Comment on The Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models via the Lens of Problem Complexity
该研究指出Shojaee等人关于大型推理模型在复杂规划谜题上准确率崩溃的结论源于实验设计缺陷,纠正偏差后模型在汉诺塔任务上准确率显著提升,强调AI推理评估需严谨实验设计。
2025-06-16 cs.AI cs.LG
The Illusion of Procedural Reasoning: Measuring Long-Horizon FSM Execution in LLMs
本研究提出以有限状态机(FSM)执行作为可控基准,探测大语言模型的长时序程序推理能力,发现模型性能随时序长度、分支复杂度增加系统性下降,大模型仅局部准确率提升,需外化中间步骤才能改善多步推理脆性。
2025-11-05 cs.AI
The Illusion of $\textit{What If}$: Evaluating the Breakdown of Counterfactual Reasoning in LLMs
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团);City University of Hong Kong(香港城市大学)
本研究提出开放域反事实推理基准WhatIfBench及评估框架PRISM,发现前沿LLM在该基准上表现未饱和,存在因果推理缺陷,凸显其反事实推理能力的不足。
2026-08-31 cs.AI
The Illusion of Readiness in Health AI
Scripps Research Translational Institute(斯克里普斯研究转化研究所)
本文通过对抗性压力测试揭示了健康AI在现实应用中的鲁棒性和推理能力不足,强调了对AI系统责任和真实医疗需求的重视。
2025-12-11 cs.AI cs.CL cs.LG
The Illusion of Reasoning: Exposing Evasive Data Contamination in LLMs via Zero-CoT Truncation
The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出零CoT探针(ZCP)方法,通过截断整个推理过程来暴露模型中的潜在捷径映射,以检测LLM中的直接和逃避数据污染,提出了 contamination confidence 指标来量化污染的可能性和严重性。
2026-10-27 cs.AI cs.LG
Bridging Reasoning to Learning: Unmasking Illusions using Complexity Out of Distribution Generalization
Department of Computer Engineering(计算机工程系);Sharif University of Technology(沙里夫技术大学)
本文提出复杂度分布外泛化框架,以统一推理与学习,通过复杂度压力揭示系统2式推理的幻觉,并给出跨技术栈的实践建议。
2025-10-06 cs.AI cs.LG
Rethinking the Illusion of Thinking
Center for Automation and Robotics(自动化中心);Spanish National Research Council (CSIC-UPM)(西班牙国家研究理事会(CSIC-UPM))
本文通过复现并改进汉诺塔与过河问题基准,引入增量式逐步提示和智能体协作对话,证明LRMs的失败部分源于认知局限而非仅输出约束,且在可求解配置下能处理超100个智能体对的大型过河实例,揭示LRMs是离散状态空间中经强化学习调优的随机搜索器。
2025-07-01 cs.AI
Imitation Game for Adversarial Disillusion with Chain-of-Thought Reasoning in Generative AI
Information and Society Research Division, National Institute of Informatics(信息与社会研究部,国立信息研究所);Department of Information Engineering and Computer Science, Feng Chia University(信息工程与计算机科学系,逢甲大学)
本文提出基于模仿游戏的对抗性欺骗防御框架,利用链式推理生成多模态代理,有效对抗生成AI中的演绎和归纳欺骗攻击。
2026-04-30 cs.AI cs.CR cs.CV
The Narcissus Hypothesis: Descending to the Rung of Illusion
Institute of Science and Technology, Austria(奥地利科学技术研究所);Bielefeld University, Germany(比勒费尔德大学);Honda Research Institute EU, Germany(本田欧洲研究所)
该研究提出纳西索斯假说,指出递归对齐会使大模型产生社会赞许性偏差,经31个模型验证该偏差显著存在,还从认识论角度解释其会导致高阶推理坍缩至幻象之阶。
2025-10-21 cs.AI cs.CY cs.HC
Leveraging Geometric Visual Illusions as Perceptual Inductive Biases for Vision Models
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);University of Oxford(牛津大学)
本文提出将经典几何视觉错觉作为感知归纳偏置引入图像分类训练,通过合成参数化错觉数据集与三种多源学习策略,证明其能提升 CNN 和 Transformer 模型的泛化能力与结构敏感性。
2025-09-18 cs.AI cs.CV cs.LG
Illusions of reflection: open-ended task reveals systematic failures in Large Language Models' reflective reasoning
University of New South Wales Sydney(新南威尔士大学悉尼分校);Aurecon Group(Aurecon集团)
本研究通过开放式任务测试八个前沿LLM,发现其反思推理缺乏功能性证据,纠正收益多来自偶然,而非错误检测与约束敏感修复,表明当前反思机制存在系统性失败。
2025-10-23 cs.AI cs.LG
The Illusion of Clinical Reasoning: A Benchmark Reveals the Pervasive Gap in Vision-Language Models for Clinical Competency
Peking University Third Hospital(北京大学第三医院);Institute of Sports Medicine of Peking University(北京大学运动医学研究所);Beihang University(北京航空航天大学)
本研究提出B&J基准测试,揭示了视觉语言模型在临床推理任务中存在显著的多模态整合能力不足问题,强调需在多模态整合和视觉理解上取得突破才能实现临床应用。
2025-12-25 cs.AI cs.CV
MIRAGE: The Illusion of Visual Understanding
Stanford University(斯坦福大学)
研究揭示多模态AI系统在视觉-语言推理中的漏洞,指出模型能生成未提供图像的详细描述及推理,挑战现有假设,提出B-Clean作为公平评估方案。
2026-04-02 cs.AI
Beyond the Cartesian Illusion: Testing Two-Stage Multi-Modal Theory of Mind under Perceptual Bottlenecks
College of Computer Science, Beijing Information Science and Technology University(北京信息科技大学计算机学院)
本文研究了多模态大语言模型在感知瓶颈下的双阶段空间推理能力,提出了一种基于锚点的具身体验空间分解链式推理方法,以解决空间对称性和视角模糊性问题,从而提升多模态理论 of Mind 的表现。
2026-05-18 cs.AI cs.CV
The Tool-Overuse Illusion: Why Does LLM Prefer External Tools over Internal Knowledge?
Harbin Institute of Technology, SCIR(哈尔滨理工大学SCIR研究所);Peking University(北京大学);Huawei Technologies Co., Ltd(华为技术有限公司)
本文揭示大语言模型在推理中普遍存在工具过度使用现象,通过分析内部知识可用性区域,提出知识感知边界对齐策略,减少工具使用82.8%,并发现仅以结果奖励会鼓励工具过度使用,通过平衡奖励信号可减少66.7%的无用工具调用。
2026-03-03 cs.AI cs.SE
Illusion or Algorithm? Investigating Memorization, Emergence, and Symbolic Processing in In-Context Learning
Technical University of Darmstadt(德累斯顿技术大学);UKP Lab(UKP实验室);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);The University of Bath(巴斯大学)
本研究利用Pythia扩展套件和机制分析,证明上下文学习既非单纯记忆,也非独立符号算法,并阐明训练动态与模型能力的影响。
2025-10-06 cs.AI cs.CL
Do Large Language Models Show Biases in Causal Learning? Insights from Contingency Judgment
本研究通过医学情境下的1000个零偶然性场景,测试大型语言模型在偶然性判断任务中的表现,发现所有模型均系统性地产生因果幻觉,支持其仅复现因果语言而非真正理解因果关系的假设。
2025-10-15 cs.AI
VisAidMath: Benchmarking Visual-Aided Mathematical Reasoning
NLP(自然语言处理);CT Lab, Department of Computer and Information Science, University of Macau(计算机与信息科学系计算机视觉实验室,澳门大学);University of Macau(澳门大学);DAMO Academy, Alibaba Group(阿里集团达摩院)
针对现有大多模态模型视觉辅助推理能力被准确率指标掩盖的缺陷,本研究推出VisAidMath基准与三层漏斗评测框架,通过实验揭示了模型存在的“推理错觉”问题。
2025-11-17 cs.AI cs.CL cs.CV
Transformers Struggle to Use Their Emergent World Models: Revisiting the Tower of Hanoi, and the Illusion of Thinking
University of Amsterdam(阿姆斯特丹大学)
本文研究发现,Qwen3.6-27B等大型推理模型虽能编码汉诺塔的谢尔宾斯基世界模型,但因表示衰减导致圆环数超3时失败,注入提示词时间表示可部分恢复性能。
2026-08-10 cs.AI cs.LG
Can Large Language Models Grasp Legal Theories? Enhance Legal Reasoning with Insights from Multi-Agent Collaboration
Zhejiang University(浙江大学);Tongyi Lab, Alibaba Group(阿里巴巴集团通义实验室);Northeastern University(东北大学);Worcester Polytechnic Institute(伍斯特理工学院)
针对大语言模型难以理解法律理论的问题,本文提出多智能体框架MALR,通过非参数学习和模拟人类学习过程分解复杂法律任务并提取法律规则洞见,在易混淆罪名预测等真实数据集上验证了其提升复杂法律推理能力的有效性。
2024-10-03 cs.AI cs.CL
InsightEmb: Learning Action-Intent Embeddings for Agentic Insight Retrieval
The Hong Kong University of Science and Technology(香港科技大学);WeChat AI, Tencent(腾讯微信人工智能)
该研究针对智能体洞察检索任务,提出对比嵌入框架InsightEmb,利用数学推理数据学习可迁移的检索几何结构,在无特定环境训练时优于现有模型,验证了匹配几何结构的跨域迁移性。
2026-08-07 cs.AI cs.CL
From Reasoning to Answer: Empirical, Attention-Based and Mechanistic Insights into Distilled DeepSeek R1 Models
Microsoft(微软)
本文通过实证评估、注意力分析和激活修补,揭示蒸馏 DeepSeek R1 模型中推理 token 对最终答案具有定向、功能性的支撑作用。
2025-09-28 cs.AI cs.CL
Exploring Reasoning Biases in Large Language Models Through Syllogism: Insights from the NeuBAROCO Dataset
Keio University(庆应义塾大学);University of Tokyo(东京大学)
本文通过NeuBAROCO三段论数据集研究大语言模型的逻辑推理偏误,发现其表现出与人类相似的偏误,并借助Chain-of-Thought提示分析指出主要局限在于推理过程本身。
2024-08-08 cs.AI cs.CL
Breaking Language Barriers in Multilingual Mathematical Reasoning: Insights and Observations
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Microsoft(微软公司)
本文构建了首个涵盖十种语言的多语言数学推理指令数据集MGSM8KInstruct,并提出训练策略构建MathOctopus模型,在少样本场景下超越ChatGPT,同时揭示了多语言语料库对提升单语言性能的积极作用。
2024-10-16 cs.AI cs.CL
DataSage: Multi-agent Collaboration for Insight Discovery with External Knowledge Retrieval, Multi-role Debating, and Multi-path Reasoning
ByteDance, China(字节跳动)
DataSage通过多智能体协作、外部知识检索和多路径推理,提升数据洞察发现的准确性和深度。
2025-11-24 cs.AI cs.CL cs.MA
Cognitive Profiling of LRMs' Reasoning Traces Using Bloom's Taxonomy
Institute for Language and Speech Processing, Athena Research Center(雅典娜研究中心语言与言语处理研究所);National Technical University of Athens(雅典国立技术大学)
本研究引入基于布鲁姆教育目标分类学的推理步骤自动标注框架,对LRMs开展大规模分析,发现思维类型与推理正确性相关,为提升推理质量提供洞见。
2026-08-25 cs.AI cs.CL
Can Large Language Models Integrate Spatial Data? Empirical Insights into Reasoning Strengths and Computational Weaknesses
University of Washington(华盛顿大学)
本研究实证探讨LLM整合城市空间数据的能力,发现其空间推理强但计算几何弱,提供特征并采用审查-修正法可显著提升性能,是传统规则方法的灵活替代方案。
2025-08-07 cs.AI cs.CL
I2I-STRADA -- Information to Insights via Structured Reasoning Agent for Data Analysis
Mphasis Limited(默比斯有限公司)
针对数据分析智能体缺乏固定结构化推理流程的问题,本文提出 I2I-STRADA 模块化认知架构,并在 DABstep 与 DABench 上验证其规划和洞察对齐优势。
2025-07-23 cs.AI
Stateful Reasoning via Insight Replay
University of Minnesota(明尼苏达大学);Simular AI
本文提出InsightReplay方法,通过回放关键洞察保持推理过程中的重要信息可访问性,提升大语言模型在复杂任务中的表现。
2026-05-15 cs.AI
Towards Quantifying Commonsense Reasoning with Mechanistic Insights
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
本研究提出基于图形结构的常识推理量化方法,创建了37项日常活动的隐性知识标注资源,通过设计机制揭示LLMs中存在负责决策的推理组件,为其常识推理能力评估提供了严谨手段。
2025-04-14 cs.AI cs.CL cs.LG
SafeKey: Amplifying Aha-Moment Insights for Safety Reasoning
UCSC(加州大学圣何塞分校);UCSB(加州大学圣芭芭拉分校);UCB(加州大学伯克利分校);Cisco Research(思科研究);Yale University(耶鲁大学)
针对监督微调对齐的大型推理模型难以泛化到未知越狱提示的问题,本文提出SafeKey框架,通过双路径安全头和查询掩码建模目标激活安全顿悟时刻,有效提升模型安全泛化能力且保留通用能力。
2025-11-17 cs.AI cs.CL cs.CR
Federation over Text: Insight Sharing for Multi-Agent Reasoning
University of Chicago(芝加哥大学);Google DeepMind(谷歌DeepMind)
提出一种类似联邦学习的框架FoT,通过迭代聚合多个客户端的本地推理过程,构建跨任务元认知洞察库,无需共享问题实例或任务指令,显著提升推理效果和效率。
2026-10-01 cs.AI cs.LG
Are Large Language Models Capable of Deep Relational Reasoning? Insights from DeepSeek-R1 and Benchmark Comparisons
School of Professional Education and Executive Development(专业教育与执行发展学院);The Hong Kong Polytechnic University(香港理工大学);School of Mathematics and Statistics(数学与统计学学院);Beijing Institute of Technology(北京理工大学);Department of Mathematics(数学系);The University of Hong Kong(香港大学)
本文通过家谱和通用图推理基准任务评估了DeepSeek-R1等三种前沿LLMs的深度关系推理能力,发现DeepSeek-R1表现最佳,但所有模型在复杂问题上受限于token长度和输出结构,并揭示了其推理策略与不足。
2025-06-29 cs.AI
Inference-Time Computations for LLM Reasoning and Planning: A Benchmark and Insights
Texas A&M University(得克萨斯农工大学)
本文构建 Sys2Bench,在五大类十一项任务上评估多种 LLM 推理时技术,揭示单纯增加推理时计算并不能稳定提升各类推理与规划性能。
2025-02-18 cs.AI cs.LG
What Breaks Knowledge Graph based RAG? Benchmarking and Empirical Insights into Reasoning under Incomplete Knowledge
University of Oslo(奥斯陆大学);Bosch Center for AI(博世人工智能中心);University of Stuttgart(斯图加特大学);Amazon(亚马逊公司);University of Oxford(牛津大学);The University of Manchester(曼彻斯特大学);University of Southampton(南安普顿大学)
本文提出BRINK基准测试,揭示了当前KG-RAG方法在知识不完整时推理能力有限,依赖内部记忆且泛化能力各异。
2026-01-12 cs.AI
Explainable AI And Visual Reasoning: Insights From Radiology
UC San Diego(加州大学圣迭戈分校)
本文探讨放射学中XAI解释为何无法获得信任,提出镜像人类推理与证据论证过程的解释设计原则,以提升其实用性与可信度。
2023-04-06 cs.AI cs.HC
The Metacognitive Bottleneck: Japanese Riddles Reveal Fundamental Limits of Machine Insight and Self-Evaluation in Reasoning AI
Japan Advanced Institute of Science and Technology(北陆先端科学技术大学院大学)
该研究通过日本儿童谜语构建基准,揭示机器在洞察推理和元认知控制方面的不足,为提升AI的自我评估能力提供新方向。
2026-08-17 cs.AI
Insight-V++: Towards Advanced Long-Chain Visual Reasoning with Multimodal Large Language Models
S-Lab(S实验室);Nanyang Technological University(南洋理工大学);Tencent Hunyuan(腾讯文言);Tsinghua University(清华大学)
本文提出Insight-V++框架,通过多代理视觉推理系统提升多模态大语言模型的长链视觉推理能力,采用ST-GRPO和J-GRPO算法增强空间时间推理和评估鲁棒性,实验显示在图像和视频推理任务中性能显著提升。
2026-03-18 cs.AI cs.CV cs.LG
Trusting RoBERTa over BERT: Insights from CheckListing the Natural Language Inference Task
IIT Bombay(印度理工学院孟买分校);Samsung Korea(三星韩国);Microsoft Research India(微软印度研究院)
最近的最先进的自然语言理解(NLU)系统往往表现出不可预测的,失败的简单推理的例子。尽管如此,人们对量化具有更可预测行为的系统的进展的关注有限。我们认为推理能力明智的行为总结是弥合这一差距的一步。我们为自然语言推理(NLI)任务(一个代表性的NLU任务)创建了一个CheckList测试套件(184K示例)。我们基准国家的最先进的NLI系统在这个测试套件,它揭示了细粒度的见解推理能力的BERT和ROBERTa。我们的分析进一步揭示了模型在来自相同模板或不同模板但属于相同推理能力的示例上的不一致性,这表明通过对CheckList进行观察来概括模型的行为是不平凡的。通过用户研究,我们发现,用户能够利用行为信息,更好地概括的例子预测从RobERTa,相比,BERT。
2021-07-15 cs.AI
TS-Agent: Understanding and Reasoning Over Raw Time Series via Iterative Insight Gathering
JPMorgan AI Research, NY, USA(摩根大通人工智能研究院,纽约,美国)
TS-Agent通过迭代洞察获取机制,在时间序列理解和推理任务中匹配或超越文本、视觉及时间序列语言模型基线,尤其在零样本设置下表现更优。
2026-04-06 cs.AI
Evaluating System 1 vs. 2 Reasoning Approaches for Zero-Shot Time Series Forecasting: A Benchmark and Insights
Georgia Institute of Technology(佐治亚理工学院)
本文提出 ReC4TS 基准,系统评估零样本时间序列预测中的系统1与系统2推理策略,并给出有效策略、多模态收益及 TimeThinking 数据集与测试时 scaling-law。
2025-03-14 cs.AI cs.LG
Understanding the Uncertainty of LLM Explanations: A Perspective Based on Reasoning Topology
Arizona State University(亚利桑那州立大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校);Purdue University(普渡大学)
本文提出一种基于推理拓扑的新框架,通过将LLM解释构建为图拓扑结构并分解为子问题与推理路径,实现语义与推理路径层面的不确定性量化,为评估模型可靠性与增强鲁棒性提供可解释见解。
2025-09-15 cs.AI cs.CL cs.SC
Can Large Language Models Develop Strategic Reasoning? Post-training Insights from Learning Chess
KAIST AI(韩国科学技术院人工智能研究所);KRAFTON(KRAFTON公司);UC Berkeley(伯克利大学)
本文研究大型语言模型能否通过强化学习在国际象棋中发展战略推理,提出用预训练动作价值网络提供稠密蒸馏奖励,发现其优于稀疏奖励但模型仍远低于专家水平,并指出根本限制在于预训练模型对棋局理解的不足。
2025-08-27 cs.AI cs.LG
From Classification to Clinical Insights: Towards Analyzing and Reasoning About Mobile and Behavioral Health Data With Large Language Models
University of Washington(华盛顿大学);Massachusetts Institute of Technology(麻省理工学院);University of California, San Diego(加利福尼亚大学圣迭戈分校)
本研究利用大型语言模型和思维链提示方法分析多传感器行为健康数据,实现了超SOTA的抑郁症分类,并提出人机协作方法支持临床决策。
2024-08-24 cs.AI
ARTEMIS-DA: An Advanced Reasoning and Transformation Engine for Multi-Step Insight Synthesis in Data Analytics
ARTEMIS-DA通过规划器、编码器和图形器协同工作,增强大语言模型以解决多步数据分析任务,在WikiTableQuestions和TabFact基准上达到最先进性能。
2025-01-23 cs.AI cs.DB cs.IR
Reasoning BO: Enhancing Bayesian Optimization with Long-Context Reasoning Power of LLMs
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Xidian University(西安电子科技大学);North University of China(北方大学);Fudan University(复旦大学);Southeast University(东南大学);Nanjing University(南京大学)
提出推理贝叶斯优化框架,利用LLMs推理能力、多智能体和知识图谱指导采样,在10个任务上优于传统BO,如直接芳基化产率提升至60.7%,并发现小模型经强化学习可媲美大模型。
2025-09-26 cs.AI
CORE: Contrastive Reflection Enables Rapid Improvements in Reasoning
Stanford University(斯坦福大学)
提出对比反思(CORE)非参数学习算法,通过对比成功与失败的推理轨迹生成自然语言洞察,在少量样本和 rollout 下实现比参数方法(GRPO)和非参数方法(GEPA、情景RAG、MemRL)更快的推理性能提升。
2026-06-05 cs.AI
Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning
Google Research(谷歌研究);Google X(谷歌X);Google Cloud(谷歌云)
Earth AI通过基础模型和跨模态推理,提升地理空间数据分析能力,实现对地球的深入洞察。
2026-02-18 cs.AI
BDD-based reasoning in the fluent calculus - first results
本文报告的第一个初步结果和见解,旨在实现流畅的演算使用的方法和技术的基础上,二进制决策图的项目。在报告了一个初步的实验,显示出有希望的结果,我们讨论了我们的研究结果有关的各种技术和用于加快推理过程的算法。
2000-03-09 cs.AI
Progressive Multimodal Reasoning via Active Retrieval
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院)
本文提出AR-MCTS框架,通过主动检索与蒙特卡洛树搜索结合过程奖励模型,逐步提升多模态大语言模型在多步推理任务中的性能与验证可靠性。
2024-12-19 cs.AI cs.CL cs.CV
Exploring the Effect of Reinforcement Learning on Video Understanding: Insights from SEED-Bench-R1
The University of Hong Kong(香港大学);ARC Lab, Tencent PCG(腾讯平台与内容事业群ARC实验室);The Chinese University of Hong Kong(香港中文大学)
本文提出 SEED-Bench-R1 基准,系统评估强化学习在多模态大模型视频理解中的训练后效果,发现 RL 比监督微调更具数据效率且性能更优,但存在推理链逻辑连贯性不足等问题。
2025-03-31 cs.AI cs.CL cs.CV
The Potential of CoT for Reasoning: A Closer Look at Trace Dynamics
Apple(苹果公司)
本文研究了链式推理(CoT)在推理中的潜力,通过分析轨迹动态,发现CoT中不同部分对最终答案的贡献,并探讨了CoT的可转移性。
2026-02-25 cs.AI
The Role of Visual Modality in Multimodal Mathematical Reasoning: Challenges and Insights
School of Computer Science and Technology, East China Normal University(东华师范大学计算机科学与技术学院);Meituan Inc.(美团公司);Fudan University(复旦大学);Pazhou Laboratory(Pazhou实验室)
本文揭示了现有多模态数学模型在数学推理中几乎不依赖视觉信息的问题,并提出了要求图像依赖的 HC-M3D 数据集,发现领先模型难以察觉细微视觉差异,且通用 VQA 增强方法无法提升数学推理能力。
2025-06-04 cs.AI cs.CV
Training Vision-Language Process Reward Models for Test-Time Scaling in Multimodal Reasoning: Key Insights and Lessons Learned
AI Singapore(AI新加坡);Nanyang Technological University(南洋理工大学)
本文探索视觉-语言过程奖励模型的设计空间,提出混合数据合成与感知聚焦监督方法,并在多模态基准上验证其能有效提升测试时扩展的推理性能。
2025-10-07 cs.AI cs.CV