AI 大模型
大语言模型、预训练、指令微调、后训练和语言模型应用。
WorldReasoner: 评估语言模型代理是否通过有效推理预测事件
机构 * Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系）
专题命中 推理与问题求解 ：language model(title)；分类 cs.CL、cs.AI
AI总结 提出WorldReasoner框架，通过时间有效检索、证据质量和因果图推理三个维度评估语言模型代理的事件预测能力，发现时间有效检索是结果准确性的最强驱动因素。
回顾性工具优化：通过轨迹回滚上的自我偏好改进LLM智能体
机构 * City University of Hong Kong（香港城市大学） ； Microsoft Research Asia（微软亚洲研究院）
专题命中 推理与问题求解 ：LLM(title_cn)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出一种自监督方法RHO，利用历史轨迹回滚和自偏好选择优化智能体工具集，无需真实标签，在SWE-Bench Pro上通过单轮优化将通过率从59%提升至78%。
Comments Code: https://github.com/wbopan/retro-harness ; Project website: https://paper-rho.wenbo.io
测试时训练对近似采样的威力
机构 * Microsoft Research NYC（微软研究院纽约分校） ； MIT（麻省理工学院）
专题命中 推理与问题求解 ：LLM(abstract,abstract_cn)；分类 cs.AI、cs.LG
AI总结 本文形式化测试时训练（TTT）为从已知分布类中采样的问题，证明查询复杂度的二次下界，并展示在分布类大小受限时可规避该下界，为TTT提供理论框架。
MentisOculi: 揭示心智图像推理的局限性
机构 * Max Planck Institute for Informatics（马克斯·普朗克信息研究所）
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 提出MentisOculi基准，通过多步推理问题测试前沿模型利用视觉表示辅助推理的能力，发现视觉策略普遍无法提升性能，且统一多模态模型存在生成错误累积和无法利用真实可视化的问题。
Comments 9 pages, 8 figures, Accepted at ICML 2026
哪种语音表示更匹配文本原生推理？帧率和表示对语音-文本对齐的研究
机构 * Hong Kong University of Science and Technology, Hong Kong SAR（香港理工大学） ； Tencent, China（腾讯） ； University of Surrey, United Kingdom（Surrey大学） ； Chinese University of Hong Kong, Hong Kong SAR（香港中文大学） ； Hong Kong Baptist University, Hong Kong SAR（香港 Baptist大学） ； Hong Kong Polytechnic University, Hong Kong SAR（香港理工大学） ； Independent Researcher（独立研究者）
专题命中 推理与问题求解 ：LLM(abstract,abstract_cn)；分类 cs.CL
AI总结 研究语音与文本模态差异中的时间粒度不匹配问题，提出因子化FSQ和轻量非自回归音频LM头以降低帧率，发现4.17Hz帧率结合中间层表示对齐在语音问答中表现最佳。
Comments Accepted by Interspeech 2026 long paper
可验证环境是乐高积木：递归组合实现推理泛化
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所信息处理实验室） ； Qwen Team, Alibaba Group（阿里巴巴集团Qwen团队）
专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 提出RACES框架，将可验证环境视为可递归组合的构建块，通过定义四种组合算子自动生成复合环境，在六个未见基准上平均提升DeepSeek-R1-Distill-Qwen-14B 3.1分，且仅用50个基础环境即可达到300个环境的性能。
元数据感知的多提示推理用于零样本事故理解
机构 * Netradyne
专题命中 推理与问题求解 ：language model(abstract)；prompting(abstract)；分类 cs.AI
AI总结 提出三阶段流水线，通过视觉-语言相似性、元数据驱动的多提示推理和开放词汇检测，实现零样本事故视频的时序定位、语义分类和空间定位，显著提升性能。
Comments Accepted at the AUTOPILOT Workshop, CVPR 2026 (non-archival). Workshop Paper ID 15
SVoT: 基于强化学习的空间推理状态感知思维可视化
机构 * School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）
专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 提出SVoT框架，通过强化学习生成可验证的中间状态和可视化，结合文本与视觉推理链，提升多模态大模型在多跳空间推理中的可靠性。
P3D-Bench：用于参数化3D生成与结构推理的多模态大语言模型基准
机构 * Nanjing University（南京大学） ； Envision
专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)
AI总结 提出P3D-Bench基准，通过参数化3D程序评估多模态大语言模型在几何精度、语义对齐和装配一致性上的表现，涵盖文本到3D、图像到3D和装配3D三类任务。
Comments Project page: https://spatiaos.github.io/projects/P3D-Bench
推理的几何：有效数学推理的谱特征
机构 * Valentin Noël（瓦伦丁·诺埃尔）
专题命中 推理与问题求解 ：language model(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 通过将注意力矩阵视为加权词图，提取四个无需学习的谱诊断指标（Fiedler值、高频能量比、谱熵和平滑度），有效区分有效推理与模式匹配，在多个模型上达到85-96%的分类准确率。
Comments 30 pages, 13 figures, Accepted at ICML 2026 (main track)
PIGEON: 通过兴趣点选择的VLM驱动物体导航
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beijing Academy of Artificial Intelligence (BAAI)（北京人工智能研究院） ； Peking University（北京大学） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
专题命中 推理与问题求解 ：language model(abstract)；foundation model(abstract)
AI总结 提出PIGEON框架，将物体导航建模为基于原始观测的稀疏决策问题，通过兴趣点（PoI）作为视觉决策单元，结合VLM选择关键点，实现零样本SOTA性能并迁移至主动具身问答。
MARIC：用于图像分类的多智能体推理
机构 * Enhans, Seoul, South Korea（韩国首尔Enhans） ； Peking University, Beijing, China（中国北京北京大学）
专题命中 推理与问题求解 ：language model(abstract)；分类 cs.CL、cs.AI
AI总结 提出多智能体框架MARIC，通过分解图像分类为协作推理过程，利用大纲智能体、方面智能体和推理智能体进行多视角分析与综合，在四个基准数据集上显著优于基线方法。
Comments 11 pages, preprint
DIRECT: 在具身规划器中何时何地分配测试时计算？
机构 * Stanford University（斯坦福大学） ； University of Waterloo（滑铁卢大学） ； NVIDIA（英伟达）
专题命中 推理与问题求解 ：language model(abstract)；分类 cs.AI
AI总结 提出DIRECT路由框架，根据多模态场景上下文按提示分配计算资源，优化成功-成本帕累托前沿，实验表明不同缩放轴带来不同能力增益，在物理机器人上以更低延迟匹配或超越更强模型。
表示空间中的一致性：面向开放式自洽性
机构 * HiTZ Center - Ixa, University of the Basque Country (UPV/EHU)（HiTZ中心 - Ixa，巴斯克大学（UPV/EHU））
专题命中 推理与问题求解 ：LLM(abstract)；分类 cs.CL
AI总结 针对开放式生成任务，提出基于嵌入的协议（EBA），通过聚类采样生成的嵌入表示来估计自洽性，无需训练即可鲁棒地选择更可靠的输出。
解码多模态线索：揭示仇恨视频背后的隐含意义
机构 * Dalian University of Technology（大连理工大学） ； Tencent（腾讯） ； City University of Hong Kong（香港城市大学） ； 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 ：preference optimization(abstract)；分类 cs.CL
AI总结 提出IARE框架，通过信息增强和推理优化实现可解释的仇恨视频检测，在Ex-HateMM和Ex-ImpliHateVid数据集上达到最优性能。
立场：停止将中间令牌拟人化为推理/思考痕迹！
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 推理与问题求解 ：language model(abstract)；分类 cs.AI
AI总结 本文论证将模型生成的中间令牌拟人化为“推理痕迹”或“思考痕迹”具有误导性，呼吁社区避免此类拟人化。
Comments Appears in ICML 2026. [This is a fork of v1. This fork, while overlapping with v1 in background section, differs both in the overall focus as well as the specific argument against anthropomorphization of reasoning traces]
Journal ref ICML 2026
展示连接全球实验室生产站点的数据到知识流程
机构 * Chair for Laser Technology, RWTH Aachen University（激光技术系，亚琛RWTH大学） ； Knowledge Based Systems Group, RWTH Aachen University（知识系统小组，亚琛RWTH大学） ； Communication Science, RWTH Aachen University（通信科学，亚琛RWTH大学） ； Chair of Textile Technology, RWTH Aachen University（纺织技术系，亚琛RWTH大学） ； Laboratory for Machine Tools and Production Engineering, RWTH Aachen University（机械加工与生产工程实验室，亚琛RWTH大学） ； Human Computer Interaction Center, RWTH Aachen University（人机交互中心，亚琛RWTH大学） ； Fraunhofer Institute for Laser Technology（弗劳恩霍夫激光技术研究所）
专题命中 推理与问题求解 ：foundation model(abstract)；分类 cs.LG
AI总结 本文提出数据到知识流程，用于连接全球实验室生产站点，通过数字影子网络实现数据整合与存储，提升工业效率和可扩展性。
Comments 15 pages, 6 figures, submitted to CAiSE 2025
Journal ref MDPI MAKE (Machine Learning and Knowledge Extraction (2026), 8(5)
基于时空场景图基础的计划与验证视频奖励推理
机构 * Korea University（高丽大学）
专题命中 推理与问题求解 ：post-training(abstract)
AI总结 提出SG-PVR视频奖励模型，通过计划-验证推理和时空场景图，系统验证提示中的每个条件，实现细粒度语义对齐，提升文本到视频生成的组合对齐。
链式思维答案劫持的选择感知诊断
专题命中 推理与问题求解 ：language model(abstract)
AI总结 针对链式思维答案劫持攻击，提出选择感知诊断方法，通过激活修补定位脆弱区域，并验证恢复依赖于同问题干净源。
辅助推理如何释放VLM中的GUI定位能力
机构 * Zhejiang Lab（浙江实验室） ； Hangzhou Research and Development Center（杭州研发中心） ； China Mobile（中国移动） ； Innovation Center of Yangtze River Delta（长江三角洲创新中心） ； Zhejiang University（浙江大学）
专题命中 推理与问题求解 ：language model(abstract)
AI总结 针对VLM在GUI定位任务中隐式空间理解强但显式坐标输出弱的问题，提出三种零样本辅助推理方法（如标记网格），通过输入图像添加空间线索，显著提升定位性能，在多个基准上达到接近最优微调方法的效果。
LLM智能体应在社会模拟中做决策吗？比较有限状态与基于LLM的决策策略
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)
AI总结 研究评估LLM作为在线社交网络模拟中动作选择器时，是否保持可解释的参考策略，发现LLM在某些配置下可近似但不可靠地保持策略，且速度远慢于马尔可夫链采样。
开源LLM代理能否取代静态应用安全测试工具？一项实证评估
机构 * College of Engineering and Science, Florida Institute of Technology（工程学院与科学学院，佛罗里达理工学院）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract,comments)；language model(abstract,comments)；分类 cs.AI
AI总结 评估基于开源LLM的代理在静态应用安全测试中的性能，与SAST工具Bandit对比，发现当前不适合实际应用。
Comments Keywords: Agentic AI, Cybersecurity, Large Language Models, Static Application Security Testing, Model performance evaluation
语言塑造大型语言模型中的心理健康评估
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Arizona State University（亚利桑那州立大学）
专题命中 评测与基准 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL
AI总结 研究多语言LLM在心理健康评估中是否因语言不同而产生系统性偏差，发现中文提示比英文提示导致更高的污名相关评分和更保守的抑郁严重度判断。
软提示调优用于公平且高效的LLM基准评估
机构 * Aleph Alpha Research Lab（Aleph Alpha 研究实验室） ； TU Darmstadt（达姆施塔特工业大学） ； Hessian.AI（黑森人工智能中心）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；post-training(abstract)
AI总结 提出软提示调优方法，通过优化少量软提示向量使基础模型适应基准格式，公平评估其真实知识，效率高且无需完整后训练。
Comments 10 pages, 4 figures
评估LLM生成数据的质量与可信度综述
机构 * University of Houston（德克萨斯大学休斯敦分校） ； Worcester Polytechnic Institute（沃思利理工学院） ； Rice University（里德大学） ； Texas A&M University（德克萨斯农工大学） ； University of Wisconsin - Madison（威斯康星大学麦迪逊分校） ； University of Southern California（南加州大学） ； University of North Carolina at Charlotte（北卡罗来纳州立大学夏洛特分校）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG
AI总结 提出LLM数据审计框架，从质量和可信度两个维度系统分类评估指标，分析六种模态数据生成方法的评估缺陷并给出改进建议。
Comments Published at TMLR. Title changed in the final version
Journal ref Transactions on Machine Learning Research, 2026
MPC-Patch-Bench：面向多方计算的安全感知LLM代码补丁
机构 * University of Central Florida（中央佛罗里达大学）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI
AI总结 针对多方计算（MPC）软件缺乏仓库级代码修复基准的问题，提出MPC-Patch-Bench，包含数据筛选框架和MPC验证器，评估LLM在MPC仓库级修复中的安全性和数值保真度。
Comments preprint
与参考标准对照评判：揭示LLM评判者在QA评估中知识驱动的失败模式
机构 * Dept. of ECE, Seoul National University（电子工程系，首尔国立大学） ； LG AI Research（LG人工智能研究） ； IPAI, Seoul National University（IPAI，首尔国立大学）
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 本文发现LLM作为QA自动评判者时，当提供的参考答案与模型参数知识冲突，评分可靠性严重下降；通过引入交换参考答案框架系统研究该现象，揭示评判者过度依赖参数知识而忽略参考标准，且常见提示缓解策略无效。
Comments Under review, 21 pgs, 11 figures, 7 tables
SkillAxe: 通过评估引导的自我精炼提升LLM编写的智能体技能
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)
AI总结 提出SkillAxe框架，通过无监督评估引导LLM自我诊断和精炼技能，在SkillsBench上提升通过率28%，缩小与人类技能的差距47-67%。
Comments 9 pages, under review
面向大语言模型的智能体环境工程：环境建模、合成、评估与应用综述
专题命中 评测与基准 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract,abstract_cn)；分类 cs.CL、cs.AI
AI总结 本文从环境工程生命周期出发，系统综述了智能体环境的建模、合成、评估与应用，涵盖八种属性与领域、两种合成范式、四种智能体演化路径及三种环境演化范式。
Comments 63 pages, 10 figures
当通用提示改进有害：LLM应用的评估驱动迭代
机构 * Daniel Commey
专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 提出最小可行评估套件（MVES），通过结构化评估框架和本地复现实验，发现通用提示添加并非单调改进，强调评估驱动的提示迭代。
Comments Technical report. 42 pages, 3 figures. Code, test suites, and result logs: https://github.com/dcommey/llm-eval-benchmarking
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈