Weight-of-Thought Reasoning: Exploring Neural Network Weights for Enhanced LLM Reasoning
Georgia Institute of Technology(佐治亚理工学院)
针对大语言模型推理依赖 token 级输出、未考虑内部权重动态的问题,提出思维权重推理方法,通过图消息传递等探索权重空间构建推理节点图,在多类推理任务上性能更优且增强可解释性。
2025-04-14 cs.AI cs.CL cs.LG
Automated Code Review Using Large Language Models with Symbolic Reasoning
Computer Engineering Yıldız Technical University Istanbul, Turkiye(计算机工程 杨兹技术大学 伊斯坦布尔,土耳其)
针对LLM逻辑推理不足的问题,提出融合符号推理与提示技术的混合自动化代码审查方法,并在CodexGlue上对比CodeT5等模型,验证其可提升审查准确性与效率。
2025-07-24 cs.AI cs.SE
Query-Enhanced Adaptive Semantic Path Reasoning for Inductive Knowledge Graph Completion
Beijing University of Technology(北京工业大学)
本文提出QASPR框架,通过查询依赖掩码模块屏蔽噪声并保留目标相关信息,结合全局语义评分模块评估节点贡献,解决归纳式知识图谱补全中噪声干扰与长距离依赖捕捉难题,实现最先进性能。
2024-06-04 cs.AI
Policy Guided Tree Search for Enhanced LLM Reasoning
针对大语言模型复杂推理能力不足的问题,提出策略引导树搜索(PGTS)框架,通过学习策略动态决策推理路径探索方式,在多任务基准测试中实现更优推理性能并显著降低计算成本。
2025-02-04 cs.AI cs.LG
Bridging Logic and Learning: A Neural-Symbolic Approach for Enhanced Reasoning in Neural Models (ASPER)
Faculty of Science and Technology (REALTEK) Norwegian University of Life Sciences NMBU(科学与技术学院(REALTEK)挪威生命科学大学NMBU)
本文提出ASPER神经符号方法,将ASP求解器输出纳入浅层ANN的损失函数,仅用12个数独谜题且无超参数调优即显著提升推理性能。
2023-12-18 cs.AI
ReAgent: Reversible Multi-Agent Reasoning for Knowledge-Enhanced Multi-Hop QA
The University of Tokyo(东京大学);Duke–NUS Medical School(杜克-国立新加坡大学医学院);The Hong Kong University of Science and Technology(香港科学与技术大学)
针对思维链推理错误不可逆累积的问题,提出可逆多智能体协作框架ReAgent,通过显式回溯、文本检索与信息验证实现推理中途纠错,在三个基准上平均提升约6%,为容错问答系统奠定基础。
2025-05-29 cs.AI
Batch-of-Thought: Cross-Instance Learning for Enhanced LLM Reasoning
Duke University(杜克大学);ByteDance Inc.(字节跳动公司)
本文提出Batch-of-Thought方法,通过联合处理相关查询实现跨实例学习,提升LLM推理准确性和效率,实验显示在多个基准测试中显著降低推理成本。
2026-11-10 cs.AI
CR-Seg: Attention-Guided and CoT-Enhanced Coarse-to-Refined Reasoning Segmentation
School of Computer Science and Engineering, Northeastern University(东北大学计算机科学与工程学院)
提出CR-Seg两阶段框架,通过注意力图提取和全局到局部思维链,实现由粗到精的推理分割,解决跨模态对齐和推理-答案不一致问题。
2026-06-03 cs.AI cs.CV
A Context-Enhanced Framework for Sequential Graph Reasoning
East China Normal University(华东师范大学)
针对序列图推理中同时处理序列与图结构信息的难点,提出上下文增强框架,利用多步历史结果聚合增强推理,在CLRS基准多数数据集上达SOTA。
2024-12-12 cs.AI
MITS: Enhanced Tree Search Reasoning for LLMs via Pointwise Mutual Information
University of Georgia(佐治亚大学);The Hong Kong Polytechnic University(香港理工大学)
MITS通过点互信息引导树搜索推理,提升大语言模型的推理性能和效率。
2026-02-27 cs.AI
KEPO: Knowledge-Enhanced Preference Optimization for Multimodal Reasoning with Applications to Medical VQA
Chapman University(查普曼大学);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);University of California, Irvine(加州大学伊文斯分校)
KEPO通过质量门控的在线蒸馏和知识增强的探索策略,提升多模态推理任务的训练稳定性与推理一致性,优于强化学习和在线蒸馏基线。
2026-05-11 cs.AI
MTGER: Multi-view Temporal Graph Enhanced Temporal Reasoning over Time-Involved Document
Harbin Institute of Technology(哈尔滨工业大学);Peng Cheng Laboratory(鹏城实验室)
针对文档中事实与时间交织导致的时间推理难题,提出多视图时间图增强框架MTGER,通过异质时间图显式建模关系、多视图自适应融合及自监督时间对比目标,在两个数据集上取得更优效果且抗扰动性更强。
2023-11-08 cs.AI cs.CL
Bridging Social Psychology and LLM Reasoning: Conflict-Aware Meta-Review Generation via Cognitive Alignment
Beihang University(北京航空航天大学);Chinese Academy of Sciences(中国科学院);Zhongguancun Laboratory(中关村实验室)
针对现有大语言模型生成元评审时难以处理冲突观点、易引入认知偏差的问题,提出基于双过程理论的认知对齐框架CAF,通过三步认知流水线实现冲突感知的元评审生成,在情感和内容一致性上均优于现有方法。
2025-03-21 cs.AI
Code to Think, Think to Code: A Survey on Code-Enhanced Reasoning and Reasoning-Driven Code Intelligence in LLMs
Meta AI;University of California, San Diego(加利福尼亚大学圣迭戈分校);University of Rochester(罗切斯特大学)
本文综述了代码与推理在大语言模型中的相互增强关系,分析了代码作为推理媒介的作用及推理对代码智能的推动,并提出了未来研究方向。
2025-02-26 cs.AI cs.CL cs.LG
ReHoPER: Receding-Horizon Planning for Enhanced Reasoning
University of Illinois Chicago(伊利诺伊大学芝加哥分校)
提出ReHoPER,一种仅推理的零样本方法,通过滚动规划中间问题并回答来增强LLM推理,在组合推理基准上优于强基线。
2026-10-02 cs.AI cs.CL cs.LG
DRAFT-RL: Multi-Agent Chain-of-Draft Reasoning for Reinforcement Learning-Enhanced LLMs
BUPT(北京邮电大学);HKUST(GZ)(香港科技大学(广州));University of Bristol(布里斯托大学)
DRAFT-RL通过多智能体链式草稿推理提升强化学习增强的LLM在复杂推理任务中的准确性和收敛速度。
2025-11-25 cs.AI
$R^2$-Guard: Robust Reasoning Enabled LLM Guardrail via Knowledge-Enhanced Logical Reasoning
UIUC(伊利诺伊大学厄巴纳-香槟分校);Uchicago(芝加哥大学)
针对现有LLM护栏模型独立处理安全类别、易受攻击等局限,提出融合数据驱动类别学习与知识增强逻辑推理的$R^2$-Guard,构建新基准TwinSafety,在多基准和越狱攻击测试中性能显著优于SOTA方法。
2024-07-08 cs.AI
EPERM: An Evidence Path Enhanced Reasoning Model for Knowledge Graph Question and Answering
University of Science and Technology of China(中国科学技术大学);Peng Cheng Laboratory(鹏城实验室)
本文提出EPERM,一个三阶段证据路径增强推理模型,通过微调LLM检索子图、筛选并加权证据路径,以利用知识图谱中不同结构信息的重要性,提升KGQA任务的推理能力。
2025-02-22 cs.AI cs.CL
MMEmb-R1: Reasoning-Enhanced Multimodal Embedding with Pair-Aware Selection and Adaptive Control
MMLab, The Chinese University of Hong Kong(香港中文大学MMLab);ByteDance(字节跳动)
本文提出MMEmb-R1框架,通过引入配对感知推理选择和强化学习,解决多模态嵌入中推理与对比监督不匹配及推理冗余的问题,实验显示其在MMEB-V2基准上达到71.2分,参数更少且推理效率更高。
2026-08-27 cs.AI cs.CL cs.CV
Think Thrice Before You Speak: Dual knowledge-enhanced Theory-of-Mind Reasoning for Persuasive Agents
Northwestern Polytechnical University(西北工业大学);Peking University(北京大学);Harbin Engineering University(哈尔滨工程大学)
本文提出了一种基于双重知识增强的理论思维推理方法,用于提升说服代理的对话能力,通过构建大规模标注数据集和提出TTBYS框架,提高了LLM在推理欲望、信念和说服策略方面的性能。
2026-05-21 cs.AI
KVL-BERT: Knowledge Enhanced Visual-and-Linguistic BERT for Visual Commonsense Reasoning
Beijing Institute of Technology(北京理工大学)
推理是实现完整视觉理解的关键能力。为了开发具有认知级视觉理解和推理能力的机器,引入了视觉常识推理(VCR)任务。在VCR中,给出一个关于图像的挑战性问题,机器必须正确回答,然后提供一个合理的理由来证明它的答案。采用功能强大的BERT模型作为学习图像内容和自然语言联合表示的骨干的方法在VCR上显示出有希望的改进。然而,现有的方法都没有利用常识知识的视觉常识推理,我们相信这将是非常有帮助的这项任务。在常识知识的支持下,即使图像中没有描述所需的信息,复杂的问题也可以通过认知推理来回答。因此,我们将常识知识融入到跨模态BERT中,提出了一种新的知识增强的视觉和语言BERT(Knowledge Enhanced Visual-and-Linguistic,简称KVL-BERT)模型。除了将视觉和语言内容作为输入外,还将从ConceptNet中提取的外部常识知识集成到多层Transformer中。为了保留原句子的结构信息和语义表征,本文提出利用相对位置嵌入和掩蔽自我注意来削弱注入的常识知识与输入序列中其他无关成分之间的影响。与其他特定于任务的模型和一般任务不可知的预训练模型相比,我们的KVL-BERT的性能大大优于它们。
2020-12-13 cs.AI cs.CL
A Multi-Stage Workflow for the Review of Marketing Content with Reasoning Large Language Models
AI Foundations, Capital One(人工智能基础,Capital One)
本文提出一种基于推理大语言模型的多阶段工作流程,用于自动审查营销内容的合规性,并评估不同微调策略和奖励函数对模型性能的影响。
2025-12-19 cs.AI cs.CL
A Review of SHACL: From Data Validation to Schema Reasoning for RDF Graphs
University of Winchester(温彻斯特大学);University of Southampton(南安普顿大学)
我们提出了一个介绍和审查的约束语言(SHACL),W3C推荐语言验证RDF数据。SHACL文档描述了RDF节点上的一组约束,如果图的节点满足这些约束,则该图相对于文档是有效的。我们重新审视语言的基本概念,它的结构和组件及其相互作用。我们回顾了用于研究这种语言的不同形式框架和提出的不同语义。我们研究了一些相关的问题,从包容性和可满足性的SHACL与推理规则的相互作用,并展示了如何不同的建模语言是有用的不同的问题。我们还涵盖了SHACL的实际方面,讨论其实施和采用状态,以提供对实践者和理论家都有用的整体审查。
2021-12-02 cs.AI cs.DB
GSCE: A Prompt Framework with Enhanced Reasoning for Reliable LLM-driven Drone Control
University of Massachusetts Dartmouth(马萨诸塞大学达特茅斯分校);California State University San Marcos(加州州立大学圣马科斯分校)
本文提出GSCE提示框架,通过指南、技能API、约束和示例增强LLM推理可靠性,实验证明其能显著提升无人机控制任务的成功率与完成度。
2025-04-07 cs.AI cs.RO
SQuARE: Sequential Question Answering Reasoning Engine for Enhanced Chain-of-Thought in Large Language Models
Intel Labs(英特尔实验室)
针对大型语言模型推理能力未被充分利用的问题,提出新型提示技术SQuARE,通过自我询问生成并解决辅助问题分解主查询,在多个数据集上显著优于传统思维链提示,提升推理任务性能。
2025-02-13 cs.AI cs.CL cs.LG
PRIME: Planning and Retrieval-Integrated Memory for Enhanced Reasoning
Center for Healthcare Organization and Implementation Research, VA Bedford Health Care(VA Bedford Health Care 医疗组织与实施研究中心);Manning College of Information and Computer Sciences, University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校信息与计算机科学学院);Miner School of Computer and Information Sciences, University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校 Miner 信息与计算机科学学院)
受人类认知双过程理论启发,提出多智能体推理框架PRIME,动态整合系统1快速思考与系统2结构化推理(含规划、检索等专用智能体),提升开源LLM在多跳推理任务中的性能,可与顶尖闭源模型竞争。
2025-11-11 cs.AI cs.CL
An Enhanced Prompt-Based LLM Reasoning Scheme via Knowledge Graph-Integrated Collaboration
Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出一种免训练的KG与LLM协作推理方案,通过迭代探索知识图谱、检索任务相关子图并结合LLM隐式知识进行可溯源推理,在多个数据集上取得显著提升,尤其在QALD10上超过最佳基线10%以上。
2024-06-12 cs.AI cs.CL
SkillReason: Reasoning-Enhanced Agent Skill Retrieval for Implicit User Requests
针对隐式用户请求的技能检索难题,提出两阶段框架SkillReason,结合推理增强训练,在SkillReason-Bench等三个基准上取得最优性能,缩小任务目标与技能能力的语义差距。
2026-08-11 cs.AI
Integrating Reasoning and Generalization in Text-to-SQL via Self-Enhanced Fine-Tuning
Central South University(中南大学);Tsinghua University(清华大学);Nanjing University(南京大学);McGill University(麦吉尔大学)
提出CoTE-SQL方法,通过自增强推理轨迹、结构化思维链提示和错误感知修正,在开源LLM上实现Bird和Spider基准的最优性能。
2026-06-16 cs.AI
CFMS: A Coarse-to-Fine Multimodal Synthesis Framework for Enhanced Tabular Reasoning
本文提出CFMS框架,通过粗到细的多模态合成方法提升表格推理能力,实验表明其在处理大表格和小模型时具有鲁棒性。
2026-04-13 cs.AI cs.CL
EXAONE Deep: Reasoning Enhanced Language Models
LG AI Research(LG人工智能研究)
EXAONE Deep通过训练专用推理数据集,在数学和编码任务中展现出优于同类模型的能力,并提供大模型版本供研究使用。
2026-01-02 cs.AI cs.CL
Towards Logically Sound Natural Language Reasoning with Logic-Enhanced Language Model Agents
Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
针对LLMs在开放式任务中易出现逻辑错误的问题,提出逻辑增强框架LELMA,通过自动形式化将自然语言推理转化为逻辑表示以验证和优化推理,实验表明该框架有效提升了错误检测准确率与推理正确性。
2025-05-29 cs.AI cs.CL cs.GT
Dynamic Key-value Memory Enhanced Multi-step Graph Reasoning for Knowledge-based Visual Question Answering
KU Leuven(鲁汶大学)
基于知识的视觉问答(VQA)是一种视觉语言任务,它要求智能体使用给定图像中没有的知识正确回答与图像相关的问题。这不仅是一项比常规VQA更具挑战性的任务,也是建立通用VQA系统的重要一步。大多数现有的基于知识的VQA系统类似地处理知识和图像信息,并且忽略了知识库(KB)包含关于三元组的完整信息的事实,而提取的图像信息可能是不完整的,因为两个对象之间的关系丢失或错误检测。在本文中,我们提出了一种新的模型命名为动态知识记忆增强的多步图推理(DMMGR),它执行显式和隐式推理的键值知识记忆模块和空间感知的图像图,分别。具体地,存储器模块在每个推理步骤学习动态知识表示并生成知识感知问题表示。然后,该表示被用来引导图形注意力算子在空间感知图像图形上。我们的模型在KRVQR和FVQA数据集上实现了新的最先进的精度。我们还进行了烧蚀实验,以证明所提出的模型的每个组件的有效性。
2022-03-06 cs.AI cs.CL cs.CV
A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning
Institute of Computer Science, Foundation for Research and Technology, Hellas(希腊研究与技术基金会计算机科学研究所);Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
物体感知是计算机视觉的一个基本子领域,涵盖了许多单独的领域,并贡献了高影响力的结果。虽然机器学习传统上已被应用于解决相关问题,最近的作品也寻求方法来整合知识工程,以扩大智能水平的视觉解释的对象,其属性和它们与环境的关系。在本文中,我们试图系统地调查如何基于知识的方法有助于不同的对象感知任务。我们回顾了最新的成就,并确定了突出的研究方向。
2020-03-17 cs.AI cs.CV cs.LG
Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics
KAIST(韩国科学技术院);Yonsei University(延世大学);UC Berkeley(加州大学伯克利分校);RLWRLD
Robot-R1通过强化学习提升机器人中的具身推理,优于SFT方法并超越GPT-4o在低级动作控制推理任务中
2026-01-16 cs.AI cs.RO
Approximating Human Strategic Reasoning with LLM-Enhanced Recursive Reasoners Leveraging Multi-agent Hypergames
Royal Holloway University of London(伦敦皇家霍洛威大学)
本文提出了一种基于LLM增强的递归推理器框架,通过多智能体超游戏模型评估LLM的递归推理能力,并展示了其在近似人类行为和最优解达成方面的优势。
2025-02-11 cs.AI cs.GT
H2Table: Hierarchical Hypergraph-Enhanced Large Language Models for Complex Table Reasoning
Harbin Institute of Technology(哈尔滨工业大学);AI Research Center, Midea Group (Shanghai) Co., Ltd.(美的集团(上海)有限公司AI研究中心);Changchun University of Science and Technology(长春理工大学)
针对大语言模型处理表格时忽略其二维与分层结构的问题,提出H2Table框架,通过分层嵌套超图及定制超图编码器等,在HiTab数据集嵌套深度4的复杂表格任务上较最优基线提升22.88%。
2026-10-12 cs.AI
Swarm Intelligence Enhanced Reasoning: A Density-Driven Framework for LLM-Based Multi-Agent Optimization
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
近年来,为了进一步丰富大语言模型(LLM)在推理场景下的复杂问题求解能力,提出了许多方法,如思想链(CoT)提示和多Agent辩论(MAD).然而,这些方法可能无法解决复杂的问题,由于缺乏找到最佳解决方案的能力。群体智能在传统的优化问题中已经成为一种强有力的寻优工具。为此,我们建议通过引入一种新的基于Agent的群体智能(ASI)范式,将群体智能集成到推理过程中。在这种模式中,我们制定LLM推理作为一个优化问题,并使用群体智能计划,以指导一组基于LLM的代理在协作搜索最优解。为了避免群体智能陷入局部最优,我们进一步发展了一个群体智能增强推理(SIER)框架,它发展了一种密度驱动的策略来增强推理能力。具体来说,我们建议进行核密度估计和非支配排序,以同时优化解决方案的质量和多样性。在这种情况下,SIER通过扩展推理路径的多样性,有效地增强了解空间的探索能力;此外,采用步骤级质量评价,通过纠正低质量的中间步骤,帮助Agent提高解的质量。然后,我们使用质量阈值来动态地控制探索的终止和候选步骤的选择,从而使推理过程更加灵活和高效。广泛的实验是…
2025-05-30 cs.AI cs.MA
Ultrametric Model of Mind, I: Review
Royal Holloway University of London(伦敦大学皇家霍洛威学院)
我们数学模型Matte Blanco的对称和不对称的原则是通过使用超度量拓扑。我们引用了这位智利精神病学家和心理分析学家(生于1908年,卒于1995年)1975年出版的一本备受推崇的书。这种超度量模型对应于经验数据(例如文本)中的层次聚类。我们展示了如何超度量拓扑结构可以被用来作为一个数学模型的结构的逻辑,反映或表达马特布兰科的对称的存在,因此,推理和思维过程中所涉及的有意识的推理或推理是缺乏的,也许完全,在意识或意识本身。在一个配套文件中,我们研究如何对称(在马特布兰科的意义上)的推理可以划分在叙事文本提供的对称和非对称推理的背景下。
2012-07-16 cs.AI
VITAL: Visual-Semantic Dual Supervision for Enhanced and Interpretable Latent Reasoning in Medical MLLMs
Zhejiang University(浙江大学);Shanghai AI Laboratory(上海人工智能实验室);Tencent(腾讯);Ningbo Global Innovation Center, Zhejiang University(宁波全球创新中心,浙江大学);Zhejiang Key Laboratory of Digital-Intelligence Service Technology(浙江省数字智能服务技术重点实验室)
提出VITAL框架,通过视觉-语义双重监督(文本解码器重构推理链、视觉投影器回归ROI特征)实现医学MLLM的可解释潜在推理,在7个基准上达到SOTA。
2026-10-12 cs.AI cs.CV
READER: Reasoning-Enhanced AI-Generated Text Detection
School of Mathematics, University of Birmingham(布里斯托尔大学数学学院)
提出READER方法,通过微调1.5B参数的LLM在结构化推理数据集READ上,结合推理与检测,在分布偏移下优于GPT-5.2等大100-1000倍的模型。
2026-05-26 cs.AI cs.CL
GRE Suite: Geo-localization Inference via Fine-Tuned Vision-Language Models and Enhanced Reasoning Chains
Zhejiang University(浙江大学);Sun Yat-sen University(中山大学);NUS(国立大学)
针对地理定位缺乏推理与可解释性的问题,提出GRE套件,含GRE30K数据集、多阶段推理GRE模型及GREval-Bench基准,显著提升各粒度定位精度。
2025-10-27 cs.AI cs.CV
Agentic Memory Enhanced Recursive Reasoning for Root Cause Localization in Microservices
Peking University(北京大学);Alibaba Group(阿里巴巴集团);Tsinghua University(清华大学);Institute of Artificial Intelligence(人工智能研究院)
本文提出AMER-RCL框架,通过递归推理和代理记忆提升微服务根因定位的准确性和效率。
2026-01-06 cs.AI cs.SE
Rethinking Reasoning Quality in Large Language Models through Enhanced Chain-of-Thought via RL
Beijing University of Posts and Telecommunications(北京邮电大学)
提出DRER奖励框架,通过推理质量奖励和动态长度优势优化思维链,在Logictree基准上7B模型达GPT-o3-mini水平,置信度提升30%。
2025-09-07 cs.AI
Think before Recommendation: Autonomous Reasoning-enhanced Recommender
Taobao & Tmall Group of Alibaba, China(阿里巴巴集团淘宝与天猫事业部);National University of Singapore(新加坡国立大学);Institute of Dataspace, Hefei Comprehensive National Science Center(合肥综合国家科学中心数据空间研究院);Shanghai Key Laboratory of Data Science(上海数据科学重点实验室)
本文提出RecZero,一种基于纯强化学习的推荐范式,通过“思考前推荐”提示和GRPO奖励建模训练单个LLM自主推理评分预测,显著优于现有基线方法。
2025-10-27 cs.AI cs.IR
OPTAGENT: Optimizing Multi-Agent LLM Interactions Through Verbal Reinforcement Learning for Enhanced Reasoning
Virginia Tech(弗吉尼亚理工大学);College of William and Mary(威廉与玛丽学院);Amazon Alexa AI(亚马逊Alexa人工智能)
针对现有多智能体LLM推理系统交互质量被忽视、易压制弱势正确贡献的问题,提出OPTAGENT言语强化学习算法,通过动态优化协作结构与辩论通信质量,在多类推理任务上显著优于现有方法。
2025-10-20 cs.AI cs.MA
Combining Machine Learning and Ontology: A Systematic Literature Review
CIAD UMR 7533;Université de Bourgogne(勃艮第大学)
本文通过系统性文献综述探讨了机器学习与本体集成的技术,分析了128项研究,归纳出学习增强型本体、语义数据挖掘和学习与推理系统三种混合类别,并与混合AI和神经符号方法进行了比较。
2024-02-19 cs.AI cs.LG
Reasoning-SQL: Reinforcement Learning with SQL Tailored Partial Rewards for Reasoning-Enhanced Text-to-SQL
Google Cloud(谷歌云);Stanford University(斯坦福大学);Google DeepMind(谷歌DeepMind)
提出专为Text-to-SQL定制的部分奖励集并结合GRPO算法训练LLM,有效解决了强化学习中的奖励稀疏问题,使14B模型在BIRD基准上超越o3-mini等更大专有模型。
2025-04-01 cs.AI cs.DB cs.LG
LLMs as Layout Designers: Enhanced Spatial Reasoning for Content-Aware Layout Generation
Virginia Tech(弗吉尼亚理工大学);Adobe Research(Adobe研究)
LaySPA通过强化学习框架增强LLM的空间推理能力,实现内容感知布局生成,优于通用LLM和专用布局模型。
2026-01-25 cs.AI
Graph-Enhanced Large Language Models for Spatial Search
University of Maryland(马里兰大学);University of Sydney(悉尼大学)
针对大语言模型空间推理能力不足的问题,提出图增强方法,将空间数据以图形式存储并与检索增强生成结合,提升复杂空间问题回答能力。
2026-06-23 cs.AI cs.DB cs.IR
DIAGRAMS: A Review Framework for Reasoning-Level Attribution in Diagram QA
Arizona State University(亚利桑那州立大学);Adobe Research(Adobe研究院);IIITDM University of Maryland(IIITDM大学)
本文提出DIAGRAMS框架,通过元模式和数据集适配器解耦接口逻辑与数据集特定JSON结构,实现图表问答中推理级归因的高效证据选择与生成,提升精度和召回率。
2026-04-29 cs.AI cs.CL cs.CV
Geometric Feature Enhanced Knowledge Graph Embedding and Spatial Reasoning
Institute of Geographic Sciences and Natural Resources Research, CAS(中国科学院地理科学与资源研究所);University of Chinese Academy of Sciences(中国科学院大学);School of Geographical Sciences and Urban Planning, Arizona State University(亚利桑那州立大学地理科学与城市规划学院)
针对现有知识图谱嵌入缺乏地理感知的问题,本文提出融合拓扑、方向和距离等几何特征的增强 KGE 模型,并在链接预测中验证其可提升地理实体与空间关系预测准确性。
2024-10-24 cs.AI
SAAS: Solving Ability Amplification Strategy for Enhanced Mathematical Reasoning in Large Language Models
Upstage AI;Mathpresso Inc.(Mathpresso公司)
提出 SAAS 顺序学习策略,通过先 CoT 后 PoT 的训练顺序增强 LLM 的数学推理与解题能力,并在多个基准上达到 SOTA。
2024-10-02 cs.AI cs.CL
REVEAL: Reasoning-Enhanced Forensic Evidence Analysis for Explainable AI-Generated Image Detection
Zhejiang University(浙江大学);WeChat Vision, Tencent Inc(腾讯微信视觉);Nanjing University of Information Science and Technology(南京信息工程大学)
REVEAL通过构建可验证的证据链,提升AI生成图像检测的可解释性与泛化能力,采用专家引导的强化学习训练框架,实现更准确和可信的检测结果。
2026-04-08 cs.AI cs.CV