语言大模型 / LLM

Refining and Reusing Annotation Guidelines for LLM Annotation

对LLM注释的注释指南进行细化和重用

Kon Woo Kim, Jin-Dong Kim, Akiko Aizawa

机构 * The Graduate University for Advanced Studies, SOKENDAI（Graduate University for Advanced Studies, SOKENDAI） ； National Institute of Informatics (NII)（National Institute of Informatics） ； BioData Science Initiative (BSI), National Institute of Genetics (NIG)（BioData Science Initiative (BSI), National Institute of Genetics） 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.CL

AI总结 本文提出了一种系统性的注释指南重用和细化方法，通过迭代审核框架来对LLM注释进行改进，并在生物医学NER任务中验证了指南整合的有效性、推理优化模型的优势以及在最小监督下的审核可行性。

Comments 14 pages, 7 figures. Accepted to the ACL 2026 Main Conference

DEL: Digit Entropy Loss for Numerical Learning of Large Language Models

DEL：用于大语言模型数值学习的数字熵损失

Zhaohui Zheng, Chenhang He, Shihao Wang, Yuxuan Li, Ming-Ming Cheng, Lei Zhang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； VCIP, College of Computer Science, Nankai University（南开大学计算机学院VCIP） 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.CL、cs.AI、cs.LG

AI总结 本文提出Digit Entropy Loss (DEL)用于大语言模型的自回归数值学习，通过重新设计传统无监督熵优化，引入数字条件概率和二元交叉熵，使熵优化转向监督方式，同时推广整数基于的数值学习到浮点数优化，从而提升数值预测的准确性。

Dictionary Insertion Prompting for Multilingual Reasoning on Multilingual Large Language Models

字典插入提示用于多语言推理在多语言大语言模型上

Hongyuan Lu, Zixuan Li, Wai Lam

机构 * The Chinese University of Hong Kong（香港中文大学） ； Southeast University（东南大学） 纠错

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

AI总结 本文提出了一种名为字典插入提示（DIP）的新方法，通过在提示中插入词典中的英文对应词来提升多语言推理性能，实验表明在10到200种语言上效果显著。

Comments ACL *SEM 2026

Tracing the ongoing emergence of human-like reasoning in Large Language Models

追踪大型语言模型中类人推理的持续涌现

Paolo Morosi, Nikoleta Pantelidou, Fritz Günther, Elena Pagliarini, Evelina Leivada

机构 * Departament de Filologia Catalana, Universitat Autònoma de Barcelona（加泰罗尼亚语言系系，巴塞罗那自治大学） ； Institut für Psychologie, Humboldt-Universitat zu Berlin（柏林洪堡大学心理学研究所） ； Institució Catalana de Recerca i Estudis Avançats (ICREA)（加泰罗尼亚高级研究与高级教育研究所） 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.CL、cs.AI

AI总结 研究探讨了大型语言模型在条件推理任务中是否具备类人推理能力，发现人类通过语用推理丰富逻辑推理，而模型行为更不稳定，部分模型遵循条件语义但忽视语用推理，表明LLMs在语义准确性上表现良好，但缺乏人类推理中的语用丰富性。

AgentEscapeBench: Evaluating Out-of-Domain Tool-Grounded Reasoning in LLM Agents

AgentEscapeBench: 评估LLM代理在跨领域工具引导推理中的能力

Zhengkang Guo, Yiyang Li, Lin Qiu, Xiaohua Wang, Jingwen Xv, Dongyu Ru, Xiaoyu Li, Xiaoqing Zheng, Xuezhi Cao, Xunliang Cai

机构 * Fudan University（复旦大学） ； Meituan Longcat Team（美团Longcat团队） 纠错

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AgentEscapeBench基准测试，用于评估LLM代理在非熟悉工作流和短程交互之外维持工具引导推理的能力，通过逃亡室风格的任务测试代理在显式长距离依赖约束下推断、执行和修订新工具使用程序的能力，结果显示代理在依赖深度增加时表现显著下降。

Diverge to Induce Prompting: Multi-Rationale Induction for Zero-Shot Reasoning

偏离以诱导提示：多理性诱导用于零样本推理

Po-Chun Chen, Hen-Hsen Huang, Hsin-Hsi Chen

机构 * Department of Computer Science and Information Engineering, National Taiwan University, Taiwan（国家台湾大学计算机科学与信息工程系） ； Institute of Information Science, Academia Sinica, Taiwan（学术院信息科学研究所） ； AI Research Center (AINTU), National Taiwan University, Taiwan（国家台湾大学人工智能研究中心（AINTU）） 纠错

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

AI总结 本研究提出DIP框架，通过生成多个多样化的高层理由并诱导最终计划，以提升零样本推理的准确性，克服了传统链式思考提示中推理路径不稳定的问题。

Comments Accepted to Findings of IJCNLP-AACL 2025

Mechanics of Bias and Reasoning: Interpreting the Impact of Chain-of-Thought Prompting on Gender Bias in LLMs

偏见与推理的力学：分析链式推理提示对大语言模型中性别偏见的影响

Edie Pearman, Sophia Osborne, Mira Kandlikar-Bloch, Mina Arzaghi, Florian Carichon, Golnoosh Farnadi

机构 * Mila – Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学） ； HEC Montreal（蒙特利尔HEC） 纠错

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

AI总结 本文研究了链式推理提示对大语言模型中性别偏见的影响，结合基准测试评估与机制可解释性技术，发现链式推理并未有效减少偏见，偏见仍存在于隐藏表示中。

Comments 24 pages, 6 figures, including appendix. Accepted at the ICLR 2026 Workshop on Algorithmic Fairness Across Alignment Procedures and Agentic Systems. Submitted to COLM 2026

APCD: Adaptive Path-Contrastive Decoding for Reliable Large Language Model Generation

APCD：自适应路径对比解码用于可靠的大型语言模型生成

Tianyu Zheng, Hong Wu, Jiaji Zhong

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 本文提出了一种自适应路径对比解码方法，通过自适应探索和受控路径交互提高大型语言模型生成的可靠性，实验表明在保持解码效率的同时提升了事实准确性。

Comments This paper has been withdrawn by the author to resolve a conflict of interest/compliance issue

Deeper Thought, Weaker Aim: Understanding and Mitigating Perceptual Impairment during Reasoning in Multimodal Large Language Models

更深入的思考，更弱的目标：理解并缓解多模态大语言模型推理过程中感知障碍

Ruiying Peng, Xueyu Wu, Jing Lei, Lu Hou, Yuanzheng Ma, Xiaohui Li

机构 * Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； Huawei Technologies（华为技术） 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 本文研究了多模态大语言模型在推理过程中出现的视觉感知障碍问题，提出了一种无需训练的视觉区域引导注意力框架，通过选择和重新加权视觉头部来引导模型关注与问题相关区域，从而提高视觉定位和推理准确性。

MASFactory: A Graph-centric Framework for Orchestrating LLM-Based Multi-Agent Systems with Vibe Graphing

MASFactory: 一种基于图的框架，用于通过Vibe图谱编排基于大语言模型的多智能体系统

Yang Liu, Jinxuan Cai, Yishen Li, Qi Meng, Zedi Liu, Xin Li, Chen Qian, Chuan Shi, Cheng Yang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Shanghai Jiao Tong University（上海交通大学） 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MASFactory，一种基于图的框架，用于通过Vibe图谱编排基于大语言模型的多智能体系统，解决了现有框架在实现复杂图工作流时需要大量手动工作、重用性差和难以整合异构外部上下文源的问题。

Comments Accepted to the ACL 2026 Demo Track. Camera-ready version. 10 pages, 6 figures. Code and documentation are available at: https://github.com/BUPT-GAMMA/MASFactory

Multimodal Emotion Recognition with Large Language Models

基于大语言模型的多模态情感识别

Hongrui Zhang, Daiqing Wu, Yangyang Li, Kuien Liu, Yuhui Wang, Yu Zhou, Sicheng Zhao

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

AI总结 本文探讨了多模态情感识别中利用大语言模型的范式，总结了现有研究在情感数据增强、多模态情感表示和多模态情感推理三个方向上的进展与挑战，旨在为该领域的发展提供清晰的学术路线图。

Comments Accepted by IJCAI 2026 Survey Track

PlexRL: Cluster-Level Orchestration of Serviceized LLM Execution for RLVR

PlexRL: 服务化大语言模型执行在RLVR中的集群级编排

Yiqi Zhang, Fangzheng Jiao, Tian Tang, Boyu Tian, Hangyu Wang, Qiaoling Chen, Guoteng Wang, Zhen Jiang, Peng Sun, Ping Zhang, Xiaohe Hu, Ziming Liu, Menghao Zhang, Yanmin Jia, Yang You, Siyuan Feng

机构 * National University of Singapore（新加坡国立大学） ； Beihang University（北航） ； Shanghai Qiji Zhifeng Co., Ltd.（上海启智风科技有限公司） ； Nanyang Technological University（南洋理工大学） ； Shanghai Innovation Institute（上海创新研究院） 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.LG

AI总结 本文提出PlexRL，通过集群级编排服务化大语言模型执行，解决RLVR训练中的效率问题，提升集群容量并降低GPU小时成本，同时保持算法灵活性和最小的单任务开销。

Hypergraph Enterprise Agentic Reasoner over Heterogeneous Business Systems

面向异构业务系统的超图企业代理推理器

Ling Wang, Xin Liu, Songnan Liu, Jianan Wang, Cheng Cheng, Yihan Zhu, Enyu Li, Yu Xiao, Jiangyong Xie, Duogong Yan, Jiangyi Chen

机构 * SUPCON 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、cs.AI

AI总结 本文提出HEAR，一种基于分层超图本体的企业代理推理器，通过分层图层和超边层实现结构化多跳分析，无需重新训练LLM，在供应链任务中达到94.7%的准确率，并展示出适应性和效率。

A Survey of Audio Reasoning in Multimodal Foundation Models

多模态基础模型中音频推理的综述

Zhihan Guo, Wenqian Cui, Guan-Ting Lin, Daxin Tan, Jingyao Li, Qiyong Zheng, Dingdong Wang, Jing Xiong, Han Shi, Jiaya Jia, Irwin King

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

AI总结 本文综述了多模态基础模型中音频推理的研究问题，探讨了音频推理模型的架构和训练基础，并系统整理了音频到文本、音频到语音、音频视觉推理和代理音频推理等领域的最新进展，同时分析了新兴范式和评估实践，提出了未来发展方向。

Leveraging Vision-Language Models to Detect Attention in Educational Videos

利用视觉-语言模型检测教育视频中的注意力

Gabriel Becquet, Sébastien Lallé, Vanda Luengo, Ali Abou-Hassan

机构 * Sorbonne University, CNRS, LIP6 & PHENIX（索邦大学、国家科学研究中心、LIP6与PHENIX） 纠错

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

AI总结 本文研究利用视觉-语言模型直接分析教育视频内容，结合眼动数据以提高注意力检测的准确性，但发现其在实时教育诊断中的局限性。

Parallel LLM Reasoning for Bias-Resilient, Robust Conceptual Abstraction

并行大语言模型推理用于偏见鲁棒、稳健的概念抽象

Aisvarya Adeseye, Jouni Isoaho, Adeyemi Adeseye

机构 * University of Turku, Turku, Finland（图尔库大学，芬兰图尔库） ； Brilloconnetz Partners avoin yhtiö, Turku, Finland（Brilloconnetz Partners 公司，芬兰图尔库） 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.CL、cs.AI、cs.LG

AI总结 本文提出了一种结合并行分块处理与证据锚定整合的结构化框架，旨在减少长文档分析中的偏见、遗漏误差和过度泛化问题，通过并行处理和证据锚定提高文本分析的可靠性和可扩展性。

Comments Accepted to be Published in 12th Intelligent Systems Conference 2026, 3-4 September 2026 in Amsterdam, The Netherlands

Epistemic Regret Minimization: Label-Free Causal Critique Beyond Outcome Reward

知识悔恨最小化：超越结果奖励的无标签因果批评

Edward Y. Chang, Longling Geng

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出了一种名为知识悔恨最小化（ERM）的框架，通过评估模型推理轨迹的因果结构而非答案本身，来改进因果批评，从而在没有正确答案的情况下进行无标签操作，并在多个前沿LLM上实验表明，ERM在因果批评任务中表现优于传统方法。

Comments 43 pages, 22 tables, 18 figures

TextReg: Mitigating Prompt Distributional Overfitting via Regularized Text-Space Optimization

TextReg: 通过正则化的文本空间优化缓解提示分布过拟合

Lucheng Fu, Ye Yu, Yiyang Wang, Yiqiao Jin, Haibo Jin, B. Aditya Prakash, Haohan Wang

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 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、cs.LG

AI总结 本文研究了提示分布过拟合问题，提出TextReg框架通过正则化的文本梯度实现软惩罚目标，结合双证据梯度净化、语义编辑正则化和正则化引导的提示更新，提升模型在分布外（OOD）任务上的泛化能力。

Comments Code: https://github.com/luchengfu6/TextReg

Leveraging Verifier-Based Reinforcement Learning in Image Editing

利用基于验证器的强化学习进行图像编辑

Hanzhong Guo, Jie Wu, Jie Liu, Yu Gao, Zilyu Ye, Linxiao Yuan, Xionghui Wang, Yizhou Yu, Weilin Huang

机构 * School of Computing and Data Science, The University of Hong Kong（计算与数据科学学院，香港大学） ； Center for Embodied AI and Computer Vision, Shenzhen Loop Area Institute（具身人工智能与计算机视觉中心，深圳Loop Area研究院） 纠错

专题命中 推理与问题求解 ：SFT(abstract,abstract_cn)；RLHF(abstract,abstract_cn)；preference optimization(abstract)

AI总结 本文提出Edit-R1框架，通过构建基于推理的验证器奖励模型（RRM）来解决图像编辑中缺乏稳健奖励模型的问题，该模型通过分解指令为不同原则并逐项评估图像，实现细粒度奖励，实验表明其在图像编辑任务中优于现有模型。

Affordance-R1: Reinforcement Learning for Generalizable Affordance Reasoning in Multimodal Large Language Model

Affordance-R1: 为多模态大语言模型中的通用化 affordance 推理设计的强化学习

Hanqing Wang, Shaoyang Wang, Yiming Zhong, Zemin Yang, Jiamin Wang, Zhiqing Cui, Jiahao Yuan, Yifan Han, Mingyu Liu, Yuexin Ma

机构 * The Hong Kong University of Science and Technology (GZ)（香港科技大学（广州）） ； National University of Singapore（新加坡国立大学） ； ShanghaiTech University（上海科技大学） ； East China Normal University（华东师范大学） ； Nanjing University of Information Science & Technology（南京信息工程大学） ； Zhejiang University（浙江大学） ； Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 本文提出 Affordance-R1，一种结合认知 CoT 引导的 Group Relative Policy Optimization (GRPO) 的统一 affordance 地标框架，通过强化学习实现零样本泛化和测试时推理能力。

Code Researcher: Deep Research Agent for Large Systems Code and Commit History

Code Researcher: 用于大型系统代码和提交历史的深度研究代理

Ramneet Singh, Sathvik Joel, Abhav Mehrotra, Nalin Wadhwa, Ramakrishna B Bairi, Aditya Kanade, Nagarajan Natarajan

机构 * Microsoft Research（微软研究院） 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

AI总结 本文提出Code Researcher，一种用于大型系统代码和提交历史的深度研究代理，通过多步骤推理和全局上下文收集，有效解决系统代码崩溃修复问题，显著优于现有基线方法。

Behavior Cue Reasoning: Monitorable Reasoning Improves Efficiency and Safety through Oversight

行为线索推理：通过监督提高推理的效率和安全性

Christopher Z. Cui, Taylor W. Killian, Prithviraj Ammanabrolu

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； Brigham Young University 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

AI总结 该研究提出行为线索推理方法，通过引入行为线索来增强大语言模型的可控性和可监控性，从而在复杂数学问题解决中减少50%的无效推理token，并在安全行动恢复方面将成功率从46%提升至96%。

Semantic Grounding of Digital Twin Metamodels Using RDF Graphs

基于 RDF 图的数字孪生元模型语义 grounding

Faima Abbasi, Jean-Sébastien Sottet, Cedric Pruski

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

AI总结 本文提出了一种基于 RDF 图的数字孪生元模型语义 grounding 方法，通过设计多层数字孪生模型、将元模型提升为 RDF 图以及图基对齐方法 SSM-OM，实现了多层数字孪生的语义一致性与互操作性。

Comments Submitted to Conference, 15 pages excluding references, 4 figures

Pseudo-Siamese Network for Planning in Target-Oriented Proactive Dialogues

面向目标的主动对话中规划的伪孪生网络

Xinyue Kang, Maodong Li, Yibin Zheng, Fang Kong

机构 * School of Computer Science and Technology（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(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出了一种面向目标的主动对话规划方法，通过FF-BPSN网络实现对话路径规划，提升目标导向型主动对话系统的有效性。

Comments ICASSP2026

You Only Need Minimal RLVR Training: Extrapolating LLMs via Rank-1 Trajectories

你只需要最小的RLVR训练：通过秩-1轨迹来扩展LLMs

Zhepei Wei, Xinyu Zhu, Wei-Lin Chen, Chengsong Huang, Jiaxin Huang, Yu Meng

机构 * University of Virginia（弗吉尼亚大学） ； Washington University in St. Louis（华盛顿大学圣路易斯分校） 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 本文研究了通过秩-1轨迹扩展LLMs的方法，发现RLVR参数轨迹具有极低的秩和高度可预测性，并提出RELEX方法，通过简单的线性回归在无需训练模型的情况下实现高效的超量扩展。

Comments preprint. Code: https://github.com/weizhepei/RELEX

Strategy-Induct: Task-Level Strategy Induction for Instruction Generation

Strategy-Induct: 任务级策略诱导用于指令生成

Po-Chun Chen, Hen-Hsen Huang, Hsin-Hsi Chen

机构 * Department of Computer Science and Information Engineering, National Taiwan University, Taiwan（国立台湾大学计算机科学与资讯工程学系） ； Institute of Information Science, Academia Sinica, Taiwan（台湾“中央研究院”资讯科学研究所） ； AI Research Center (AINTU), National Taiwan University, Taiwan（国立台湾大学人工智能研究中心） 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

AI总结 该研究提出了一种任务级策略诱导方法Strategy-Induct，通过仅使用少量示例问题生成任务指令，无需依赖标注答案，从而在指令生成任务中取得优于现有方法的性能。

Comments Accepted to Findings of ACL 2026

Towards Autonomous Mechanistic Reasoning in Virtual Cells

向虚拟细胞中的自主机理推理迈进

Yunhui Jang, Lu Zhu, Jake Fawkes, Alisandra Kaye Denton, Dominique Beaini, Emmanuel Noutahi

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Valence Labs（Valence实验室） ； University College London（伦敦大学学院） 纠错

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

AI总结 本文提出了一种结构化解释形式化方法，用于虚拟细胞中的生物推理，通过机理动作图实现系统验证和反驳，并引入VCR-Agent多智能体框架，结合生物基础知识检索和基于验证器的过滤方法，生成并验证机理推理。

Grounding Driving VLA via Inverse Kinematics

通过逆运动学接地驾驶VLA

Junsung Park, Hyunjung Shim

机构 * Korea Advanced Institute of Science and Technology（韩国科学技术院） ； KimJaeChul AI Graduate School（金 JaeChul人工智能研究生院） 纠错

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

AI总结 本文提出通过逆运动学求解器重新设计驾驶VLA，以解决轨迹预测中对视觉token的忽略问题，通过引入视觉状态预测和逆运动学网络，提升了视觉接地和轨迹规划性能。

Thinking-while-speaking: A Controlled, Interleaved Reasoning Method for Real-Time Speech Generation

思考-言语：一种受控交错推理方法用于实时语音生成

Xuan Du, Qiangyu Yan, Wenshuo Li, Borui Jiang, Changming Xiao, Han Shu, Xinghao Chen

机构 * Huawei Technologies（华为技术） 纠错

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

AI总结 本文提出了一种受控交错推理方法InterRS，用于实时语音生成，通过在自然语音生成过程中插入推理步骤，提高了语音流畅性和推理深度，实验表明其在数学和逻辑基准测试中表现更优，并生成更自然流畅的答案。

FruitEnsemble: MLLM-Guided Arbitration for Heterogeneous ensemble in Fine-Grained Fruit Recognition

FruitEnsemble: MLLM-Guided Arbitration for Heterogeneous ensemble in Fine-Grained Fruit Recognition

Enhui Yu, Junhui Li, Ruitong Lu, Jialu Li, Youshan Zhang

机构 * University of Science and Technology Liaoning（辽宁科技大学） ； Chuzhou University（楚州大学） ； Yeshiva University（犹他大学） 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FruitEnsemble框架，通过多阶段动态推理解决细粒度水果分类中的泛化限制问题，利用MLLM进行专家仲裁以提升分类准确率，最终达到70.49%的分类精度。

Comments 10 pages,6 figures,submitted to CVPR 2026

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) 2026