大模型推理能力

Why Database Manuals Are Not Enough: Efficient and Reliable Configuration Tuning for DBMSs via Code-Driven LLM Agents

为何数据库手册不够：通过代码驱动的LLM代理实现DBMS的高效可靠配置调优

Xinyi Zhang, Tiantian Chen, Zhentao Han, Zhaoyan Hong, Wei Lu, Sheng Wang, Mo Sha, Anni Wang, Shuang Liu, Yakun Zhang, Feifei Li, Xiaoyong Du

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出SysInsight系统，通过代码分析和LLM推理从DBMS源代码中提取细粒度调优知识，加速稳定调优过程，实现7.11倍更快收敛和19.9%性能提升。

Comments Accepted by VLDB 2026

Journal ref VLDB 2026

Modal Logic for Distributed Trust

分布式信任的模态逻辑

Niels Voorneveld, Peeter Laud

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出一种用于多智能体系统信任推理的方法，通过定义描述通信协议的语言及信任假设，利用模态逻辑建模网络中智能体的信念与通信，探讨信息共享与跨网络信任泛化机制。

Comments 32 pages

DALI: LLM-Agent Enhanced Dual-Stream Adaptive Leadership Identification for Group Recommendations

DALI：LLM-Agent增强的双流自适应领导力识别用于群体推荐

Boxun Song, Min Gao, Jiawei Cheng

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 DALI通过结合大语言模型的符号推理能力与神经网络表示学习，解决群体推荐中区分领导主导与协作群体的问题，提升推荐准确性。

Comments under review

Defusing Logic Bombs in Symbolic Execution with LLM-Generated Ghost Code

用LLM生成的鬼代码解构符号执行中的逻辑炸弹

Dimitrios Stamatios Bouras, Sergey Mechtaev

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出Gordian框架，通过LLM生成轻量级鬼代码辅助SMT求解器处理对抗性代码，提升覆盖率和效率，减少LLM使用量。

Beyond Monolithic Models: Symbolic Seams for Composable Neuro-Symbolic Architectures

超越单体模型：符号缝合用于可组合的神经符号架构

Nicolas Schuler, Vincenzo Scotti, Raffaela Mirandola

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出符号缝合概念，旨在通过可组合的神经符号架构提升AI系统的可扩展性和透明性，结合数据驱动的适应性与显式约束的可验证性。

Comments Submitted to New and Emerging Ideas (NEMI) track at ICSA 2026

Personalizing Agent Privacy Decisions via Logical Entailment

通过逻辑蕴含个性化代理隐私决策

James Flemings, Ren Yi, Octavian Suciu, Kassem Fawaz, Murali Annavaram, Marco Gruteser

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出ARIEL框架，结合LLM与规则逻辑，实现结构化个性化隐私决策，实验显示其在适当判断的F1误差率上降低40.6%。

Do AI Agents Really Improve Code Readability?

AI代理真的能提高代码可读性吗？

Kyogo Horikawa, Kosei Horikawa, Yutaro Kashiwa, Hidetake Uwano, Hajimu Iida

专题命中 逻辑推理 ：planning(abstract)

AI总结 研究探讨AI代理重构对代码可读性的影响，通过分析403个提交发现，AI主要改进逻辑复杂度和文档，但导致传统质量指标下降。

Comments 5 pages

Journal ref 23rd International Conference on Mining Software Repositories (MSR '26) , 2026

STL-SVPIO: Signal Temporal Logic guided Stein Variational Path Integral Optimization

STL-SVPIO：信号时序逻辑引导的Stein变分路径积分优化

Hongrui Zheng, Zirui Zang, Ahmad Amine, Cristian Ioan Vasile, Rahul Mangharam

机构 * Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系） ； Mechanical Engineering and Mechanics Department, Lehigh University（莱特大学机械工程与力学系） 纠错

专题命中 逻辑推理 ：planning(abstract)

AI总结 本文提出STL-SVPIO方法，通过将信号时序逻辑转化为可微的奖励塑造机制，解决复杂STL约束下的长周期连续控制轨迹合成问题，提升鲁棒性和效率。

Sema: A High-performance System for LLM-based Semantic Query Processing

Sema: 一种高性能的基于大语言模型的语义查询处理系统

Kangkang Qi, Dongyang Xie, Wenbo Li, Hao Zhang, Yuanyuan Zhu, Jeffrey Xu Yu, Kangfei Zhao

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 Sema 是一种基于 DuckDB 构建的高性能语义查询引擎，通过 SemaSQL 实现自然语言表达与 SQL 的无缝集成，提升语义查询的性能和结果质量。

LaMoGen: Language to Motion Generation Through LLM-Guided Symbolic Inference

LaMoGen：通过LLM引导的符号推理实现语言到动作生成

Junkun Jiang, Ho Yin Au, Jingyu Xiang, Jie Chen

机构 * Department of Computer Science, Hong Kong Baptist University, HKSAR（香港 Baptist 大学计算机科学系） 纠错

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 LaMoGen通过LLM引导的符号推理实现语言到动作的生成，利用LabanLite动作表示提升动作的可解释性和可控性。

Comments Accepted by CVPR 2026. Supplementary material included. Project page: https://jjkislele.github.io/LaMoGen/

AutoVeriFix+: High-Correctness RTL Generation via Trace-Aware Causal Fix and Semantic Redundancy Pruning

AutoVeriFix+: 通过轨迹感知因果修复和语义冗余剪枝实现高正确性的RTL生成

Yan Tan, Xiangchen Meng, Zijun Jiang, Yangdi Lyu

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 AutoVeriFix+通过轨迹感知因果修复和语义冗余剪枝，提升Verilog代码生成的功能正确性与设计效率。

Comments arXiv admin note: text overlap with arXiv:2509.08416

PuzLM: Solving Jigsaw Puzzles with Sequence-to-Sequence Language Models

PuzLM：利用序列到序列语言模型解决拼图问题

Gur Elkin, Ofir Itzhak Shahar, Ohad Ben-Shahar

机构 * Ben-Gurion University of the Negev（贝内-加里翁内盖夫大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 PuzLM通过将拼图重组视为序列到序列问题，利用离散符号推理实现高效拼图求解，提升了复杂拼图的重建性能。

Reachability-based Temporal Logic Verification for Reliable LLM-guided Human-Autonomy Teaming

基于可达性的时序逻辑验证用于可靠的大语言模型引导的人-自主系统协同

Joonwon Choi, Kartik Anand Pant, Karthik Nune, Inseok Hwang

专题命中 逻辑推理 ：planning(abstract)

AI总结 本文提出基于可达性的时序逻辑验证框架，利用LLM将自然语言指令转换为STL规范，通过可行性过滤器确保任务规划的安全性和信息反馈的有效性。

OVerSeeC: Open-Vocabulary Costmap Generation from Satellite Images and Natural Language

OVerSeeC: 从卫星图像和自然语言生成开放词汇成本图

Rwik Rana, Jesse Quattrociocchi, Dongmyeong Lee, Christian Ellis, Amanda Adkins, Adam Uccello, Garrett Warnell, Joydeep Biswas

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； DEVCOM Army Research Laboratory（陆军研究实验室） 纠错

专题命中 逻辑推理 ：planning(abstract)

AI总结 OVerSeeC通过模块化基础模型实现从卫星图像和自然语言生成开放词汇成本图，支持任务自适应的全球规划。

Comments Website : https://amrl.cs.utexas.edu/overseec/

Ask, Reason, Assist: Robot Collaboration via Natural Language and Temporal Logic

提问、推理、协助：通过自然语言和时序逻辑实现机器人协作

Dan BW Choe, Sundhar Vinodh Sangeetha, Steven Emanuel, Chih-Yuan Chiu, Samuel Coogan, Shreyas Kousik

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出了一种基于自然语言和时序逻辑的机器人协作协议，通过LLM实现冲突检测与帮助请求，利用MILP优化选择最优助人，有效提升协作效率。

Comments arXiv admin note: substantial text overlap with arXiv:2505.13376

Production-Grade AI Coding System for Client-Side Development

面向客户端开发的生产级AI编码系统

Ruihan Wang, Chencheng Guo, Guangjing Wang

专题命中 逻辑推理 ：planning(abstract)

AI总结 本文提出了一种面向客户端开发的生产级AI编码系统，通过结构化多阶段流程整合Figma设计、PRD和领域知识，提升代码生成与产品需求的对齐性。

Comments 18 pages, 2 figures

NeuroSCA: Neuro-Symbolic Constraint Abstraction for Smart Contract Hybrid Fuzzing

NeuroSCA：面向智能合约混合模糊测试的神经符号约束抽象

Haochen Liang, Jiawei Chen, Hideya Ochiai

专题命中 逻辑推理 ：verifier(abstract)

AI总结 NeuroSCA通过神经符号约束抽象技术，提升智能合约混合模糊测试的效率和效果。

Comments Under Review

GraphCue for SDN Configuration Code Synthesis

基于图的SDN配置代码合成

Haomin Qi, Fengfei Yu, Chengbo Huang

专题命中 逻辑推理 ：verifier(abstract)

AI总结 GraphCue通过拓扑感知检索和约束条件生成，实现了SDN配置代码合成的高通过率和高效验证。

Comments 2 pages, 2 figures

Journal ref IEEE Consumer Communications & Networking Conference 2026

Hierarchical Action Learning for Weakly-Supervised Action Segmentation

分层动作学习用于弱监督动作分割

Junxian Huang, Ruichu Cai, Hao Zhu, Juntao Fang, Boyan Xu, Weilin Chen, Zijian Li, Shenghua Gao

机构 * Guangdong University of Technology（广东技术大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Hong Kong（香港大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 HAL模型通过分层因果数据生成和稀疏转换约束，提升弱监督动作分割的识别能力。

Journal ref CVPR2026

From Statics to Dynamics: Physics-Aware Image Editing with Latent Transition Priors

从静态到动态：基于物理的图像编辑与潜在过渡先验

Liangbing Zhao, Le Zhuo, Sayak Paul, Hongsheng Li, Mohamed Elhoseiny

机构 * CUHK MMLab（香港中文大学多模态实验室） 纠错

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出PhysicEdit，通过引入物理状态过渡和大规模数据集，提升图像编辑的物理真实性和知识引导能力，达到开源方法的新水平。

Comments All code, checkpoints, and datasets are available at https://liangbingzhao.github.io/statics2dynamics/

LE-NeuS: Latency-Efficient Neuro-Symbolic Video Understanding via Adaptive Temporal Verification

LE-NeuS: 通过自适应时间验证实现低延迟的神经符号视频理解

Shawn Liang, Sahil Shah, Chengwei Zhou, SP Sharan, Harsh Goel, Arnab Sanyal, Sandeep Chinchali, Gourav Datta

机构 * Case Western Reserve University（凯斯西储大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 LE-NeuS通过自适应时间验证优化，实现低延迟的神经符号视频理解，在保持高准确率的同时大幅减少推理延迟。

Comments Under review

Managing Uncertainty in LLM-based Multi-Agent System Operation

在基于大语言模型的多智能体系统操作中管理不确定性

Man Zhang, Tao Yue, Yihua He

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出了一种基于生命周期的不确定性管理框架，用于提升基于大语言模型的多智能体系统在安全关键领域的可靠性和可诊断性。

How should AI knowledge be governed? Epistemic authority, structural transparency, and the case for open cognitive graphs

AI知识应该如何被治理？知识权威、结构透明性与开放认知图的案例

Chao Li, Chunyi Zhao, Yuru Wang, Yi Hu

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出开放认知图作为教育AI治理框架，通过结构透明和知识权威管理，实现教育AI与民主问责的对齐。

On the Concept of Violence: A Comparative Study of Human and AI Judgments

关于暴力概念的观念：人类与AI判断的比较研究

Mariachiara Stellato, Francesco Lancia, Chiara Galeazzi, Nico Curti

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文通过比较人类与AI对暴力的判断，探讨了AI如何处理模糊的道德概念及人类解释的转化。

An Empirical Study on the Effects of System Prompts in Instruction-Tuned Models for Code Generation

对指令微调模型在代码生成中系统提示效果的实证研究

Zaiyu Cheng, Antonio Mastropaolo

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本研究探讨了系统提示对代码生成模型性能的影响，发现提示具体性与模型规模、编程语言等因素相关，且不同语言对提示敏感性存在差异。

Comments 34 pages, 12 tables, 3 figures

Editable XAI: Toward Bidirectional Human-AI Alignment with Co-Editable Explanations of Interpretable Attributes

可编辑的可解释性AI：通过可编辑的可解释属性实现双向人机对齐

Haoyang Chen, Jingwen Bai, Fang Tian, Brian Y Lim

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出可编辑的XAI方法CoExplain，通过允许用户编写规则来提升人机对齐，实验表明其在理解和控制方面优于传统只读XAI。

Tiny Moves: Game-based Hypothesis Refinement

Tiny Moves: 基于游戏的假设精炼

Agnieszka Dobrowolska, Rogier Hintzen, Martin Balla, Karl Gemayel, Sabine Reichert, Thomas Charman, Jen Ning Lim, Lindsay Edwards, Anna Gogleva

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出基于游戏的假设精炼方法，通过LLM代理在共享状态上进行渐进式推理移动，有效提升科学发现中假设修正的精度与可控性。

QRS: A Rule-Synthesizing Neuro-Symbolic Triad for Autonomous Vulnerability Discovery

QRS：一种用于自主漏洞发现的神经符号三元组规则生成器

George Tsigkourakos, Constantinos Patsakis

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 QRS通过神经符号方法生成代码查询，发现超出预定义模式的漏洞，显著降低假阳性，并在低开销下发现高严重性漏洞。

Towards Cybersecurity Superintelligence: from AI-guided humans to human-guided AI

迈向网络安全超智能：从AI引导的人类到人类引导的AI

Víctor Mayoral-Vilches, Stefan Rass, Martin Pinzger, Endika Gil-Uriarte, Unai Ayucar-Carbajo, Jon Ander Ruiz-Alcalde, Maite del Mundo de Torres, María Sanz-Gómez, Francesco Balassone, Cristóbal R. J. Veas-Chavez, Vanesa Turiel, Alfonso Glera-Picón, Daniel Sánchez-Prieto, Yuri Salvatierra, Paul Zabalegui-Landa, Ruffino Reydel Cabrera-Álvarez, Patxi Mayoral-Pizarroso

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出通过AI引导人类到人类引导AI的网络安全超智能发展路径，展示了PentestGPT、CAI和G-CTR在安全领域的创新与突破。

In-Context System Identification for Nonlinear Dynamics Using Large Language Models

基于大语言模型的非线性动力学在境系统识别

Linyu Lin

专题命中 逻辑推理 ：reasoning(abstract)

AI总结 本文提出一种利用大语言模型辅助SINDy的方法，通过在境学习迭代优化方程结构，提升复杂动力学系统的符号恢复精度与可解释性。

Comments 6 pages, 5 figures, submitted to The 10th IEEE Conference on Control Technology and Applications (CCTA) 2026