语言大模型 / LLM

Taint-Style Vulnerability Detection and Confirmation for Node.js Packages Using LLM Agent Reasoning

基于LLM代理推理的Node.js包污点式漏洞检测与验证

Ronghao Ni, Mihai Christodorescu, Limin Jia

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

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

AI总结 本文提出LLMVD.js，通过LLM代理实现Node.js包的污点式漏洞检测与验证，有效率达84%，优于传统方法，无需注解或报告。

Comments 19 pages, 6 figures

Colorful Talks with Graphs: Human-Interpretable Graph Encodings for Large Language Models

图的丰富多彩对话：用于大语言模型的人类可解释图编码

Angelo Zangari, Peyman Baghershahi, Sourav Medya

机构 * University of Illinois Chicago（伊利诺伊大学香槟分校） 纠错

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

AI总结 本文提出一种将图结构直接注入自然语言提示的编码策略，通过将图结构转换为人类可理解的颜色标记，提升大语言模型处理图任务的能力，实验显示在合成和真实数据集上均取得显著改进。

Comments Accepted to ACL Findings 2026 22 pages, 18 tables, 5 figures

LLM StructCore: Schema-Guided Reasoning Condensation and Deterministic Compilation

LLM StructCore: 基于模式的推理压缩与确定性编译

Serhii Zabolotnii

机构 * Cherkasy State Business College（切尔卡西州商业学院） 纠错

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

AI总结 本文提出LLM StructCore，通过基于模式的推理压缩和确定性编译，解决临床笔记中填写病例报告表的挑战，采用合同驱动的两阶段设计，提升准确率与稳定性。

Comments 16 pages, 1 figure, 5 tables. Preprint of a paper accepted to the Third Workshop on Patient-oriented Language Processing (CL4Health), co-located with LREC-COLING 2026

PR-CAD: Progressive Refinement for Unified Controllable and Faithful Text-to-CAD Generation with Large Language Models

PR-CAD：基于大语言模型的统一可控且忠实的文本到CAD生成的渐进式细化

Jiyuan An, Jiachen Zhao, Fan Chen, Liner Yang, Zhenghao Liu, Hongyan Wang, Weihua An, Meishan Zhang, Erhong Yang

机构 * School of Information Science, Beijing Language and Culture University, China（北京语言大学信息学院） ； School of Computer Science and Technology, Beijing Jiaotong University, China（北京交通大学计算机科学与技术学院） ； School of Computer Science and Engineering, Northeastern University, China（东北大学计算机科学与工程学院） ； Department of Computer Science and Technology, Tsinghua University, China（清华大学计算机科学与技术系） ； School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen), China（哈尔滨工业大学（深圳）计算机科学与技术学院） 纠错

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

AI总结 PR-CAD通过统一生成与编辑任务，提升文本到CAD生成的可控性和忠实性，采用高保真交互数据集和强化学习框架，实现设计创建与细化的一体化解决方案。

OThink-SRR1: Search, Refine and Reasoning with Reinforced Learning for Large Language Models

OThink-SRR1: 通过强化学习增强大语言模型的搜索、细化与推理

Haijian Liang, Zenghao Niu, Junjie Wu, Changwang Zhang, Wangchunshu Zhou, Jun Wang

机构 * Shenzhen University（深圳大学） ； OPPO Research Institute（OPPO研究院） 纠错

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

AI总结 OThink-SRR1通过强化学习训练的迭代搜索-细化-推理流程，有效解决复杂多跳问题中的检索噪声干扰和计算成本问题，实验表明其在多跳问答基准上准确率优于现有方法。

DRIV-EX: Counterfactual Explanations for Driving LLMs

DRIV-EX：用于驾驶LLM的反事实解释

Amaia Cardiel, Eloi Zablocki, Elias Ramzi, Eric Gaussier

机构 * Aptikal, Université Grenoble Alpes（Aptikal，格勒诺布尔大学） 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DRIV-EX方法，通过反事实解释研究驾驶LLM的决策过程，利用梯度优化生成语义变化的场景描述，提升解释的可理解性和鲁棒性。

Comments Accepted at ACL Findings 2026

A Survey of Scaling in Large Language Model Reasoning

大型语言模型推理中的扩展综述

Zihan Chen, Song Wang, Zhen Tan, Xingbo Fu, Zhenyu Lei, Peng Wang, Huan Liu, Cong Shen, Jundong Li

机构 * University of Virginia（弗吉尼亚大学） ； Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 本文综述了大型语言模型推理中的扩展策略，分析了输入规模、推理步骤、推理轮次和训练增强推理等不同维度，探讨了如何通过不同扩展策略提升推理能力，并展望了未来发展方向。

From Nodes to Narratives: Explaining Graph Neural Networks with LLMs and Graph Context

从节点到叙事：利用LLM和图上下文解释图神经网络

Peyman Baghershahi, Gregoire Fournier, Pranav Nyati, Sourav Medya

机构 * University of Illinois Chicago（伊利诺伊大学香槟分校） ； Indian Institute of Technology Kharagpur（印度理工学院Khargapur分校） 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.LG

AI总结 本文提出GSPELL框架，利用大语言模型生成图神经网络预测的可解释性解释，通过将节点嵌入投影到LLM嵌入空间并构建混合提示，提升解释的准确性和简洁性。

Comments Accepted to ACL 2026

Large Language Models Meet Biomedical Knowledge Graphs for Mechanistically Grounded Therapeutic Prioritization

大型语言模型与生物医学知识图谱结合用于机制性指导的治疗优先级排序

Chih-Hsuan Wei, Chi-Ping Day, Zhizheng Wang, Christine C. Alewine, Betty Tyler, Hasan Slika, David Saraf, Chin-Hsien Tai, Joey Chan, Robert Leaman, Zhiyong Lu

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DrugKLM框架，结合生物医学知识图谱与大语言模型的机制推理，提升治疗优先级排序的准确性与生物学依据。

Comments 24 pages, 5 figures in main text

Early-Stage Product Line Validation Using LLMs: A Study on Semi-Formal Blueprint Analysis

利用LLM进行早期阶段产品线验证：对半正式蓝图分析的研究

Viet-Man Le, Thi Ngoc Trang Tran, Sebastian Lubos, Alexander Felfernig, Damian Garber

机构 * Graz University of Technology（格拉茨技术大学） 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.AI

AI总结 研究LLM能否直接对半正式文本蓝图执行特征模型分析操作，通过12种先进LLM和16种标准操作，对比其与求解器FLAMA的输出，发现优化推理模型在准确性上接近求解器，揭示了结构解析和约束推理的系统性错误及精度-成本权衡。

Comments The 41st ACM/SIGAPP Symposium on Applied Computing (SAC '26), March 23--27, 2026, Thessaloniki, Greece DOI: 10.1145/3748522.3779903

Anchor-and-Resume Concession Under Dynamic Pricing for LLM-Augmented Freight Negotiation

基于动态定价的LLM增强货运谈判中的锚定与恢复让步

Hoang Nguyen, Lu Wang, Marta Gaia Bras

机构 * Georgia Institute of Technology（佐治亚理工学院） 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 本文提出一种双指标锚定与恢复框架，解决动态定价下传统让步框架的局限性，通过实时价差推导β参数并保证非递减报价，实验证明其在不同价差情况下均能提升谈判效率与收益。

JTPRO: A Joint Tool-Prompt Reflective Optimization Framework for Language Agents

JTPRO：一种联合工具提示反思优化框架用于语言代理

Sandip Ghoshal, Anshul Mittal, Jyotika Singh, Miguel Ballesteros, Weiyi Sun, Fang Tu, Shailender Singh, Yassine Benajiba, Fahad Shah, Sujeeth Bharadwaj, Sujith Ravi, Dan Roth

机构 * Oracle AI 纠错

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

AI总结 JTPRO通过迭代反思优化提升工具调用可靠性，通过联合优化全局指令和工具schema，提高多工具环境下的工具选择和参数填充准确性。

Comments Conference: ACL-2026

Enhancing Agentic Textual Graph Retrieval with Synthetic Stepwise Supervision

通过合成的分步监督增强代理文本图检索

Ge Chang, Jinbo Su, Jiacheng Liu, Pengfei Yang, Yuhao Shang, Huiwen Zheng, Hongli Ma, Yan Liang, Yuanchun Li, Yunxin Liu

机构 * Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学） ； Peking University（北京大学） ； School of Information, Renmin University of China（中国人民大学信息学院） ； Harbin Institute of Technology（哈尔滨工业大学） ； North China Electric Power University（华北电力大学） ； GDS Holdings Limited（GDS控股有限公司） 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 本文提出一种基于LLM的文本图检索框架，通过合成分步监督优化检索过程，提升复杂图基问答任务的准确性和F1分数。

Where Reasoning Breaks: Logic-Aware Path Selection by Controlling Logical Connectives in LLMs Reasoning Chains

推理中逻辑的断裂：通过控制LLM推理链中的逻辑连接词进行逻辑感知路径选择

Seunghyun Park, Yuanyuan Lei

机构 * University of Florida（佛罗里达大学） 纠错

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

AI总结 本文研究LLM在多步逻辑推导中的脆弱性，提出通过干预逻辑连接词选择来提升推理准确性，采用多层框架优化逻辑关键节点，实现准确率与效率的平衡。

Journal ref 2026 ACL Findings

A Reproducibility Study of Metacognitive Retrieval-Augmented Generation

元认知检索增强生成的可重复性研究

Gabriel Iturra-Bocaz, Petra Galuscakova

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

AI总结 本文研究了元认知检索增强生成（MetaRAG）的可重复性，评估了点wise和listwise重排器的效果，并与SIM-RAG进行比较，发现MetaRAG在相对改进上优于标准RAG，但绝对分数较低，反映了闭源LLM更新和实现细节缺失的问题。

Comments Paper accepted at ACM SIGIR Conference 2026

Infection-Reasoner: A Compact Vision-Language Model for Wound Infection Classification with Evidence-Grounded Clinical Reasoning

Infection-Reasoner: 一种用于伤口感染分类的紧凑视觉-语言模型，结合证据支撑的临床推理

Palawat Busaranuvong, Reza Saadati Fard, Emmanuel Agu, Deepak Kumar, Shefalika Gautam, Bengisu Tulu, Diane Strong

机构 * Worcester Polytechnic Institute（沃斯特理工学院） ； UMass Chan Medical School（UMass Chan医学院） 纠错

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

AI总结 本文提出Infection-Reasoner，一种紧凑的视觉-语言模型，通过两阶段训练提升伤口感染分类和推理生成的准确性与解释性，实验结果显示其在分类和推理质量上优于现有方法。

SolidCoder: Bridging the Mental-Reality Gap in LLM Code Generation through Concrete Execution

SolidCoder：通过具体执行弥合LLM代码生成中的心理现实差距

Woojin Lee, Jin-Xia Huang

机构 * Electronics and Telecommunications Research Institute, Republic of Korea（韩国电信研究所） 纠错

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

AI总结 SolidCoder通过强制边缘情况意识和沙盒执行解决心理现实差距，提升代码生成性能，实现HumanEval、CodeContests和APPS的高准确率。

Comments 23 pages, 2 figures, Accepted at Findings of ACL 2026

Diagnosing CFG Interpretation in LLMs

在LLM中诊断CFG解释

Hanqi Li, Lu Chen, Kai Yu

机构 * X-LANCE Lab, School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院X-LANCE实验室） ； AISpeech Co., Ltd., Suzhou, China（上海AI语音有限公司） ； Shanghai Innovation Institution, Shanghai, China（上海创新研究所） ； Jiangsu Key Lab of Language Computing, Suzhou, China（江苏省语言计算重点实验室） ； Suzhou Laboratory, Suzhou, China（苏州实验室） 纠错

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

AI总结 研究LLM在处理新上下文无关文法时能否生成语法正确、行为功能和语义忠实的输出，揭示LLM在语法、行为和语义层面的层次退化问题。

ESGLens: An LLM-Based RAG Framework for Interactive ESG Report Analysis and Score Prediction

ESGLens：一种基于大语言模型的RAG框架，用于交互式ESG报告分析与评分预测

Tsung-Yu Yang, Meng-Chi Chen

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

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

AI总结 本文提出ESGLens框架，结合检索增强生成与提示工程提取，自动化提取ESG报告结构化信息、交互式问答及评分预测，通过GRI标准指导提取和回归模型预测，评估结果显示ChatGPT嵌入与神经网络模型在环境指标上的相关性达到0.48。

Comments (20 pages, 3 figures)

TriEx: A Game-based Tri-View Framework for Explaining Internal Reasoning in Multi-Agent LLMs

TriEx：一种基于游戏的三视角框架，用于解释多智能体大语言模型中的内部推理

Ziyi Wang, Chen Zhang, Wenjun Peng, Qi Wu, Xinyu Wang

机构 * Adelaide University（阿德莱德大学） 纠错

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

AI总结 TriEx通过三视角框架提升多智能体大语言模型的可解释性，通过结构化自我推理、对手信念状态和 oracle 审计分析，揭示模型在信念动态和评估可靠性上的系统性不匹配。

Comments ACL2026 Main

WorkflowGen:an adaptive workflow generation mechanism driven by trajectory experience

WorkflowGen:一种基于轨迹经验的自适应工作流生成机制

Ruocan Wei, Shufeng Wang, Ziwei Shi

机构 * China Telecom Cloud（中国电信云） 纠错

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

AI总结 本文提出WorkflowGen，一种基于轨迹经验的自适应工作流生成机制，通过捕捉完整轨迹提取可重用知识，减少token消耗，提升效率和成功率。

Comments 16 pages,3 tables

LLMs Can Get "Brain Rot": A Pilot Study on Twitter/X

Shuo Xing, Junyuan Hong, Yifan Wang, Runjin Chen, Zhenyu Zhang, Ananth Grama, Zhengzhong Tu, Zhangyang Wang

机构 * Texas A&M University（德克萨斯农工大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Purdue University（普渡大学） 纠错

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

Comments Updated experiments with corrected data

V-tableR1: Process-Supervised Multimodal Table Reasoning with Critic-Guided Policy Optimization

V-tableR1：基于过程监督的多模态表格推理与批评引导的策略优化

Yubo Jiang, Yitong An, Xin Yang, Abudukelimu Wuerkaixi, Xuxin Cheng, Fengying Xie, Zhiguo Jiang, Cao Liu, Ke Zeng, Haopeng Zhang

机构 * School of Astronautics Beihang University（北航航天学院） ； Longcat Interaction Team Meituan（美团长猫交互团队） ； Tianmushan Laboratory Beihang University（北航天门实验室） 纠错

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

AI总结 V-tableR1通过过程监督强化学习框架，利用表格的确定性网格结构，提升多模态大语言模型的推理能力，通过批评引导策略优化方法，实现更严谨的逻辑推导，取得开放源代码模型在复杂表格基准上的最佳性能。

Comments 15 pages, 4 figures, 4 tables

Multi-Perspective Evidence Synthesis and Reasoning for Unsupervised Multimodal Entity Linking

多视角证据综合与推理用于无监督多模态实体链接

Mo Zhou, Jianwei Wang, Kai Wang, Helen Paik, Ying Zhang, Wenjie Zhang

机构 * The University of New South Wales（新南威尔士大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Technology Sydney（技术大学悉尼） 纠错

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

AI总结 本文提出MSR-MEL框架，通过多视角证据综合与推理提升无监督多模态实体链接性能，采用图神经网络和大语言模型进行证据整合与推理，实验表明优于现有方法。

Avoiding Overthinking and Underthinking: Curriculum-Aware Budget Scheduling for LLMs

避免过度思考与不足思考：面向大语言模型的课程感知预算调度

Amirul Rahman, Aisha Karim, Kenji Nakamura, Yi-Fan Ng

机构 * University of Malaya（马来大学） 纠错

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

AI总结 本文提出BCAE框架，通过预算感知课程调度和截断感知密集奖励机制，优化LLM的推理质量和token效率，实验表明在多种数学推理基准上表现优异。

Automatic Ontology Construction Using LLMs as an External Layer of Memory, Verification, and Planning for Hybrid Intelligent Systems

利用LLMs构建自动本体：作为混合智能系统记忆、验证和规划的外部层

Pavel Salovskii, Iuliia Gorshkova

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

AI总结 本文提出了一种混合架构，通过扩展LLMs的外部本体记忆层，实现结构化知识图谱的构建与维护，提升多步推理性能并支持生成-验证-修正流程。

Comments Artificial Intelligence; Knowledge Representation and Reasoning; Information Retrieval; Machine Learning

OMIBench: Benchmarking Olympiad-Level Multi-Image Reasoning in Large Vision-Language Model

OMIBench：用于大型视觉-语言模型在奥林匹克级多图像推理中的基准测试

Qiguang Chen, Chengyu Luan, Jiajun Wu, Qiming Yu, Yi Yang, Yizhuo Li, Jingqi Tong, Xiachong Feng, Libo Qin, Wanxiang Che

机构 * Research Center for Social Computing and Interactive Robotics（社会计算与交互机器人研究室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Central South University（中南大学） ； Fudan University（复旦大学） ； The University of Hong Kong（香港大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Text Computing and Cognitive Intelligence Ministry of Education Engineering Research Center（教育部文本计算与认知智能工程研究中心） ； Guizhou University（贵州大学） 纠错

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

AI总结 OMIBench旨在评估多图像推理能力，包含生物、化学、数学和物理奥林匹克问题，提供精确和语义答案匹配的评估协议，实验显示现有模型性能存在显著差距。

Comments ACL 2026 Camera Ready

Graph2Counsel: Clinically Grounded Synthetic Counseling Dialogue Generation from Client Psychological Graphs

Graph2Counsel: 从客户端心理图谱生成临床导向的合成咨询对话

Aishik Mandal, Hiba Arnaout, Clarissa W. Ong, Juliet Bockhorst, Kate Sheehan, Rachael Moldow, Tanmoy Chakraborty, Iryna Gurevych

机构 * UKP Lab, Department of Computer Science and Hessian Center for AI (hessian.AI), Technische Universität Darmstadt（德国达姆施塔特技术大学UKP实验室、计算机科学系和海森人工智能中心（hessian.AI）） ； Zuse School ELIZA（Zuse学院ELIZA） ； National Research Center for Applied Cybersecurity ATHENE（应用网络安全国家研究中心ATHENE） ； Indian Institute of Technology Delhi（印度德里理工学院） ； Yardi School of Artificial Intelligence（Yardi人工智能学院） ； University of Louisville（路易斯维尔大学） ； University of Toledo（托莱多大学） 纠错

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

AI总结 本文提出Graph2Counsel框架，通过客户端心理图谱生成合成咨询对话，提升数据真实性与质量，实验表明其在特定性、咨询师能力等方面优于现有数据集。

Comments 49 pages, 46 figures, 11 tables

Transformers Can Learn Connectivity in Some Graphs but Not Others

变换器在某些图中可以学习连接性，但在其他图中不行

Amit Roy, Abulhair Saparov

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 研究探讨了变换器在推断传递关系任务中的能力，发现其在网格状图中能有效推断连接性，但对非网格图尤其是具有多个不连通组件的图表现较差。

Comments This paper contains some assumption which is not correct

Talking to a Know-It-All GPT or a Second-Guesser Claude? How Repair reveals unreliable Multi-Turn Behavior in LLMs

与一个无所不知的GPT或一个犹豫不决的Claude交谈：如何通过修复揭示LLMs在多轮对话中的不可靠行为

Clara Lachenmaier, Hannah Bultmann, Sina Zarrieß

机构 * Computational Linguistics, Department of Linguistics（计算语言学系，语言学系） 纠错

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

AI总结 研究探讨LLMs在解决可解和不可解数学问题的多轮对话中进行修复的交互过程，发现不同模型对修复的反应差异显著，行为随对话轮次增加而更不可预测。

Comments Preprint accepted at ACL Main Conference 2026