语言大模型 / LLM

Dharma, Data and Deception: An LLM-Powered Rhetorical Analysis of Cow-Urine Health Claims on YouTube

达摩、数据与欺骗：一种基于LLM的牛尿健康主张YouTube评论修辞分析

Sheza Munir, Ratna Kandala, Anamta Khan, Deepti, Joyojeet Pal

机构 * University of Michigan（密歇根大学） ； University of Kansas（堪萨斯大学） ； IIT Jodhpur（印度理工学院乔普里尔） 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 本文利用LLM分析YouTube上牛尿健康主张的修辞策略，揭示推广者与反驳者在说服技巧上的差异，验证了LLM在 misinformation 分析中的有效性。

Discovering a Shared Logical Subspace: Steering LLM Logical Reasoning via Alignment of Natural-Language and Symbolic Views

发现共享的逻辑子空间：通过自然语言和符号视角的对齐来引导LLM逻辑推理

Feihao Fang, My T. Thai, Yuanyuan Lei

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Computer & Information Science and Engineering, University of Florida（佛罗里达大学计算机与信息科学与工程系） 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 本文提出通过对齐自然语言和符号视角的逻辑子空间来提升LLM的多步逻辑推理能力，通过实验验证该方法在四个基准测试中提升了准确率并具备良好的泛化能力。

Comments Accepted to ACL 2026

Take Out Your Calculators: Estimating the Real Difficulty of Question Items with LLM Student Simulations

拿出计算器：利用LLM学生模拟估算问题的真实难度

Christabel Acquaye, Yi Ting Huang, Marine Carpuat, Rachel Rudinger

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

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

AI总结 本文探讨利用开源大语言模型评估数学选择题难度的方法，通过模拟不同年级学生角色扮演，利用IRT模型对比预测难度与实际难度，发现模型性能受学生命名策略和数学能力影响。

Are Emotion and Rhetoric Neurons in LLM? Neuron Recognition and Adaptive Masking for Emotion-Rhetoric Prediction Steering

LLM中是否存在情绪与修辞神经元？神经元识别与自适应遮蔽用于情绪-修辞预测引导

Li Zheng, Xin Zhang, Shuyi He, Fei Li, Chong Teng, Jiangming Yang, Donghong Ji, Zhuang Li

机构 * Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University（航空信息安全与可信计算 key laboratory，教育部，武汉大学计算机科学与工程学院） 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.CL

AI总结 本文研究LLM中情绪与修辞神经元的表示机制及内在关联，提出神经元识别框架与自适应遮蔽方法，实现神经元功能的可靠验证，通过神经元调控提升情绪任务与修辞表达的精细控制。

Comments Accepted by ACL 2026

Generating and Evaluating Sustainable Procurement Criteria for the Swiss Public Sector using In-Context Prompting with Large Language Models

利用大语言模型的上下文提示生成和评估瑞士公共部门可持续采购标准

Yingqiang Gao, Veton Matoshi, Luca Rolshoven, Tilia Ellendorff, Judith Binder, Jeremy Austin Jann, Gerold Schneider, Matthias Stürmer

机构 * University of Zurich（苏黎世大学） ； Bern University of Applied Sciences（伯尔尼应用科学大学） ； University of Bern（伯尔尼大学） 纠错

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

AI总结 本文提出一种可配置的LLM辅助流程，用于系统生成和评估瑞士可持续采购标准目录。通过整合上下文提示、可替换的LLM后端和自动输出验证，该系统能跨不同采购领域生成可审计的标准。实验表明，该流程能显著减少手动撰写工作，生成符合官方指南的标准目录。

SoT: Structured-of-Thought Prompting Guides Multilingual Reasoning in Large Language Models

Rui Qi, Zhibo Man, Yufeng Chen, Fengran Mo, Jinan Xu, Kaiyu Huang

机构 * Key Laboratory of Big Data & Artificial Intelligence in Transportation (Beijing Jiaotong University), Ministry of Education（大数据与人工智能交通 key laboratory（北京交通大学）） ； School of Computer Science and Technology, Beijing Jiaotong University（计算机科学与技术学院（北京交通大学）） ； University of Montreal（蒙特利尔大学） 纠错

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

Comments EMNLP 2025 (findings)

Error Reflection Prompting: Can Large Language Models Successfully Understand Errors?

Jason Li, Lauren Yraola, Kevin Zhu, Sean O'Brien

机构 * Algoverse AI Research（Algoverse AI 研究所） 纠错

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

Comments Accepted to Insights @ NAACL 2025

Prompting Large Language Models with Partial Knowledge for Answering Questions with Unseen Entities

Zhichao Yan, Jiapu Wang, Jiaoyan Chen, Yanyan Wang, Hongye Tan, Jiye Liang, Xiaoli Li, Ru Li, Jeff Z. Pan

机构 * School of Computer and Information Technology, Shanxi University（山西大学计算机与信息学院） ； Beijing University of Technology（北京理工大学） ； Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系） ； Singapore University of Technology and Design（新加坡科技与设计大学） ； ILCC, School of Informatics, University of Edinburgh（爱丁堡大学信息学院ILCC） 纠错

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

Exchange of Perspective Prompting Enhances Reasoning in Large Language Models

Lin Sun, Can Zhang

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

Enhancing Chain of Thought Prompting in Large Language Models via Reasoning Patterns

Yufeng Zhang, Xuepeng Wang, Lingxiang Wu, Jinqiao Wang

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

PKRD-CoT: A Unified Chain-of-thought Prompting for Multi-Modal Large Language Models in Autonomous Driving

Xuewen Luo, Fan Ding, Yinsheng Song, Xiaofeng Zhang, Junnyong Loo

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

Comments This paper has been accepted for presentation at ICONIP 2024

Image First or Text First? Optimising the Sequencing of Modalities in Large Language Model Prompting and Reasoning Tasks

Grant Wardle, Teo Susnjak

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

Towards Robust Temporal Reasoning of Large Language Models via a Multi-Hop QA Dataset and Pseudo-Instruction Tuning

Qingyu Tan, Hwee Tou Ng, Lidong Bing

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

Comments To appear in Findings of ACL 2024

LLM-SAP: Large Language Models Situational Awareness Based Planning

Liman Wang, Hanyang Zhong

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

Comments This article has been accepted by ICME2024 Workshop MML4SG. Website:https://github.com/HanyangZhong/Situational_Planning_datasets

Filling the Image Information Gap for VQA: Prompting Large Language Models to Proactively Ask Questions

Ziyue Wang, Chi Chen, Peng Li, Yang Liu

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

Comments Accepted to EMNLP2023 Findings

Journal ref https://aclanthology.org/2023.findings-emnlp.189/

Should We Fear Large Language Models? A Structural Analysis of the Human Reasoning System for Elucidating LLM Capabilities and Risks Through the Lens of Heidegger's Philosophy

Jianqiiu Zhang

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

Comments 39 pages

Prompting Large Language Models With the Socratic Method

Edward Y. Chang

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

Comments 10 pages

Journal ref IEEE Computing and Communication Workshop and Conference (CCWC), March 2023

Automated Design Optimization via Strategic Search with Large Language Models

通过大语言模型的战略搜索实现自动化设计优化

Anthony Carreon, Vansh Sharma, Venkat Raman

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

AI总结 本研究提出AUTO框架，利用大语言模型的战略搜索实现GPU代码优化，提升搜索效率并降低成本。

Comments 16 pages, 4 tables, 8 figures, preprint

When Absence Is Evidence: Evaluating Completeness-Sensitive Negative Reasoning in Large Language Models

当缺失即证据：评估大语言模型中对完整性敏感的负向推理能力

Byoungjae Min, Kennedy Edemacu, Sae-Hong Cho, Yoonhyuk Choi, Beakcheol Jang, Jong Wook Kim

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

AI总结 该研究针对大语言模型的完整性敏感负向推理能力，构建CROWN-QA评估基准，发现模型存在过度闭合等问题，提示无法持续解决错误，且部分覆盖不对称性在真实文档中依然存在。

Comments 19 pages, 2 figures, 20 tables

From Isolated Tasks to Structured Capabilities: A Multilayer Taxonomy for Large Language Models

从孤立任务到结构化能力：大语言模型的多层分类法

Shixin Fang, Jiachen Wo, Wenjuan Qin, Sihang Jiang, Yanghua Xiao

机构 * Fudan University（复旦大学） 纠错

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

AI总结 该研究提出大语言模型多层分类法，含14个能力领域和91个子技能，以人类认知科学为指导。通过筛选和映射相关论文，分析研究关注情况，揭示领域及子技能分布，此分类法有助于大语言模型研究组织、评估等多方面工作。

Comments 34 pages, 5 figures, 20 tables

Prompt Programming for Cultural Bias and Alignment of Large Language Models

提示编程用于大型语言模型的文化偏差与对齐

Maksim Eren, Eric Michalak, Brian Cook, Johnny Seales

机构 * Information Systems and Modeling, Los Alamos National Laboratory（信息系统与建模，洛斯阿拉莫斯国家实验室） ； Advanced Research in Cyber Systems, Los Alamos National Laboratory（网络安全系统高级研究，洛斯阿拉莫斯国家实验室） ； Center for National Security and International Studies（国家安全与国际研究中心） ； Analytics Division, Los Alamos National Laboratory（分析部门，洛斯阿拉莫斯国家实验室） 纠错

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

AI总结 本文提出通过提示编程优化大型语言模型的文化对齐，利用DSPy框架系统调整治文化偏差，实验表明提示优化优于传统手动提示工程，提升模型响应的可转移性与稳定性。

Comments 10 pages, pre-print

Information Suppression in Large Language Models: Auditing, Quantifying, and Characterizing Censorship in DeepSeek

大语言模型中的信息压制：对DeepSeek的信息审查、量化与特征化

Peiran Qiu, Siyi Zhou, Emilio Ferrara

机构 * Thomas Lord Department of Computer Science, University of Southern California, USA（汤姆斯·劳德计算机科学系，南加州大学） ； Information Sciences Institute, University of Southern California, USA（信息科学研究所，南加州大学） ； Annenberg School of Communication, University of Southern California, USA（安纳伯格传播学院，南加州大学） 纠错

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

AI总结 本研究通过审计框架揭示DeepSeek在处理政治敏感提示时的信息压制现象，指出模型在内部推理中保留敏感内容，但在最终输出中进行过滤或改写，强调了对AI模型中信息压制机制进行系统审查的重要性。

Journal ref Inf. Sci. 724, C (Jan 2026)

Enhancing Small Language Models Reasoning through Knowledge Graph Grounding

通过知识图谱基础增强小型语言模型推理

Dimitrios Kelesis, Konstantinos Bougiatiotis, Georgios Paliouras

机构 * Institute of Informatics and Telecommunications, National Center for Scientific Research “Demokritos（信息与电信研究所，国家科学研究中心“德谟克利特”） 纠错

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

AI总结 研究利用神经符号智能框架增强小型语言模型推理能力，通过特定工具调用转变模型，在两种场景下评估，发现虽提示提升性能，但受提取瓶颈等限制，还存在“干扰效应”，刻画了挑战并提供迭代验证路线图。

Comments Presented at the 2nd Causal Neuro-symbolic Artificial Intelligence (Causal NeSy): Toward Agentic LLMs with Neuro-Symbolic and Graph Based Reasoning Workshop @ ESWC2026

CoEvoT: Co-Evolving Chain-of-Thought Prompting for Graph-LLM Reasoning

CoEvoT：用于图语言模型推理的协同进化思维链提示

Haohua Niu, Xingtong Yu, Yang Liu, Junfeng Fang, Xuanting Xie, Jie Tan, Zhongjian Zhang, Hong Cheng, Yuan Fang

机构 * Sun Yat-Sen University（中山大学） ； The Chinese University of Hong Kong（香港中文大学） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； National University of Singapore（新加坡国立大学） ； University of Electronic Science and Technology of China（电子科技大学） ； Beijing University of Posts and Telecommunieations（北京邮电大学） ； Singapore Management University（新加坡管理大学） 纠错

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

AI总结 研究分布转移下的图学习问题，提出CoEvoT框架，通过文本到图令牌重写与图到文本推理指导的闭环协同进化，实现逐步的、状态感知的证据细化，在八个数据集实验中性能优于现有基准模型。

Comments Under review

Decision Protocols in Multi-Agent Large Language Model Conversations

多智能体大语言模型对话中的决策协议

Lars Benedikt Kaesberg

机构 * GippLab（吉普实验室） 纠错

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

AI总结 研究多智能体大语言模型对话中的决策协议，通过MALLM框架实现并评估投票、共识和判断决策机制，考察其对多种任务的影响，发现共识协议在知识密集型领域出色，投票和判断协议对逻辑任务有效，增加响应多样性可提高决策质量。

Comments Master's thesis, University of Göttingen

Optimal Self-Consistency for Efficient Reasoning with Large Language Models

最优自一致性：用于大语言模型高效推理

Austin Feng, Marius Alonso, Ambroise Odonnat, Vasilii Feofanov, Ievgen Redko

机构 * Yale University（耶鲁大学） ； Inria（法国国家信息与自动化研究所） ； com（42.com） 纠错

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

AI总结 本文分析自一致性（SC）的缩放行为，提出动态分配样本的Blend-ASC变体，平均减少4.8倍样本量，实现最先进的样本效率。

Comments Accepted at ICML 2026

RADIANT-PET: Reasoning-Augmented PET/CT Lesion Segmentation with Large Language Models and Reinforcement Learning

RADIANT-PET：结合大语言模型和强化学习的推理增强型PET/CT病灶分割

Jiasheng Wang, Tanun Jitwatcharakomol, Piyawadee Jongpradubgiat, Simeng Zhu

机构 * Division of Hematology, The Ohio State University Comprehensive Cancer Center（血液科，俄亥俄州立大学综合癌症中心） ； Department of Radiology, Mahidol University（医学放射科，玛希多大学） ； Department of Radiology, Mettapracharak Hospital（医学放射科，Mettapracharak医院） ； Department of Radiation Oncology, The Ohio State University Comprehensive Cancer Center（放射肿瘤科，俄亥俄州立大学综合癌症中心） 纠错

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

AI总结 提出RADIANT-PET框架，通过大语言模型和强化学习对候选摄取区域进行推理分类，抑制生理性假阳性，提升PET/CT病灶分割准确性。

Know Your Limits : On the Faithfulness of LLMs as Solvers and Autoformalizers in Legal Reasoning

了解你的局限：LLM在法律推理中作为求解器和自动形式化工具的忠实性

Olivia Peiyu Wang, Sanna Wong-Toropainen, Daneshvar Amrollahi, Ryan Bai, Tashvi Bansal, Arush Garg, Leilani H. Gilpin

机构 * UC Santa Cruz（加州大学圣克鲁兹分校） ； Univ. Helsinki（赫尔辛基大学） ； CodeX, Stanford（斯坦福大学CodeX中心） ； Stanford University（斯坦福大学） ； Canyon Crest Academy（峡谷峰学院） ； Monta Vista High School（蒙塔维斯塔高中） ； Los Altos High School（洛斯阿尔托斯高中） 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)；prompting(abstract)

AI总结 研究LLM在法律推理中是否忠实执行逻辑推理，发现LLM基于形式推理的高性能掩盖了范围清洗等不忠实模式，揭示基准准确性与逻辑忠实性之间的根本差距。

Comments 10 pages, submitted to COLM 2026 (under review, average score of 6.25 across 4 reviewers) and accepted by the AI4Law and AI4Math workshops at ICML. This is the version where we already addressed most of the reviews from the COLM & AI4Law &; AI4Math reviewers

When in Doubt, Plan It Out: Committed Small Language Model Deliberation for Reactive Reinforcement Learning

存疑则计划：用于反应式强化学习的小型语言模型承诺式推理

Nathan Gavenski, Juarez Monteiro, Francisco Galuppo, Adriano Veloso, Odinaldo Rodrigues

机构 * University of São Paulo（圣保罗大学） 纠错

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

AI总结 提出PACT混合架构，结合快速反应式强化学习策略与慢速小型语言模型规划器，通过异步生成和验证候选动作计划来提升策略在陌生环境中的表现。

Comments LM4Plan Workshop at ICML 2026

OpenClaw-Skill: Collective Skill Tree Search for Agentic Large Language Models

OpenClaw-Skill：面向智能体大语言模型的集体技能树搜索

Tianyi Lin, Chuanyu Sun, Jingyi Zhang, Changxu Wei, Huanjin Yao, Shunyu Liu, Xikun Zhang, Liu Liu, Jiaxing Huang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Nanyang Technological University（南洋理工大学） ； Tsinghua University（清华大学） ； Royal Melbourne Institute of Technology（皇家墨尔本理工大学） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学） 纠错

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

AI总结 提出集体技能树搜索（CSTS）框架，通过集体智能生成和评估技能节点，构建结构化、多样且可泛化的技能树，并引入集体技能强化学习，提升大语言模型在工具使用、多步推理和动态环境交互中的智能体能力。

Comments 13 pages, 2 figures