语言大模型 / LLM

TDD-Agent: Test-Driven Reasoning for Code Generation

TDD-Agent：用于代码生成的测试驱动推理

Hongyue Yu, Kefan Li, Jiakun Li, Hongzheng Chai, Yuan Yuan, Rui He, Junyi Wei

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

AI总结 TDD-Agent将测试驱动开发范式应用于代码生成，通过测试优先推理和迭代双轨优化，在LiveCodeBench和RepoEval上均优于相关基线，提升了代码及测试的有效性。

Measuring Reward Hacking and Reasoning-Answer Decoupling Under Position-Confounded Optimization

测量位置混淆优化下的奖励黑客行为与推理-答案解耦

Suyash Maniyar, Armaan Sandhu, Abhishek Mishra

机构 * University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

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

AI总结 该研究针对位置混淆优化下的奖励黑客与推理-答案解耦问题，通过GRPO训练语言模型，发现模型会学习答案位置捷径，推理与答案解耦，且该捷径可跨域迁移，解耦率等指标可区分能力损失与捷径。

Comments Accepted at the AI Measurement Science Workshop, COLM 2026

Incoherent by Design? On the Moral Self-Consistency of LLMs

天生不连贯？大型语言模型的道德自我一致性研究

Pegah Nokhiz, Aravinda Kanchana Ruwanpathirana, Helen Nissenbaum

机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技学院） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本研究针对GPT、Mistral、Llama等LLM，在义务论等三大伦理框架下，发现其道德推理存在最高78%的矛盾率，内部不连贯是AI对齐的必要前提。

Comments 88 pages; pages 16 to 88 are the appendix

KV-Rescue: Recovering Reasoning Language Model KV Eviction Loss via Stepwise Interleaving

KV-Rescue：通过逐步交错恢复推理语言模型的KV驱逐损失

Minsoo Cheong, Woosang Lim, Vincent-Daniel Yun, Sungjoo Yoo

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

AI总结 KV-Rescue是一种无需训练的推理框架，通过交错轻量级辅助模型的推理步骤，结合在线检测器，在驱逐预算B=64时平均恢复了87%的KV驱逐损失准确率，还减少了43%的基础模型token生成量。

Thinking Outside the (Gray) Box: A Context-Based Score for Assessing Value and Originality in Neural Text Generation

跳出（灰色）框：一种基于上下文的评分，用于评估神经文本生成的价值与原创性

Giorgio Franceschelli, Mirco Musolesi

机构 * Alma Mater Studiorum Università di Bologna（博洛尼亚大学） ； 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.CL、cs.AI、cs.LG

AI总结 该研究针对大型语言模型生成文本缺乏多样性的问题，提出基于信息论的上下文评分，将其作为强化学习的奖励微调模型，在诗歌、数学题等任务中提升生成内容的价值与原创性。

The Granularity Gap: A Multi-Dimensional Cross-Generational Audit of Sycophancy in Gemini Models

粒度差距：Gemini 模型中谄媚行为的多维纵向审计

Patrick Keough

机构 * Independent Researcher（独立研究者） 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 通过多维度分级评估（Likert 0-4），揭示 Gemini 模型在连续尺度上的谄媚行为，发现粗粒度二值指标掩盖了大量社会顺从行为，且代际进步非单调，存在对齐税（谄媚与真实性负相关）。

Comments v2: Major correction. Three v1 claims withdrawn (U-shaped detection curve, recalibration remedy, one reliability figure); the central 29% result survives. Adds a four-judge panel over a stratified 1,200-response sample, 10,792 votes with written reasoning. Data unchanged from v1. 21 pages, 8 figures, 18 tables. Itemized changelog and code: https://github.com/pskeough/The-Granularity-Gap

Enhancing Science Classroom Discourse Analysis through Joint Multi-Task Learning for Reasoning-Component Classification

通过联合多任务学习增强科学课堂话语分析以进行推理组件分类

Jiho Noh, Mukhesh Raghava Katragadda, Raymond Carl, Soon Lee

机构 * Department of Computer Science, Kennesaw State University（肯纳邦大学计算机科学系） ； Bagwell College of Education, Kennesaw State University（肯纳邦大学巴格威尔教育学院） 纠错

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

AI总结 本文提出ADAS系统，通过联合多任务学习对教师和学生话语进行类型和推理组件分类，解决少数类标签不平衡问题，提升课堂话语分析效率。

Can LLMs Reason Like Automated Theorem Provers for Rust Verification? VCoT-Bench: Evaluating via Verification Chain of Thought

LLMs能否像自动定理证明器一样进行Rust验证？VCoT-Bench：通过验证思维链进行评估

Zichen Xie, Wenxi Wang

机构 * University of Virginia（弗吉尼亚大学） 纠错

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

AI总结 本文提出VCoT-Bench，通过验证思维链评估LLMs在Rust验证中的能力，揭示其在不同证明类型和缺失证明情况下的脆弱性。

Comments Accepted at ICML 2026

RingMo-Agent: A Unified Remote Sensing Foundation Model for Multi-Platform and Multi-Modal Reasoning

RingMo-Agent: 多平台多模态遥感基础模型

Huiyang Hu, Peijin Wang, Yingchao Feng, Kaiwen Wei, Wenxin Yin, Wenhui Diao, Mengyu Wang, Hanbo Bi, Kaiyue Kang, Tong Ling, Kun Fu, Xian Sun

机构 * Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院 aerospace information research institute） ； School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences（中国科学院大学电子电气与通信工程学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Key Laboratory of Target Cognition and Application Technology (TCAT)（目标认知与应用技术重点实验室） 纠错

专题命中 推理与问题求解 ：foundation model(title)

AI总结 RingMo-Agent是一种多平台多模态遥感基础模型，通过大规模数据集和任务特定标记提升遥感图像的感知与推理能力。

Comments 24 pages, 5 figures, 20 tables

Argumentation for Common Ground: Finding Zones of Possible Agreement between Individuals in Conflict

寻求共识的论证：在冲突个体间寻找可能的共识区

Elisa Cavatorta, Antonio Rago

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 本文提出定量双极论证框架，通过合并冲突双方的推理框架识别可能的共识区（ZOPA），并以巴以冲突的调查数据验证其可行性，为冲突解决提供新方法。

Does the Proof Prove It That Way? Faithful Formalization of Elements Proofs

证明是否以其应有的方式被证明？《几何原本》元素证明的忠实形式化

Tadd Mao, Tianjun Zhong, Dhruva Arekar, Yuming Feng, One An, Jiani Huang, Xujie Si, Ziyang Li

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

AI总结 本研究提出满足五项必要条件的Pistis智能体式证明搜索方法，通过OrderDecompose分治搜索生成欧几里得《几何原本》前三卷的忠实形式化Lean证明，其性能优于基线方法，可作为证明检查工具。

Comments Preprint. 18 pages, 14 figures, 7 tables

Why Vision Fails as a Universal Bridge: Rectifying Modality Asynchrony in Multilingual MLLMs

为何视觉无法作为通用桥梁：修正多语言多模态大语言模型（MLLMs）中的模态异步性

Yihang Du, Juhao Liang, Zhengzhao Lai, Siyu Li, Yan Hu

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Shenzhen Loop Area Institute（深圳河套学院） ； National Health Data Institute (Shenzhen)（国家健康数据研究院（深圳）） 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 针对多语言MLLMs在非英语视觉推理中的性能下降问题，该研究发现其源于“幽灵锚点”模态异步性，提出ANCHOR训练框架，经实验验证可提升跨语言视觉推理性能。

Agentic Data Cleaning Without a Clean Reference: An Experimental Study of Capabilities and Trade-offs

无干净参考的智能体数据清洗：能力与权衡的实验研究

Hadi Fadlallah

机构 * Faculty of Arts and Sciences（文理学院） ； University of Sciences and Arts in Lebanon（黎巴嫩科学与艺术大学） 纠错

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

AI总结 本研究提出整合多组件的基于证据的无参考智能体数据清洗框架，经多数据集实验发现，额外能力会在多指标间引入权衡，无配置在所有标准上最优。

Comments 21 pages, 3 figures, Submitted to New Generation Computing

Assessing LLMs' mathematical abilities requires understanding the various mechanisms of mathematical creativity

评估大语言模型的数学能力需要理解数学创造力的多种机制

Silvère Gangloff

机构 * University of Ostrava（俄斯特拉发大学） ； IRAFM 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 本文提出数学创造力包含多种不可替代的机制，当前LLMs仅具备部分模式的能力，建议围绕该机制分类而非综合基准评估其数学能力。

Benchmarking Testing in Automated Theorem Proving

在自动化定理证明中的基准测试

Jongyoon Kim, Hojae Han, Seung-won Hwang

机构 * Interdisciplinary Program in Artificial Intelligence, Seoul National University（人工智能交叉学科项目，首尔国立大学） ； Electronics and Telecommunications Research Institute（电子与电信研究所） 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T框架，通过依赖后继定理的编译成功来评估形式定理的语义正确性，揭示了当前定理生成能力的差距。

Comments ACL 2026 Industry

Journal ref The 64th Annual Meeting of the Association for Computational Linguistics -- Industry Track, 2026

Focusing by Contrastive Attention: Enhancing VLMs' Visual Reasoning

通过对比注意力实现聚焦：增强视觉语言模型的视觉推理能力

Yuyao Ge, Shenghua Liu, Yiwei Wang, Lingrui Mei, Baolong Bi, Xuanshan Zhou, Jiayu Yao, Jiafeng Guo, Xueqi Cheng

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of California, Merced（加州大学默塞德分校） 纠错

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

AI总结 本研究针对VLMs在复杂环境下性能下降的问题，提出无训练方法CARVE，通过像素级注意力对比提取任务相关视觉信号，在开源模型上实现最高75%的性能提升，为提升视觉推理提供了高效路径。

Assessing AI-Generated vs. Human-Authored Spear Phishing SMS Attacks: An Empirical Study

评估AI生成与人类撰写的鱼叉式网络钓鱼短信攻击：一项实证研究

Jerson Francia, Derek Hansen, Benjamin Schooley, Matthew Taylor, Shydra Valynn Murray, Rebekah Cornelius, Greg Snow

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 本研究对比GPT-4与新手学生撰写的个性化钓鱼短信，发现AI生成消息引发点击意图比例略高，工作相关消息更易诱导点击，参与者无法准确判断消息来源，还验证了TRAPD的价值与局限。

Comments 33 pages, 8 figures, and 5 tables. Revised to match the peer-reviewed version published in the Journal of Cybersecurity and Privacy

Journal ref J. Cybersecur. Priv. 2026, 6(4), 129

GLaQ: Grounding Latent Queries in Visual Evidence for Multimodal Reasoning

GLaQ：基于视觉证据的潜在查询定位用于多模态推理

Zesheng Yang, Lingling Zhang, Xinyu Zhang, Cheng Zhang, Pengyu Li, Heng Wang, Lin Wu

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

AI总结 该研究提出GLaQ框架，用定位的上下文条件查询替代顺序潜在展开，经训练后在五个视觉理解基准上优于基础模型及其他视觉潜在方法，可高效恢复局部视觉证据。

From Errors to Proofs: Minimal-Core-Guided Repair for Neuro-Symbolic Constraint Solving

从错误到证明：最小核心引导的神经符号约束求解修复

Dipankar Sarkar

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 该研究提出最小核心引导的修复方法，将语言模型生成的不可满足程序的错误消息替换为最小不可满足核心，在77个问题的基准上使弱模型编造不可行问题解的比例从79%降至7%，核心价值是提供证书并拒绝编造解。

Comments 7 pages, 2 figures. Accepted at the IJCAI-ECAI 2026 Workshop on Logic and Symbolic Reasoning (LogiSymb), poster

TrustCLIP: Learning Private Visual Features via Adversarial Reconstruction

TrustCLIP：通过对抗性重建学习隐私视觉特征

Nikos Athanasiou, Ilya A. Petrov, Angela Yao, Shugao Ma, Eric Sauser, Edoardo Remelli, Shreyas Hampali, Johannes Schönberger, Fadime Sener, Bugra Tekin

机构 * Meta ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； University of Tübingen（图宾根大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 研究视觉和视觉语言模型中视觉特征隐私问题，提出TrustCLIP框架，以特征条件生成器为隐私对手，优化编码器特征与下游模块投影，降低生成式反演保真度并保持下游任务性能。

Comments https://atnikos.github.io/trustclip/ Update affiliations

MME-VideoOCR: Evaluating OCR-Based Capabilities of Multimodal LLMs in Video Scenarios

MME-VideoOCR：评估多模态大语言模型在视频场景中基于OCR的能力

Yang Shi, Huanqian Wang, Wulin Xie, Huanyao Zhang, Lijie Zhao, Yi-Fan Zhang, Xinfeng Li, Chaoyou Fu, Zhuoer Wen, Wenting Liu, Zhuoran Zhang, Xinlong Chen, Bohan Zeng, Sihan Yang, Yushuo Guan, Zhang Zhang, Liang Wang, Haoxuan Li, Zhouchen Lin, Yuanxing Zhang, Pengfei Wan, Haotian Wang, Wenjing Yang

机构 * Kling Team（Kling团队） ； PKU（北京大学） ； THU（清华大学） ； CASIA（中国科学院自动化研究所） ； CUHKSZ（香港科技大学） ； NTU（国立台湾大学） ； NJU（南京大学） ； XJTU（吉林大学） 纠错

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

AI总结 本文推出MME-VideoOCR视频OCR基准，评估18个最先进MLLMs的视频OCR能力，发现现有模型在需视频整体理解的任务中表现有限，最优模型准确率仅73.7%，明确了高分辨率输入等对视频OCR的重要性。

Comments Accepted by NeurIPS 2025

Towards Computational Provenance: Carrying Causal-State Evidence in Generated Text

面向计算溯源：在生成文本中携带因果状态证据

Benjamin Belay

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

AI总结 该研究提出计算溯源理念，通过在两种受控模型架构中让已验证内部状态决定生成文本的统计模式，证明答案不变时仍可在生成文本中保留因果相关内部状态的信息。

Comments 16 pages, 1 figure, 7 tables

Neurosymbolic Embodied Agents

神经符号具身智能体

Mohammad Albinhassan, Yuming Feng, Alessandra Russo, Pranava Madhyastha

机构 * Imperial College London（帝国理工学院） ； Johns Hopkins University（约翰斯·霍普金斯大学） ； City, University of London（伦敦城市大学） 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 该研究提出一种神经符号具身智能体，将长周期家庭任务分解为视觉探索与符号规划，在VirtualHome、ALFWorld基准测试中表现优异，约束与搜索结合可大幅提升任务解决率，且无需专门训练。

Schema-Agnostic Graph Reasoning Agent for Hybrid Knowledge Graphs

面向混合知识图谱的模式无关图推理智能体

Marius Dragic, Ruben Ifrah, Alexandre Rio

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

AI总结 提出图推理智能体GRA，探索混合知识图谱，在工业基准UFK-M上准确率优于全上下文智能体，读取令牌更少，增益源于选择性访问。

QA-Merging: Query-Adaptive Reasoning via Layer Selective Model Merging

适应性推理的推理模式对齐融合

Zhaofeng Zhong, Wei Yuan, Tong Chen, Liang Qu, Xiangyu Zhao, Quoc Viet Hung Nguyen, Hongzhi Yin

机构 * The University of Queensland（昆士兰大学） ； City University of Hong Kong（香港城市大学） ； Griffith University（格里菲斯大学） 纠错

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

AI总结 本文提出RPAM，通过融合长链式思考和短链式提示模型，实现高效的查询自适应推理，减少推理成本并保持高性能。

Comments Accepted to CIKM 2026

Bounded Semantic Planning and Deterministic Compilation for Reliable Enterprise Text-to-SQL

用于可靠企业级文本到SQL的有界语义规划与确定性编译

Yi Ai

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

AI总结 提出语义路径编译（SPC）系统，在ACME保险基准测试中，其文本到SQL任务正确率达97.4%，显著优于基线系统，且鲁棒性更强。

Comments 10 sections, 2 figures, 6 tables. Preprint. Code and research artifacts are described in the manuscript

THESIS-MoE: Trainable Hierarchical Extraction and SteerIng of Sycophancy in Mixture-of-Experts

THESIS-MoE：可训练的分层提取与混合专家模型中谄媚行为的引导

Kareem Hassani, Chaymaa Abbas, Lama Mawlawi, Mariette Awad

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

AI总结 本研究提出THESIS-MoE，通过共享对比信号定位MoE模型中谄媚行为的计算子电路，采用有条件干预方法，在保留知识的同时消除了高达90%的信念诱导谄媚行为。

The Machine's Internal Clock: Do LLMs Share Human Temporal Illusions?

机器的内部时钟：大型语言模型（LLMs）是否会共享人类的时间错觉？

Catherine Bao, Vivek Srikumar

专题命中 推理与问题求解 ：LLM(abstract)；分类 cs.CL

AI总结 本研究构建含5种错觉的6684个叙事对基准，发现人类仅在2种错觉中偏好预期场景，而14个LLMs在4种错觉中与文献预测一致，其一致性源于心理学研究检索而非类人时间偏差。

Comments 25 pages, 24 figures

MetaReason: Precise Interleaved Multimodal Reasoning via Editing Meta Information for Solving Geometry Problems

MetaReason：通过编辑元信息实现精确的交错多模态推理以解决几何问题

Penghao Yin, Haomin Wang, Qihong Tang, Xiaoye Qu, Hongjie Zhang, Xiao-Ping Zhang

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

AI总结 本研究提出MetaReason框架，构建TutorGeo与ExamGeo数据集，结合监督微调与强化学习，实现几何问题的精确交错多模态推理，性能优于现有开源模型。

When Does the Best Sampling Temperature Rise with the Budget? Sufficient Conditions for Pass@k

最佳采样温度何时随预算升高？Pass@k的充分条件

Changsu Jeong

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

AI总结 该研究针对使pass@k最大化的采样温度随预算升高的经验模式，给出了总体层面的形式化充分条件，推导了相关相图与核表示，构建了该现象的条件理论。

Comments Theory paper, 13 pages, 1 analytical figure. Deterministic verification code is included as ancillary material. No new language-model experiment