语言大模型 / LLM

AnomalyGen: Enhancing Log-Based Anomaly Detection with Code-Guided Data Augmentation

AnomalyGen: 通过代码引导的数据增强提升基于日志的异常检测

Xinyu Li, Yintong Huo, Chenxi Mao, Shiwen Shan, Yuxin Su, Yanlin Wang, Zibin Zheng

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

AI总结 本文提出AnomalyGen框架，通过合成带标签的日志序列增强训练数据，结合日志导向的静态分析与大语言模型推理，提升异常检测性能，实验显示在HDFS和Zookeeper上多个模型的F1分数均有显著提升。

Comments 22 pages, 10 figures

Min-$k$ Sampling: Decoupling Truncation from Temperature Scaling via Relative Logit Dynamics

Min-k Sampling: 通过相对Logit动态解耦截断与温度缩放

Yuanhao Ding, Meimingwei Li, Esteban Garces Arias, Matthias Aßenmacher, Christian Heumann, Chongsheng Zhang

机构 * School of Computer and Information Engineering, Henan University（河南大学计算机与信息工程学院） ； Department of Statistics, LMU Munich（慕尼黑大学统计系） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） 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 本文提出Min-k采样，通过分析排序后的Logit分布局部形状，识别语义悬崖，动态确定截断边界，实现严格温度不变性，并在多个任务中提升文本质量。

Comments Accepted at ACL 2026 (Main Conference)

MirageBackdoor: A Stealthy Attack that Induces Think-Well-Answer-Wrong Reasoning

MirageBackdoor: 一种诱导“思考良好但回答错误”推理的隐蔽攻击

Yizhe Zeng, Wei Zhang, Yunpeng Li, Juxin Xiao, Xiao Wang, Yuling Liu

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

AI总结 本文提出MirageBackdoor攻击，通过解锁模型后输出空间和定制训练流程，使模型在保持清洁推理过程的同时，选择性地将最终答案导向特定目标，显著提升攻击隐蔽性。

PlanGuard: Defending Agents against Indirect Prompt Injection via Planning-based Consistency Verification

PlanGuard：通过基于规划的一致性验证防御代理 against 间接提示注入

Guangyu Gong, Zizhuang Deng

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

AI总结 本文提出PlanGuard，一种基于上下文隔离的无训练防御框架，通过规划器生成有效动作集和分层验证机制，有效防御间接提示注入攻击，实验显示攻击成功率从72.8%降至0%。

Agentic Workflows for Resolving Conflict Over Shared Resources: A Power Grid Application

代理工作流用于解决共享资源上的冲突：一个电力网格应用

Shiva Poudel, Thiagarajan Ramachandran, Orestis Vasios, Andrew P. Reiman

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

AI总结 本文提出一种协调多个代理的冲突解决框架，通过双边谈判、结构化调解和程序性（确定性）冲突解决模式，解决共享资源上的冲突，并在电力分配场景中验证了其性能。

Comments 6 pages, 9 figures

ClawMobile: Rethinking Smartphone-Native Agentic Systems

ClawMobile：重新思考原生智能手机代理系统

Hongchao Du, Shangyu Wu, Qiao Li, Riwei Pan, Jinheng Li, Youcheng Sun, Chun Jason Xue

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

AI总结 本文提出ClawMobile，一种针对智能手机环境的代理系统架构，通过分层设计提升执行稳定性与可重复性，并探讨移动LLM运行时的关键挑战。

Comments Accepted at EuroMLSys 2026, 7 pages, 1 figure

Agentic Verification of Software Systems

软件系统的代理验证

Haoxin Tu, Huan Zhao, Yahui Song, Mehtab Zafar, Ruijie Meng, Abhik Roychoudhury

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

AI总结 本文提出AutoRocq代理，通过与Rocq定理证明器协作实现程序验证，采用迭代优化提升证明质量，实验显示在SV-COMP和Linux内核模块上具有良好的自动验证效果。

Comments Camera-ready version appeared in the Proceedings of the ACM International Conference on the Foundations of Software Engineering (FSE 2026)

Locket: Robust Feature-Locking Technique for Language Models

Locket：语言模型中的鲁棒特征锁定技术

Lipeng He, Vasisht Duddu, N. Asokan

机构 * University of Waterloo（滑铁卢大学） 纠错

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

AI总结 本文提出Locket，一种鲁棒且可扩展的特征锁定技术，用于实现付费解锁方案，有效拒绝锁定功能，保持解锁功能的实用性，并对 evasion 和未经授权的凭证共享具有鲁棒性。

Comments 15 pages, ACL 2026

Fake-HR1: Rethinking Reasoning of Vision Language Model for Synthetic Image Detection

Fake-HR1: 重新思考视觉语言模型在合成图像检测中的推理方式

Changjiang Jiang, Xinkuan Sha, Fengchang Yu, Jingjing Liu, Jian Liu, Mingqi Fang, Chenfeng Zhang, Wei Lu

机构 * Wuhan University（武汉大学） ； AntGroup（蚂蚁集团） ； Zhejiang University（浙江大学） 纠错

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

AI总结 Fake-HR1通过两阶段训练框架实现自适应推理，提升合成图像检测性能与效率，优于现有LLMs。

Comments Accepted by ICASSP 2026

Eliciting Medical Reasoning with Knowledge-enhanced Data Synthesis: A Semi-Supervised Reinforcement Learning Approach

通过知识增强的数据合成 eliciting 医学推理：一种半监督强化学习方法

Haolin Li, Shuyang Jiang, Ruipeng Zhang, Jiangchao Yao, Ya Zhang, Yanfeng Wang

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与技术学院） ； Shanghai AI Laboratory（上海人工智能实验室） ； CMIC, Shanghai Jiao Tong University（上海交通大学CMIC） ； School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院） ； Department of Radiology, Shanghai Sixth People’s Hospital Affiliated to Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属第六人民医院放射科） ； Institute of Artificial Intelligence for Medicine, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院人工智能医学研究所） 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MedSSR框架，利用稀有疾病知识生成可控推理问题，并通过自监督和监督强化学习提升医学推理能力，在十个医疗基准测试中取得显著提升。

Comments Accepted to ACL 2026 as a Findings paper

CFMS: A Coarse-to-Fine Multimodal Synthesis Framework for Enhanced Tabular Reasoning

CFMS：一种用于增强表格推理的粗到细多模态合成框架

Qixian Huang, Hongqiang Lin, Tong Fu, Yingsen Wang, Zhenghui Fu, Qirui Wang, Yiding Sun, Dongxu Zhang

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 本文提出CFMS框架，通过粗到细的多模态合成方法提升表格推理能力，实验表明其在处理大表格和小模型时具有鲁棒性。

Intent-aligned Formal Specification Synthesis via Traceable Refinement

通过可追溯的细化实现意图对齐的正式规范合成

Zhe Ye, Aidan Z. H. Yang, Huangyuan Su, Zhenyu Liao, Samuel Tenka, Zhizhen Qin, Udaya Ghai, Dawn Song, Soonho Kong

机构 * Amazon Web Services（亚马逊云服务） ； Harvard University（哈佛大学） 纠错

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

AI总结 本文提出VeriSpecGen框架，通过需求级归因和局部修复生成意图对齐的规范，提升规范合成的准确性和效率。

C2F-Thinker: Coarse-to-Fine Reasoning with Hint-Guided Reinforcement Learning for Multimodal Sentiment Analysis

C2F-Thinker：基于提示引导强化学习的粗到细推理用于多模态情感分析

Miaosen Luo, Zhenhao Yang, Jieshen Long, Jinghu Sun, Yichu Liu, Sijie Mai

机构 * School of Computer Science, South China Normal University（华南师范大学计算机科学学院） ； School of Electronic and Information Engineering, South China University of Technology（华南理工大学电子与信息工程学院） 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 本文提出C2F-Thinker框架，通过粗到细结构推理与提示引导强化学习，提升多模态情感分析的可解释性和泛化能力。

M$^3$KG-RAG: Multi-hop Multimodal Knowledge Graph-enhanced Retrieval-Augmented Generation

M$^3$KG-RAG：多跳多模态知识图谱增强的检索增强生成

Hyeongcheol Park, Jiyoung Seo, Jaewon Mun, Hogun Park, Wonmin Byeon, Sung June Kim, Hyeonsoo Im, JeungSub Lee, Sangpil Kim

机构 * Korea University（高丽大学） ； Sungkyunkwan University（成均馆大学） ； NVIDIA Research（英伟达研究院） ； Hanwha Systems（韩华系统） 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 本文提出M$^3$KG-RAG，通过构建多跳多模态知识图谱并引入GRASP机制，提升多模态大语言模型的推理深度和回答准确性。

Comments Accepted to CVPR 2026

Adaptive Multi-Expert Reasoning via Difficulty-Aware Routing and Uncertainty-Guided Aggregation

基于难度感知路由和不确定性引导聚合的自适应多专家推理

Mohamed Ehab, Ali Hamdi

机构 * Faculty of Computer Science October University for Modern Science \& Arts Giza, Egypt 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AMR框架，通过动态适应策略提升数学推理鲁棒性，利用难度感知路由和不确定性引导聚合在GSM8K数据集上取得75.28%准确率。

ACE-TA: An Agentic Teaching Assistant for Grounded Q&A, Quiz Generation, and Code Tutoring

ACE-TA：一种基于代理的教学助手用于 grounded Q&A、测验生成和代码辅导

Himanshu Tripathi, Charlottee Crowell, Kaley Newlin, Subash Neupane, Shahram Rahimi, Jason Keith

机构 * University of Alabama（阿拉巴马大学） ； Brown University（布朗大学） ； Meharry Medical College（梅哈里医学院） ； Iowa State University of Science and Technology（爱荷华州立科技大学） 纠错

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

AI总结 ACE-TA利用预训练大语言模型，通过三个协调模块实现概念性问题的路由，提供精确解释、生成自适应测验并指导学生逐步学习代码。

Physical Commonsense Reasoning for Lower-Resourced Languages and Dialects: a Study on Basque

低资源语言和方言的物理常识推理：以巴斯克语为例的研究

Jaione Bengoetxea, Itziar Gonzalez-Dios, Rodrigo Agerri

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BasPhyCo数据集，评估LLM在巴斯克语中物理常识推理能力，发现低资源语言中LLM在处理方言时物理常识能力有限。

Self-Correcting RAG: Enhancing Faithfulness via MMKP Context Selection and NLI-Guided MCTS

自校正RAG：通过MMKP上下文选择和NLI引导的MCTS增强忠实性

Shijia Xu, Zhou Wu, Xiaolong Jia, Yu Wang, Kai Liu, April Xiaowen Dong

机构 * Chongqing University（重庆大学） ； Queen Mary University of London（伦敦玛丽女王大学） ； Chongqing Key Laboratory of Big Data Intelligence and Privacy Computing（重庆市大数据智能与隐私计算重点实验室） ； Fangda Partners（方达律师事务所） 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 本研究提出Self-Correcting RAG框架，通过MMKP上下文选择和NLI引导的MCTS机制，提升复杂推理任务中的准确性和减少幻觉。

Turning Generators into Retrievers: Unlocking MLLMs for Natural Language-Guided Geo-Localization

将生成器转化为检索器：解锁多模态大语言模型用于自然语言引导的地理定位

Yuqi Chen, Xiaohan Zhang, Ahmad Arrabi, Waqas Sultani, Chen Chen, Safwan Wshah

机构 * Vermont Artificial Intelligence Lab, Department of Computer Science, University of Vermont（佛蒙特大学计算机科学系佛蒙特人工智能实验室） ； Intelligent Machines Lab, Department of Artificial Intelligence, Information Technology University（信息技术大学人工智能系智能机器实验室） ； Institute of Artificial Intelligence, University of Central Florida（中佛罗里达大学人工智能研究所） 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 本文提出一种简单有效的框架，通过参数高效微调将多模态大语言模型应用于自然语言引导的地理定位，实现强大的跨模态对齐，取得GeoText-1652的SOTA结果，并在CVG-Text的5个子任务中表现优异。

Comments CVPRF

ReadMOF: Structure-Free Semantic Embeddings from Systematic MOF Nomenclature for Machine Learning

ReadMOF：基于系统化MOF命名的无结构语义嵌入用于机器学习

Kewei Zhu, Cameron Wilson, Bartosz Mazur, Yi Li, Ashleigh M. Chester, Peyman Z. Moghadam

机构 * University College London（伦敦大学学院） ； Wroclaw University of Science and Technology（弗罗茨瓦夫理工大学） 纠错

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

AI总结 ReadMOF通过系统化MOF命名生成无结构语义嵌入，无需原子坐标或连接图即可建模结构-性质关系，实现材料信息学中的性质预测、相似性检索与聚类，性能可与几何依赖方法相比拟。

Comments 29 pages, 8 figures

Ontological Trajectory Forecasting via Finite Semigroup Iteration and Lie Algebra Approximation in Geopolitical Knowledge Graphs

通过有限半群迭代和李代数近似进行本体轨迹预测：在地缘政治知识图谱中的应用

Qihang Wu

机构 * Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University（香港理工大学工业及系统工程学系） 纠错

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

AI总结 本文提出EL-DRUIN系统，结合形式本体、有限半群代数和李代数近似，预测地缘政治长期关系轨迹，通过半群操作和李代数空间向量嵌入实现可解释的概率预测。

Comments 18 pages. Code and system available at https://github.com/wuqihang-brave/El-druin

HyperGraphPro: Progress-Aware Reinforcement Learning for Structure-Guided Hypergraph RAG

HyperGraphPro: 为结构引导的超图RAG设计的进度感知强化学习

Jinyoung Park, Sanghyeok Lee, Omar Zia Khan, Hyunwoo J. Kim, Joo-Kyung Kim

机构 * KAIST（韩国科学技术院） ； Microsoft（微软） ； Amazon（亚马逊） 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 HyperGraphPro通过结合语义相关性和图连接性，改进超图检索机制，采用基于进度的逐步策略优化，提升多步推理的准确性和生成质量。

Comments In progress

Inside the Scaffold: A Source-Code Taxonomy of Coding Agent Architectures

在框架内：基于源代码的编码代理架构分类

Benjamin Rombaut

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

AI总结 本文通过分析13个开源编码代理框架的源代码，提出了一种基于架构的分类方法，揭示了控制策略、工具使用和资源管理的多样性，为研究代理行为和设计新框架提供了可复用的参考。

MARLIN: Multi-Agent Reinforcement Learning Guided by Language-Based Inter-Robot Negotiation

MARLIN：基于语言的多智能体强化学习引导的多机器人协商

Toby Godfrey, William Hunt, Mohammad D. Soorati

机构 * University of Southampton（南安普顿大学） 纠错

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

AI总结 MARLIN通过语言引导的多机器人协商与强化学习结合，提升早期训练性能和最终效果，采用语言模型进行高层规划和行动协商。

Comments 15 pages, 8 figures, 1 table

Efficient Process Reward Modeling via Contrastive Mutual Information

通过对比互信息实现高效的进程奖励建模

Nakyung Lee, Sangwoo Hong, Jungwoo Lee

机构 * Department of Electrical and Computer Engineering, Seoul National University（首尔大学电气与计算机工程系） ； Department of Computer Science and Engineering, Konkuk University（建国大学计算机科学与工程系） 纠错

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

AI总结 本文提出CPMI方法，通过模型内部概率推断步骤监督，减少标注计算负担，提升过程级评估和数学推理准确性。

Comments Accepted at ACL 2026 Main Conference

AdverMCTS: Combating Pseudo-Correctness in Code Generation via Adversarial Monte Carlo Tree Search

AdverMCTS：通过对抗性蒙特卡洛树搜索对抗代码生成中的伪正确性

Qingyao Li, Weiwen Liu, Weinan Zhang, Yong Yu, Bo An

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

AI总结 本文提出AdverMCTS，通过将代码搜索与主动漏洞发现结合，对抗代码生成中的伪正确性问题，实验表明其优于现有方法，有效降低误报率。

SignReasoner: Compositional Reasoning for Complex Traffic Sign Understanding via Functional Structure Units

SignReasoner：通过功能结构单元实现复杂交通标志理解的组合推理

Ruibin Wang, Zhenyu Lin, Xinhai Zhao

机构 * Huawei Noah’s Ark Lab（华为诺亚方舟实验室） 纠错

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

AI总结 本文提出SignReasoner，通过功能结构单元实现复杂交通标志的组合推理，提升自动驾驶安全。核心方法是功能结构单元，通过分解标志为基本功能块，增强模型对未知配置的泛化能力。

Comments CVPRF 2026

Measuring and curing reasoning rigidity: from decorative chain-of-thought to genuine faithfulness

衡量和治愈推理刚性：从装饰性推理链到真正的忠实

Abhinaba Basu, Pavan Chakraborty

机构 * Indian Institute of Information Technology Allahabad (IIITA)（印度阿拉哈巴德信息技术学院） ； National Institute of Electronics and Information Technology (NIELIT)（国家电子与信息技术研究院） 纠错

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

AI总结 本文提出SLRC指标和LC-CoSR方法，通过Lyapunov稳定性保证减少推理刚性，发现高SLRC模型易受阿谀影响，并提出RIS评分预测错误检测。

Comments Includes SLRC metric with formal guarantees (Theorem 1), LC-CoSR training intervention, Reasoning Integrity Score, and mechanistic analysis

MeepleLM: A Virtual Playtester Simulating Diverse Subjective Experiences

MeepleLM：一种模拟多样化主观体验的虚拟玩家测试者

Zizhen Li, Chuanhao Li, Yibin Wang, Yukang Feng, Jianwen Sun, Jiaxin Ai, Fanrui Zhang, Mingzhu Sun, Yifei Huang, Kaipeng Zhang

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

AI总结 本文提出MeepleLM，通过整合规则书和玩家反馈数据，模拟多样化玩家体验，提升棋盘游戏设计的协作效率与批判性。

Comments ACL 2026 MainConference

RealSR-R1: Reinforcement Learning for Real-World Image Super-Resolution with Vision-Language Chain-of-Thought

RealSR-R1: 用强化学习解决真实世界图像超分辨率问题

Junbo Qiao, Miaomiao Cai, Wei Li, Xudong Huang, Jie Hu, Xinghao Chen, Shaohui Lin, Hongkai Xiong

机构 * School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiaotong University（上海交通大学） 纠错

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

AI总结 本文提出RealSR-R1，通过视觉-语言链式推理框架和Group Relative Policy Optimization方法，提升真实世界图像超分辨率的生成质量与内容理解能力。