语言大模型 / LLM

The PICCO Framework for Large Language Model Prompting: A Taxonomy and Reference Architecture for Prompt Structure

为大型语言模型提示设计的PICCO框架：提示结构的分类与参考架构

David A. Cook

机构 * Mayo Clinic College of Medicine and Science（梅奥诊所医学院和科学学院） ； Mayo Clinic Division of General Internal Medicine（梅奥诊所内科医学部） 纠错

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

AI总结 本文提出PICCO框架，通过综合11种现有提示框架，定义提示结构的分类和五要素参考架构，旨在提升提示设计的系统性和清晰度。

Comments Presents the novel PICCO framework for LLM prompting, derived through a structured multi-database search and rigorous comparative synthesis of 11 published prompting frameworks. Submitted in PDF/A format to preserve the structure and readability of several multi-page tables central to the framework and methodology; these contain dense structured information that is best preserved in PDF form

Atropos: Improving Cost-Benefit Trade-off of LLM-based Agents under Self-Consistency with Early Termination and Model Hotswap

Atropos：通过早期终止和模型热切换提升基于LLM的代理在自一致性下的成本效益权衡

Naryeong Kim, Shin Yoo

机构 * KAIST（韩国明知大学） 纠错

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

AI总结 本文提出Atropos技术，通过预测早期终止和模型热切换提升基于LLM的代理在自一致性下的成本效益权衡，实验表明其能将性能提升至闭合LLM的74.35%，成本降低至23.9%。

Comments Will appear at ISSTA 2026

Coalition Formation in LLM Agent Networks: Stability Analysis and Convergence Guarantees

在LLM代理网络中的联盟形成：稳定性分析与收敛保证

Dongxin Guo, Jikun Wu, Siu-Ming Yiu

机构 * Department of Compute Science, The University of Hong Kong（香港大学计算机科学系） ； Brain Investing Limited（Brain Investing有限公司） ； Stellaris AI Limited（Stellaris AI有限公司） 纠错

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

AI总结 本文提出首个基于享乐博弈理论的LLM联盟形成框架，分析了LLM代理的有限理性特性，并通过实验验证了CoalT协议在联盟稳定性上的优越性。

Comments 15 pages including supplementary material, 2 figures, 5 tables

Foresight Optimization for Strategic Reasoning in Large Language Models

为大语言模型中的战略推理进行前瞻性优化

Jiashuo Wang, Jiawen Duan, Jian Wang, Kaitao Song, Chunpu Xu, Johnny K. W. Ho, Fenggang Yu, Wenjie Li, Johan F. Hoorn

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） 纠错

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

Feedback-Driven Execution for LLM-Based Binary Analysis

基于反馈的LLM二进制分析执行

XiangRui Zhang, Qiang Li, Haining Wang

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

AI总结 本文提出FORGE系统，通过反馈驱动执行框架提升LLM在二进制分析中的表现，实现长周期多路径分析与高精度漏洞检测。

Comments 17 pages

HintPilot: LLM-based Compiler Hint Synthesis for Code Optimization

HintPilot: 基于LLM的编译器提示合成用于代码优化

Hanyun Jiang, Peisen Yao, Kaiyue Li, Tingting Lin, Chengpeng Wang, Kui Ren

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

AI总结 HintPilot通过合成编译器提示注解，结合LLM推理与传统编译器基础设施，提升代码优化效果，实现6.88倍速度提升且保持程序正确性。

Simulating Human Cognition: Heartbeat-Driven Autonomous Thinking Activity Scheduling for LLM-based AI systems

模拟人类认知：基于心跳驱动的自主思考活动调度机制用于基于大语言模型的AI系统

Hong Su

机构 * School of Computer Science, Chengdu University of Information Technology（成都信息学院计算机科学学院） 纠错

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

AI总结 本文提出基于心跳驱动的自主思考活动调度机制，通过动态认知模块实现自适应和持续自我调节，提升LLM代理的适应性和效率。

Prompt-R1: Collaborative Automatic Prompting Framework via End-to-end Reinforcement Learning

Prompt-R1: 通过端到端强化学习实现的协作自动提示框架

Wenjin Liu, Haoran Luo, Xueyuan Lin, Haoming Liu, Tiesunlong Shen, Jiapu Wang, Rui Mao, Erik Cambria

机构 * Hainan University（海南大学） ； Nanyang Technological University（南洋理工大学） ； Hithink Research（慧思研究） ； HKUST (Guangzhou)（香港科技大学（广州）） ； IDEA Research（IDEA研究院） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； Nanjing University of Science and Technology（南京理工大学） 纠错

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

AI总结 本文提出Prompt-R1框架，通过小规模LLM与大规模LLM协作，利用强化学习提升复杂问题解决能力，实验表明其在多个数据集上表现优异。

METER: Evaluating Multi-Level Contextual Causal Reasoning in Large Language Models

METER：评估大型语言模型中的多级上下文因果推理

Pengfeng Li, Chen Huang, Chaoqun Hao, Hongyao Chen, Xiao-Yong Wei, Wenqiang Lei, See-Kiong Ng

机构 * College of Computer Science, Sichuan University（四川大学计算机学院） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所） ； Engineering Research Center of Machine Learning and Industry Intelligence, Ministry of Education, China（中国教育部机器学习与产业智能工程研究中心） 纠错

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

AI总结 本文提出METER基准，系统评估大型语言模型在因果阶梯的三个层级上的表现，发现随着任务层级升高，模型能力显著下降，揭示了模型在因果推理中的两大失效模式。

Comments ACL 2026. Our code and dataset are available at https://github.com/SCUNLP/METER

In Context Learning and Reasoning for Symbolic Regression with Large Language Models

在大型语言模型中进行上下文学习和推理以实现符号回归

Samiha Sharlin, Tyler R. Josephson

机构 * Department of Chemical, Biochemical, and Environmental Engineering, University of Maryland Baltimore County（化学、生物化学与环境工程系，马里兰大学巴尔的摩县分校） ； Department of Computer Science and Electrical Engineering, University of Maryland Baltimore County（计算机科学与电气工程系，马里兰大学巴尔的摩县分校） 纠错

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

AI总结 本文探讨了大型语言模型在符号回归中的潜力，通过上下文学习和推理生成并优化表达式，成功复现了吸附 Langmuir 模型和 Nikuradse 数据集，展示了提示策略对模型性能的提升作用。

Language on Demand, Knowledge at Core: Composing LLMs with Encoder-Decoder Translation Models for Extensible Multilinguality

按需语言，知识为核心：通过编码器-解码器翻译模型组成LLM以实现可扩展的多语言性

Mengyu Bu, Yang Feng

机构 * Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences（智能信息处理重点实验室，计算技术研究所，中国科学院） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） 纠错

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

AI总结 本文提出XBridge架构，利用预训练翻译模型实现多语言理解和生成，同时保留LLM作为英语核心处理通用知识，通过轻量级跨模型映射层和最优传输对齐目标，提升多语言生成性能。

Comments ACL 2026 Main Conference. Code: https://github.com/ictnlp/XBridge | Models: https://huggingface.co/collections/ICTNLP/xbridge

Dissecting Failure Dynamics in Large Language Model Reasoning

解析大语言模型推理中的故障动态

Wei Zhu, Jian Zhang, Lixing Yu, Kun Yue, Zhiwen Tang

机构 * School of Information Science and Engineering, Yunnan University, Kunming, China（云南大学信息科学与工程学院，昆明，中国） ； Yunnan Key Laboratory of Intelligent Systems and Computing, Kunming, China（云南省智能系统与计算重点实验室，昆明，中国） 纠错

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

AI总结 研究揭示大语言模型推理错误多源于早期少量转换点，提出GUARD框架通过不确定性信号引导干预，提升推理可靠性。

Comments Accepted by ACL 2026

Critical-CoT: A Robust Defense Framework against Reasoning-Level Backdoor Attacks in Large Language Models

Critical-CoT: 一种针对大语言模型推理层后门攻击的稳健防御框架

Vu Tuan Truong, Long Bao Le

机构 * INRS, University of Quebec（INRS大学魁北克分校） 纠错

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

AI总结 本文提出Critical-CoT，通过双阶段微调提升大语言模型的批判性思维，使其能自动识别潜在后门并拒绝生成恶意推理步骤，有效防御推理层后门攻击。

Quantifying Cross-Query Contradictions in Multi-Query LLM Reasoning

量化多查询LLM推理中的跨查询矛盾

Rohit Kumar Salla, Ramya Manasa Amancherla, Manoj Saravanan

机构 * Virginia Tech（弗吉尼亚理工大学） ； Columbia University（哥伦比亚大学） 纠错

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

AI总结 本文研究多查询推理中的逻辑一致性，提出包含390个实例的基准测试，引入集级指标，通过提取承诺、验证全局可满足性及反例引导修复，减少跨查询矛盾并保持单查询准确性。

Comments Accepted at the ICLR 2026 Workshop on Logical Reasoning of Large Language Models. 9 pages, 6 tables, code and data at https://huggingface.co/datasets/rohitspider/cross_query_benchmark

GAMBIT: A Gamified Jailbreak Framework for Multimodal Large Language Models

GAMBIT：一种用于多模态大语言模型的游戏化突破框架

Xiangdong Hu, Yangyang Jiang, Qin Hu, Xiaojun Jia

机构 * Georgia State University（佐治亚州立大学） ； Shandong University（山东大学） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） 纠错

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

AI总结 本文提出GAMBIT框架，通过分解重组有害视觉语义并构建游戏化场景，使模型在探索和重建意图中主动完成突破，提升攻击成功率。

Comments Accepted to the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026), Main Conference

Searching Meta Reasoning Skeleton to Guide LLM Reasoning

通过搜索元推理骨架来指导大语言模型推理

Ziying Zhang, Yaqing Wang, Quanming Yao

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） 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

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。

ReasonScaffold: A Scaffolded Reasoning-based Annotation Protocol for Human-AI Co-Annotation

ReasonScaffold: 一种基于推理的标注协议用于人机协同标注

Smitha Muthya Sudheendra, Jaideep Srivastava

机构 * University of Minnesota, Twin Cities（明尼苏达大学，双城分校） 纠错

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

AI总结 本文提出ReasonScaffold协议，通过暴露LLM生成的推理过程来提升标注一致性，发现推理能增加标注者一致性和最小化修订，为人类与AI协同标注提供实用机制。

SLIP: Soft Label Mechanism and Key-Extraction-Guided CoT-based Defense Against Instruction Backdoor in APIs

SLIP: 软标签机制和关键提取引导的基于CoT的API指令后门防御

Zhengxian Wu, Juan Wen, Wanli Peng, Haowei Chang, Yinghan Zhou, Yiming Xue

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

AI总结 本文提出SLIP机制，通过软标签和关键提取引导CoT方法，有效对抗API中的指令后门，实验显示攻击成功率降低至25.13%，清洁准确率提升至87.15%。

Comments This paper has been accepted to ACL Findings 2026

Improving Language Models with Intentional Analysis

通过意图分析改进语言模型

Yuwei Yin, Giuseppe Carenini

机构 * University of British Columbia（不列颠哥伦比亚大学） 纠错

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

AI总结 本文提出意图分析（IA）方法，通过显式调用意图感知分析和推理提升语言模型性能，实验表明IA在多个基准和模型上均优于CoT，有效解决意图误解等问题。

Comments Code at https://github.com/YuweiYin/IA

Enhancing Large Language Model-Based Systems for End-to-End Circuit Analysis Problem Solving

增强基于大语言模型的系统以实现端到端电路分析问题求解

Liangliang Chen, Weiyu Sun, Huiru Xie, Yongnuo Cai, Ying Zhang

机构 * School of Electrical ； Computer Engineering, Georgia Institute of Technology, Atlanta, GA 30332 USA 纠错

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

AI总结 本文提出一种改进的端到端电路问题求解框架，通过整合YOLO检测器和OpenCV处理提升电路识别精度，并引入ngspice验证循环以减少推理错误，实验结果表明准确率显著提升。

Comments Liangliang Chen and Weiyu Sun contributed equally to this work

Time-RA: Towards Time Series Reasoning for Anomaly Diagnosis with LLM Feedback

Time-RA：面向时间序列推理的异常诊断方法：基于LLM反馈

Yiyuan Yang, Zichuan Liu, Lei Song, Kai Ying, Zhiguang Wang, Tom Bamford, Svitlana Vyetrenko, Jiang Bian, Qingsong Wen

机构 * University of Oxford（牛津大学） ； Nanjing University（南京大学） ； MSRA（微软研究院） ； SJTU（上海交通大学） ； Abel AI ； Outsampler ； University of Strasbourg（斯特拉斯堡大学） ； Squirrel Ai Learning（Squirrel AI学习） 纠错

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

AI总结 本文提出Time-RA，通过引入RATs40K多模态数据集，改进时间序列异常检测的生成式推理方法，提升诊断准确性和解释性，实现可解释的多模态时间序列分析。

Comments ACL 2026 Findings. 27 pages, 11 figures, 15 tables. Code and dataset are publicly available

StoryCoder: Narrative Reformulation for Structured Reasoning in LLM Code Generation

StoryCoder: 为LLM代码生成中的结构化推理提供叙述改写

Geonhui Jang, Dongyoon Han, YoungJoon Yoo

机构 * Dept. of Artificial Intelligence, Chung-Ang University（Chung-Ang 大学人工智能系） ； NAVER AI Lab（NAVER AI 实验室） 纠错

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

AI总结 StoryCoder通过将代码生成问题转化为连贯的自然语言叙述，提升模型推理和规划能力，实验显示在多个数据集上平均提升18.7%的零样本准确率，且改进了算法策略和代码结构。

Comments 21 pages, 12 figures. ACL 2026 Main Conference

Learning to Draw ASCII Improves Spatial Reasoning in Language Models

学习绘制ASCII图提高语言模型的空间推理能力

Shiyuan Huang, Li Liu, Jincheng He, Leilani H. Gilpin

机构 * University of California, Santa Cruz（加州大学圣克ruz分校） 纠错

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

AI总结 本文通过Text2Space数据集研究语言模型通过构造视觉布局提升空间推理能力，发现构造与理解训练结合可显著增强空间推理，并在外部基准上验证了其泛化能力。

Seeing Through Experts Eyes A Foundational Vision Language Model Trained on Radiologists Gaze and Reasoning

通过专家之眼：一个基于放射学家目光和推理训练的基础视觉语言模型

Kinhei Lee, Peiyuan Jing, Zhenxuan Zhang, Yue Yang, Tao Wang, Dominic C Marshall, Yingying Fang, Guang Yang

机构 * Bioengineering Department and Imperial-X（生物工程系和Imperial-X） ； Imperial College London（帝国理工学院伦敦分校） ； College of physics and information engineering, Fuzhou University（福州大学物理与信息工程学院） ； Department of Surgery and Cancer, Imperial College London（外科与癌症部门，帝国理工学院伦敦分校） ； National Heart and Lung Institute, Imperial College London（国家心脏和肺研究所，帝国理工学院伦敦分校） ； Cardiovascular Research Centre, Royal Brompton Hospital（心血管研究中心，皇家布里顿医院） ； School of Biomedical Engineering & Imaging Sciences, King’s College London（生物医学工程与成像科学学院，国王学院伦敦分校） 纠错

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

AI总结 本文提出GazeX模型，通过放射学家的眼动数据模拟专家推理过程，提升医学影像分析的准确性和可解释性。

Generalization in LLM Problem Solving: The Case of the Shortest Path

大模型问题解决中的泛化能力：最短路径问题的案例

Yao Tong, Jiayuan Ye, Anastasia Borovykh, Reza Shokri

机构 * National University of Singapore（新加坡国立大学） ； Capital Fund Management（资本基金管理公司） ； Google Research（谷歌研究） 纠错

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

AI总结 研究探讨了大模型在最短路径问题中的泛化能力，发现模型在空间迁移表现良好，但在长度扩展上因递归不稳定性而失败，分析了不同学习阶段对系统性问题解决的影响。

SkillDroid: Compile Once, Reuse Forever

SkillDroid: 一次编译，永久复用

Qijia Chen, Andrea Bellucci, Zhida Sun, Giulio Jacucci

专题命中 推理与问题求解 ：LLM(summary_cn,abstract)

AI总结 SkillDroid通过编译成功的人工智能引导GUI轨迹为参数化技能模板，实现无需LLM调用的复用，显著提升任务成功率和效率。

Equifinality in Mixture of Experts: Routing Topology Does Not Determine Language Modeling Quality

专家混合中的等效性：路由拓扑不决定语言建模质量

Ivan Ternovtsii, Yurii Bilak

机构 * Department of Software Systems, Uzhhorod National University（软件系统系，乌日霍罗德国立大学） 纠错

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

AI总结 本文研究路由拓扑对语言建模质量的影响，通过62次实验发现不同路由方法在渐近困惑度上无显著差异，且通过简化路由机制提升了效率。

Deliberative Alignment is Deep, but Uncertainty Remains: Inference time safety improvement in reasoning via attribution of unsafe behavior to base model

深度对齐但不确定性依然存在：通过将不安全行为归因于基础模型来改进推理时间的安全性

Pankayaraj Pathmanathan, Furong Huang

机构 * University of Maryland College Park（马里兰大学学院市） 纠错

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

AI总结 本文研究了对齐对语言模型安全性和通用性的影响，提出BoN采样方法将不安全行为归因于基础模型，减少多个安全基准的攻击成功率，同时保持实用性。

IE as Cache: Information Extraction Enhanced Agentic Reasoning

信息提取作为缓存：增强代理推理

Hang Lv, Sheng Liang, Hongchao Gu, Wei Guo, Defu Lian, Yong Liu, Hao Wang, Enhong Chen

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） 纠错

专题命中 推理与问题求解 ：LLM(summary_cn,abstract_cn)；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

Adaptive Test-Time Compute Allocation for Reasoning LLMs via Constrained Policy Optimization

通过约束策略优化实现推理大语言模型的自适应推理时间计算分配

Zhiyuan Zhai, Bingcong Li, Bingnan Xiao, Ming Li, Xin Wang

机构 * Fudan University（复旦大学） ； ETH Zurich（苏黎世联邦理工学院） ； Guangming Lab（光明实验室） 纠错

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

AI总结 本文提出通过约束优化问题解决推理时间计算分配问题，采用两阶段解决-学习流程，在解决阶段利用拉格朗日松弛分解全局约束，学习阶段训练轻量分类器预测 oracle 动作，实验证明方法在 MATH 和 GSM8K 数据集上优于均匀和启发式分配基线。