Towards Understanding Distilled Reasoning Models: A Representational Approach
本研究通过crosscoder分析Qwen系列模型及其蒸馏变体,揭示蒸馏影响推理特征发展,发现独特推理方向可引导模型思维模式,且较大蒸馏模型表征更结构化,性能更优。
2025-03-25 cs.LG
Reasoning Beyond Literal: Cross-style Multimodal Reasoning for Figurative Language Understanding
University of Minnesota(明尼苏达大学)
本文提出一种三步框架,通过跨风格多模态推理提升隐喻语言理解能力,实验显示推理轨迹和跨风格训练能显著提升模型性能。
2026-01-23 cs.CL cs.LG
Structural Reasoning Improves Molecular Understanding of LLM
KAIST(韩国科学技术院);Yonsei University(延世大学)
针对大语言模型在分子结构推理上的不足,提出分子结构推理(MSR)框架,通过显式引入结构特征,在已知与未知分子场景下提升分子理解,并经实验验证。
2025-05-23 cs.AI cs.LG
Bridging the Gap: Exploring the Capabilities of Bridge-Architectures for Complex Visual Reasoning Tasks
本研究探索桥接架构在NLVR2复杂视觉推理任务上的性能,发现添加对象级特征无益,多模态预训练是关键,并分析了LLaVA的零样本表现。
2023-07-31 cs.AI cs.CL cs.CV
Utilizing Training Data to Improve LLM Reasoning for Tabular Understanding
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);The Hong Kong University of Science and Technology(香港科学与技术大学)
提出LRTab方法,通过从训练数据中检索提示条件,结合微调与无训练提示的优势,提升LLM表格推理性能,在WikiTQ和Tabfact上超越基线。
2025-08-26 cs.LG
Towards A Unified Neural Architecture for Visual Recognition and Reasoning
Brown University(布朗大学);Google(谷歌)
本文提出一种统一的神经架构,通过通用令牌接口融合视觉识别与推理,发现目标检测对推理最有益,且骨干模型选择对推理影响大,主张视觉推理应作为头等公民对待。
2023-11-10 cs.CV cs.LG
Understanding Space Is Rocket Science -- Only Top Reasoning Models Can Solve Spatial Understanding Tasks
School of Computer Science(计算机科学学院);University College Dublin(都柏林大学);School of Computing(计算机科学学院);Dublin City University(都柏林城市大学);School of Electronic Engineering(电子工程学院);Trinity College Dublin(都柏林三一学院)
本研究提出用于测试空间关系理解的开源VLM基准RocketScience,实验发现当前VLM空间理解能力不足、推理模型表现更优,且性能瓶颈为空间推理而非物体定位,同时公开了数据集与评估代码。
2025-09-04 cs.AI cs.CL cs.CV
Probabilistic Abduction for Visual Abstract Reasoning via Learning Rules in Vector-symbolic Architectures
IBM Research – Zurich(IBM苏黎世研究院);ETH Zurich(苏黎世联邦理工学院)
本研究提出Learn-VRF方法,利用向量符号架构的分布式计算,仅需一次训练遍历即可学习瑞文渐进矩阵的规则公式,参数紧凑且可解释,在分布内与分布外任务上均优于纯连接主义基线。
2024-01-29 cs.AI cs.LG
VMMU: A Vietnamese Multitask Multimodal Understanding and Reasoning Benchmark
KAIST(韩国科学技术院);MBZUAI(慕布扎伊大学)
VMMU是一个评估视觉语言模型在非英语环境下多模态理解和推理能力的基准,通过2500个多模态问题测试模型对视觉和文本信息的整合与推理能力。
2026-09-24 cs.CL cs.LG
Select and Improve: Understanding the Mechanics of Post-Training for Reasoning
Microsoft Research NYC(微软研究院纽约);UIUC(伊利诺伊大学厄巴纳-香槟分校)
通过控制实验揭示强化学习后训练通过策略选择和策略改进两种机制提升推理能力,并指出SFT数据和RL数据的不同作用。
2026-06-12 cs.AI cs.LG
Understanding the Thinking Process of Reasoning Models: A Perspective from Schoenfeld's Episode Theory
University of Maryland(马里兰大学)
本文首次将Schoenfeld情节理论应用于大型推理模型的思维链分析,构建了首个机器推理细粒度标注基准,揭示了LRM推理中的认知状态转移模式,为理解和构建更可控、透明的推理系统提供了理论框架。
2025-09-18 cs.AI cs.CL cs.LG
Feature Resemblance: Towards a Theoretical Understanding of Analogical Reasoning in Transformers
Department of Information Engineering, The Chinese University of Hong Kong, Hong Kong(香港中文大学信息工程系)
本文通过最小化Transformer抽象模型,从理论上证明联合训练和特定课程顺序能使实体在表示空间中对齐,从而通过特征相似性实现属性转移,即类比推理。
2026-05-25 cs.CL cs.LG
Understanding Reasoning in LLMs through Strategic Information Allocation under Uncertainty
Microsoft Research(微软研究院);KAIST(韩国科学技术院);Seoul National University(首尔国立大学)
本文提出一个信息论框架,将推理分解为程序推进和认知外化(不确定性标记级外化),证明零散外化能在无显式错误触发时恢复收敛,并通过实验表明小规模SFT即可调控该能力,从而将推理重新定义为不确定性下的策略信息分配。
2026-05-26 cs.AI cs.LG
Understanding Reasoning Ability of Language Models From the Perspective of Reasoning Paths Aggregation
University of California, Santa Barbara(加利福尼亚大学圣巴巴拉分校);Carnegie Mellon University(卡内基梅隆大学);University of Waterloo(滑铁卢大学)
该研究从推理路径聚合视角解释语言模型的推理涌现机制,将推理路径形式化为图上随机游走路径,验证了该视角的有效性并提出路径扩充方法以提升多步推理性能。
2024-06-20 cs.AI cs.CL cs.LG
Understanding Hidden Computations in Chain-of-Thought Reasoning
针对填充字符替代 CoT 后模型仍可推理的现象,本文利用 logit lens 与 token 排名分析逐层表示,实现隐藏推理字符的无损恢复。
2024-12-05 cs.CL cs.LG
Understanding Transformer Reasoning Capabilities via Graph Algorithms
Google Research(谷歌研究院);Columbia University(哥伦比亚大学);Google DeepMind(谷歌DeepMind)
本文通过引入表示层级,从深度、宽度和额外标记维度分析Transformer在9个算法推理问题上的能力,证明了对数深度和小嵌入单层的适用性,并在GraphQA基准上验证其优于图神经网络。
2024-05-28 cs.AI cs.LG
End-to-End Neuro-Symbolic Architecture for Image-to-Image Reasoning Tasks
IIT Delhi(印度理工学院德里分校);Google Research India(谷歌印度研究院)
神经模型和符号算法最近已经结合起来,用于需要感知和推理的任务。神经模型将感知输入接地到概念词汇表中,在此基础上应用经典推理算法来生成输出。一个关键的限制是,这种神经到符号模型只能针对输出空间是符号的任务进行端到端的训练。在本文中,我们研究了用于推理任务的神经-符号-神经模型,这些推理任务需要从图像输入(例如,部分填充的数独)到图像输出(例如,完成的数独的图像)。虽然设计这样一个三步混合架构可能很简单,但关键的技术挑战是端到端的培训--如何在没有中间监督的情况下通过符号组件进行反向传播。我们提出了NSNnet,一个架构,结合了图像重建损失与一种新的输出编码器,以产生一个监督信号,开发更新算法,利用策略梯度方法进行监督,并优化损失使用一种新的子采样启发式。我们实验的问题设置,符号算法很容易指定:视觉迷宫解决任务和视觉数独求解器的监督是在图像的形式。实验表明,与纯神经方法相比,具有更高的准确性和更少的数据。
2021-06-06 cs.AI cs.CV cs.LG
UALM: Unified Audio Language Model for Understanding, Generation and Reasoning
CMU(卡内基梅隆大学);NVIDIA(英伟达);UMD(马里兰大学)
本文提出统一音频语言模型UALM,将音频理解、文本到音频生成和多模态推理集成于单一模型,并首次展示跨模态生成推理,性能媲美专用模型。
2025-10-13 cs.CL cs.LG cs.SD
Causal Reasoning Favors Encoders: On The Limits of Decoder-Only Models
SIRE, IIT Delhi(IIT德里SIRE);Robert Bosch GmbH, India(印度罗伯特博世集团);IIIT Hyderabad(海得拉巴IIIT);IISER Kolkata(科钦IISER);Microsoft and the University of York(微软和约克大学)
本文探讨了因果推理中编码器和编码器-解码器架构相较于仅解码器模型的优势,发现前者在多跳联合推理和分布偏移鲁棒性方面表现更优。
2025-12-11 cs.CL cs.LG
GSM-Agent: Understanding Agentic Reasoning Using Controllable Environments
UC Berkeley(加州大学伯克利分校);Flatiron Institute(Flatiron研究所);Nvidia(英伟达)
该研究提出用于评估智能体推理的基准GSM-Agent,发现前沿模型在该基准上准确率仅67%,进而提出智能体推理图概念并发现模型普遍缺失重访节点能力,最终提出工具增强测试时缩放方法以提升性能。
2025-10-02 cs.AI cs.LG
PhD Thesis: Exploring the role of (self-)attention in cognitive and computer vision architecture
Université Toulouse 3 Paul Sabatier(图卢兹第三大学保罗·萨巴蒂埃大学);CerCo(CerCo研究中心);Princeton University(普林斯顿大学);DeepMind(深度思维);Brown University(布朗大学);ANITI(ANITI研究所)
本文研究了注意力和记忆在复杂推理任务中的作用,通过将自注意力与ResNet50结合及提出结合注意力和记忆的认知架构GAMR,高效解决了视觉推理任务,并在样本效率、鲁棒性和零样本泛化上表现优异。
2023-06-28 cs.AI cs.CV cs.LG
ASTRA: Adaptive Semantic Tree Reasoning Architecture for Complex Table Question Answering
Zhejiang University(浙江大学)
提出ASTRA架构,通过AdaSTR将表格重构为逻辑语义树,并利用DuTR双模式推理框架结合树搜索文本导航与符号代码执行,在复杂表格问答中达到最优性能。
2026-05-26 cs.AI cs.CL cs.LG
Decoupling Knowledge and Reasoning in Transformers: A Modular Architecture with Generalized Cross-Attention
Tsinghua University(清华大学);Ant Group(蚂蚁集团)
提出模块化 Transformer,通过带层特定变换的广义交叉注意力解耦知识与推理,并证明标准 FFN 是其特例。
2025-01-06 cs.AI cs.CL cs.LG
Understanding Formal Reasoning Failures in LLMs as Abstract Interpreters
University of Southern California(南加州大学)
本研究针对LLM用于程序验证时语义推理机制不明的问题,提出两种激发抽象解释推理的提示策略,在SV-COMP基准的22个程序上评估了多款前沿LLM,分析了不变量可靠性与推理错误模式,为LLM与程序验证交叉研究提供了新方向。
2025-09-30 cs.LG cs.PL cs.SE
Modular Cognitive Architecture Emerges in Large Language Models
该研究探究大型语言模型是否会出现类似人类大脑的模块化认知架构,经对4个认知领域46项任务的回路分析,发现其会形成相似模块化架构,表明模块化可能是智能系统的基本属性。
2026-08-17 cs.AI cs.CL cs.LG
Quantifying and Understanding Uncertainty in Large Reasoning Models
Department of Computer Science, Iowa State University(爱荷华州立大学计算机科学系)
本文提出了一种量化推理-答案结构不确定性的新方法,并开发了基于Shapley值的统一解释框架,通过理论分析和实验验证了方法的有效性。
2026-04-15 cs.AI cs.LG
How to think step-by-step: A mechanistic understanding of chain-of-thought reasoning
IIT Delhi(印度理工学院德里分校);IIT Bombay(印度理工学院孟买分校)
本文首次从机制角度研究LLMs的思维链推理,发现Llama-2 7B在逐步推理中采用多条并行答案生成路径,且模型中间层存在从预训练先验到上下文先验的功能分裂,不同注意力头分工各异。
2024-05-06 cs.CL cs.LG
Why Do Multilingual Reasoning Gaps Emerge in Reasoning Language Models?
Graduate School of Artificial Intelligence, POSTECH(浦项工业大学人工智能研究生院);Agentic AI Lab, KT(KT公司Agentic AI实验室);Department of Computer Science and Engineering, POSTECH(浦项工业大学计算机科学与工程系)
本文探讨了多语言推理模型中存在多语言推理差距的原因,发现语言理解失败是主因,并提出Selective Translation策略有效缓解了这一问题。
2026-04-13 cs.AI cs.CL cs.LG
NarrativeTrack: Evaluating Entity-Centric Reasoning for Narrative Understanding
Apple(苹果公司);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
NarrativeTrack通过细粒度实体中心推理评估多模态大语言模型的叙事理解能力,揭示了感知接地与时间推理之间的根本权衡。
2026-08-04 cs.CV cs.LG
Towards a Mechanistic Understanding of Propositional Logical Reasoning in Large Language Models
MOE Key Lab of Computational Linguistics, Peking University(教育部计算语言学重点实验室,北京大学)
本文通过分析Qwen3在PropLogic-MI数据集上的表现,揭示了大型语言模型在命题逻辑推理中采用的结构化计算机制。
2026-09-15 cs.AI cs.LG
Understanding the Language Model to Solve the Symbolic Multi-Step Reasoning Problem from the Perspective of Buffer Mechanism
Institute of Natural Sciences, MOE-LSC, Shanghai Jiao Tong University(上海交通大学自然科学院);School of Mathematical Sciences, Shanghai Jiao Tong University(上海交通大学数学学院);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Huawei Noah’s Ark Lab(华为诺亚实验室);Key Laboratory of Marine Intelligent Equipment and System, Ministry of Education(教育部海洋智能装备与系统重点实验室)
本研究从缓冲机制视角探究Transformer模型在符号多步推理中的信息传播,提出仅含132个参数的随机矩阵算法,在7个数据集上显著提升推理性能。
2025-09-09 cs.AI cs.CL cs.LG
VIDEOP2R: Video Understanding from Perception to Reasoning
USC(USC大学);Amazon(亚马逊);Keystone AI
VIDEOP2R提出一种过程感知的视频RFT框架,通过三步流程生成高质量CoT数据集,并引入PA-GRPO算法提升视频推理性能,实现在七个基准中的六个达到SotA水平。
2026-04-20 cs.AI cs.CV cs.LG
IconQA: A New Benchmark for Abstract Diagram Understanding and Visual Language Reasoning
Sun Yat-sen University(中山大学);East China Normal University(华东师范大学);Columbia University(哥伦比亚大学)
当前的视觉问答任务主要考虑回答自然图像的人工标注问题。然而,除了自然图像之外,具有语义丰富性的抽象图在视觉理解和推理研究中仍然是不足的。在这项工作中,我们引入了一个新的挑战图标问答(IconQA)的目标是回答一个问题的图标图像的上下文中。我们发布了IconQA,这是一个大规模的数据集,包括107,439个问题和三个子任务:多图像选择,多文本选择和填空。IconQA数据集的灵感来自现实世界的图表文字问题,这些问题突出了抽象图表理解和全面认知推理的重要性。因此,IconQA不仅需要对象识别和文本理解等感知技能,还需要多种认知推理技能,如几何推理,常识推理和算术推理。为了方便潜在的IconQA模型学习图标图像的语义表示,我们进一步发布了一个图标数据集Icon 645,其中包含377个类的645,687个彩色图标。我们进行了广泛的用户研究和盲实验,并复制了广泛的先进的VQA方法,以基准测试IconQA任务。此外,我们开发了一个强大的IconQA基线Patch-TRM,它应用了一个金字塔跨模态Transformer,并在图标数据集上预先训练了输入图嵌入。IconQA和Icon 645可在https://iconqa.github.io上获得。
2022-07-25 cs.AI cs.CL cs.CV
Understanding the Effects of Distractors on Reasoning Vision-Language Models
Pohang University of Science and Technology (POSTECH)(坡山科学技术大学(POSTECH))
本文通过构建包含语义和数值维度干扰项的视觉问答数据集Idis,研究视觉干扰项如何影响视觉语言模型的测试时缩放行为,发现视觉干扰项以与文本干扰项根本不同的方式降低准确率而不增加推理长度,并提出简单提示策略缓解干扰项驱动的预测。
2026-09-15 cs.AI cs.CL cs.CV
IL-TUR: Benchmark for Indian Legal Text Understanding and Reasoning
IIT Kanpur(坎普尔印度理工学院);IIT Kharagpur(克勒格布尔印度理工学院)
针对法律领域NLP模型评估难的问题,本文提出IL-TUR基准,包含单语、多语法律文本任务,提供基线模型并创建排行榜,以推动印度法律文本理解与推理研究。
2024-11-26 cs.AI cs.CL cs.LG
Audio Flamingo 2: An Audio-Language Model with Long-Audio Understanding and Expert Reasoning Abilities
NVIDIA(英伟达);University of Maryland(马里兰大学)
本文提出Audio Flamingo 2,一种具备长音频理解与专家推理能力的音频语言模型,仅用3B参数在20多个基准上超越大型模型,并首次扩展至长音频理解。
2025-03-06 cs.CL cs.LG cs.SD
From Consistency to Complementarity: Aligned and Disentangled Multi-modal Learning for Time Series Understanding and Reasoning
The Hong Kong University of Science(香港科学与技术大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
MADI通过细粒度对齐和解缠交互提升多模态时间序列理解和推理能力,实现更精确的数值-视觉模态整合。
2026-02-04 cs.AI cs.CL cs.CV
Extending Compositional Attention Networks for Social Reasoning in Videos
National Technical University of Athens(雅典国立技术大学);Institute for Speech and Language Processing(言语与语言处理研究所)
我们提出了一种新的深度架构,用于推理视频中的社交互动。我们利用组合注意力网络(MAC)的多步推理能力,并提出了一个多模态扩展(MAC-X)。MAC-X是基于一个循环的细胞,执行迭代中级融合的输入模态(视觉,听觉,文本)在多个推理步骤,通过使用时间注意力机制。然后,我们将MAC-X与LSTM结合起来,在端到端架构中进行时间输入处理。我们的消融研究表明,建议的MAC-X架构可以有效地利用多模态输入线索使用中级融合机制。我们将MAC-X应用于Social IQ数据集中的社交视频问答任务,并在当前最先进的技术水平上获得了2.5%的二进制准确度绝对提高。
2022-10-03 cs.AI cs.CL cs.CV