S*: Test Time Scaling for Code Generation
专题命中 测试时计算 ：reasoning(abstract)；test-time compute(abstract)；分类 cs.AI、cs.LG
AI 大模型
大模型推理能力
大模型数学、逻辑、规划、多步推理和测试时计算能力。
1. 测试时计算 1976 篇
GraphArena: Evaluating and Exploring Large Language Models on Graph Computation
专题命中 测试时计算 ：chain-of-thought(abstract)；test-time compute(abstract)；分类 cs.CL、cs.AI
Comments ICLR 2025 camera ready version
VerifierQ: Enhancing LLM Test Time Compute with Q-Learning-based Verifiers
专题命中 测试时计算 ：reasoning(abstract)；verifier(abstract)；分类 cs.CL、cs.LG
Using Large Language Models for the Interpretation of Building Regulations
专题命中 测试时计算 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.AI
Comments Presented at the 13th Conference on Engineering, Project and Production Management
General Purpose Verification for Chain of Thought Prompting
专题命中 测试时计算 ：reasoning(abstract)；verifier(abstract)；分类 cs.CL、cs.AI
Comments 22 pages, preprint
Amortizing intractable inference in large language models
专题命中 测试时计算 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.LG
Comments ICLR 2024; 23 pages; code: https://github.com/GFNOrg/gfn-lm-tuning
LgTS: Dynamic Task Sampling using LLM-generated sub-goals for Reinforcement Learning Agents
专题命中 测试时计算 ：reasoning(abstract)；planning(abstract)；分类 cs.AI、cs.LG
Stay on topic with Classifier-Free Guidance
专题命中 测试时计算 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.LG
Dr.ICL: Demonstration-Retrieved In-context Learning
专题命中 测试时计算 ：chain-of-thought(abstract)；CoT(abstract)；分类 cs.CL、cs.AI
Boosted Prompt Ensembles for Large Language Models
专题命中 测试时计算 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.LG
Grounding the Score: Explicit Visual Premise Verification for Reliable Vision-Language Process Reward Models
将评分接地：为可靠视觉语言处理奖励模型的显式视觉前提验证
机构 * Qwen Large Model Application Team, Alibaba（阿里巴巴大模型应用团队） ； Alibaba Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所阿里巴巴分所） ； Beijing University of Posts and Telecommunications（北京邮电大学）
专题命中 测试时计算 ：reasoning(abstract,comments)；verifier(abstract)；分类 cs.AI
AI总结 本文提出EVPV方法，通过显式验证视觉前提提升视觉语言处理奖励模型的可靠性，实验表明其在多模态推理基准上提升了重排序准确率。
Comments 27 pages, 4 figures, 10 tables. Evaluated on VisualProcessBench and six multimodal reasoning benchmarks (LogicVista, MMMU, MathVerse-VO, MathVision, MathVista, WeMath). Includes ablations and causal analysis via controlled constraint corruption. Code: https://github.com/Qwen-Applications/EVPV-PRM
xChk: Bring Your Own Identity -- Heterogeneous Assurance with Verifier-Determined Sufficiency
xChk：自带身份——基于验证者确定充分性的异构认证
专题命中 测试时计算 ：verifier(title)
AI总结 xChk作为自带身份的参考身份提供商，让用户通过异构证明注册并在OIDC令牌中披露声明，依赖方应用自身策略，支持人工参与高风险操作认证，生产部署实现双边RP评估及特定依赖方登录。
Comments 19 pages, 4 figures. Reference implementation at https://in.xchk.io; one documented RP (crabbyed.com, Appendix B)
Selftok: Discrete Visual Tokens of Autoregression, by Diffusion, and for Reasoning
机构 * Selftok Team（Selftok团队） ； Media Technology Institute（媒体技术研究所） ； Huawei（华为）
专题命中 测试时计算 ：reasoning(title)
More Correct Mass, Worse Answers: Why Power Sampling Can Fail and How to Fix It
更多正确质量，更差答案：幂采样为何会失效及如何修复
机构 * State Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能 State Key Laboratory）
专题命中 测试时计算 ：reasoning(abstract)；verifier(abstract)；分类 cs.LG
AI总结 研究发现幂采样存在悖论，即提升正确轨迹概率却降低下游推理性能，归因于剂量与覆盖不匹配，提出修复后的支持保留幂采样器可逆转损失并优于标准多采样推理。
Comments 16 pages, 8 figures, 1 table. Haohui Yang and Jiaxing Sun contributed equally. Xiujun Ma is the corresponding author
MERA: Model Evolution and Routing with Skill Adaptation for Agentic Systems at Scale
MERA：面向大规模智能体系统的技能适配型模型演化与路由
机构 * Gradient ； Soochow University（苏州大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
专题命中 测试时计算 ：reasoning(abstract)；verifier(abstract)；分类 cs.LG
AI总结 MERA以单模型调用为适应单元，通过多轮适配提升小模型能力，结合带验证器回退的成本校准路由，在HumanEval+MBPP、TAU-2等数据集上实现小模型性能提升与成本降低。
Comments Preliminary version in CAIS RL-Eval
Rethinking Inference-Time Scaling: Efficiency Limits and Linguistic Signals
重新思考推理时缩放：效率极限与语言信号
机构 * Duke University（杜克大学） ； Together AI ； University of Chicago（芝加哥大学） ； Stanford University（斯坦福大学）
专题命中 测试时计算 ：reasoning(abstract)；test-time compute(abstract)；分类 cs.AI
AI总结 本研究分析推理时缩放的效率极限，发现非推理模型存在无法突破的推理底线，多数投票优于复杂框架，还识别出正确性的语言信号，为高效推理智能体提供了新路径。
Comments update figures, writings
Bridging Inference-Time Scaling and Episodic Memory with Action-Centric Graphs
基于动作中心图的推理时缩放与情景记忆的衔接
机构 * Florida International University（佛罗里达国际大学） ； Stanford University（斯坦福大学） ； NEC Laboratories America（美国NEC实验室） ； Singapore Management University（新加坡管理大学）
专题命中 测试时计算 ：reasoning(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出GAMER框架，通过动作中心图衔接推理缩放与情景记忆，采用双流时间差分学习优化决策，在多基准上较普通基线提升了20.81%的成功率与6.17%的进度率。
Beyond Success Rate: Cost-Aware Evaluation of Offensive and Defensive Security Agents
超越成功率：攻防安全代理的成本感知评估
专题命中 测试时计算 ：reasoning(abstract)；test-time compute(abstract)；分类 cs.AI
AI总结 研究通过成本-成功率视角评估语言模型安全代理，在攻防挑战中比较固定成本下模型性能，发现红蓝队任务扩展模式不同，进攻性CTF性能与测试时计算量有关，防御性SOC调查更依赖工具使用等，强调安全代理基准应考量经济效率与运营契合度。
QLPO: Quadrant-weighted Sampling for Length-aware Policy Optimization
QLPO：用于长度感知策略优化的象限加权采样
机构 * School of Computer Science, Peking University（北京大学计算机科学学院） ； Beijing Key Laboratory of Software and Hardware Cooperative Artificial Intelligence Systems, Peking University（北京大学软硬件协同人工智能系统北京市重点实验室） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Institute of Computational Social Science, Peking University (Qingdao)（北京大学（青岛）计算社会科学研究院）
专题命中 测试时计算 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.AI
AI总结 针对大型推理模型长思维链响应致高延迟成本问题，提出QLPO方法，通过先过度生成候选响应，再按特定规则重采样训练组，实现隐式长度控制，在多模型中改善准确率与长度权衡，减少响应长度并保持推理性能。
Comments 18 pages, 7 figures, 6 tables. Accepted at COLM 2026
From Chatbot to Digital Colleague: The Paradigm Shift Toward Persistent Autonomous AI
从聊天机器人到数字同事：向持久自主人工智能的范式转变
专题命中 测试时计算 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.AI
AI总结 本文提出LLM从聊天机器人向数字同事的范式转变，通过认知核心（思考型LLM）和工具增强任务执行（OpenClaw工作站系统）两个维度，实现持久工作、状态持久化、可重用技能和自改进能力。
Comments The paper is available on the project website: https://from-chatbot-to-digital-colleague.github.io/
Salience Induction against Multi-Hop RAG Agents: Threat and Defense
针对多跳检索增强生成智能体的显著性诱导：威胁与防御
机构 * National University of Defense Technology（国防科技大学）
专题命中 测试时计算 ：reasoning(abstract)；verifier(abstract)；分类 cs.CL
AI总结 研究多跳检索增强生成智能体面临的新攻击面——显著性通道，提出显著性诱导方法并定义操作符类，构建管道，引入基准。通过实验评估多种模型和架构，展示该方法有效性，强调智能体RAG需防御显著性 - 相关性解耦。
Comments 18 pages, 4 figures, 12 tables
DICE: Entropy-Regularized Equilibrium Selection for Stable Multi-Agent LLM Coordination
DICE: 用于稳定多智能体LLM协调的熵正则化均衡选择
机构 * University of Arizona（亚利桑那大学） ； Hong Kong Baptist University（香港浸会大学）
专题命中 测试时计算 ：reasoning(abstract)；planning(abstract)；分类 cs.LG
AI总结 提出DICE框架，通过熵正则化均衡选择（HQRE）解决多智能体LLM协调中的不稳定性，实现线性收敛和有限贝叶斯遗憾，在11个基准上平均提升4.3-8.5个百分点。
A Task-State Representation for Long-Horizon Mobile GUI Agents
面向长时程移动GUI代理的任务状态表示
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； School of Software, Beihang University（北京航空航天大学软件学院）
专题命中 测试时计算 ：reasoning(abstract)；verifier(abstract)；分类 cs.CL
AI总结 提出任务状态表示（TSR）框架，通过解耦任务状态与屏幕观察，解决长时程移动GUI代理的上下文负担问题，在复杂跨应用任务中成功率提升最高12个百分点。
Comments Preprint. 9 pages, 3 figures
Addressing Over-Refusal in LLMs with Competing Rewards
用竞争奖励解决大语言模型中的过度拒绝问题
机构 * Carnegie Mellon University（卡内基梅隆大学） ； SynthLabs
专题命中 测试时计算 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.LG
AI总结 提出SEAR方法，通过对抗优化和过程奖励，让模型在推理中探索有害思路但最终输出安全答案，从而缓解安全训练导致的过度拒绝问题。
Certified Speculative Execution for Untrusted AI Agents
不可信AI代理的认证推测执行
机构 * School of Engineering, Institute of Science Tokyo, Japan（东京科学大学工学院） ； College of Control Science and Engineering, Zhejiang University, China（浙江大学控制科学与工程学院） ； Department of Electrical and Computer Engineering, National University of Singapore, Singapore（新加坡国立大学电气与计算机工程系）
专题命中 测试时计算 ：test-time compute(abstract)；verifier(abstract)；分类 cs.LG
AI总结 提出证书门控前缀接受（CGPA）方法，通过可信验证器、保形校准值边界和求解器延迟机制，实现安全、遗憾和速度的解耦，将不可信AI代理的违规率降至零。
Comments 15 pages, 2 figures, 24 tables. Includes a technical appendix (full proofs and all supplementary tables)
TRUSTMEM: Learning Trustworthy Memory Consolidation for LLM Agents with Long-Term Memory
TRUSTMEM：学习具有长期记忆的LLM智能体的可信记忆巩固
机构 * AI Center-Mountain View, Samsung Electronics（三星电子山景城AI中心） ； University of Notre Dame（圣母大学）
专题命中 测试时计算 ：reasoning(abstract)；verifier(abstract)；分类 cs.AI
AI总结 提出TrustMem框架，通过记忆转换验证器评估更新过程，并利用偏好强化学习优化记忆更新行为，显著提升记忆效用和可靠性。
Not All Invariants Are Equal: Curating Training Data to Accelerate Program Verification with SLMs
并非所有不变式都同等重要：利用SLM通过精选训练数据加速程序验证
机构 * Hebrew University of Jerusalem, Israel（特拉维夫大学） ； Amherst College, USA（阿默斯特学院） ； VMware Research by Broadcom, USA（Broadcom VMware 研究）
专题命中 测试时计算 ：test-time compute(abstract)；verifier(abstract)；分类 cs.LG
AI总结 提出Wonda数据筛选流水线，通过AST归一化和LLM语义重写从原始验证器输出中提取高质量训练不变式，微调小语言模型（SLM）后，在多个模型上使不变式正确性和加速率翻倍甚至三倍，小模型性能媲美大模型。
Comments A preprint of the ICML 2026 paper with the same title
Topical Phase Transitions in Artificial Intelligence Research: Large-Scale Evidence and an Early-Warning Signature for Emerging Topics
人工智能研究中的主题相变：大规模证据与新兴主题的早期预警信号
机构 * College of Science and Engineering（科学与工程学院） ； Hamad Bin Khalifa University（哈马德·本·哈利法大学） ； Doha, Qatar（卡塔尔多哈）
专题命中 测试时计算 ：reasoning(abstract)；test-time compute(abstract)；分类 cs.AI
AI总结 通过分析2017-2025年五大AI会议论文，发现AI主题通过“相变”方式突然爆发，并基于早期预警信号识别未来需关注的主题。
AVIS: Adaptive Test-Time Scaling for Vision-Language Models
AVIS: 视觉语言模型的自适应测试时缩放
机构 * AI Center-Toronto, Samsung Electronics（三星电子多伦多AI中心） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； York University（约克大学）
专题命中 测试时计算 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.AI
AI总结 提出AVIS，通过轻量策略联合优化视觉上下文缩放和推理缩放，利用无训练的关键多样性剪枝和自适应自一致性，在多种基准上提升精度-计算权衡。
Comments Project page: https://avis-vlm.github.io/
Predicting Inference-Time Scaling Gains from Labeled Validation-Set Output Statistics
从标注验证集输出统计量预测推理时缩放增益
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Johns Hopkins University（约翰霍普金斯大学）
专题命中 测试时计算 ：reasoning(abstract)；verifier(abstract)；分类 cs.CL
AI总结 提出一种基于标注验证集输出统计量的轻量级方法，通过三个核心特征（提示级一致性扩散、标签辅助的首个正确样本位置、完成长度方差）结合熵特征，使用岭回归预测最佳-of-N推理缩放增益，达到Spearman ρ=0.90的相关性。
