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。
CSMCIR: 基于记忆库的增强对称对齐用于复合图像检索
机构 * Kuaishou Technology（快播科技） ； Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（教育部多媒体可信感知与高效计算重点实验室，厦门大学）
专题命中 规划推理 ：CoT(title)；chain-of-thought(abstract)；分类 cs.AI
AI总结 本文提出CSMCIR，通过多级链式思维提示策略、对称双塔架构和熵基记忆库策略，实现高效查询-目标对齐，提升复合图像检索性能。
AGPO：面向京东可验证推理和搜索广告相关性的非对称分组策略优化
机构 * Nanjing University, Nanjing, China（南京大学） ； Peking University, Beijing, China（北京大学）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出AGPO方法，通过非对称分组策略优化，抑制错误推理路径，提升模型探索能力，并在数学基准和工业应用中实现高准确率和性能提升。
分叉花园：叙事弧条件下的游戏玩法规划
机构 * New York University（纽约大学）
专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI
AI总结 本文提出Forking Garden框架，通过用户提供的故事情节生成分支游戏，采用弧引导约束算法构建 dungeon 图，实现游戏元素的多模态对齐。
向流体力学中的多智能体自主推理迈进
机构 * Oden Institute（奥登研究所） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Notre Dame（北德克萨斯大学）
专题命中 规划推理 ：reasoning(title)；planning(abstract)；分类 cs.AI
AI总结 本文提出一种多智能体系统，通过分层执行图协调专业智能体，解决单智能体在流体力学中的上下文饱和问题，实现高精度和可靠性。
G-reasoner：用于统一图结构知识推理的基础模型
机构 * Monash University（莫纳什大学） ； Nanjing University of Science and Technology（南京理工大学） ； Griffith University（格里菲斯大学） ； Shanghai Jiao Tong University（上海交通大学） ； Tencent Youtu Lab（腾讯优图实验室） ； NVIDIA（英伟达）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 G-reasoner通过整合图与语言基础模型，实现对多样化图结构知识的高效推理，采用标准化四层抽象QuadGraph统一异构知识源，并通过混合精度训练和分布式消息传递提升效率与泛化能力。
Comments Accepted by ICLR 2026
知识规划领域定义语言：官方指南
机构 * Free University of Bozen-Bolzano（博尔扎诺自由大学） ； University of Oxford（牛津大学）
专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI
AI总结 本文提出EPDDL语言，通过抽象事件模型统一描述知识规划任务，解决现有规划器碎片化问题，提升可比性与可重复性。
SEARCH-R: 结构化实体感知检索与推理链导航器用于多跳问答
机构 * City University of Hong Kong（香港城市大学） ； Xi’an Jiaotong University（西安交通大学） ； Zhejiang University of Technology（浙江工业大学） ； Michigan State University（密歇根州立大学） ； Jilin University（吉林大学）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 SEARCH-R通过结构化实体感知检索与推理链导航器，解决多跳问答中推理路径生成和知识检索的准确性问题，提升多跳问答性能。
Comments ACL2026 findings
WinkTPG: 一个多智能体路径寻找的执行框架，利用时间推理
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
专题命中 规划推理 ：reasoning(title)；planning(abstract)；分类 cs.AI
AI总结 本文提出WinkTPG框架，通过时间推理优化多智能体路径规划，生成可行的速度配置并提升解决方案质量，实验证明其在高保真物理模拟和真实机器人中的有效性。
从粗到细：为LLM代理设计的自适应分层规划
机构 * Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大模型与智能治理重点实验室） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（下一代智能搜索与推荐工程技术研究中心，教育部） ； Gaoling School of Artificial, Renmin University of China（人大北京校区人工智能学院） ； Huawei Noah’s Ark Lab（华为诺亚实验室）
专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI
AI总结 本文提出AdaPlan-H，一种自适应分层规划机制，通过逐步细化策略提升复杂任务执行效率，减少过度规划，提供灵活高效的多步骤决策方案。
UpstreamQA：一个用于视频问答任务显式推理的模块化框架
机构 * Lincoln North Star High School（林肯北星高中） ； The Charter School of Wilmington（威尔明顿 charter 学校） ； Greenwich High School（格林威治高中） ； Santa Susana High School（圣塔苏娜高中） ； UC Berkeley（伯克利大学）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出UpstreamQA框架，通过显式推理模块分离和评估视频推理核心组件，提升视频问答任务的性能和可解释性，但可能在基线性能高时导致性能下降。
ChatR1: 基于强化学习的对话推理与检索增强问答
机构 * University of Amsterdam（阿姆斯特丹大学）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 ChatR1通过强化学习实现对话问答中的推理与检索增强，通过意图感知奖励提升多轮对话性能，优于多个基准数据集。
Comments 18 pages, 9 figures, Main ACL 2026 Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics, July 2--7, 2026, San Diego, California
多视角证据综合与推理用于无监督多模态实体链接
机构 * The University of New South Wales（新南威尔士大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Technology Sydney（技术大学悉尼）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出MSR-MEL框架，通过多视角证据综合与推理提升无监督多模态实体链接性能，采用图神经网络和大语言模型进行证据整合与推理，实验表明优于现有方法。
JudgeMeNot: 为 Hebrew 语境下的司法推理个性化大型语言模型
机构 * Computer and Information Science Ben-Gurion University of the Negev（计算机与信息科学贝内尔·加隆大学）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出一种合成有机监督流程，通过将原始司法判决转化为指令微调数据，实现低资源环境下对法官个性化模型的高效微调，并在三个任务中验证了因果语言模型结合合成指令微调的优越性。
Comments To appear in Findings of the ACL 2026
图、大语言模型与代理的整合：推理与检索
机构 * Canadian Institute for Cybersecurity, Faculty of Computer Science, University of New Brunswick（加拿大网络安全研究所，计算机科学学院，新不伦瑞克大学）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文综述了图与大语言模型整合的设计选择，分类了基于用途、图模态和整合策略的方法，探讨了不同领域中的适用场景和优缺点。
ARMove: 通过代理推理学习预测人类移动
机构 * Tencent（腾讯） ； Zhongguancun Academy（中关村学院） ； Alibaba Group（阿里巴巴集团） ； Meituan（美团）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 ARMove通过代理推理方法，解决人类移动预测中的可解释性、迭代学习和迁移性问题，实验表明其在六个指标上优于现有方法，且在不同地区和用户群体中表现稳健。
BrainMem: 为具身智能任务规划设计的脑启发式记忆系统
机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Tianjin University, Tianjin, China（天津大学，天津，中国）
专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI
AI总结 本文提出BrainMem，一种无训练的分层记忆系统，通过构建知识图谱和符号指南，提升具身智能在复杂环境中的任务规划能力，尤其在长周期和空间复杂任务中表现突出。
迈向稳健的内生推理：统一非平稳调谐中的漂移适应
机构 * Australian Artificial Intelligence Institute (AAII)（澳大利亚人工智能研究所） ； Faculty of Engineering and Information Technology（工程与信息技术学院）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 本文提出CPO++框架，解决多模态大语言模型在内生推理中的漂移问题，通过反事实推理与领域知识结合，提升推理连贯性和决策精度，适用于医疗诊断和自动驾驶等安全关键领域。
VeriGraph：用于可验证机器人规划的场景图
机构 * University of Maryland, College Park, MD USA（马里兰大学学院公园分校）
专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI
AI总结 VeriGraph通过整合视觉语言模型和场景图，提升机器人任务规划的可行性验证与修正，显著提高任务完成率。
Comments Accepted to ICRA 2026. Project website: https://verigraph-agent.github.io
信息提取作为缓存：增强代理推理
机构 * University of Science and Technology of China（中国科学技术大学） ； Huawei Technologies Co., Ltd（华为技术有限公司）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出IE-as-Cache框架，将信息提取用作认知缓存以提升代理推理能力，通过查询驱动提取与缓存感知推理动态维护紧凑中间信息并过滤噪声，实验表明在多种LLM上显著提升推理准确性。
Comments 8pages, 2figures
通过搜索元推理骨架来指导大语言模型推理
机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Beijing Institute of Mathematical Sciences and Applications（北京数学科学与应用研究所） ； State Key laboratory of Space Network and Communications, Tsinghua University（清华大学空间网络与通信国家重点实验室）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出AutoMR框架，通过图表示搜索查询感知的元推理骨架，提升大语言模型推理性能。
人工智能中的缺失知识层：稳定人机推理的框架
机构 * Faculty of Medicine, Lund University（吕勒奥大学医学院） ； Department of Economics, Lund University School of Economics and Management（吕勒奥大学经济与管理学院经济系） ； Department of Health Services Research and Policy, London School of Hygiene & Tropical Medicine（伦敦卫生与热带医学学院健康服务研究与政策系）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出稳定人机推理的双层框架，通过引入人类侧的不确定性提示和模型侧的Epistemic Control Loop，提升AI在高风险场景下的可靠性与可追溯性。
为大语言模型中的战略推理进行前瞻性优化
机构 * Department of Computing, Hong Kong Polytechnic University（香港理工大学计算机系） ； Department of Language Science and Technology, Hong Kong Polytechnic University（香港理工大学语言科学与技术系） ； Apple（苹果公司） ； School of Design, Hong Kong Polytechnic University（香港理工大学设计学院） ； Research Institute for Quantum Technology, Hong Kong Polytechnic University（香港理工大学量子技术研究所） ； Department of Communication Science, Vrije Universiteit Amsterdam（阿姆斯特丹自由大学传播科学系）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出FoPO方法，通过整合对手建模原理提升大语言模型的战略推理能力，验证了其在不同规模和来源的LLM中的有效性及泛化能力。
Comments ACL 2026 Main Conference
一种具有高效强化学习的分层空间感知算法用于生产中的人机任务规划与分配
机构 * Department of Civil Engineering, The University of Hong Kong（香港大学土木工程系）
专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI
AI总结 本文提出了一种分层空间感知算法，结合高效强化学习解决复杂动态生产环境中的人机任务规划与分配问题，通过分解任务和实时规划分配提升生产效率。
Comments This is the accepted manuscript of a journal article accepted for publication in Robotics and Computer-Integrated Manufacturing (Elsevier)
Journal ref Volume 98, April 2026, 103159
超越“幻觉”：一种稳定的人工智能推理框架
机构 * Faculty of Medicine, Lund University（隆德大学医学院） ； Department of Economics, Lund University School of Economics and Management（隆德大学经济学与管理学院经济系） ； Department of Health Services Research and Policy, London School of Hygiene & Tropical Medicine（伦敦大学卫生与热带医学学院健康服务研究与政策系）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出Rose-Frame框架，分析人类与AI交互中的认知陷阱，通过干预策略稳定推理过程，强调需建立可反思的监督结构。
敏捷团队中的认知卸载：人工智能如何重塑风险评估与规划质量
机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
专题命中 规划推理 ：planning(title,abstract)；分类 cs.AI
AI总结 本文通过实验比较AI、人类和混合规划模型，发现AI虽高效但风险评估差，人类虽灵活但成本高，提出混合框架提升规划质量。
Comments 7 pages, 5 Tables, under review
基于强化学习的上下文化推理对话搜索代理
机构 * University of Montreal（蒙特利尔大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Notre Dame（诺特丹大学） ； Northeastern University（东北大学）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出一种基于强化学习的对话搜索代理，通过在对话轮次中交替搜索与推理，实现探索性与适应性行为，优于现有基准方法。
Comments Accepted by ACL 2026 (Findings)
KnowRL: 通过最小充分知识引导的强化学习提升大语言模型推理
机构 * TJUNLP Lab, School of Computer Science and Technology, Tianjin University, China（天津大学计算机科学与技术学院TJUNLP实验室） ； Baidu Inc.（百度公司） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 KnowRL通过最小充分知识引导的强化学习框架提升大语言模型推理能力，通过分解知识点并优化子集选择，在八个基准测试中超越现有基线，达到70.08的准确率。
思考火花！：推理模型后训练期间的涌现注意力头
机构 * Korea University（韩国大学） ； Upstage AI ； AIGEN Sciences（AIGEN 科技）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 研究探讨了后训练技术如何通过涌现的注意力头提升推理能力，分析不同训练方法对注意力头演化的影响，并揭示了复杂推理与基础计算之间的性能权衡。
HTAA：通过混合工具集代理化与适应增强大语言模型规划
机构 * University of Electronic Science and Technology of China（电子科技大学） ； DiDi Global Inc.（滴滴全球股份有限公司）
专题命中 规划推理 ：planning(title,abstract)；分类 cs.CL
AI总结 本文提出HTAA框架，通过混合工具集代理化与适应方法，提升大语言模型在复杂任务中的规划效率与可靠性，实验表明其在任务成功率、工具调用轨迹长度及上下文开销方面均优于基线模型。
Comments 22 pages, 3 figures
CARE-ECG：基于因果代理的可解释与反事实ECG解读
机构 * University of California, Irvine（加州大学尔湾分校） ； Arizona State University（亚利桑那州立大学） ； California State University, Dominguez Hills（加州州立大学多明格斯山分校）
专题命中 规划推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 CARE-ECG通过统一的表示学习、诊断和解释流程，提升ECG解读的准确性与可信度，减少幻觉，适用于多基准和专家问答场景。
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