语言大模型 / LLM

Tool-Call Dependency Structure is Linearly Decodable in LLM Agent Residual Streams

工具调用依赖结构在LLM智能体残差流中是线性可解码的

Tianda Sun, Dimitar Kazakov

机构 * University of York（约克大学） ； Department of Computer Science（计算机科学系） ； Heslington, York（约克大学赫斯林顿校区） 纠错

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

AI总结 本研究通过低容量边探针在Qwen3-32B残差流中解码工具调用依赖图，发现该表示追踪抽象拓扑而非标识符值，且在不同模型和任务中可复制。

Comments 16 pages, 7 figures

CurveRL: Principled Distribution-Aware Context Reweighting for LLM Reasoning

CurveRL: 用于LLM推理的基于分布感知的上下文重加权原则

Ke Sun, Yizhou Zhao, Jiayi Xin, Qi Long, Weijie Su

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(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 本文提出CurveRL方法，通过分位数坐标变换实现分布感知的提示重加权，在RLVR框架下统一优化理论并显著提升推理性能。

LLM Agents Already Know When to Call Tools -- Even Without Reasoning

LLM Agents Already Know When to Call Tools -- Even Without Reasoning

Chung-En Sun, Linbo Liu, Ge Yan, Zimo Wang, Tsui-Wei Weng

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

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

AI总结 本文提出When2Tool基准，通过18个环境研究工具调用的必要性，发现模型已能识别何时需要调用工具，但生成时未能有效利用此知识，提出Probe&Prefill方法显著减少工具调用。

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。

DuIVRS-2: An LLM-based Interactive Voice Response System for Large-scale POI Attribute Acquisition

DuIVRS-2: 基于大语言模型的大型兴趣点属性采集交互语音响应系统

Le Zhang, Shengming Zhang, Rui Zha, Yunpeng Wu, Jingbo Zhou, Jizhou Huang

机构 * Baidu Inc.（百度公司） 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 本文提出DuIVRS-2，一种基于大语言模型的端到端框架，用于大规模兴趣点属性采集，通过有限状态机引导的数据增强策略、选择生成方案与思维链机制，提高了输出稳定性并有效消除幻觉，最终在生产环境中实现了83.9%的任务成功率。

Comments Accepted to ACL 2026 Industry Track. 14 pages, including appendix

Do Sparse Autoencoders Identify Reasoning Features in Language Models?

稀疏自编码器是否在语言模型中识别推理特征？

George Ma, Zhongyuan Liang, Irene Y. Chen, Somayeh Sojoudi

机构 * UC Berkeley（加州大学伯克利分校） ； UCSF（旧金山大学） 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.LG

AI总结 研究稀疏自编码器在大语言模型中识别推理相关内部特征的可靠性，提出基于因果token注入的评估框架，发现许多候选特征对token级干预敏感，需通过反证法验证其推理相关性。

Comments In Forty-Third International Conference on Machine Learning (2026)

LSDTs: LLM-Augmented Semantic Digital Twins for Adaptive Knowledge-Intensive Infrastructure Planning

LSDTs: 基于大语言模型的语义数字孪生用于自适应知识密集型基础设施规划

Naiyi Li, Zihui Ma, Runlong Yu, Lingyao Li

机构 * Department of Civil & Environmental Engineering, University of Maryland, College Park（大学公园马里兰大学土木与环境工程系） ； Center for Urban Science and Progress, New York University（纽约大学城市科学与进步中心） ； Department of Computer Science, University of Alabama（阿拉巴马大学计算机科学系） ； School of Information, University of South Florida（佛罗里达州立大学信息学院） 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.AI

AI总结 本文提出LSDTs框架，利用大语言模型从非结构化文档中提取规划知识并构建形式本体，通过语义层提升数字孪生在复杂规划场景中的适应性与仿真精度。

Counterparty Modeling is Not Strategy: The Limits of LLM Negotiators

对手建模不是策略：大语言模型谈判者的局限

Romain Cosentino, Sarath Shekkizhar, Adam Earle, Silvio Savarese

机构 * Salesforce AI Research（Salesforce人工智能研究） 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 研究探讨了大语言模型在多属性谈判中的表现，发现其能建模对手偏好但无法有效转化为战略谈判，最终协议受初始锚定影响大。

Kernelized Advantage Estimation: From Nonparametric Statistics to LLM Reasoning

核化优势估计：从非参数统计到大语言模型推理

Shijin Gong, Kai Ye, Jin Zhu, Xinyu Zhang, Hongyi Zhou, Chengchun Shi

机构 * School of Management, University of Science and Technology of China（中国科学技术大学管理学院） ； Department of Statistics, London School of Economics and Political Science（伦敦政治经济学院统计系） ； School of Mathematics, University of Birmingham（伯明翰大学数学学院） ； Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院） ； Department of Mathematics, Tsinghua University（清华大学数学系） 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 本文提出利用非参数统计方法提升大语言模型推理中的优势估计，通过核平滑技术实现高效的价值函数估计与策略优化，提升政策学习质量。

Comments 45 pages, 5 figures

Capability Conditioned Scaffolding for Professional Human LLM Collaboration

专业领域能力条件下的支架框架

Sen Yang, Yinglei Ma

机构 * University College London（伦敦大学学院） ； Fudan University（复旦大学） 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

AI总结 本文提出能力条件支架框架，通过划分强、混合和弱领域，基于结构化能力档案调节干预行为，提升专业人类与AI协作的可靠性。

Rethinking Supervision Granularity: Segment-Level Learning for LLM-Based Theorem Proving

重新思考监督粒度：基于LLM的定理证明的段级学习

Shuo Xu, Jiakun Zhang, Junyu Lai, Chun Cao, Jingwei Xu

机构 * State Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室） 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 本文提出段级监督策略，通过提取局部连贯的证明段落训练策略模型，提升定理证明的成功率，并在推理阶段减少计算成本。

Comments 22 pages, 4 figures, 6 tables

Efficient LLM Collaboration via Planning

通过规划实现高效的LLM协作

Byeongchan Lee, Jonghoon Lee, Dongyoung Kim, Jaehyung Kim, Kyungjoon Park, Dongjun Lee, Jinwoo Shin

机构 * KAIST（韩国科学技术院） ； Yonsei University（延世大学） 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 本文提出COPE框架，通过规划模型与执行模型的协作，提升小模型和大模型在复杂任务中的性能，同时显著降低推理成本。

Dual Tuning for Reasoning Efficacy-Driven Data Curation in Multimodal LLM Training

双调优：面向多模态大语言模型训练的推理效能驱动的数据筛选

Ruobing Zheng, Tianqi Li, Jianing Li, Qingpei Guo, Yi Yuan, Jingdong Chen

机构 * Ant Group（蚂蚁集团） 纠错

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

AI总结 本文提出双调优框架，通过评估训练数据对推理训练的收益及推理训练的效能，指导多模态大语言模型的数据筛选与训练策略匹配。

Comments Project Page: https://digital-avatar.github.io/ai/ThinkingBoundary/

SOM: Structured Opponent Modeling for LLM-based Agents via Structural Causal Model

基于结构因果模型的对手建模：通过结构因果模型实现基于大语言模型的智能体

Shiyue Cao, Pei Xu, Likun Yang, Lei Cui, Xiaotang Chen, Kaiqi Huang

机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences \& Institute of Automation, Chinese Academy of Sciences Beijing China ； National Key Laboratory of Cognition ； Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences Beijing China ； School of Artificial Intelligence, University of Chinese Academy of Sciences Beijing China ； Institute of Automation, Chinese Academy of Sciences Beijing China ； School of Artificial Intelligence, University of Chinese Academy of Sciences \& Institute of Automation, Chinese Academy of Sciences ； Decision Intelligence for Complex Systems, Institute of Automation, Chinese Academy of Sciences ； School of Artificial Intelligence, University of Chinese Academy of Sciences ； Institute of Automation, Chinese Academy of Sciences 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 本文提出SOM框架，通过结构因果模型明确分离对手建模与预测，提升多智能体环境中的预测准确性和适应性。

Learning and Reusing Policy Decompositions for Hierarchical Generalized Planning with LLM Agents

基于LLM代理的分层通用规划中的策略分解学习与重用

Shirin Sohrabi, Haritha Ananthakrishnan, Harsha Kokel, Kavitha Srinivas, Michael Katz

机构 * IBM 纠错

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

AI总结 本文提出一种结合通用规划与分层任务分解的动态策略学习方法，通过自动分解学习可重用的策略组件，提升任务执行效率与准确性。

Scheduling Your LLM Reinforcement Learning with Reasoning Trees

用推理树调度你的LLM强化学习

Hong Wang, Zhezheng Hao, Jian Luo, Chenxing Wei, Yao Shu, Lei Liu, Qiang Lin, Hande Dong, Jiawei Chen

机构 * Cranberry-Lemon University（Cranberry-Lemon 大学） ； University of the Witwatersrand（独立研究者） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） 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 本文提出基于推理树结构的Re-Schedule算法，通过r-score衡量查询难度，提升数据效率和准确性，实验显示在数学推理任务中平均准确率提升3.2%。

LLM-Augmented Traffic Signal Control with LSTM-Based Traffic State Prediction and Safety-Constrained Decision Support

基于LSTM的交通信号控制与大语言模型增强的交通状态预测与安全约束决策支持

Jiazhao Shi

机构 * Tandon School of Engineering, New York University（纽约大学Tandon工程学院） 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.AI

AI总结 本文提出一种结合LSTM交通状态预测和大语言模型的交通信号控制框架，通过预测信号相位和生成自然语言解释，提升交通效率并确保安全约束。

Masked by Consensus: Disentangling Privileged Knowledge in LLM Correctness

被共识掩盖：在LLM正确性中解构特权知识

Tomer Ashuach, Shai Gretz, Yoav Katz, Yonatan Belinkov, Liat Ein-Dor

机构 * Technion – Israel Institute of Technology（技术学院–以色列理工学院） ； IBM Research（IBM研究院） ； Kempner Institute, Harvard University（哈弗大学凯普纳研究所） 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 研究探讨大语言模型是否具备类似人类的内部状态评估正确性知识，通过自代表和外部模型对比发现，在分歧子集上，自代表在事实任务中表现更优，但数学推理中无优势。

Comments Accepted to ACL 2026 (Main Conference). 8 pages, 16 figures, 2 tables

TRINITY: An Evolved LLM Coordinator

TRINITY：一个进化的人工智能语言模型协调器

Jinglue Xu, Qi Sun, Peter Schwendeman, Stefan Nielsen, Edoardo Cetin, Yujin Tang

机构 * Sakana AI ； University of Michigan（密歇根大学） ； Institute of Science Tokyo（东京科学研究所） 纠错

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

AI总结 TRINITY通过轻量级协调器高效分配角色，提升多轮查询处理能力，在多个任务中超越单一模型和现有方法，实现卓越性能。

Comments To appear at the 14th International Conference on Learning Representation (ICLR 2026)

SWE-QA: Can Language Models Answer Repository-level Code Questions?

SWE-QA: 语言模型能否回答仓库级代码问题？

Weihan Peng, Yuling Shi, Yuhang Wang, Xinyun Zhang, Beijun Shen, Xiaodong Gu

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出SWE-QA基准，旨在研究自动化QA系统在真实代码环境中的能力，包含576个高质量问题对，涵盖意图理解、跨文件推理和多跳依赖分析，评估六种先进LLM在不同上下文增强策略下的表现。

Comments Accepted to ACL 2026 Findings. Code and data available at https://github.com/peng-weihan/SWE-QA-Bench

From Coarse to Fine: Self-Adaptive Hierarchical Planning for LLM Agents

从粗到细：为LLM代理设计的自适应分层规划

Haoran Tan, Zeyu Zhang, Chen Ma, Tianze Liu, Quanyu Dai, Xu Chen

机构 * Beijing Key Laboratory of Research on Large Models and Intelligent Governance（北京大模型与智能治理重点实验室） ； Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE（下一代智能搜索与推荐工程技术研究中心，教育部） ； Gaoling School of Artificial, Renmin University of China（人大北京校区人工智能学院） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 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 本文提出AdaPlan-H，一种自适应分层规划机制，通过逐步细化策略提升复杂任务执行效率，减少过度规划，提供灵活高效的多步骤决策方案。

LLM-Assisted Op-Amp Behavioral-Level Design via Agentic Human-Mimicking Reasoning

通过代理人类模拟推理的LLM辅助运算放大器行为级设计

Zihao Chen, Ziyi Sun, Jiayin Wang, Ji Zhuang, Jinyi Shen, Xiaoyue Ke, Li Shang, Xuan Zeng, Fan Yang

机构 * State Key Laboratory of Integrated Chips and Systems（集成芯片与系统国家重点实验室） 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 本文提出White-Op框架，利用大语言模型代理的类人推理能力，实现运算放大器行为级参数设计，通过符号推理与数值求解分离方法，结合模拟验证和迭代优化，提升设计可解释性与电路功能保持性。

JTPRO: A Joint Tool-Prompt Reflective Optimization Framework for Language Agents

JTPRO：一种联合工具提示反思优化框架用于语言代理

Sandip Ghoshal, Anshul Mittal, Jyotika Singh, Miguel Ballesteros, Weiyi Sun, Fang Tu, Shailender Singh, Yassine Benajiba, Fahad Shah, Sujeeth Bharadwaj, Sujith Ravi, Dan Roth

机构 * Oracle AI 纠错

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

AI总结 JTPRO通过迭代反思优化提升工具调用可靠性，通过联合优化全局指令和工具schema，提高多工具环境下的工具选择和参数填充准确性。

Comments Conference: ACL-2026

Reasoning Over Space: Enabling Geographic Reasoning for LLM-Based Generative Next POI Recommendation

空间推理：为基于大语言模型的生成下POI推荐启用地理推理

Dongyi Lv, Qiuyu Ding, Heng-Da Xu, Zhaoxu Sun, Zhi Wang, Feng Xiong, Mu Xu

机构 * School Of Software Engineering, Xi’an Jiaotong University（西安交通大学软件工程学院） ； Amap, Alibaba Group（阿里巴巴集团阿地图） 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 本文提出ROS框架，通过地理信息作为决策变量提升生成式推荐的地理推理能力，采用分层空间语义ID和三阶段移动链式推理，结合空间引导强化学习，实现跨城市迁移和命中率提升。

VideoThinker: Building Agentic VideoLLMs with LLM-Guided Tool Reasoning

VideoThinker：构建具有LLM引导工具推理的智能视频大语言模型

Chenglin Li, Qianglong Chen, Feng Han, Yikun Wang, Xingxi Yin, Yan Gong, Ruilin Li, Yin Zhang, Jiaqi Wang

机构 * Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Wuhan University（武汉大学） ； Shanghai AI Lab（上海人工智能实验室） ； 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,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 VideoThinker通过合成工具交互轨迹构建大规模视频与工具推理数据集，提升长视频理解能力，优于传统语言模型和视频模型基线。

Graph-of-Agents: A Graph-based Framework for Multi-Agent LLM Collaboration

图-智能体：一种基于图的多智能体LLM协作框架

Sukwon Yun, Jie Peng, Pingzhi Li, Wendong Fan, Jie Chen, James Zou, Guohao Li, Tianlong Chen

机构 * UNC Chapel Hill（UNC夏洛茨维尔分校） ； Eigent AI（Eigent人工智能） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） ； Stanford University（斯坦福大学） 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Graph-of-Agents框架，通过节点采样、边构建和消息传递提升多智能体协作效率，仅用3个智能体在多个基准测试中优于使用全部6个智能体的基线方法。

Comments ICLR 2026

The Reliance Negotiation Framework: A Dynamic Process Model of Student LLM Engagement in Academic Writing

依赖协商框架：学生在学术写作中与大语言模型互动的动态过程模型

Shahin Hossain

机构 * Department of Language, Literacy and Culture（语言、 literacy 与文化系） 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 本文提出依赖协商框架，用于解释学生与大语言模型在学术写作中的动态互动过程，考虑了学生在不同任务中的变化性、经验带来的习惯化现象以及伦理非使用作为伦理推理的形式。

Comments 21 pages, 1 figure, 8 tables

LLM Reasoning Is Latent, Not the Chain of Thought

大语言模型的推理是潜在的，而非思维链

Wenshuo Wang

机构 * School of Future Technology, South China University of Technology, China（未来技术学院，华南理工大学，中国） 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 本文提出大语言模型推理应研究为潜在状态轨迹形成而非表面思维链。研究指出，推理对象的定义影响了忠实性、可解释性、推理基准和推理时干预的主张。通过分离三个混淆因素，提出三种假设，发现当前证据更支持潜在状态轨迹作为默认假设。

Searching Meta Reasoning Skeleton to Guide LLM Reasoning

通过搜索元推理骨架来指导大语言模型推理

Ziying Zhang, Yaqing Wang, Quanming Yao

机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Beijing Institute of Mathematical Sciences and Applications（北京数学科学与应用研究所） ； State Key laboratory of Space Network and Communications, Tsinghua University（清华大学空间网络与通信国家重点实验室） 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 本文提出AutoMR框架，通过图表示搜索查询感知的元推理骨架，提升大语言模型推理性能。

MoveFM-R: Advancing Mobility Foundation Models via Language-driven Semantic Reasoning

MoveFM-R: 通过语言驱动的语义推理推进移动基础模型

Fanjin Meng, Yuan Yuan, Jingtao Ding, Jie Feng, Chonghua Han, Yong Li

机构 * Department of Electronic Engineering, BNRist, Tsinghua University（清华大学电子工程系，BNRist） ； New York University (NYU)（纽约大学） 纠错

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

AI总结 MoveFM-R通过语言驱动的语义推理解决移动基础模型中地理坐标与语言 token 的词汇不匹配及潜在向量与语义世界之间的表示差距问题，实现更全面、可解释的人类移动建模。