语言大模型 / LLM

Foundational Refinement Proofs for Deployed Bytecode, at the Price of Tokens

已部署字节码的基础精化证明：以代币为代价

Lefteris Lazaropoulos, Zoe Paraskevopoulou

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 该研究构建了Lean框架EquiVM，利用前沿LLM以代币为代价，为EVM上23个真实合约生成了可复现的基础精化机器证明，实现了此前技术未达的特性组合，重塑验证框架架构。

GuideSkill: Evolving Executable LLM Agent Skills for Guideline-Grounded Clinical Reasoning

GuideSkill：面向基于指南的临床推理的可执行大语言模型智能体技能演化框架

Lang Cao, Yuhao Shen, Tianyang Luo, Simo Du, Hao Peng, Yue Guo

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

AI总结 本文提出与模型无关的GuideSkill框架，通过可执行技能结合指南流程与病例诊断模式，在多基准和骨干模型上显著提升临床推理性能，技能可靠且实用。

GoGoTB: Agentic RTL Verification with Specification-Grounded Coverage Closure

GoGoTB：基于规范驱动覆盖闭合的智能体式RTL验证

Xin Xin, Jincheng Lou, Junhui Li, Jinglin Yan, Panda Xiao, Di Wu, Haixiao Li, Weicong Lu, Weijian Fan, Xinyu Qu, Yuxiang Zhao, Min Yu, Zhixiong Di, Yibo Lin

机构 * Tencent（腾讯） ； School of Integrated Circuits, Peking University（北京大学集成电路学院） ； Southwest Jiaotong University（西南交通大学） ； Institute of Electronic Design Automation, Peking University（北京大学电子设计自动化研究所） ； Beijing Advanced Innovation Center for Integrated Circuits（北京集成电路高精尖创新中心） 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 GoGoTB是实现端到端验证闭合的智能体式RTL验证框架，在8个RTL设计上无需人工干预，实现100%环境生成成功率及多维度高覆盖率，优于现有方法。

Comments 9 pages, 7 figures, 3 tables. Xin Xin and Jincheng Lou contributed equally to this work and share first authorship

Credit Cards, Confusion, Computation, and Consequences: What Can We Uncover About Language Model Reasoning?

信用卡、困惑、计算与后果：我们能从语言模型推理中发现什么？

Arnav Hiray, Agam Shah, Caleb Lu, Meghaj Tarte, Harsit Mittal, Sudheer Chava

机构 * College of Computing（计算机学院） ； Scheller College of Business（舍勒商学院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 该研究构建了首个基于真实信用卡协议的数值推理金融素养基准CreditCardQA，评估发现程序思维（PoT）提示可提升模型推理性能，错误多源于金融规则误用等，边缘案例易影响财务脆弱群体。

Comments Accepted at CoLM 2026

Enhancing Linguistic Competence of Language Models through Pre-training with Language Learning Tasks

通过语言学习任务预训练增强语言模型的语言能力

Atsuki Yamaguchi, Maggie Mi, Nikolaos Aletras

机构 * School of Computer Science, University of Sheffield, United Kingdom（谢菲尔德大学计算机科学学院，英国） 纠错

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

AI总结 本文提出L2T框架，结合语言学习任务与标准预测任务，提升语言模型在语言能力评估中的表现，同时保持推理任务的竞争力。

Comments Accepted to ACL 2026 Main Conference

Explainable and Resource-Efficient Spatial Reasoning in Multimodal LLMs for Decision-Critical Applications

面向决策关键型应用的多模态大语言模型中可解释且资源高效的空间推理

Piyush Jain, Kousik Dasgupta, Rajarshi Roy, Subarna Tripathi

机构 * Heritage Institute of Technology（遗产技术学院） ； Kalyani Government Engineering College（卡利亚尼政府工程学院） ； IAIRO ； Intel Corporation（英特尔公司） 纠错

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

AI总结 针对多模态大语言模型空间判断不透明及细粒度空间理解不足的问题，提出无需训练的ByDeWay-V2框架，结合YOLO-World-L注入空间谓词，在多个基准上显著提升空间推理性能，适配资源受限场景。

Comments 14 pages

VidNum: Diagnosing VLM Failure Modes in Video-Grounded Numerical Reasoning

VidNum-1.4K：一个全面的视频基于数值推理基准

Shaoyang Cui, Lingbei Meng, Yaodi Luo, Peize He

机构 * Department of Psychological and Cognitive Sciences, Tsinghua University（清华大学心理与认知科学系） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

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

AI总结 本文提出VidNum-1.4K基准，通过1379个严格人工标注的视频问题对，评估视频基于的数值推理能力，揭示当前VLMs在多步骤逻辑推理上的不足。

Comments 7 pages, 5 figures

See2Think: Do Multimodal Models Really Use Intermediate Visual States?

See2Think：多模态模型是否真正利用中间视觉状态？

Siyu Yan, Zhuoran Yan, Haiying Xu, Panhao Zhou, Jingyu Chen, Chenhao Ji, Shuo Cao, Yongheng Zhang, Haoze Liu, Siyu Zhang, Xiwen Gu, Yihao Liu, Alex Jinpeng Wang

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 本文提出See2Think评估框架，通过See2ThinkBench和VAoT测试多模态模型对中间视觉状态的依赖，发现视觉推理具模型与环境依赖性，准确渲染是瓶颈，受损反馈会使模型准确率降超10个百分点。

Comments 10 pages, 5 figures, and 8 tables

MultivationBench: A Benchmark for Multimodal Sequential Motivation Reasoning

MultivationBench：多模态序列动机推理基准

Kawai Chung, Chunkit Chan, Yauwai Yim, Yuxuan Liu, Haochen Shi, Weiqi Wang, Qing Zong, Tianshi Zheng, Yixuan Fu, Kai Chung Wong, Hao Liang, Yifan Gao, Xi Yang, Janet Hui-wen Hsiao, Yangqiu Song

机构 * 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(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出MultivationBench基准，基于心理学框架评估多模态序列动机推理，发现现有模型难以在序列语境中保持一致的动机推理，暴露了静态识别与动态推理的差距。

Comments 31 pages, including appendices; 6 figures and 22 tables. Code: https://github.com/HKUST-KnowComp/MultivationBench

CaM-Wolf: Causal-Aware Multimodal Agents for Social Deduction Games

CaM-Wolf：面向社交推理游戏的因果感知多模态智能体

Zheng Zhang, Nanjie Yao, Jiarui He, Deheng Ye, Peilin Zhao, Hao Wang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 该研究针对现有SDG智能体多模态特性缺失的问题，提出首个整合多模态感知生成的CaM-Wolf，经实验验证其游戏性能与交互质量均有提升。

Comments Accepted by ACMMM 2026

Knowledge-Guided Multimodal Reasoning over Interacting Streams for Video-Level Ambivalence and Hesitancy Recognition

用于视频级矛盾心理和犹豫识别的交互流知识引导多模态推理

Podakanti Satyajith Chary, Barath Parthiban, Pranesh Velmurugan, Adeeba Khan, Nagarajan Ganapathy

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 研究视频级矛盾心理和犹豫识别难题，提出PRISM-AH框架，通过冻结编码器、轻量级流模型处理多模态冲突，经窗口级注释监督、知识引导大语言模型推理，在测试中取得较好宏观F1，验证推理增益可转移。

Comments 14 Pages, 1 Figure, Ambivalence/Hesitancy (AH) Video Recognition Challenge, ECCV 2026

When LLMs Agree, Are They Right? Auditing Self-Consistency and Cross-Model Agreement as Confidence Signals

当大语言模型达成一致时，它们是正确的吗？将自一致性和跨模型一致性作为置信信号进行审计

Kaihua Ding

机构 * University of Pennsylvania（宾夕法尼亚大学） 纠错

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

AI总结 研究探讨大语言模型一致性与正确性的关系，通过大规模交叉运行研究，发现一致性是正确性的条件代理，对不饱和中层模型和计算分配较有用，对最一致的前沿模型存在过度自信问题，还公开了相关数据。

Ouroboros-Spatial: Closing the Data-Model Loop for Spatial Reasoning

Ouroboros-Spatial：闭环数据-模型循环的空间推理

Enhan Zhao, Wei Wu, Yuanrui Zhang, Xueliang Zhao, Di He

机构 * Peking University（北京大学） ； Ant International（蚂蚁国际） ； The University of Hong Kong（香港大学） 纠错

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Ouroboros-Spatial自演化框架，通过提议器与求解器闭环交互，动态生成与模型能力匹配的训练样本，在六个空间推理基准上以十分之一数据量显著提升Qwen3-VL性能。

Transformers Can Learn Rules They've Never Seen: Proof of Computation Beyond Interpolation

Transformer 可以学习它们从未见过的规则：超越插值的计算证明

Andy Gray

机构 * Kortical 纠错

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

AI总结 本文通过两个实验展示，Transformer 能够学习未在训练中直接观察到的规则结构，通过多步约束传播和符号推导，证明了其超越插值的能力。

Comments 28 pages, 6 figures

Large Emotional World Model

大规模情感世界模型

Changhao Song, Yazhou Zhang, Hui Gao, Chang Yang, Peng Zhang

机构 * College of Intelligence and Computing, Tianjin University（智能与计算学院，天津大学） 纠错

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 本文提出大规模情感世界模型，通过构建情感-原因-方式数据集，整合情感因素以提升对情感驱动社会行为的预测能力。

Bridging the Gap in Ophthalmic AI: MM-Retinal-Reason Dataset and OphthaReason Model toward Dynamic Multimodal Reasoning

缩小眼科人工智能的差距：MM-Retinal-Reason数据集与OphthaReason模型用于动态多模态推理

Ruiqi Wu, Yuang Yao, Tengfei Ma, Chenran Zhang, Na Su, Tao Zhou, Geng Chen, Wen Fan, Yi Zhou

机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； Department of Ophthalmology, The First Affiliated Hospital of Nanjing Medical University（南京医科大学第一附属医院眼科学系） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） ； School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院） 纠错

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

AI总结 该研究针对现有眼科AI仅聚焦基础推理的问题，构建首个眼科多模态数据集MM-Retinal-Reason，并提出带UADT方法的OphthaReason模型，实现眼科多模态推理性能的显著提升。

CodeSpec: Dual Executable Specifications for Agentic Long-Horizon Feature Development

CodeSpec：面向智能体长周期功能开发的双可执行规范

Peiding Wang, Li Zhang, Fang Liu, Taichuan Li, Yinghao Zhu

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

AI总结 提出CodeSpec双可执行规范方法，通过配对子需求语义与仓库架构构建可靠功能链，在FeatureBench上优于基线，提升了长周期功能开发的设计与实现一致性及性能。

SpatialQ: Understanding 3D Gaussian Splatting Scene Quality via Visual-based MLLM

SpatialQ：基于视觉的多模态大语言模型（MLLM）理解3D Gaussian Splatting场景质量

Jingxuan Su, Shenglin Wang, Tiesong Zhao, Ge Li, Wei Gao

机构 * Peking University（北京大学） ； Peng Cheng Laboratory（鹏城实验室） ； Fuzhou University（福州大学） 纠错

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

AI总结 针对3DGS场景质量评估的局限，本文提出SpatialQ框架，通过VGGT编码器与Qwen-MLLM实现结构感知的多模态质量评估，解决传统IQA仅依赖2D线索的问题。

Detecting Knowledge Inconsistencies Across Text, Tables, and Knowledge Graphs

跨文本、表格和知识图谱检测知识不一致性

Fanfu Wei, Thibault Ehrhart, Raphaël Troncy

机构 * EURECOM（欧洲电信学院） 纠错

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

AI总结 研究跨文本、表格和知识图谱的知识不一致性检测问题，提出\textsc{Kontrast}框架，通过文本到SPARQL和语言模型推理比较并分类不一致性，实验表明跨模态不一致性常见且有价值，为知识审计提供工具并建立基准。

GroupRAG: Cognitively Inspired Group-Aware Retrieval and Reasoning via Knowledge-Driven Problem Structuring

GroupRAG: 基于知识驱动的问题结构化进行的认知启发式组感知检索与推理

Xinyi Duan, Yuanrong Tang, Jiangtao Gong

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 GroupRAG通过知识驱动的关键点分组，实现组感知的检索与推理，提升语言模型在现实场景中的表现，实验表明其优于RAG和CoT基线方法。

Comments 9 pages, 3 figures

ContactFlow: A video action conditioning that transfers across embodiments

ContactFlow：一种可跨 embodiment 迁移的视频动作条件模型

Sami Azirar, Enrico Pallotta, Jan Nogga, Jürgen Gall, Sven Behnke, Hermann Blum

机构 * University of Bonn（波恩大学） ； Lamarr Institute（拉马尔研究所） 纠错

专题命中 推理与问题求解 ：language model(abstract)

AI总结 Contact Flow 是一种与 embodiment 无关的动作表示，可跨人类演示与不同机器人 embodiment 迁移，用于构建能预测合理操纵结果的世界模型，集成到 pipeline 后在相关任务上表现良好。

TGCM: Topic-Guided Consistency Modeling for One-Step Disentanglement of Interleaved APT Technique Sequences

TGCM: 主题引导的生成式解缠交错APT技术序列

Guo-Wei Wong, Ming-Chuan Yang, Shou-De Lin, Wang-Chien Lee, Meng Chang Chen

专题命中 推理与问题求解 ：LLM(abstract_cn)

AI总结 提出TGCM框架，利用一致性模型和MITRE ATT&CK主题先验，从交错的多源APT技术序列中直接解缠出单源攻击链，在合成和真实数据集上优于15种基线方法。

Comments 14 pages, Due to arXiv's abstract length limit, the web version of the abstract has been shortened while preserving the paper's original scope, claims, and results. The implementation and experimental artifacts are publicly available at https://irish-kw.github.io/TGCM_Website/

Semantic Evidence Regulation via Relational Bias for Zero-Shot Object Navigation

通过关系归纳偏差重新思考具身导航

Weitao An, Chenghao Xu, Xu Yang, Cheng Deng

机构 * School of Electronic Engineering, Xidian University（西安电子科技大学电子工程学院） ； School of Information Science and Engineering, Hohai University（河海大学信息科学与工程学院） 纠错

专题命中 推理与问题求解 ：language model(abstract)

AI总结 提出DB-Nav框架，利用激活偏置和抑制偏置双关系偏置重塑搜索空间，通过关系激活-抑制探索图调节前沿探索，显著提升目标导航成功率和路径效率。

Facial-Expression-Aware Prompting for Empathetic LLM Tutoring

面向情感的提示方法用于共情LLM辅导

Shuangquan Feng, Laura Fleig, Ruisen Tu, Philip Chi, Edmund Bu, Melinda Ozel, Junhua Ma, Teng Fei, Virginia R. de Sa

机构 * Neurosciences Graduate Program, University of California San Diego（加州大学圣地亚哥分校神经科学研究生项目） ； Department of Cognitive Science, University of California San Diego（加州大学圣地亚哥分校认知科学系） ； Department of Computer Science and Engineering, University of California San Diego（加州大学圣地亚哥分校计算机科学与工程系） ； Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Department of Mathematics, University of California San Diego（加州大学圣地亚哥分校数学系） ； Face the FACS ； Halıcıoğlu Data Science Institute, University of California San Diego（Halıcıoğlu数据科学研究所） 纠错

专题命中 评测与基准 ：LLM(title,title_cn)；prompting(title)；large language model(abstract)；language model(abstract)

AI总结 本文研究了在LLM辅导中整合面部表情信号以提升共情响应的效果，通过四种不同方法对比发现，基于动作单元的条件化能提升对面部表情的共情响应，而引导峰值帧选择优于随机帧输入。

When Synthetic Users Fail: A Cross-Domain Benchmark of LLM-Simulated Human Survey Responses

当合成用户失效时：LLM模拟人类调查回复的跨领域基准测试

Zihan Chen, Di Zhu, Lei Nico Zheng

机构 * Stevens Institute of Technology（史蒂文斯理工学院） ； University of Massachusetts Boston（马萨诸塞大学波士顿分校） 纠错

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 本研究构建跨领域基准与评估框架，发现LLM模拟人类调查回复存在个体表现逊于基线、过度确定人口统计特征等失效问题，且无法通过更大模型纠正，会误导细分目标决策。

Comments 19 pages, 5 figures, 4 tables. Preprint; under review

OmegaUse-OfficeVal: Benchmarking LLM Agents on Long-Horizon Office-Suite Tasks with Economic Grounding

OmegaUse-OfficeVal：基于经济基准的长周期办公套件任务LLM智能体评测基准

Jingbo Zhou, Yusai Zhao, Qi Bao, Jingjia Cao, Zhenghai Chen, Chang Gao, Kaiqi Guo, Muxin Guo, Mingxuan Li, Xinjiang Lu, Yanru Ma, Yixiong Xiao, Zenghui Zhang, Le Zhang, Hua Wu

机构 * Baidu Inc.（百度公司） 纠错

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 OmegaUse-OfficeVal是带经济基准的长周期办公套件任务LLM智能体评测基准，含100项任务，评测发现前沿LLM成本低速度快但质量未达人类水平，代码与数据集已开源。

Large Language Models for Software Engineering Diagrams: A Systematic Review of UML and ER modelling

用于软件工程图的大语言模型：UML与ER建模的系统综述

Mojdeh Rahmanian, Ashkan Sami, Yanchao Yu

专题命中 评测与基准 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)

AI总结 该系统综述分析64项2023-2025年研究，指出LLM在UML/ER建模中存在领域失衡、GPT依赖、评估不规范等问题，提出需标准化基准等改进方向。

MEDIC: Comprehensive Evaluation of Leading Indicators for LLM Safety and Utility in Clinical Applications

MEDIC：对LLM在临床应用中的安全性和实用性领先指标的综合评估

Praveenkumar Kanithi, Clément Christophe, Marco AF Pimentel, Tathagata Raha, Prateek Munjal, Nada Saadi, Hamza A Javed, Svetlana Maslenkova, Nasir Hayat, Ronnie Rajan, Shadab Khan

机构 * M42 纠错

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 MEDIC通过综合评估框架揭示LLM在临床应用中的安全性和实用性差异，强调需采用组合方法以应对多维度性能权衡。

Comments Published in Transactions on Machine Learning Research (06/2026)

Aligning LLM-Simulated and Human Examinees for Psychometric Calibration: A Cognitive Diagnostic Profiling Approach

对齐大语言模型模拟与人类应试者的心理测量校准：一种认知诊断画像方法

Wenjie Zhou, Yunting Liu, Renjiao Tang, Mark Wilson

专题命中 评测与基准 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI

AI总结 该研究提出认知诊断画像（CDP）零样本框架，优化LLM模拟应试者的心理测量对齐，在Tatsuoka分数减法数据集上提升了能力分布、掌握画像及题目难度与人类的匹配度，助力LLM模拟应试者用于测试开发。

Library Drift: Diagnosing and Fixing a Silent Failure Mode in Self-Evolving LLM Skill Libraries

库漂移：在自我演化的LLM技能库中诊断和修复一种无声的失败模式

Xing Zhang, Yanwei Cui, Guanghui Wang, Ziyuan Li, Wei Qiu, Bing Zhu, Peiyang He

机构 * AWS Generative AI Innovation Center（AWS生成式AI创新中心） ； HSBC Holdings Plc., HSBC Technology Center, China（汇丰控股有限公司，汇丰技术中心，中国） 纠错

专题命中 评测与基准 ：LLM(title,title_cn)；分类 cs.CL、cs.AI

AI总结 本文研究了自我演化的LLM技能库中的一种无声失败模式——库漂移，通过可重复触发实验、细粒度诊断和验证修复方法，揭示了技能积累无序导致检索退化、假阳性注入和性能停滞的问题，并提出了一种经过验证的修复方案，显著提升了技能库的性能。

Comments Accepted to the ICML 2026 Workshop on Failure Modes in Agentic AI (FAGEN@ICML 2026), Seoul, South Korea. https://github.com/amazon-science/Self-Evolving-Agents-Ratchet