大模型推理能力

SymbOmni: Evolving Agentic Omni Models via Symbolic Concept Learning

SymbOmni：通过符号概念学习进化智能全能模型

Jinxiu Liu, Jianru Li, Tanqing Kuang, Xuanming Liu, Kangfu Mei, Yandong Wen, Weiyang Liu

机构 * South China University of Technology（华南理工大学） ； Westlake University（西湖大学） ； Johns Hopkins University（约翰·霍普金斯大学） ； The Chinese University of Hong Kong（香港中文大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG

AI总结 针对视觉生成模型无法累积学习与自主进化的问题，提出SymbOmni智能全能模型，通过符号概念学习和归纳-转导循环运行，经言语反向传播训练。实验验证其在多方面性能优越，能有效降低令牌消耗并实现持续学习。

Comments ECCV 2026 (49 pages, 10 figures, project page: https://spherelab.ai/symbomni)

EasyOPD: An Easy-to-use On-Policy Distillation Framework for Large Language Models

EasyOPD：一种易于使用的大语言模型在线策略蒸馏框架

Jie Sun, Mao Zheng, Mingyang Song, Qiyong Zhong, Gengsheng Li, Zhepei Hong, Chang Wu, Pengfei Liu, Junfeng Fang, Xiang Wang

机构 * University of Science and Technology of China（中国科学技术大学） ； Tencent（腾讯） ； Shanghai Innovation Institute（上海创新研究院） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 研究针对传统语言模型蒸馏问题，提出基于verl构建的EasyOPD框架，分离用户配置等，为三种OPD设置实例化方法，经多基准测试，其实现可通过同一后端执行，还发布了相关配置、文档及演示包。

Comments 10 pages, 2 figures

ConceptSMILE: Auditing the Trustworthiness of Concept-Based Explainable AI

ConceptSMILE：审计基于概念的可解释人工智能的可信度

Mohadeseh Mollapour, Koorosh Aslansefat, Zeinab Dehghani, Bhupesh Kumar Mishra, Tejal Shah, Zhibao Mian

机构 * University of Hull（赫尔大学） ； Newcastle University（纽卡斯尔大学） 纠错

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

AI总结 研究基于概念的可解释人工智能中概念级输出的可信度问题，提出ConceptSMILE审计框架，通过扰动输入区域等方法评估可靠性，在视网膜眼底图像上评估发现不同概念和路径可靠性有差异，为评估此类人工智能可信度提供独立审计层。

Communication-Efficient Digital-Twin Coordination for Heterogeneous LLM Embodied Agents over Computing Power Networks

基于计算能力网络的异构大语言模型实体代理的通信高效数字孪生协调

Nuocheng Yang, Sihua Wang, Zihan Chen, Tony Q. S. Quek, Changchuan Yin

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Singapore University of Technology and Design（新加坡科技设计大学） 纠错

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

AI总结 针对异构大语言模型实体代理协作面临的通信开销大、协调质量受LLMs能力限制和行动延迟等挑战，提出基于轻量级数字孪生的LDT-Coord框架，通过特定方法减少通信开销，实现与传统方法相当的任务成功率且保持鲁棒性。

Comments 14 pages, 6 figures, 5 tables

Playing ZendoWorld: Challenging AI Agents on Active Visual Concept Induction

玩禅道世界：在主动视觉概念归纳中挑战人工智能代理

Sophia Koehler, Antonia Wüst, Inga Ibs, Wasu Top Piriyakulkij, Wolfgang Stammer, Constantin Rothkopf, Kevin Ellis, Kristian Kersting

机构 * AIML Lab, TU Darmstadt（人工智能机器学习实验室，达姆施塔特工业大学） ； Hessian Center for AI (hessian.AI)（黑森州人工智能中心） ； Psychology of Information Processing, TU Darmstadt（信息处理心理学，达姆施塔特工业大学） ； Centre for Cognitive Science, TU Darmstadt（认知科学中心，达姆施塔特工业大学） ； Cornell University（康奈尔大学） ； Max Planck Institute for Informatics, SIC（马克斯·普朗克信息学研究所，SIC组） ； German Center for AI (DFKI)（德国人工智能研究中心） 纠错

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

AI总结 研究构建智能系统时代理感知、假设形成及实验设计问题，提出禅道世界环境，评估多种代理方法，发现预测标签精度与恢复潜在规则无关，感知和归纳是不同瓶颈，基于视觉语言模型的代理实验无信息，还收集人类数据揭示差距及改进途径。

Sparse Delta Memory: Scaling the State of Linear RNNs through Sparsity

稀疏增量记忆：通过稀疏性扩展线性循环神经网络的状态

Loïc Cabannes, Pierre-Emmanuel Mazaré, Gergely Szilvasy, Matthijs Douze, Maria Lomeli, Ilze Amanda Auzina, Justin Carpentier, Gabriel Synnaeve, Hervé Jégou

机构 * Meta FAIR ； Inria Paris（巴黎信息与自动化研究所） ； ENS-PSL University（巴黎文理研究大学） ； University of Tübingen（图宾根大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG

AI总结 研究针对线性注意力模型长上下文召回不足的问题，提出稀疏增量记忆（SDM）架构，通过稀疏寻址扩展门控线性循环神经网络隐藏状态，在等FLOP和参数数量下提升性能，还能改进常识与推理任务。

The Changing Role of Symbolic Methods in Artificial Intelligence

符号方法在人工智能中不断演变的角色

Jun Sun

机构 * Singapore Management University（新加坡管理大学） 纠错

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

AI总结 本文提出压缩原理与建模-推理权衡，指出显式符号推理是简化现实模型的计算产物，未来符号方法将成为高能力AI与人类间的交互接口。

ASSEMCAD: Production-Ready CAD Assembly Generation from Natural Language

ASSEMCAD：从自然语言生成可用于生产的CAD装配体

Yurui Dong, Shu Zou, Siqi Li, Nianchen Deng, Hongbin Zhou, Xuemeng Yang, Pinlong Cai, Licheng Wen, Xinyu Cai, Botian Shi

机构 * Computer-aided design (CAD) briere2012comparing models（计算机辅助设计（CAD）模型） 纠错

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

AI总结 研究如何从自然语言生成可用于生产的CAD装配体，提出公理基础框架AssemCAD，通过构建公理装配规范、引入特定CAD装配库等方法，提升装配体生成质量，扩展文本到CAD设计。

Comments 26 pages, 5 figures

NeSy-CSA: A Neuro-Symbolic Framework for Open-Ended Critical Scenario Attribution

NeSy-CSA：一种用于开放式关键场景归因的神经符号框架

Qitong Chu, Xunjie He, Chen Deng, Huaxin Pei, Yufeng Yue

机构 * School of Automation, Beijing Institute of Technology（北京理工大学自动化学院） ； Department of Automation, Tsinghua University（清华大学自动化系） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG

AI总结 研究如何理解场景测试中关键场景的成因，提出神经符号框架NeSy-CSA，通过选择相关因素缩小归因空间，经证据图使推理可追溯，结合符号与神经推理，提升关键场景归因有效性。

Responsibility Distribution Estimation in Ego-View Accident Videos with Multimodal Large Language Models

基于多模态大语言模型的第一视角事故视频中的责任分配估计

Ryosei Tamura, Andrew Shin

机构 * Keio University（庆应大学） 纠错

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

AI总结 研究第一视角事故视频中责任分配估计新任务，构建大语言模型辅助的责任标注管道并在多输入设置下微调模型，实验证明多模态大语言模型能有效执行该任务。

ProLaViT: Learning Progressive Latent Visual Thoughts in Structured Latent Space

ProLaViT：在结构化潜在空间中学习渐进式潜在视觉思维

Peiming Li, Yifan Wang, Xiaotian Zhang, Zhiyuan Hu, Shiyu Li, Zheng Wei, Yang Tang

机构 * Basic Algorithm Center, PCG, Tencent（腾讯PCG基础算法中心） ； Zhejiang University（浙江大学） ； Peking University（北京大学） 纠错

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

AI总结 针对多模态大语言模型在复杂视觉推理任务中的不足，ProLaViT框架利用内生自蒸馏机制等，设计两种推理范式及损失函数，使其能在潜在空间进行结构化视觉推导，实验证明效果优于基线。

Comments Accepted by ECCV 2026

PACE: A Neuro-Symbolic Framework for Plausible and Actionable Counterfactual Explanations

PACE: 一种用于合理且可操作的反事实解释的神经符号框架

Pavel Iakovets, Liyanapathiranage Sudeepika Wajirakumari Samarathunga, Martin Thomas Horsch, Fadi Al Machot

机构 * University of Klagenfurt（克拉根福大学） ； Norwegian University of Life Sciences（挪威生命科学大学） 纠错

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

AI总结 提出PACE框架，结合神经网络预测与符号推理，生成符合领域约束的可操作反事实解释，在Adult Income数据集上验证了可行性与可解释性的平衡。

Optimal Resource Utilization for Autonomous Laboratory Orchestrators

自主实验室协调器的最优资源利用

Austin McDannald, Julia Tisaranni, Howie Joress

机构 * National Institute of Standards and Technology（美国国家标准与技术研究院） 纠错

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

AI总结 针对自主实验室中多仪器硬件约束下的资源利用问题，提出两步法：先用约束规划找到最小化总时间的最优调度，再通过状态依赖系统鲁棒执行调度。

Understanding Large Language Models

理解大型语言模型

Yannik Keller, Thomas Eisenmann

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

AI总结 本文综述大型语言模型（LLM）的机制、涌现能力及与人类认知的关系，通过分析注意力机制、符号推理、心智理论等证据，探讨LLM是否真正理解语言，并反对过度简化的人机认知差异观点。

Comments 25 pages, 1 figure

From Detection to Action: Using LLM Agents for Fault-Tolerant Control

从检测到行动：使用LLM智能体进行容错控制

Javal Vyas, Milapji Singh Gill, Artan Markaj, Felix Gehlhoff, Mehmet Mercangöz

机构 * Imperial College London（帝国理工学院伦敦校区） ； Helmut Schmidt University（海德堡-施密特大学） 纠错

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

AI总结 提出基于大语言模型智能体的主动容错控制框架，通过多智能体协作、数字孪生和知识图谱增强检索，生成并验证最小风险恢复路径，在离散和连续过程控制中实现从故障检测到有效纠正行动的闭环。

A Multi-Level Validation and Traceability Framework for AI-Generated Telescope Scheduling Decisions

AI生成的望远镜调度决策的多级验证与可追溯性框架

Hengchu Xiao, Chuanjun Wang

机构 * Yunnan Observatories, Chinese Academy of Sciences（云南天文台，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Key Laboratory of the Structure and Evolution of Celestial Objects, Chinese Academy of Sciences（中国科学院天文结构与演化重点实验室） ； Yunnan Key Laboratory of Solar Physics and Space Science（云南太阳物理与空间科学重点实验室） ； Center for Astronomical Mega-Science, Chinese Academy of Sciences（中国科学院天文大科学中心） 纠错

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

AI总结 提出多级验证与可追溯推理框架，通过数据引用验证、逻辑一致性检查和约束验证，提高AI调度决策的可执行性和可靠性，减少瞬态机会损失。

Comments 25 pages, 8 figures, Published in Universe

Journal ref Universe, Volume 12, Issue 6, 172 (2026)

Composing Verifiable Conceptual Models via Building Blocks: Towards Design-Time Verification of Agentic AI Workflows

通过构建块组合可验证的概念模型：面向智能体AI工作流的设计时验证

Noe Y. Flandre, Alexander C. Nwala, Philippe J. Giabbanelli

机构 * Team EVERGREEN Inria Centre Inria d’Université Côte d’Azur（法国国家信息与自动化研究所蔚蓝海岸大学中心EVERGREEN团队） ； Department of Data Science William & Mary（威廉与玛丽学院数据科学系） ； Office of Enterprise Research and Innovation Old Dominion University（欧道明大学企业研究与创新办公室） 纠错

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

AI总结 提出一种设计时验证方法，通过12条结构规则检查智能体工作流中可重用构建块的兼容性，实现设计缺陷检测。

Comments To appear at the 2026 Winter Simulation Conference

AutoRAS: Learning Robust Agentic Systems with Primitive Representations

AutoRAS: 学习具有原始表示的鲁棒智能系统

Yang Yue, Xuancheng Zhu, Yuyang Ma, Guoshun Nan, Zihan Dou, Jingru Shan, Congyu Guo, Ji Zhang, Hua Wang, Jingfeng Zhang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Guangxi Transportation Science and Technology Group Co., Ltd.（广西交通科技集团有限公司） ； Fudan University（复旦大学） 纠错

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

AI总结 提出AutoRAS框架，通过生成符号原始序列并利用执行安全信号和流式序列级目标优化，自动设计鲁棒智能系统，在正常和对抗设置下均表现最佳。

Comments Accepted by ICML2026

PrologMCP: A Standardized Prolog Tool Interface for LLM Agents

PrologMCP：面向LLM代理的标准化Prolog工具接口

Agnieszka Mensfelt, Adarsh Prabhakaran, Adrian Haret, Vince Trencsenyi, Kostas Stathis

机构 * Royal Holloway, University of London（伦敦大学皇家霍洛威学院） 纠错

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

AI总结 提出PrologMCP，一个通过模型上下文协议将Prolog暴露为状态化工具的任务无关开源服务器，使LLM代理能够通过翻译-运行-检查-修复循环稳健地委托演绎推理，在PARARULE-Plus上达到或超越推理型LLM。

Comments Accepted at Joint Workshop on Statistics and Knowledge Integration for Logic, Learning, Ethical Decisions, and LLMs, 18 July 2026, Lisbon v2: Added references to other Prolog MCP servers; fixed typos

Self-Preference Is Weak or Absent in Verifiable Instruction-Following Revision: A Four-Model Test Under Genuine Authorship

自我偏好在可验证的指令遵循修订中弱或不存在：基于真正作者身份的四模型测试

William Guey, Pierrick Bougault

机构 * Department of Industrial Engineering, Tsinghua University（清华大学工业工程系） 纠错

专题命中 逻辑推理 ：verifier(abstract)；分类 cs.CL

AI总结 通过IFEval验证器测试四类中端模型在指令遵循修订中的自我偏好，发现作者拒绝已验证正确编辑的比例与新鲜模型无显著差异，表明自我偏好弱或不存在。

Comments 7 pages, 3 tables. Code and data: https://github.com/williamguey/self-preference-revision

Mitigating Anchoring Bias in LLM-Based Agents for Energy-Efficient 6G Autonomous Networks

缓解基于LLM的智能体在节能6G自主网络中的锚定偏差

Hatim Chergui, Claudia Carballo González, Farhad Rezazadeh, Merouane Debbah

机构 * i2CAT Foundation（i2CAT基金会） ； Universitat Politècnica de Catalunya（政治技术大学） ； Research Institute for Digital Future（数字未来研究院） 纠错

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

AI总结 提出一种基于截断三参数威布尔分布的随机锚定策略，缓解LLM智能体在6G网络切片中的锚定偏差，结合CVaR数字孪生保障SLA尾延迟，实现高达25%的节能。

Comments 7 pages, 4 figures

Can LLMs Be CEOs? Benchmarking Strategic Resource Reallocation with Multi-Role Agent Simulation

LLM 能当 CEO 吗？基于多角色智能体模拟的战略资源重新配置基准测试

Yuyang Dai, Xueqing Peng, Lingfei Qian, Zhuohan Xie

机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Yale University（耶鲁大学） 纠错

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

AI总结 提出 CEO-Bench，一个多智能体基准，评估 LLM 在约束丰富的组织环境中进行多轮战略资源重新配置的能力，发现模型在结构有效性上表现良好，但在战略校准上存在系统性失败模式。

Comments 13 pages

Beyond NL2Code: A Structured Survey of Multimodal Code Intelligence

超越NL2Code：多模态代码智能的结构化综述

Xuanle Zhao, Qiushi Sun, Jingyu Xiao, Xuexin Liu, Haoyue Yang, Qiaosheng Chen, Xianzhen Luo, Jing Huang, Yufeng Zhong, Lei Chen, Shuai Fu, Zhenlin Wei, Jinhe Bi, Lei Jiang, Haibo Qiu, Siqi Yang, Peng Shi, Jian Hu, Zhixiong Zeng

机构 * Meituan（美团） ； The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Nanjing University（南京大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所） ； Ludwig Maximilian University of Munich（慕尼黑大学） ； University of Science and Technology of China（中国科学技术大学） ； Queen Mary University of London（伦敦玛丽女王大学） 纠错

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

AI总结 本文系统综述多模态代码智能，将任务按代码角色分类，覆盖GUI、科学可视化、结构化图形及前沿任务，并提出四个基于验证的未来方向。

Comments Work completed in January 2026. Updating now

Overcoming the Impedance Mismatch: A Theoretical Roadmap for Fusing Foundation Models and Knowledge Graphs

克服阻抗不匹配：融合基础模型与知识图谱的理论路线图

Sahil Rajesh Dhayalkar

机构 * Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 本文提出“阻抗不匹配”概念，形式化分析基础模型与知识图谱的结构与几何摩擦，通过三级层次分类揭示现有方法的局限，并给出理论路线图实现真正的语义融合。

Comments 12 pages. Accepted at the ACL 2026 4th Workshop on Towards Knowledgeable Foundation Models (https://openreview.net/forum?id=hXDYsNAq8m)

NeuroSymbolic AI for Legal AI-TRISM: Trustworthy, Reliable, Interpretable, Safe Models

面向法律AI-TRISM的神经符号AI：可信、可靠、可解释、安全模型

Deepa Tilwani, Yash Saxena, Ankur Padia, Srinivasan Parthasarathy, Manas Gaur

机构 * Department of Computer Science, AI Institute, University of South Carolina（南卡罗来纳大学计算机科学系，人工智能研究所） ； Department of Computer Science and Electrical Engineering, University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校计算机科学与电气工程系） ； Department of Computer Science and Engineering, The Ohio State University（俄亥俄州立大学计算机科学与工程系） 纠错

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

AI总结 针对法律领域LLM缺乏可解释推理和易产生幻觉的问题，提出TRISM框架，融合神经符号AI与LLM，通过结构化法律知识集成和RAG验证机制提升模型可信度。

Minimal Oversight: Uncertainty-Aware Governance for Delegated AI Systems

最小监督：委托AI系统的不确定性感知治理

Carlos R. B. Azevedo

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 提出最小充分监督原则（MSO），通过Fisher信息流形上的变分法最小化治理负担，导出任务空间的水填充分配，并证明容量定理、局部近似和漂移主导的自律时间标度律，为委托AI系统提供可计算的治理框架。

Comments Companion Python package: pip install minimal-oversight | Code: https://github.com/crbazevedo/delegation-lab | 26 pages, 1 figure, 5 tables

LLM4RTL: Tool-Assisted LLM for RTL Generation

LLM4RTL: 工具辅助的大语言模型用于RTL生成

Jing Jin, Robert Chu, Ning Yan, Masood S. Mortazavi

机构 * UC Riverside（加州大学河滨分校） ； Futurewei（未来科技） 纠错

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

AI总结 提出JRCRC流水线，利用商业LLM层次结构过滤和优化RTL代码生成数据集，并设计工具辅助架构提升逻辑推理能力，在VerilogEval上超越多数方法，用更小模型达到GPT-4O性能。

Context Compression Is Not One Thing: Readable Symbolic Re-expression vs. Coherent Summary at Matched Budget

上下文压缩并非单一事物：在匹配预算下可读的符号化重新表达与连贯摘要的比较

Sisong Bei, Mikhail L. Arbuzov, Ziwei Dong, Dmitri Kalaev, Alexey Shvets

机构 * Independent Researcher（独立研究员） ； Palo Alto Networks 纠错

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

AI总结 提出Telegraph English可读符号格式，将检索段落重写为结构化实体关系陈述，在匹配预算下比三种压缩基线及连贯摘要更有效，F1提升13-20个百分点。

EM-NeSy: Expectation Maximization for Neurosymbolic Learning

EM-NeSy：神经符号学习的期望最大化

Annegret Seibt, Luc De Raedt, Giuseppe Marra

机构 * Department of Computer Science（计算机科学系） ； KU Leuven（根特大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG

AI总结 提出EM-NeSy框架，将概率神经符号学习视为期望最大化算法实例，通过概率推理计算符号后验，仅通过神经组件进行梯度更新，实现可扩展且高效的近似推理。

Personal Care Utility: Health as Everyday Infrastructure

个人护理公用设施：健康作为日常基础设施

Mahyar Abbasian, Elahe Khatibi, Saba A. Farahani, Nitish Nagesh, Arshia Ilaty, Hooman Sajjadi, Amir Rahmani, Ramesh Jain

机构 * University of California, Irvine（加利福尼亚大学尔湾分校） 纠错

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

AI总结 提出个人护理公用设施（PCU）分层事件驱动架构，将健康视为日常基础设施，通过Personicle组织连续信号，分离临床决策与语言表达，以2型糖尿病为例验证其生成实时干预和知识引导的能力。

Comments 12 pages, 2 figures, 3 tables