Joint Optimization of Multi-agent Memory System
多智能体记忆系统的联合优化
专题命中 长上下文与记忆 ：LLM(abstract,abstract_cn)
AI总结 本文提出CoMAM框架，通过端到端强化学习和自适应信用分配机制，解决多智能体记忆系统中代理间依赖性和协作优化问题，实验表明其优于现有方法。
AI 大模型
语言大模型 / LLM
大语言模型、预训练、指令微调、后训练和语言模型应用。
1. 长上下文与记忆 18 篇
LoGeR: Long-Context Geometric Reconstruction with Hybrid Memory
LoGeR：长上下文几何重建与混合记忆
专题命中 长上下文与记忆 ：foundation model(abstract)；分类 cs.LG
AI总结 LoGeR通过混合记忆模块实现长序列的高精度3D重建，无需后优化，有效解决长视频中的上下文一致性问题，优于现有方法。
Comments Project page: https://LoGeR-project.github.io/
Agentic Hives: Equilibrium, Indeterminacy, and Endogenous Cycles in Self-Organizing Multi-Agent Systems
代理蜂群：自组织多智能体系统中的均衡、不确定性与内生循环
机构 * BrainiaK
专题命中 长上下文与记忆 ：language model(abstract)；分类 cs.AI
AI总结 本文提出代理蜂群框架，研究自组织多智能体系统中人口动态、均衡存在性及内生循环等核心问题，通过多部门增长理论证明七个分析结果，构建参数空间治理工具。
2. 推理与问题求解 94 篇
AutoPyVerifier: Learning Compact Executable Verifiers for Large Language Model Outputs
AutoPyVerifier: 为大语言模型输出学习紧凑的可执行验证器
机构 * Megagon Labs（梅加戈恩实验室）
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、cs.LG
AI总结 本文提出AutoPyVerifier框架，通过LLM生成候选验证器并利用DAG搜索优化，提升验证器集对目标任务的预测精度，实验表明在多个基准测试中性能提升显著。
LegalDrill: Diagnosis-Driven Synthesis for Legal Reasoning in Small Language Models
LegalDrill: 以诊断驱动合成促进小型语言模型中的法律推理
机构 * Purdue University（普渡大学） ； Fidelity Investments（富达投资）
专题命中 推理与问题求解 ：language model(title,abstract)；small language model(title,abstract)；SLM(abstract,abstract_cn)；preference optimization(abstract)
AI总结 LegalDrill通过精细提示提取并迭代优化教师模型的推理轨迹，结合自我反思验证选择有效数据，提升小型语言模型的法律推理能力，无需稀缺专家标注。
Comments ACL 2026 Industry Track
SynthPert: Enhancing LLM Biological Reasoning via Synthetic Reasoning Traces for Cellular Perturbation Prediction
SynthPert: 通过合成推理轨迹增强LLM的生物推理以进行细胞扰动预测
机构 * InverseBio ； Novo Nordisk
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、cs.LG
AI总结 本文提出SynthPert方法，通过合成推理轨迹提升LLM在细胞扰动预测中的性能，展现了合成数据在生物推理中的有效性，并实现了跨细胞类型泛化。
Quantifying Divergence in Inter-LLM Communication Through API Retrieval and Ranking
通过API检索和排序量化跨LLM通信中的分歧
机构 * School of Engineering and Technology（工程与技术学院）
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.CL、cs.AI
AI总结 本文提出一个统一的基准框架，量化在相同任务下不同LLM在API发现和排序上的差异。研究发现结构化任务稳定性较高，而开放性任务分歧显著，结果为多代理系统中可靠性感知的协调提供了依据。
Comments AAAI 2026 Conference (LAMAS Workshop)
ZoFia: Zero-Shot Fake News Detection with Entity-Guided Retrieval and Multi-LLM Interaction
ZoFia：基于实体引导检索和多LLM交互的零样本假新闻检测
机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学）
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.CL、cs.AI
AI总结 本文提出ZoFia框架，通过实体引导检索和多LLM交互解决假新闻检测中的知识截止和事实幻觉问题，实验表明其优于现有零样本基线和多数少样本方法。
Bridging Reasoning and Action: Hybrid LLM-RL Framework for Efficient Cross-Domain Task-Oriented Dialogue
连接推理与行动：一种高效的跨领域任务导向对话混合LLM-RL框架
机构 * School of Computer Science and Technology, Changsha University of Science and Technology（长沙理工大学计算机科学与技术学院） ； School of Computer Science and Engineering, Central South University（中南大学计算机科学与工程学院） ； Institute of Computing and Intelligence, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）计算与智能研究院） ； University of Science and Technology Beijing（北京科技大学） ； Text Computing and Cognitive Intelligence MOE Engineering Research Center, Guizhou University（贵州大学文字计算与智能认知MOE工程研究中心）
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.CL
AI总结 本文提出VLK-RL框架，通过结合LLM生成约束并验证以提升跨领域任务导向对话的推理与行动效率，实验表明其在长周期任务中表现更优。
Analytica: Soft Propositional Reasoning for Robust and Scalable LLM-Driven Analysis
分析：用于稳健和可扩展的LLM驱动分析的软命题推理
机构 * Dartmouth College（达特茅斯学院） ； Allen Institute for AI（人工智能研究院）
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Analytica，一种基于软命题推理的新型代理架构，通过并行分治框架减少误差，提升LLM在金融、科学等领域的预测准确性与稳定性。
Comments ICLR 2026 Camera-ready
Physics-Aware LLM-Based Probabilistic Wind Power Scenario Generation under Extreme Icing Conditions
基于物理的LLM风力发电场景生成方法：极端覆冰条件下的概率建模
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 本文提出一种基于物理的LLM框架，用于在极端覆冰条件下生成风力发电场景，结合SCADA物理建模、多模态分词和因果Transformer架构，有效约束功率和爬坡限制，提升可再生能源电力系统的韧性评估。
Comments 5 pages, 3 figures, 3 tables. Accepted by the 2026 IEEE Power & Energy Society General Meeting
Cross-Stock Predictability via LLM-Augmented Semantic Networks
通过LLM增强的语义网络实现跨股票可预测性
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 本文提出一种两阶段框架，利用LLM过滤候选边以提升文本衍生金融网络的经济准确性，从而增强跨股票预测能力。
Benchmarking Source-Sensitive Reasoning in Turkish: Humans and LLMs under Evidential Trust Manipulation
在土耳其语中评估来源敏感推理的基准测试：人类与LLM在证据信任操控下的对比
机构 * University of Chicago（芝加哥大学） ； F rat University（费拉特大学）
专题命中 推理与问题求解 ：LLM(title_cn,summary_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)
AI总结 本文研究了来源信任对土耳其语证据形态学的影响，并评估了LLM对此的敏感性。人类在可控的cloze情境中表现出稳定的信任效应，而LLM表现不一致且常受输出合规性问题影响。
Comments Accepted to The 15th edition of the Workshop on Cognitive Modeling and Computational Linguistics, co-located with the Language Resources and Evaluation Conference
AdapTime: Enabling Adaptive Temporal Reasoning in Large Language Models
AdapTime：在大语言模型中实现自适应时间推理
机构 * Xi’an Jiaotong University（西安交通大学） ； City University of Hong Kong（香港城市大学） ； Tencent Jarvis Lab（腾讯 Jarvis实验室） ； Westlake University（西湖大学）
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.CL、cs.AI
AI总结 本文提出AdapTime方法，通过动态执行推理步骤提升大语言模型的时间推理能力，采用重构、重写和复核三步策略，无需外部工具即可增强模型对时间信息的处理能力。
Comments ACL 2026 findings
Scoring, Reasoning, and Selecting the Best! Ensembling Large Language Models via a Peer-Review Process
评分、推理与选择最佳！通过同行评审过程进行大型语言模型的集成
机构 * Beihang University, Beijing, China（北京航空航天大学） ； Zhongguancun Laboratory, Beijing, China（中关村实验室） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； Xi'an Jiaotong University, Xi'an, China（西安交通大学） ； Tsinghua University, Beijing, China（清华大学） ； Singapore University of Technology and Design（新加坡科技设计大学）
专题命中 推理与问题求解 ：LLM(summary_cn,abstract)；large language model(title)；language model(title)；分类 cs.CL、cs.AI
AI总结 本文提出LLM-PeerReview方法，通过同行评审机制集成多个大型语言模型，提升响应质量。实验显示其在多个数据集上优于Smoothie-Global，适用于事实性问答、数学推理等任务。
LearnAlign: Data Selection for LLM Reinforcement Learning with Improved Gradient Alignment
LearnAlign: 用于改进梯度对齐的LLM强化学习数据选择
机构 * Nanjing University（南京大学） ； The Hong Kong Polytechnic University（香港理工大学） ； The Chinese University of Hong Kong（香港中文大学） ； University of Science and Technology of China（中国科学技术大学） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
专题命中 推理与问题求解 ：LLM(title,title_cn)；post-training(abstract)；分类 cs.AI、cs.LG
AI总结 LearnAlign通过改进梯度对齐方法，智能选择训练数据以提升LLM推理能力，减少训练数据需求且性能表现优异。
Comments ACL 2026 Findings
Neuro-Symbolic Control with Large Language Models for Language-Guided Spatial Tasks
基于大语言模型的神经符号控制用于语言引导的空间任务
机构 * Department of Computer Science, Middle Tennessee State University（中田纳西州立大学计算机科学系） ； Department of Mechanical and Aerospace Engineering, University of Tennessee（田纳西大学机械与航空航天工程系） ； School of Computer Science, Faculty of Engineering, and Information Technology, University of Technology Sydney（悉尼技术大学工程与信息技术学院计算机科学系） ； School of Computer Science, Faculty of Engineering and Information Technology, University of Technology Sydney（悉尼技术大学工程与信息技术学院计算机科学系）
专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)
AI总结 本文提出一种神经符号控制框架，结合轻量神经控制器和本地大语言模型，通过符号任务解释与低层运动执行分离，提升空间任务的成功率和效率，实验证明在连续控制中具有更高的稳定性和泛化能力。
A Fano-Style Accuracy Upper Bound for LLM Single-Pass Reasoning in Multi-Hop QA
为LLM单步推理在多跳问答中的准确性设定一种Fano风格的上限
机构 * MBZUAI（马克斯·普朗克智能研究院） ； INSAIT（索菲亚大学）
专题命中 推理与问题求解 ：LLM(title,title_cn)；分类 cs.AI
AI总结 本文提出了一种Fano风格的准确性上限，用于分析LLM在多跳问答中的单步推理能力，通过容量感知的任务分解与主动剪枝，构建了InfoQA框架以提升性能和鲁棒性。
Comments 22 pages, 6 figures, ICLR 2026. Reported by MIT Technology Review
Beyond Context: Large Language Models' Failure to Grasp Users' Intent
超越上下文：大型语言模型对用户意图的把握失败
机构 * KTH Royal Institute of Technology Network Systems Security (NSS) Group（皇家理工学院网络系统安全小组）
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 研究指出大型语言模型在理解上下文和识别用户意图方面存在缺陷，导致安全机制被恶意用户利用，需转向以上下文理解和意图识别为核心的安全能力。
Comments 22 pages and 23 figures; updated authors list and revised manuscript
The Chameleon's Limit: Investigating Persona Collapse and Homogenization in Large Language Models
Chameleon的极限：探究大型语言模型中的人格崩溃与同质化
机构 * CMU（卡内基梅隆大学） ； UChicago（芝加哥大学） ； MIT（麻省理工学院） ； UTokyo（东京大学） ； RIKEN AIP（理化学研究所AIP分部） ； JHU（约翰霍普金斯大学）
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
AI总结 研究发现大型语言模型中存在人格崩溃现象，导致代理行为模式趋同。通过提出覆盖度、均匀度和复杂度指标，揭示模型在不同维度和领域的人格表现差异，并释放工具支持群体评估。
Reward Is Enough: LLMs Are In-Context Reinforcement Learners
奖励足以：LLMs是上下文强化学习者
机构 * University of Virginia（弗吉尼亚大学）
专题命中 推理与问题求解 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；prompting(abstract)
AI总结 研究发现LLM在推理过程中可通过上下文强化学习实现自我提升，通过多轮提示框架提升任务表现，显著优于基线方法。
Position: Logical Soundness is not a Reliable Criterion for Neurosymbolic Fact-Checking with LLMs
位置：逻辑正确性不是LLM神经符号事实核查中的可靠标准
机构 * School of Computer Science University of Sheffield（计算机科学学院 伦敦大学谢菲尔德分校）
专题命中 推理与问题求解 ：LLM(title_cn,summary_cn)；large language model(abstract,comments)；language model(abstract,comments)；分类 cs.CL
AI总结 本文指出，逻辑正确性无法有效检测误导性声明，提出利用LLM的人类推理倾向来验证神经符号系统中的正式组件输出。
Comments ICLR 2026 Workshop on Logical Reasoning of Large Language Models
$\mathcal{S}^2$IT: Stepwise Syntax Integration Tuning for Large Language Models in Aspect Sentiment Quad Prediction
$\mathcal{S}^2$IT：面向大语言模型的方面情感四元预测的分步语法整合调优
机构 * School of Computer Science, Guangdong University of Technology（广东技术大学计算机科学学院） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳）） ； Peng Cheng Laboratory（鹏城实验室） ； College of Science, Shantou University（汕头大学理学院）
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 本文提出S^2IT框架，通过分步调优整合语法结构信息，提升大语言模型在方面情感四元预测中的性能，实验表明其在多个数据集上表现优异。
Comments Accepted to Findings of NAACL 2025
Visual Funnel: Resolving Contextual Blindness in Multimodal Large Language Models
视觉漏斗：缓解多模态大语言模型中的上下文盲区
机构 * Department of AI, Chung-Ang University（Chung-Ang 大学人工智能系）
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 本文提出视觉漏斗方法，通过上下文锚定和熵缩放投资组合缓解多模态大语言模型中的上下文盲区问题，通过动态调整裁剪尺寸和中心点，提升视觉细节与全局上下文的关联性。
Comments Accepted to CVPR 2026(Findings)
Beyond Math: Stories as a Testbed for Memorization-Constrained Reasoning in LLMs
超越数学：故事作为LLM中受记忆限制推理的测试平台
机构 * Department of Computer Science and Electrical Engineering（计算机科学与电气工程系） ； University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
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 本文通过故事测试平台探讨LLM在记忆受限推理中的表现，提出减少机械记忆的方法，发现记忆驱动性能下降，揭示现有基准测试的数据污染问题。
Comments published on EACL 2026 Main
Your Reviews Replicate You: LLM-Based Agents as Customer Digital Twins for Conjoint Analysis
你的评价复制你：基于大语言模型的代理作为联合分析的客户数字双胞胎
机构 * Department of Data Science（数据科学系） ； Seoul National University of Science and Technology（首尔科学技术大学）
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 本文提出利用大语言模型构建的客户数字双胞胎进行联合分析，通过聚合用户评论历史和检索增强生成技术，实现了高效准确的偏好预测，验证了其在市场研究中的可行性。
Comments 12 pages, 3 figures + This abstract introduces an LLM-based Customer Digital Twin framework that replaces human respondents in conjoint analysis with RAG-enhanced customer agents, validated at 87.73% accuracy on Reddit user data, and positions the contribution as a scalable alternative to traditional preference elicitation methods
AgenticCache: Cache-Driven Asynchronous Planning for Embodied AI Agents
AgenticCache: 基于缓存的异步规划用于具身AI代理
机构 * Anonymous Institution, Anonymous City, Anonymous Region, Anonymous Country（匿名机构、匿名城市、匿名地区、匿名国家）
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、cs.AI、cs.LG
AI总结 本文提出AgenticCache框架，利用缓存重用计划以减少LLM调用，提升任务成功率22%并降低延迟与成本。
Comments Accepted at MLSys 2026
Large Language Model based Interactive Decision-Making for Autonomous Driving
基于大语言模型的自主驾驶交互决策
机构 * College of Transportation, Tongji University, Shanghai 201804, China（同济大学交通运输学院，上海201804，中国） ； School of Automotive Studies, Tongji University, Shanghai 201804, China（同济大学汽车学院，上海201804，中国） ； School of Computer Science and Technology, Tongji University, Shanghai 201804, China（同济大学计算机科学与技术学院，上海201804，中国）
专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)
AI总结 本文提出基于大语言模型的交互决策框架，通过语义建模和意图感知提升安全性和效率，实验表明在混合交通场景中优于传统方法，且具有高度的人类相似性。
Comments Accepted by Journal of Traffic and Transportation Engineering (English Edition)
Scheduling Your LLM Reinforcement Learning with Reasoning Trees
用推理树调度你的LLM强化学习
机构 * Cranberry-Lemon University（Cranberry-Lemon 大学） ； University of the Witwatersrand（独立研究者） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
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 本文提出基于推理树结构的Re-Schedule算法，通过r-score衡量查询难度，提升数据效率和准确性，实验显示在数学推理任务中平均准确率提升3.2%。
LLM-Augmented Traffic Signal Control with LSTM-Based Traffic State Prediction and Safety-Constrained Decision Support
基于LSTM的交通信号控制与大语言模型增强的交通状态预测与安全约束决策支持
机构 * Tandon School of Engineering, New York University（纽约大学Tandon工程学院）
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 本文提出一种结合LSTM交通状态预测和大语言模型的交通信号控制框架，通过预测信号相位和生成自然语言解释，提升交通效率并确保安全约束。
