语言大模型 / LLM

CA-BED: Conversation-Aware Bayesian Experimental Design

CA-BED：对话感知的贝叶斯实验设计

Daniel Arnould, Rashad Aziz, Zixuan Kang, Tanav Changal, Kevin Zhu, Sunishchal Dev, Gabriel Grand, Shreyas Sunil Kulkarni

机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Toronto（多伦多大学） 纠错

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 提出对话感知的贝叶斯实验设计（CA-BED），一种推理时概率对话规划框架，通过结合贝叶斯实验设计与LLM似然估计，在多个对话轮次中优化问题选择，在结构化实体推断基准上平均成功率提升21.8%，仅增加1.8轮对话。

Comments Reliable Autonomy Workshop at ICLR 2026

The Paradox of Outcome Optimization: A Causal Information-Theoretic Bound on Reasoning Shortcuts in LLMs

结果优化的悖论：LLM中推理捷径的因果信息论界限

Zihan Chen, Yiming Zhang, Wenxiang Geng, Zenghui Ding, Yining Sun

机构 * HFIPS, Chinese Academy of Sciences（中国科学院HFIPS） ； University of Science and Technology of China（中国科学技术大学） 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、cs.LG

AI总结 针对基于结果强化学习的LLM在分布外任务中推理脆弱的问题，提出因果信息论框架解释奖励诱导的流形坍缩，并证明过程奖励模型作为拓扑滤波器可消除低复杂度捷径。

ATLAS: Agentic Test-time Learning-to-Allocate Scaling

ATLAS: 智能体测试时学习分配缩放

Peijia Qin, Qi Cao, Pengtao Xie

机构 * University of California, San Diego（加州大学圣迭戈分校） 纠错

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

AI总结 提出ATLAS框架，让LLM编排器通过单一

LookWise: Knowing When and Where to Look for Fine-Grained Visual Reasoning in Multimodal Large Language Models

LookWise: 知道何时何地关注多模态大语言模型中的细粒度视觉推理

Yuxiang Shen, Hailong Huang, Zhenkun Gao, Xueheng Li, Man Zhou, Chengjun Xie, Haoxuan Che, Xuanhua He, Jie Zhang

机构 * Institute of Intelligent Machines, Hefei Institutes of Physical Science, Chinese Academy of Sciences（智能机器研究所，合肥物理科学研究院，中国科学院） ； University of Science and Technology of China（中国科学技术大学） ； Zhejiang University（浙江大学） ； East China Normal University（华东师范大学） ； The Hong Kong University of Science and Technology（香港科技大学） 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 提出LookWise框架，通过置信度模块和语义引导定位模块实现自适应视觉推理，无需额外训练即可提升细粒度推理精度并加速推理。

LLM-Guided Communication for Cooperative Multi-Agent Reinforcement Learning

LLM引导的通信用于合作多智能体强化学习

Sangjun Bae, Yisak Park, Sanghyeon Lee, Seungyul Han

机构 * KAIST（韩国科学技术院） 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 提出LMAC框架，利用大语言模型的推理能力设计通信协议，使所有智能体尽可能准确一致地重建底层状态，从而提升多智能体强化学习中的状态重建和性能。

Comments 9 pages for main, 32 pages for total, Accepted to ICML 2026

Dynamic Trust-Aware Sparse Communication Topology for LLM-Based Multi-Agent Consensus

基于动态信任感知的稀疏通信拓扑用于基于LLM的多智能体共识

Wanshuang Gou, Zihan Liu

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 提出DySCo动态稀疏共识机制，通过信任感知的边选择降低通信开销并保持共识质量。

Comments 11 pages, 3 figures, 5 tables

Not All Flips Are Conformity: Decomposing Stance Convergence in Multi-Agent LLM Debate

并非所有翻转都是顺从：多智能体LLM辩论中的立场趋同分解

Xiqi Hao, Zengqing Wu, Yu-Xuan Qiu, Chuan Xiao, Ruiqi Xu, Shuyuan Zheng, Jianbin Qin

机构 * Beijing Institute of Technology（北京理工大学） ； University of Osaka（大阪大学） ； Shenzhen University（深圳大学） 纠错

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

AI总结 通过三源分解框架，将多智能体辩论中的答案趋同分解为自发不稳定性、立场诱导的从众和推理诱导的说服，并揭示从众主要是有害的，可通过干预降低。

Coupling Language Models with Physics-based Simulation for Synthesis of Inorganic Materials

将语言模型与基于物理的模拟相结合用于无机材料的合成

Edward W. Staley, Tom Arbaugh, Michael Pekala, Alexander New, Christopher D. Stiles, Nam Q. Le, Gregory Bassen, Wyatt Bunstine, Tyrel McQueen

机构 * Johns Hopkins Applied Physics Laboratory（约翰霍普金斯应用物理实验室） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 提出一种结合热力学数据库与简化动力学模型的混合框架，评估大语言模型在无机材料合成规划中的表现，以铌氧体系为例证明其能生成更可行的合成策略。

Comments Accepted to the AI for Accelerated Materials Design (AI4Mat) Workshop at Neurips 2025

Limits of Spatial Imagery Reasoning in Frontier LLM Models

前沿大语言模型在空间意象推理中的局限性

Sergio Y. Hayashi, Nina S. T. Hirata

机构 * Institute of Mathematics and Statistics – University of São Paulo（数学统计研究所 – 圣保罗大学） 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.AI

AI总结 本研究通过引入外部“意象模块”辅助3D模型旋转任务，发现即使外包整体3D状态维护，前沿模型仍缺乏基础视觉空间原语，导致准确率最高仅62.5%。

Comments 25 pages. v2: Title updated; added a section on object/spatial imagery and propositional reasoning; added new experimental results for the single-object rotation probe

OncoReason: Structuring Clinical Reasoning in LLMs for Robust and Interpretable Survival Prediction

OncoReason: 在大语言模型中构建临床推理以实现稳健且可解释的生存预测

Raghu Vamshi Hemadri, Geetha Krishna Guruju, Kristi Topollai, Anna Ewa Choromanska

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

AI总结 提出统一多任务学习框架，通过监督微调、思维链提示和强化学习三种对齐策略，使自回归大语言模型在MSK-CHORD数据集上联合进行二元生存分类、连续生存时间回归和自然语言理由生成，实现可解释的生存预测。

Comments This manuscript is withdrawn to allow careful review and correction of bibliographic issues identified after submission, including references that could not be adequately verified. These matters should be resolved before further circulation

Enhancing the Socioeconomic Understanding of Foundation Models with Urban Mobility

利用城市流动性增强基础模型的社会经济理解

Baoshen Guo, Donghang Li, Zhiqing Hong, Kailai Sun, Heye Huang, Alok Prakash, Shenhao Wang

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

AI总结 提出MobFusion范式，通过将流动性网络作为上下文、图连接器和结构化令牌三种方式融入基础模型，以提升城市社会经济预测性能。

Geometric Latent Reasoning Induces Shorter Generations in LLMs

几何潜在推理诱导LLM生成更短的文本

Shashi Kumar, Yacouba Kaloga, Petr Motlicek, Ina Kodrasi, Andrea Cavallaro

机构 * Idiap Research Institute（日内瓦研究所） ； EPFL（苏黎世联邦理工学院） ； BUT（布拉格技术大学） 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.CL

AI总结 提出几何潜在推理（GLR）方法，通过轻量级过渡头在嵌入空间中预测迭代方向更新，近似离散推理轨迹，从而在不显式优化长度的情况下显著缩短LLM的生成步数。

Thinking Economically: A Hierarchical Framework for Adaptive-Complexity Reasoning in LLMs

经济思维：面向LLM自适应复杂度推理的分层框架

Yubo Gao, Haotian Wu, Hong Chen, Junquan Huang, Yibo Yan, Jungang Li, Zihao Dongfang, Sicheng Tao, Puay Siew Tan, Jie Zhang, Xuming Hu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Nanyang Technological University（南洋理工大学） ； Singapore Institute of Manufacturing Technology, A*STAR（新加坡制造技术研究所，A*STAR） 纠错

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

AI总结 针对LLM推理中的“过度思考”问题，提出分层自适应预算器（HAB）框架，通过粗粒度到细粒度的预算分配实现计算资源的高效利用，在GSM8K和MATH500上同时提升准确率和降低token使用量。

Comments 11 pages, 4 figures, 3 tables

PropLLM: Propagation-Aware Scene Reconstruction for Network Fault Diagnosis

PropLLM：面向网络故障诊断的传播感知场景重建

Zongzong Wu, Ming Zhao, Fengxiao Tang, Nei Kato

机构 * National Natural Science Foundation of China（国家自然科学基金委员会） ； High Performance Computing Center of Central South University（中南大学高性能计算中心） 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.AI

AI总结 提出PropLLM，首次将逐跳场景重建范式与LLM生成推理能力结合，通过双知识图谱和时序因果传播注意力机制，从端点告警回溯定位根因并确定故障类型，在真实Wi-Fi多模态故障数据集上诊断准确率提升3.9%，根因定位准确率提升4.7%，幻觉率降低50.8%。

DAG-Plan: Generating Directed Acyclic Dependency Graphs for Dual-Arm Cooperative Planning

DAG-Plan：生成有向无环依赖图用于双臂协作规划

Zeyu Gao, Yao Mu, Jinye Qu, Mengkang Hu, Shijia Peng, Chengkai Hou, Lingyue Guo, Ping Luo, Shanghang Zhang, Yanfeng Lu

机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences (CASIA)（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院（CASIA）） ； School of Artificial Intelligence, University of Chinese Academy of Sciences (UCAS)（中国科学院大学人工智能学院） ； School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，北京大学计算机科学学院） ； Department of Computer Science, The University of Hong Kong（香港大学计算机科学系） ； OpenGVLab, Shanghai AI Laboratory（上海人工智能实验室，OpenGVLab） 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.AI

AI总结 提出DAG-Plan框架，首次使用有向无环图作为双臂协调的核心表示，通过一次LLM解析生成结构化DAG，实现自适应并行执行，在双臂厨房基准测试中成功率提升48%，执行效率提升84.1%。

Comments ICRA 2026

COMAP: Co-Evolving World Models and Agent Policies for LLM Agents

COMAP：面向LLM智能体的世界模型与智能体策略协同进化

Youwei Liu, Jian Wang, Hanlin Wang, Wenjie Li

机构 * Central South University（中南大学） ； College of Computer Science, Sichuan University（四川大学计算机学院） ； Department of Computing, The Hong Kong Polytechnic University（香港理工大学计算机系） 纠错

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

AI总结 提出COMAP框架，通过闭环交互协同进化文本世界模型和智能体策略，在具身任务规划、网页导航和工具使用基准上显著提升性能。

Agent System Operations: Categorization, Challenges, and Future Directions

智能体系统运维：分类、挑战与未来方向

Zexin Wang, Changhua Pei, Yuanhao Liu, Jingjing Li, Yintong Huo, Quan Zhou, Haotian Si, Hang Cui, Zihan Liu, Gaogang Xie, Fei Sun, Dan Pei, David Lo

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 本文针对大型语言模型（LLM）驱动的智能体系统在运行中出现的异常问题，提出了一种名为AgentOps的运维框架，涵盖监控、异常检测、根因定位和修复四个关键阶段。

CSRP: Chain-of-Thought Reasoning for Chinese Text Correction via Reinforcement Learning with Efficiency-Aware Rewards

CSRP：基于效率感知奖励的强化学习链式推理中文文本纠错

Wei Tian, Yuhao Zhou, Man Lan

机构 * School of Computer Science and Technology, East China Normal University（东华大学计算机科学与技术学院） ； Shanghai Institute of Artificial Intelligence for Education, East China Normal University（东华大学教育人工智能研究所） 纠错

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

AI总结 提出CSRP三阶段框架，通过连续预训练、链式推理监督微调和基于效率感知奖励的组相对策略优化，在NACGEC基准上实现最优性能，有效缓解过度纠正偏差。

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

SmartThinker: Progressive Chain-of-Thought Length Calibration for Efficient Large Language Model Reasoning

SmartThinker: 渐进式思维链长度校准以实现高效的大语言模型推理

Chenzhi Hu, Qinzhe Hu, Yuhang Xu, Junyi Chen, Ruijie Wang, Shengzhong Liu, Jianxin Li, Fan Wu, Guihai Chen

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 针对大型推理模型输出冗余问题，提出基于GRPO的渐进式CoT长度校准方法SmartThinker，通过动态估计最优长度和调节长度奖励系数，在压缩响应长度同时提升准确率。

Comments Accepted by ICML 2026, 18 pages, 13 figures

Language-Native Materials Processing Design by Lightly Structured Text Database and Reasoning Large Language Model

基于轻结构化文本数据库和推理大语言模型的自然语言材料加工设计

Yuze Liu, Zhaoyuan Zhang, Xiangsheng Zeng, Yihe Zhang, Leping Yu, Liu Yang, Lejia Wang, Xi Yu

机构 * State Key Laboratory of Advanced Materials for Intelligent Sensing, Key Laboratory of Organic Integrated Circuit, Ministry of Education & Tianjin Key Laboratory of Molecular Optoelectronic Sciences, Department of Chemistry, School of Science, Tianjin University（智能传感先进材料国家重点实验室、有机集成电路重点实验室、教育部、天津分子光电子科学重点实验室、化学系、天津大学） ； Language Intelligence Technology Co., Ltd.（语言智能技术有限公司） ； College of Intelligence and Computing, Tianjin University（智能与计算学院、天津大学） ； School of Materials and Chemical Engineering, Ningbo University of Technology（材料与化学工程学院、宁波工业大学） 纠错

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

AI总结 将材料合成规划重构为文本推理问题，通过轻结构化知识基底结合检索增强生成与经验增强推理，在氮化硼纳米片剥离中三轮迭代获得高质量协议。

Agents of Diffusion: Enhancing Diffusion Language Models with Multi-Agent Reinforcement Learning for Structured Data Generation (Extended Version)

扩散代理：利用多智能体强化学习增强扩散语言模型以生成结构化数据（扩展版）

Aja Khanal, Kaushik T. Ranade, Rishabh Agrawal, Kalyan S. Basu, Apurva Narayan

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

AI总结 提出Agents of Diffusion (AoD)框架，通过多智能体强化学习结合扩散语言模型与自回归模型的推理能力，实现高语义新颖性和结构保真度的结构化数据生成。

Journal ref Proc. of the 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2026)

Understanding the Effects of Distractors on Reasoning Vision-Language Models

理解干扰项对推理视觉语言模型的影响

Jiyun Bae, Hyunjong Ok, Sangwoo Mo, Jaeho Lee

机构 * Pohang University of Science and Technology (POSTECH)（坡山科学技术大学（POSTECH）） 纠错

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

AI总结 本文通过构建包含语义和数值维度干扰项的视觉问答数据集Idis，研究视觉干扰项如何影响视觉语言模型的测试时缩放行为，发现视觉干扰项以与文本干扰项根本不同的方式降低准确率而不增加推理长度，并提出简单提示策略缓解干扰项驱动的预测。

Comments preprint

KnowledgeBerg: Evaluating Systematic Knowledge Coverage and Compositional Reasoning in Large Language Models

KnowledgeBerg: 评估大语言模型中的系统性知识覆盖与组合推理

Xiao Zhang, Qianru Meng, Yongjian Chen, Yumeng Wang, Johan Bos

机构 * University of Groningen（Groningen大学） ； LIACS, Leiden University（莱顿大学LIACS） 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 提出KnowledgeBerg基准，通过4800道选择题评估大模型在知识宽度和推理深度上的系统性覆盖与组合推理能力，发现现有模型存在严重不足。

Comments ACL Findings

ODTQA-FoRe: An Open-Domain Tabular Question Answering Dataset for Future Data Forecasting and Reasoning

ODTQA-FoRe：面向未来数据预测与推理的开放域表格问答数据集

Zhensheng Wang, Xiaole Liu, Wenmian Yang, Kun Zhou, Yiquan Zhang, Weijia Jia

机构 * School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； Institute of Artificial Intelligence and Future Networks, Beijing Normal University（北京师范大学人工智能与未来网络研究院） ； Faculty of Arts and Sciences, Beijing Normal University（北京师范大学文理学院） ； Beijing Normal-Hong Kong Baptist University（北京师范大学-香港 Baptist大学） 纠错

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

AI总结 提出开放域表格问答的未来预测与推理任务，并构建首个覆盖时间序列预测和基于预测推理的数据集，通过基于LLM代理的TimeFore框架（检索器、预测器、分析器）解决历史数据检索、预测限制和响应标准化挑战。

Comments This paper has been accepted by Findings of ACL 2026

A literature-grounded scientific reasoning framework for defect-engineered TiO$_{2}$ photocatalysts

缺陷工程TiO$_{2}$光催化剂的一个基于文献的科学推理框架

F. J. Dominguez-Gutierrez, E. Wierzbicka

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 针对缺陷工程TiO$_2$光催化剂文献异质性问题，提出一个结合文献数据、机理规则和检索增强推理的LLM辅助科学推理框架，用于推荐最优缺陷工程条件。

Learning Reasoning World Models for Parallel Code

学习并行代码的推理世界模型

Gautam Singh, Arjun Guha, Bhavya Kailkhura, Harshitha Menon

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

AI总结 提出Parallel-Code World Models (PCWMs)，通过推理LLM直接预测并行代码的工具输出，以解决并行代码训练数据稀缺问题，在数据竞争预测和性能分析任务上取得显著提升。

Recognize Your Orchestrator: An Entropy Dynamics Perspective for LLM Multi-Agent Systems

识别你的编排器：面向LLM多智能体系统的熵动力学视角

Junze Zhu, Weihao Chen, Xuanwang Zhang, Zhen Wu, Xinyu Dai

机构 * Junze Zhu, Weihao Chen, Xuanwang Zhang, Zhen Wu, Xinyu Dai（朱俊泽、陈伟浩、张轩望、伍震、戴新宇） 纠错

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

AI总结 提出平均场熵动力学框架，通过逆工作流生成（IWG）合成高复杂度基准，揭示推理型模型作为编排器时因上下文压缩而失效的“推理陷阱”，为多智能体系统架构设计提供物理可解释参数。

Revise, Don't Freeze: Sampler-Matched Training for Self-Correcting Masked Diffusion Language Models

修正而非冻结：面向自修正掩码扩散语言模型的采样器匹配训练

Longxuan Yu, Shaorong Zhang, Yu Fu, Hui Liu, Yue Dong, Greg Ver Steeg

机构 * University of California, Riverside（加州大学河滨分校） ； Microsoft（微软） 纠错

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

AI总结 针对掩码扩散语言模型在去噪过程中未利用可见标记修正能力的问题，提出无需额外模块的采样器D3IM和轻量级后训练方法SCOPE，显著提升数学和代码生成性能。

Comments 8 pages, 2 figures, 10 tables

Vision Language Models Cannot Reason About Physical Transformation

视觉语言模型无法推理物理变换

Dezhi Luo, Yijiang Li, Maijunxian Wang, Tianwei Zhao, Bingyang Wang, Siheng Wang, Pinyuan Feng, Pooyan Rahmanzadehgervi, Ziqiao Ma, Hokin Deng

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 本文通过构建ConservationBench基准，评估112个视觉语言模型在物理守恒任务上的表现，发现模型在动态场景中无法维持物理属性的变换不变性。

Comments Accepted by ICML 2026

Symbolic Neural Generation with Applications to Lead Discovery in Drug Design

符号神经生成及其在药物设计先导发现中的应用

Ashwin Srinivasan, Tirtharaj Dash, A Baskar, Michael Bain, Sanjay Kumar Dey, Mainak Banerjee

机构 * Dept. of Computer Science & Information Systems and APPCAIR BITS Pilani, K K Birla Goa Campus, India（计算机科学与信息系统系及APPCAIR比特纳学院，K K Birl拉果阿校区，印度） ； Dept. of Computer Science & Information Systems BITS Pilani, K K Birla Goa Campus, India（计算机科学与信息系统系比特纳学院，K K Birl拉果阿校区，印度） ； Department of Biochemistry, University of Cambridge, Cambridge, UK（生物化学系，剑桥大学，剑桥，英国） ； School of Computer Science and Engineering University of New South Wales, Sydney（计算机科学与工程学院新南威尔士大学，悉尼） ； Dr. B.R. Ambedkar Center for Biomedical Research University of Delhi, New Delhi, India（B.R.阿姆贝卡尔生物医学研究中心，德里大学，新德里，印度） ； Department of Chemistry BITS Pilani, K.K. Birla Goa Campus, India（化学系比特纳学院，K.K. Birl拉果阿校区，印度） 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 提出符号神经生成器（SNG）框架，结合归纳逻辑编程与大语言模型，通过符号约束指导神经生成，在药物设计中生成满足形式规范的候选分子，性能与现有方法相当，并在探索性问题上产生与临床候选分子相当的结合亲和力。

Comments 37 pages, submitted to the Machine Learning journal; partial overlap of experimental results with https://doi.org/10.1101/2025.02.14.634875