语言大模型 / LLM

Resource-constrained Amazons chess decision framework integrating large language models and graph attention

资源受限的亚马逊国际象棋决策框架整合大语言模型和图注意力

Tianhao Qian, Zhuoxuan Li, Jinde Cao, Xinli Shi, Leszek Rutkowski

机构 * School of Mathematics, Southeast University（东南大学数学学院） ； Systems Research Institute of the Polish Academy of Sciences（波兰科学院系统研究所） ； Institute of Computer Science, AGH University of Krakow（AGH科技大学计算机科学研究所） ； SAN University（SAN大学） 纠错

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；foundation model(abstract)

AI总结 本文提出一种轻量级混合框架，结合图注意力学习和大语言模型生成能力，提升亚马逊国际象棋决策准确性，实验显示在资源受限条件下实现显著性能提升。

Comments 20 pages, 15 figures. Supported by the National Key Research and Development Project of China (No. 2020YFA0714300), NSFC (No. 61833005, 12061088), the Open Project of Key Laboratory of Transport Industry of Comprehensive Transportation Theory (Nanjing Modern Multimodal Transportation Laboratory) (MTF2023004), and the China Postdoctoral Science Foundation (2024T170129, GZC20240261)

Rectifying LLM Thought from Lens of Optimization

从优化角度纠正大语言模型的思维

Junnan Liu, Hongwei Liu, Songyang Zhang, Kai Chen

机构 * Monash University（莫纳什大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） 纠错

专题命中 推理与问题求解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；post-training(abstract)

AI总结 本文通过优化视角分析LLM推理过程，提出RePro方法改进推理性能，减少过度思考等亚优行为。

Comments Accepted by ICLR 2026

The Depth Ceiling: On the Limits of Large Language Models in Discovering Latent Planning

深度上限：大语言模型在发现潜在规划中的局限性

Yi Xu, Philipp Jettkant, Laura Ruis

机构 * University of Cambridge（剑桥大学） ； Imperial College London（帝国理工学院） ； MIT（麻省理工学院） 纠错

专题命中 推理与问题求解 ：large language model(title)；language model(title)；prompting(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 研究探讨了大语言模型在无监督情况下发现多步规划策略的极限，发现模型在单次前向传递中能执行最多七步潜在规划，揭示了训练与测试时能力的差异。

Comments 10 pages, 3 figures, 1 table (30 pages, 9 figures, 10 tables including references and appendices)

Telecom World Models: Unifying Digital Twins, Foundation Models, and Predictive Planning for 6G

电信世界模型：统一数字孪生、基础模型和预测规划用于6G

Hang Zou, Yuzhi Yang, Lina Bariah, Yu Tian, Yuhuan Lu, Bohao Wang, Anis Bara, Brahim Mefgouda, Hao Liu, Yiwei Tao, Sergy Petrov, Salma Cheour, Nassim Sehad, Sumudu Samarakoon, Chongwen Huang, Samson Lasaulce, Mehdi Bennis, Mérouane Debbah

机构 * Research Institute for Digital Future, Khalifa University（哈利法大学数字未来研究所） ； College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息与电子工程学院） ； University of Oulu（奥卢大学） ； Aalto University（阿尔托大学） ； Université de Lorraine, CNRS, CRAN（洛林大学，法国国家科学研究中心，CRAN） 纠错

专题命中 推理与问题求解 ：foundation model(title,abstract)；LLM(abstract)；large language model(abstract)；language model(abstract)

AI总结 本文提出电信世界模型(TWM)，结合数字孪生与基础模型，解决6G网络中动态建模、不确定性处理和多层控制规划问题。

On the Step Length Confounding in LLM Reasoning Data Selection

在LLM推理数据选择中的步长混淆问题

Bing Wang, Rui Miao, Chen Shen, Shaotian Yan, Kaiyuan Liu, Ximing Li, Xiaosong Yuan, Sinan Fan, Jun Zhang, Jieping Ye

机构 * College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院） ； Key Laboratory of Symbolic Computation and Knowledge Engineering, MoE, Jilin University（吉林大学符号计算与知识工程教育部重点实验室） ； Alibaba Cloud Computing（阿里云） ； School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； Department of Mathematics, University of Michigan（密歇根大学数学系） ； RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能研究中心） 纠错

专题命中 推理与问题求解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文分析了自然性基于的数据选择方法在LLM推理数据中系统性偏好长推理步骤的问题，并提出ASLEC-DROP和ASLEC-CASL方法以缓解此混淆。

Comments Accepted by Findings of ACL 2026. 15 pages, 9 figures. Code: https://github.com/wangbing1416/ASLEC

ProofSketcher: Hybrid LLM + Lightweight Proof Checker for Reliable Math/Logic Reasoning

ProofSketcher: 混合LLM + 轻量级证明检查器用于可靠的数学/逻辑推理

Kranthi Kommuru, Kunal Khanvilkar, Gaurav Parekh

机构 * Amazon Web Services, Inc（亚马逊云科技） 纠错

专题命中 推理与问题求解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出混合方法，结合LLM生成类型化证明草图与轻量级可信内核，以提升数学逻辑推理的可靠性。

SensorPersona: An LLM-Empowered System for Continual Persona Extraction from Longitudinal Mobile Sensor Streams

SensorPersona: 一种基于大语言模型的持续性人设提取系统，用于从长期移动传感器流中无感获取

Bufang Yang, Lilin Xu, Yixuan Li, Kaiwei Liu, Xiaofan Jiang, Zhenyu Yan

机构 * The Chinese University of Hong Kong（香港中文大学） ； Columbia University（哥伦比亚大学） 纠错

专题命中 推理与问题求解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出SensorPersona系统，通过多模态长期传感器流持续提取稳定用户人设，提升LLM代理的个性化响应质量。系统通过上下文编码、分层人设推理和自适应更新，实现对物理行为、心理特质和生活经验的全面分析。

State-of-the-Art Arabic Language Modeling with Sparse MoE Fine-Tuning and Chain-of-Thought Distillation

最先进的阿拉伯语言建模：基于稀疏MoE微调和链式思维蒸馏

Navan Preet Singh, Anurag Garikipati, Ahmed Abulkhair, Jyani Akshay Jagdishbhai, Atul Yaduvanshi, Amarendra Chaudhary, Madalina Ciobanu, Qingqing Mao, Ritankar Das

机构 * Incept Labs（因塞普特实验室） 纠错

专题命中 推理与问题求解 ：language model(title)；LLM(abstract)；pretraining(abstract)；分类 cs.CL

AI总结 本文提出阿拉伯-DeepSeek-R1，通过稀疏MoE架构和链式思维蒸馏，在开放阿拉伯LLM排行榜上实现SOTA，展示了稀疏MoE与文化导向的蒸馏方法在阿拉伯语言任务中的优势。

Diagnosing and Mitigating Sycophancy and Skepticism in LLM Causal Judgment

诊断和缓解大语言模型因果判断中的阿谀和怀疑

Edward Y. Chang

机构 * Stanford University（斯坦福大学） 纠错

专题命中 推理与问题求解 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出CAUSALT3基准测试，通过三个轴评估分解性能，识别并缓解因果判断中的阿谀和怀疑陷阱，通过Regulated Causal Anchoring方法改进推理控制。

Comments 19 pages, 3 figures, 15 tables

SHAPE: Stage-aware Hierarchical Advantage via Potential Estimation for LLM Reasoning

SHAPE：基于潜在估计的阶段感知分层优势用于大语言模型推理

Zhengyang Ai, Zikang Shan, Xiaodong Ai, Jingxian Tang, Hangkai Hu, Pinyan Lu

机构 * Huawei Taylor Lab（华为泰勒实验室） ； Center for Data Science, Peking University（北京大学数据科学中心） ； Shanghai University of Finance and Economics（上海财经大学） 纠错

专题命中 推理与问题求解 ：LLM(title,abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 SHAPE通过潜在估计引入分层信用分配机制，提升大语言模型推理的效率与准确性，实验显示在数学推理任务中平均准确率提升3%，token消耗减少30%。

Comments ACL 2026 Main

$S^3$: Stratified Scaling Search for Test-Time in Diffusion Language Models

$S^3$：分层缩放搜索用于扩散语言模型的测试时间

Ahsan Bilal, Muhammad Ahmed Mohsin, Muhammad Umer, Asad Aali, Muhammad Usman Khanzada, Muhammad Usman Rafique, Zihao He, Emily Fox, Dean F. Hougen

机构 * University of Oklahoma（俄克拉荷马大学） ； Stanford University（斯坦福大学） ； University of Göttingen（哥廷根大学） ； Zoox ； Meta 纠错

专题命中 推理与问题求解 ：language model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出$S^3$方法，通过在去噪过程中重新分配计算资源提升生成质量，实验证明其在数学推理任务中表现最佳。

Comments Submitted to COLM 2026

Before We Trust Them: Decision-Making Failures in Navigation of Foundation Models

在我们信任之前：基础模型导航决策中的失败

Jua Han, Jaeyoon Seo, Jungbin Min, Sieun Choi, Huichan Seo, Jihie Kim, Jean Oh

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 推理与问题求解 ：foundation model(title,abstract)；分类 cs.AI

AI总结 研究发现基础模型在导航任务中存在显著决策失败，需更细致评估以理解其局限性。

Comments Corrected author order in metadata; manuscript changed

Lost in Cultural Translation: Do LLMs Struggle with Math Across Cultural Contexts?

文化翻译中迷失：大语言模型在不同文化背景下进行数学推理的能力如何？

Aabid Karim, Abdul Karim, Bhoomika Lohana, Matt Keon, Jaswinder Singh, Abdul Sattar

机构 * mV Research Lab（55mV研究实验室） ； Microsoft（微软） ； Millcrest Technology（Millcrest科技） ； Griffith University（格里菲斯大学） 纠错

专题命中 推理与问题求解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG

AI总结 研究发现大语言模型在不同文化背景下处理数学问题时存在性能下降，文化适应影响推理模式，需更多多样化的训练数据以提升全球适用性。

Vision-Language Model-Guided Deep Unrolling Enables Personalized, Fast MRI

基于视觉-语言模型的深度展开实现个性化快速MRI

Fangmao Ju, Yuzhu He, Zhiwen Xue, Chunfeng Lian, Jianhua Ma

专题命中 推理与问题求解 ：language model(title,abstract)

AI总结 本文提出PASS框架，利用视觉-语言模型指导深度展开网络，实现任务导向的快速成像，通过动态个性化成像流程提升MRI图像质量及诊断性能。

HIVE: Query, Hypothesize, Verify An LLM Framework for Multimodal Reasoning-Intensive Retrieval

HIVE：一种用于多模态推理密集检索的LLM框架

Mahmoud Abdalla, Mahmoud SalahEldin Kasem, Mohamed Mahmoud, Mostafa Farouk Senussi, Abdelrahman Abdallah, Hyun-Soo Kang

专题命中 推理与问题求解 ：LLM(title,abstract)

AI总结 HIVE通过引入LLM进行显式视觉-文本推理，提升多模态检索效果，达到41.7的nDCG@10，优于现有文本和多模态模型。

Comments accepted at CVPR 2026 Workshop GRAIL-V

iTAG: Inverse Design for Natural Text Generation with Accurate Causal Graph Annotations

iTAG：基于准确因果图标注的自然文本生成逆向设计

Wenshuo Wang, Boyu Cao, Nan Zhuang, Wei Li

机构 * School of Future Technology, South China University of Technology（华南理工大学未来技术学院） ； China Mobile GBA Innovation Institute（中国移动粤港澳大湾区创新研究院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） 纠错

专题命中 推理与问题求解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 iTAG通过逆向设计生成具有准确因果图标注的自然文本，提升生成文本的自然度与标注准确性，为因果发现算法提供实用的基准测试数据。

Comments Accepted at ACL 2026

Beyond Accuracy: Diagnosing Algebraic Reasoning Failures in LLMs Across Nine Complexity Dimensions

超越准确性：在九个复杂性维度上诊断大语言模型的代数推理失败

Parth Patil, Dhruv Kumar, Yash Sinha, Murari Mandal

机构 * Department of Computer Science & Information Systems BITS Pilani（比拉理工学院皮拉尼校区计算机科学与信息系统系） ； School of Computer Engineering, KIIT Bhubaneshwar（KIIT布巴内斯瓦尔分校计算机工程学院） 纠错

专题命中 推理与问题求解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出一个九维代数复杂性框架，通过独立调整每个复杂性因素来诊断大语言模型的代数推理失败，发现工作内存是主要瓶颈，识别出五个关键维度以全面评估模型能力。

Comments Under Review as a conference paper at COLM 2026

Argus: Reorchestrating Static Analysis via a Multi-Agent Ensemble for Full-Chain Security Vulnerability Detection

Argus：通过多智能体集合重新编排静态分析以实现全链路安全漏洞检测

Zi Liang, Qipeng Xie, Jun He, Bohuan Xue, Weizheng Wang, Yuandao Cai, Fei Luo, Boxian Zhang, Haibo Hu, Kaishun Wu

机构 * The Hong Kong Polytechnic University（香港理工大学） ； HKUST（香港科技大学） ； SF Express（顺丰速运） ； Great Bay University（大湾区大学） 纠错

专题命中 推理与问题求解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 Argus通过多智能体框架提升静态分析效率，结合RAG和ReAct技术减少漏洞误报，发现更多真实漏洞并降低运营成本。

SymptomWise: A Deterministic Reasoning Layer for Reliable and Efficient AI Systems

SymptomWise: 一种用于可靠和高效人工智能系统的确定性推理层

Isaac Henry, Avery Byrne, Christopher Giza, Ron Henry, Shahram Yazdani

机构 * University of California Los Angeles, David Geffen School of Medicine（加州大学洛杉矶分校大卫·格芬医学院） ； University of Southern California（南加州大学） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；foundation model(abstract)；分类 cs.AI

AI总结 SymptomWise通过分离语言理解与诊断推理，结合专家知识和确定性推理，提升AI系统可靠性与可解释性，初步验证在儿科神经病学案例中表现优异。

Comments 18 pages, 1 figure,

C-TRAIL: A Commonsense World Framework for Trajectory Planning in Autonomous Driving

C-TRAIL：用于自动驾驶轨迹规划的常识世界框架

Zhihong Cui, Haoran Tang, Tianyi Li, Yushuai Li, Peiyuan Guan, Amir Taherkordi, Tor Skeie

机构 * University of Oslo（奥斯陆大学） ； Hong Kong Polytechnic University（香港理工大学） ； Aalborg University（奥尔堡大学） 纠错

专题命中 推理与问题求解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出C-TRAIL框架，结合常识世界与信任机制，通过Recall-Plan-Update循环提升自动驾驶轨迹规划的可靠性，实验表明其在ADE、FDE和SR指标上均优于现有方法。

Journal ref IEEE Transactions on Vehicular Technology, 2026

ManeuverGPT Agentic Control for Safe Autonomous Stunt Maneuvers

ManeuverGPT 代理控制用于安全的自动驾驶特技动作

Shawn Azdam, Pranav Doma, Aliasghar Moj Arab

机构 * New York University（纽约大学） ； Tandon School of Engineering, New York University（纽约大学坦登工程学院） ； General Autonomy Inc.（通用自主公司） ； Azdam AI 纠错

专题命中 推理与问题求解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出ManeuverGPT框架，利用大语言模型代理生成并执行高动态特技动作，通过迭代提示法优化车辆控制参数，实现安全的J-turn等特技动作执行。

Comments 6 Pages, Submitted to IROS

Enhancing MLLM Spatial Understanding via Active 3D Scene Exploration for Multi-Perspective Reasoning

通过主动3D场景探索增强MLLM空间理解以实现多视角推理

Jiahua Chen, Qihong Tang, Weinong Wang, Qi Fan

机构 * Tsinghua University（清华大学） ； Nanjing University（南京大学） ； Tencent（腾讯） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；post-training(abstract)

AI总结 本文提出一种无需训练的框架，通过显式3D重建机制提升MLLM的空间理解能力，通过主动探索生成新视角，优于专门空间模型和通用MLLM。

The Stepwise Informativeness Assumption: Why are Entropy Dynamics and Reasoning Correlated in LLMs?

逐步信息性假设：为什么在大语言模型中熵动态与推理相关？

Mar Gonzàlez I Català, Haitz Sáez de Ocáriz Borde, George D. Montañez, Pietro Liò

机构 * University of Cambridge（剑桥大学） ； University of Oxford（牛津大学） ； Harvey Mudd College（哈维穆德学院） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文探讨了大语言模型中熵动态与推理正确性相关的原因，提出逐步信息性假设，并通过实验验证其在多个基准和模型中的有效性。

Comments 21 pages, 5 figures, 3 tables

Adaptive Prompt Structure Factorization: A Framework for Self-Discovering and Optimizing Compositional Prompt Programs

自适应提示结构分解：一种自我发现和优化组合提示程序的框架

Haoyue Liu, Zhichao Wang, Yongxin Guo, Haoran Shou, Xiaoying Tang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Taobao and Tmall Group（淘宝天猫集团） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.LG

AI总结 本文提出aPSF框架，通过语义因素发现和单因素更新优化提示程序，提升大语言模型的推理可靠性，实验显示在多个基准上准确率提升2.16个百分点，优化成本降低45-87%。

ChemVLR: Prioritizing Reasoning in Perception for Chemical Vision-Language Understanding

ChemVLR：在化学视觉语言理解中优先考虑推理

Xuanle Zhao, Xinyuan Cai, Xiang Cheng, Xiuyi Chen, Bo Xu

机构 * The Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统认知与决策智能重点实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 ChemVLR通过细化化学描述符识别，提升化学视觉语言模型的推理能力，实现更清晰的推理路径，实验显示其在分子和反应任务中达到SOTA性能。

Comments Accepted by ACL 2026 Findings, Preprint Version

DTCRS: Dynamic Tree Construction for Recursive Summarization

DTCRS: 动态树构建用于递归摘要

Guanran Luo, Zhongquan Jian, Wentao Qiu, Meihong Wang, Qingqiang Wu

机构 * School of Informatics, Xiamen University（厦门大学信息学院） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 DTCRS通过动态生成摘要树减少冗余，提升摘要与问题的相关性，从而加快构建时间并改进三个问答任务的性能。

GCoT-Decoding: Unlocking Deep Reasoning Paths for Universal Question Answering

GCoT-Decoding：解锁通用问答中的深度推理路径

Guanran Luo, Wentao Qiu, Zhongquan Jian, Meihong Wang, Qingqiang Wu

机构 * School of Informatics, Xiamen University（厦门大学信息学院） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出GCoT-Decoding策略，结合Fibonacci采样和启发式错误回溯，生成候选解码路径并计算置信度，通过语义相似路径聚合获得共识答案，提升通用问答性能。

Specializing Large Models for Oracle Bone Script Interpretation via Component-Grounded Multimodal Knowledge Augmentation

通过组件导向的多模态知识增强专门化大型模型进行甲骨文解读

Jianing Zhang, Runan Li, Honglin Pang, Ding Xia, Zhou Zhu, Qian Zhang, Chuntao Li, Xi Yang

机构 * College of Software, Jilin University（吉林大学软件学院） ； School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院） ； School of Archaeology, Jilin University（吉林大学考古学院） ； Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, MoE, China（教育部知识驱动人机智能工程研究中心） 纠错

专题命中 推理与问题求解 ：LLM(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出一种基于组件的多模态知识增强框架，利用视觉语言模型和语言模型代理进行组件识别与语义推理，通过专家标注的OB-Radix数据集提升甲骨文解读的精度与细节。

Concentrated siting of AI data centers drives regional power-system stress under rising global compute demand

人工智能数据中心的集中布局在日益增长的全球计算需求下加剧了区域电力系统压力

Danbo Chen, Zijun Zhou, Yongyang Cai, Jiahong Qin, Ani Katchova, Lei Chen

机构 * The Ohio State University（俄亥俄州立大学） ； Meta Platforms Inc.（Meta平台公司） ； Zhejiang A&F University（浙江农林大学） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文研究了人工智能数据中心的集中布局对电力系统的影响，通过结合大语言模型分析和能源系统建模，预测了2025至2030年间AI数据中心的电力足迹，发现北美、西欧和亚太地区占90%以上计算能力，部分区域电网面临高压力。

Comments 32 pages, 8 figures

Faithful-First Reasoning, Planning, and Acting for Multimodal LLMs

多模态大语言模型中的忠实优先推理、规划与行动

Junxian Li, Xinyue Xu, Sai Ma, Di Zhang, Sichao Li

机构 * Shanghai Jiao Tong University（上海交通大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； The Australian National University（澳大利亚国立大学） ； Fudan University（复旦大学） ； University of Sydney（悉尼大学） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出Faithful-First RPA框架，通过逐步监督提升多模态推理的忠实度，实验表明其在多个基准上提升了24%的感知忠实度，且不降低任务准确性。

Comments Accepted by ACL 2026 Findings