理解的数据集和基准测试
机构 * School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） ； The Key Laboratory of Embedded System and Service Computing, Ministry of Education（教育部嵌入式系统与服务计算重点实验室）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 针对大视觉语言模型在书法风格细粒度理解的挑战，引入HCSU数据集，含多朝代书法家字符图像，解耦模态混合问题，提供分层审美描述及评估协议，揭示当前架构局限以推动视觉推理发展。
Comments Accepted at ECCV 2026. 17 pages, 5 figures, 5 tables
用于开源情报和网络调查的智能与生成式人工智能：分类法、评估、挑战及未来方向
机构 * School of Computer Science and Mathematics, Keele University（基尔大学计算机科学与数学学院） ； Cybersecurity Institute, University of Liverpool（利物浦大学网络安全研究所） ； Department of Applied Computing IICL, University of Wales Trinity Saint David（威尔士特里尼达大学应用计算系） ； Deakin Cyber Research and Innovation Hub, Deakin University（德金大学网络安全研究与创新中心） ； Department of Information Systems and Cyber Security, The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校信息系与网络安全系）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究指出公开数字信息增长使人工开源情报分析不足，大语言模型等成解决方案但评估框架滞后。通过综述74项研究，明确智能人工智能类别，找出幻觉验证差距，映射研究到情报生命周期并给出研究议程。
Comments 36 Pages
大语言模型安全工具编排的决定因素与限制：基于HexStrike-AI的研究
机构 * University of Science and Technology of China（中国科学技术大学） ； Suzhou Institute for Advanced Research（苏州研究院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 以HexStrikeAI为测试平台，通过评估系统、诊断故障并改进，运行多类挑战，发现驱动客户端是固定模型的首要因素，整体解决率提升，剩余故障受推理或环境限制，还讨论了编排器评估及局限性。
S-EMBER：用于流式自我中心记忆检索的大规模基准测试
机构 * FAIR, Meta（公平研究院，元公司） ； Reality Labs, Meta（现实实验室，元公司）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究针对可穿戴设备连续第一人称记录下AI助手的情景记忆问题，引入S-EMBER基准测试，通过视频及问答对模拟真实交互，发现前沿模型存在定位矛盾，为可穿戴AI代理情景记忆发展奠定基础。
MatPhaseBench：用于材料相图理解的语义引导基准测试
机构 * Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Manchester（曼彻斯特大学） ； Institute of Metal Research, Chinese Academy of Sciences（中国科学院金属研究所） ； China University of Geosciences（中国地质大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 介绍用于材料相图理解的MatPhaseBench基准测试，从文献选图与文字构建，有复杂科学图像理解、图文全面对齐、高质量人工监督文本采集三个关键特性，实验显示当前VLM距专家理解有差距。
WorldRoamBench：交互式世界模型长时稳定性的开放世界基准
机构 * AMAP CV Lab, Alibaba Group（阿里巴巴集团AMAP CV实验室） ； Nanjing University（南京大学） ； Tsinghua University（清华大学） ； Peking University（北京大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 提出WorldRoamBench基准，从动作、视觉、物理和记忆四维度评估交互式世界模型的长时稳定性，包含600+测试用例，揭示现有模型在所有维度均不理想。
VideoAgent: 视频理解与编辑的全能框架
机构 * South China University of Technology（华南理工大学） ； The University of Hong Kong（香港大学） ； Snap Inc（Snap公司） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
专题命中 推理评测 ：planning(abstract)；分类 cs.AI
AI总结 提出VideoAgent，一种基于多智能体编排的全能框架，通过自动镜头创建和30多个专业编辑智能体，解决现有系统在长视频理解和多样化编辑操作上的局限，在VideoEdit基准上实现87-95%编排成功率并降低60% API成本。
Comments Preprint. Code available at https://github.com/HKUDS/VideoAgent
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