LOGICAL-COMMONSENSEQA: A Benchmark for Logical Commonsense Reasoning
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出LOGICAL-COMMONSENSEQA基准,通过逻辑运算符评估常识推理,发现模型在否定类问题上表现下降,揭示了推理局限性。
2026-04-20 cs.AI cs.CL
A Critical Review of Causal Reasoning Benchmarks for Large Language Models
University of Oxford(牛津大学)
该综述梳理大语言模型因果推理基准的现状,指出多数基准可通过知识检索解答的问题,总结近期基准纳入干预/反事实推理的进展,提出有效基准应满足的标准,为基准设计与因果理解评估框架构建提供方向。
2024-07-10 cs.CL cs.LG
MultiNRC: A Challenging and Native Multilingual Reasoning Evaluation Benchmark for LLMs
Scale AI
本文提出 MultiNRC 原生多语言推理基准,含千余道法语、西班牙语和中文文化根植问题,并评估 14 个 LLM,揭示其原生推理与跨文化数学能力仍不足。
2025-07-23 cs.AI cs.CL
I-RAVEN-X: Benchmarking Generalization and Robustness of Analogical and Mathematical Reasoning in Large Language and Reasoning Models
IBM Research – Zurich(IBM瑞士研究中心);ETH Zurich(苏黎世联邦理工学院)
本文提出符号基准I-RAVEN-X,通过增加操作数复杂度、属性范围和感知不确定性,评估大语言模型与大推理模型在类比与数学推理上的泛化与鲁棒性,发现LRMs表现更优但仍难以应对不确定性推理。
2025-10-31 cs.AI cs.LG
NPHardEval: Dynamic Benchmark on Reasoning Ability of Large Language Models via Complexity Classes
School of Information, University of Michigan(密歇根大学信息学院);Department of Computer Science, Rutgers University(罗格斯大学计算机科学系)
研究提出NPHardEval基准,通过900道覆盖至NP-Hard复杂度类别的算法问题动态评估LLMs推理能力,采用每月更新机制防止过拟合,为模型推理能力提供严格客观的评估。
2024-02-12 cs.AI cs.CC cs.CL
ADAGE: A Language-Agnostic Pipeline for Analogical Reasoning Evaluation
Haverford College(哈弗福德学院)
研究针对多语言推理评估依赖翻译基准的问题,提出ADAGE语言无关管道,结合母语者策划与大语言模型辅助生成构建基准,通过为多种语言构建基准并评估模型,发现文化推理差距,还发布了相关内容。
2026-07-28 cs.AI cs.CL
ReasoningWeekly: A General Knowledge and Verbal Reasoning Challenge for Large Language Models
Northeastern University(东北大学);Wellesley College(韦尔斯利学院);University of Texas at Austin(德克萨斯大学奥斯汀分校);Cursor
ReasoningWeekly是一个基于NPR周日谜题挑战的通用知识和逻辑推理基准,揭示了现有评估中不明显的模型能力差距,并发现了新的推理失败类型。
2025-11-26 cs.AI cs.LG
Are LLMs Capable of Data-based Statistical and Causal Reasoning? Benchmarking Advanced Quantitative Reasoning with Data
Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机研究所);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文提出QRData基准,用411个数据题和290个纯文本题评估大语言模型的统计与因果推理能力,发现GPT-4准确率仅58%,模型难以同时运用因果知识与数据。
2024-06-09 cs.AI cs.CL
UrduBench: An Urdu Reasoning Benchmark using Contextually Ensembled Translations with Human-in-the-Loop
本文提出UrduBench,通过上下文融合翻译和人工参与验证,构建乌尔都语推理基准测试,评估不同模型在多种提示策略下的表现,揭示多步骤推理在乌尔都语中的挑战及语言对齐的重要性。
2026-01-28 cs.AI cs.CL
GRAFT: GRaPH and Table Reasoning for Textual Alignment -- A Benchmark for Structured Instruction Following and Visual Reasoning
ServiceNow
GRAFT基准通过结构化图表和表格及多步骤问题,评估大语言模型在视觉文本对齐、指令遵循和视觉推理方面的综合能力。
2025-12-02 cs.AI cs.LG cs.MM
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
Unmasking Reasoning Processes: A Process-aware Benchmark for Evaluating Structural Mathematical Reasoning in LLMs
Alibaba Group(阿里巴巴集团);Shanghai Jiao Tong University(上海交通大学)
本文提出ReasoningMath-Plus基准,通过过程感知评估方法揭示大语言模型在结构性数学推理中的不足,引入HCRS评分函数和过程奖励模型,发现仅答案指标可能高估推理能力。
2026-02-26 cs.AI cs.CL
RPTS: Tree-Structured Reasoning Process Scoring for Faithful Multimodal Evaluation
RPTS提出了一种基于树结构的评分方法,用于评估多模态推理过程的忠实度,通过构建推理树和动态权重调整,揭示模型推理中的不足。
2026-02-25 cs.AI cs.CL
JustLogic: A Comprehensive Benchmark for Evaluating Deductive Reasoning in Large Language Models
College of Computing \& Data Science, Nanyang Technological University, Singapore
本文提出合成演绎推理基准JustLogic,通过高复杂度、消除先验知识干扰和深入错误分析,严格评估LLMs演绎推理能力,发现SOTA推理模型优于人类平均但远低于人类上限。
2025-05-09 cs.AI cs.CL cs.LG
SpartQA: : A Textual Question Answering Benchmark for Spatial Reasoning
Michigan State University(密歇根州立大学);Amazon(亚马逊);Allen Institute for AI(艾伦人工智能研究所)
本文提出了一个问答(QA)基准空间推理的自然语言文本,其中包含更现实的空间现象没有被以前的工作,是具有挑战性的国家的最先进的语言模型(LM)。我们提出了一种远程监控的方法,以改善这项任务。具体来说,我们设计的语法和推理规则,自动生成的视觉场景和相应的QA对的空间描述。实验表明,在这些自动生成的数据上进一步预训练LM可以显着提高LM的空间理解能力,这反过来有助于更好地解决两个外部数据集bAbI和boolQ。我们希望这项工作可以促进调查更复杂的模型,空间推理的文本。
2021-04-12 cs.AI cs.CL
General365: Benchmarking General Reasoning in Large Language Models Across Diverse and Challenging Tasks
University of Chinese Academy of Sciences(中国科学院大学);Meituan(美团)
本文提出General365基准,通过限制背景知识至K-12水平,评估大语言模型在通用推理任务中的表现,揭示当前模型在非专业领域推理能力的不足。
2026-04-13 cs.AI cs.CL
Ko-MuSR: A Multistep Soft Reasoning Benchmark for LLMs Capable of Understanding Korean
Seoul National University(首尔大学)
本研究提出首个面向韩语长篇叙事的多步软推理基准Ko-MuSR,经多模型评估发现多语言大模型韩语推理表现优于韩语专用模型,结合少样本等的提示策略可进一步提升准确率至接近人类水平,为韩语NLP发展提供评估基础。
2025-10-28 cs.AI cs.CL
GraCoRe: Benchmarking Graph Comprehension and Complex Reasoning in Large Language Models
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Peng Cheng Laboratory(鹏城实验室)
提出GraCoRe基准,通过三层分类法、19项任务和5,140个图系统评估LLMs的图理解与推理,发现o1模型表现突出,语义增强和节点排序影响性能。
2025-02-26 cs.AI cs.CL
LogicVista: Multimodal LLM Logical Reasoning Benchmark in Visual Contexts
Yale University(耶鲁大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本研究提出视觉语境下的多模态大语言模型逻辑推理基准LogicVista,覆盖5类任务、9种能力与448道带人工推理标注的题目,支持两种评估模式,并完成了8个模型的评测。
2024-07-06 cs.AI cs.CL cs.CV
IsoSci: A Benchmark of Isomorphic Cross-Domain Science Problems for Evaluating Reasoning versus Knowledge Retrieval in LLMs
Texas A&M University(德克萨斯农工大学);Hamad Bin Khalifa University(哈马德·本·哈利法大学)
提出IsoSci基准,通过逻辑结构相同但领域知识不同的科学问题对,分离推理能力与领域知识检索,发现91.3%的推理增益依赖于知识而非结构,挑战了思维链推理提升科学问题解决的假设。
2026-07-03 cs.AI cs.CL
Mathematical Reasoning in Large Language Models: Benchmarks, Architectures, Evaluation, and Open Challenges
organization= School of Electrical Engineering;Computer Science, National University of Science;organization= School of Computing, Data;Mathematical Sciences, Western Sydney University, Indonesia;organization= Department of Communication, Quality Management;Information Systems, Mid Sweden University, Östersund Campus, Sweden
本文综述了大型语言模型在数学推理方面的最新进展,通过分析数据集、架构、训练策略和评估协议,探讨了数学推理的基准测试、架构设计、评估方法以及未来的研究挑战。
2026-07-09 cs.AI cs.CL
Plausibly Problematic Questions in Multiple-Choice Benchmarks for Commonsense Reasoning
University of Maryland(马里兰大学);Allen Institute for AI (AI2)(艾伦人工智能研究所)
针对常识推理多项选择基准要求单一答案而忽略其他合理选项的问题,本文通过收集5000个合理性判断,发现超20%题目的最合理选项与黄金答案不符,且LLM在此类题目上表现较差,提出合理性标准以识别更可靠的基准题目。
2024-10-06 cs.AI cs.CL
Socratic-PRMBench: Benchmarking Process Reward Models with Systematic Reasoning Patterns
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Tongyi Lab, Alibaba Group(阿里云实验室)
本文提出Socratic-PRMBench基准,通过六种推理模式系统评估Process Reward Models,揭示现有模型在多模式推理步骤评估中的缺陷。
2025-05-29 cs.AI cs.CL
ArgGYM: A Procedural, Engine-Verified Benchmark for Structured Defeasible Reasoning
Graduate School of Informatics(信息学研究生院);Middle East Technical University(中东技术大学)
ArgGYM是一个程序化、引擎验证的基准,用于结构化可废止推理,包含1,440个实例和十五种课程配置,支持RLVR训练,揭示了模型在复杂推理任务中的性能差异。
2026-10-01 cs.AI cs.CL
Query Your Way Out: Benchmarking Multi-Turn Knowledge Reasoning through Generalized Puzzle Solving
School of Computer Science and Engineering, Southeast University(东南大学计算机科学与工程学院)
该研究针对现有谜题基准的局限性,提出主动探测基准(APB),评估模型多轮主动探测推理能力,发现多数开源推理模型表现逊于标准指令模型,为交互式知识推理提供了可扩展基准生成流程。
2026-10-14 cs.AI cs.CL
E-KAR: A Benchmark for Rationalizing Natural Language Analogical Reasoning
Fudan University(复旦大学);Brain Technologies, Inc.(脑技术公司);South China University of Technology(华南理工大学);ByteDance AI Lab(字节跳动人工智能实验室);University of California Santa Barbara(加州大学圣巴巴拉分校);Fudan-Aishu Cognitive Intelligence Joint Research Center(复旦-爱数认知智能联合研究中心)
识别类比的能力是人类认知的基础。现有的测试词类比的基准并没有揭示神经模型类比推理的底层过程。我们认为,能够推理的模型应该是正确的,因为正确的原因,我们提出了一个第一个同类可解释的知识密集型类比推理基准(E-KAR)。我们的基准包括1,655道(中文)和1,251道(英文)来自公务员考试的问题,这些问题需要深入的背景知识来解决。更重要的是,我们设计了一个自由文本解释方案来解释是否应该进行类比,并为每个问题和候选答案手动注释它们。实证结果表明,这一基准是非常具有挑战性的一些国家的最先进的模型,解释生成和类比问答任务,邀请在这一领域的进一步研究。
2022-03-16 cs.AI cs.CL
LongReasonArena: A Long Reasoning Benchmark for Large Language Models
IAIR, Xi’an Jiaotong University(IAIR,西安交通大学)
本文提出 LongReasonArena 基准,通过可扩展至百万 token 的多步算法任务评估大语言模型的长推理能力,实验显示现有模型准确率随推理步数对数线性下降,挑战显著。
2026-11-13 cs.AI cs.CL
Beyond Correctness: Learning Robust Reasoning via Transfer
Microsoft Research(微软研究院)
通过迁移奖励的强化学习方法,提升大语言模型推理的鲁棒性和效率,实现更稳定和可推广的推理过程。
2026-02-09 cs.CL cs.LG
HEARTS: Benchmarking LLM Reasoning on Health Time Series
HEARTS是一个统一的基准测试,用于评估LLM在一般健康时间序列上的分层推理能力,包含16个真实世界数据集和110个任务,揭示了LLM在多步时间推理上的不足。
2026-06-27 cs.AI cs.LG
LLM CHESS: Benchmarking Reasoning and Instruction-Following in LLMs through Chess
UC Berkeley(加州大学伯克利分校);Independent Researcher(独立研究者);UC Santa Cruz(加州大学圣克鲁兹分校);Stanford University(斯坦福大学);Google DeepMind(谷歌DeepMind)
LLM CHESS通过国际象棋评估大语言模型的推理与指令遵循能力,揭示了推理模型与非推理模型的显著差异,并提供了评估框架和公开排行榜。
2025-12-01 cs.AI cs.CL
WaveformQA: Benchmarking LLM Temporal Reasoning on Digital Waveforms
研究大语言模型对数字波形的时间推理能力,提出开源问答基准WaveformQA,含360个不同难度问题,波形由开源设计生成。评估发现模型在简单查询有准确率,但复杂问题上因窗口限制等性能下降,JSON表示可提高准确率,框架支持扩展实验。
2026-07-24 cs.AI cs.AR cs.CL
RUST-BENCH: Benchmarking LLM Reasoning on Unstructured Text within Structured Tables
Virginia Tech(弗吉尼亚理工大学);IGDTUW New Delhi(新德里IGDTUW);Arizona State University(亚利桑那州立大学)
本文提出RUST-BENCH基准,基于2031张真实异构表格的7966个问题,从规模、异构性、领域专属性与推理复杂度联合评估LLMs,发现现有模型在多跳推理上仍存在明显不足。
2025-11-06 cs.AI cs.CL cs.DB
Benchmarking Multi-Image Understanding in Vision and Language Models: Perception, Knowledge, Reasoning, and Multi-Hop Reasoning
University of Edinburgh(爱丁堡大学);Tongji University(同济大学)
针对现有视觉语言模型基准多聚焦单图像、忽略多图像理解的问题,本文提出涵盖四类任务的多图像关系基准MIRB,测试发现开源模型与GPT-4V在多图像推理上均有明显不足,该基准可支撑下一代多模态模型研发。
2024-06-18 cs.AI cs.CL cs.CV
The Measurement Gap in the Automation of EU Law: Benchmarking Doctrinal Legal Reasoning under the EU AI Act
Chair of Law and Artificial Intelligence and Director, CZS Institute for Artificial Intelligence and Law, University of Tübingen(法律与人工智能教授、人工智能与法律研究所主任,图宾根大学)
针对当前缺乏评估大型语言模型进行教义性法律推理的基准,提出该能力对满足欧盟AI法案中“适当准确性”要求至关重要。
2026-06-17 cs.AI cs.CL cs.CY
Benchmarking Temporal Reasoning and Alignment Across Chinese Dynasties
Tongyi Lab, Alibaba Group(阿里巴巴集团通义实验室)
针对现有时间推理基准缺乏上下文深度和实体范围有限的问题,提出中国时间推理基准CTM,评估大型语言模型在中国朝代年表中的跨实体关系、成对对齐及文化情境推理能力,实验揭示挑战并指明改进方向。
2025-02-24 cs.CL
DPrivBench: Benchmarking LLMs' Reasoning for Differential Privacy
Halıcıoğlu Data Science Institute, UC San Diego(哈里奇奥格卢数据科学研究所,加州大学圣地亚哥分校);Department of Computer Science and Engineering, UC San Diego(计算机科学与工程系,加州大学圣地亚哥分校);Department of Electrical Engineering, National Taiwan University(电气工程系,国立台湾大学);OpenAI
本文提出DPrivBench基准测试,用于评估大语言模型在差分隐私推理中的能力,发现当前模型在高级算法推理上存在显著差距,并为改进自动化差分隐私推理提供了方向。
2026-05-18 cs.AI cs.CR cs.LG
PetriBench: Benchmarking LLM Reasoning over Dynamic State Spaces
ETH Zürich(苏黎世联邦理工学院);Stanford University(斯坦福大学)
针对现有基准的局限,提出PetriBench,利用Petri网在动态状态空间上评估LLM推理,通过四个任务族和三级难度,发现准确率随难度下降,并揭示测试时计算与任务间的不同交互,为推理能力提供统一可扩展的评测框架。
2026-09-18 cs.AI cs.CL cs.LO
Beyond Output Correctness: Benchmarking and Evaluating Large Language Model Reasoning in Coding Tasks
University of California, Irvine(加州大学尔湾分校)
本文提出CodeRQ-Bench,首个评估LLM在生成、摘要和分类等编码任务中推理质量的基准,通过分析现有评估器的1069个不匹配案例,提出VERA评估器,实验表明其在四个数据集上均优于基线,提升AUCROC和AUPRC最高达0.26和0.21。
2026-08-31 cs.AI cs.LG cs.SE
MaRVL-QA: A Benchmark for Mathematical Reasoning over Visual Landscapes
Waymo;Google(谷歌)
针对多模态大语言模型在图像数学推理上的不足,提出MaRVL-QA基准,含拓扑计数与变换识别两任务,评估显示现有模型依赖表面启发式,为提升空间推理能力提供新工具。
2025-09-09 cs.AI cs.CV cs.LG
ClinHallu: A Benchmark for Diagnosing Stage-Wise Hallucinations in Medical MLLM Reasoning
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));DAMO Academy, Alibaba Group(阿里巴巴达摩院);Hupan Lab(湖畔实验室);Zhejiang University(浙江大学)
提出ClinHallu基准,包含7031个实例,每个实例带有结构化推理轨迹(视觉识别、知识回忆、推理整合),通过阶段替换干预和轨迹监督微调,实现细粒度幻觉诊断与缓解。
2026-06-15 cs.AI cs.CL cs.CV
Benchmarking Defeasible Reasoning with Large Language Models -- Initial Experiments and Future Directions
School of Computing and Engineering, University of Huddersfield(哈德斯菲尔德大学计算与工程学院);Hellenic Mediterranean University(希腊地中海大学);Leeds Beckett University(利兹贝克特大学)
本文提出一个可废止基于规则推理的基准,通过将可废止逻辑规则转化为文本,使用ChatGPT进行非单调推理初步实验并比较其推理模式。
2024-10-16 cs.AI
BaziQA-Benchmark: Evaluating Symbolic and Temporally Compositional Reasoning in Large Language Models
Shanghai Jiao Tong University(上海交通大学)
BaziQA-Benchmark通过结构化推理协议评估大语言模型在符号性和时间组合推理中的表现,揭示其在时间难度和推理顺序上的敏感性及系统性缺陷。
2026-02-13 cs.CL
Assessing Adversarial Robustness of Latent Reasoning Models
Yuanpei College, Peking University(北京大学元培学院);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心)
本研究系统评估了潜在推理模型在文本和多模态场景下的对抗鲁棒性,发现其普遍不如显式CoT基线,尤其在白盒攻击下性能严重下降,并揭示了不同模态的失败模式,强调设计隐式推理系统需兼顾效率与鲁棒性。
2026-09-22 cs.CL cs.LG stat.ML
Rethinking and Benchmarking Large Language Models for Graph Reasoning
Renmin University of China(中国人民大学);Ant Group(蚂蚁集团)
该研究指出现有图推理LLMs及基准的不足,发现调整推理关注点可释放基础模型潜力,构建了更具挑战性的GraphAlgorithm基准,并提出Simple-RTC基线方法,性能显著优于现有方法。
2025-10-02 cs.AI
Advancing Spatial Reasoning in Large Language Models: An In-Depth Evaluation and Enhancement Using the StepGame Benchmark
University of Leeds(利兹大学);Alan Turing Institute(艾伦·图灵研究所)
本研究改进了StepGame基准以准确评估大型语言模型的空间推理能力,发现GPT在多跳推理上存在局限,并通过结合模板映射与逻辑推理及CoT/ToT提示策略显著提升了其准确性。
2024-01-08 cs.AI cs.CL cs.DB
CausalStep: A Benchmark for Explicit Stepwise Causal Reasoning in Videos
本文提出 CausalStep 视频基准,通过因果单元分割、顺序QA、错误类型干扰项和七项诊断指标,严格评估模型的逐步因果推理能力。
2025-07-22 cs.AI cs.CV
ReactBench: A Benchmark for Topological Reasoning in MLLMs on Chemical Reaction Diagrams
International Digital Economy Academy(国际数字经济学院);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
ReactBench通过化学反应图揭示MLLMs在拓扑推理中的局限性,包含1618个专家标注的问答对,评估17种MLLMs显示锚定任务与整体结构推理任务存在超过30%的性能差距。
2026-09-01 cs.AI
MathHay: An Automated Benchmark for Long-Context Mathematical Reasoning in LLMs
Salesforce AI Research(Salesforce AI研究院);Singapore Management University(新加坡管理大学)
针对现有长上下文基准缺乏数学推理能力评估的问题,本文提出自动化基准MathHay,要求模型兼具长文本信息检索与复杂数学推理能力,实验显示8款顶尖LLMs在该基准上表现不佳,最优模型128K tokens下准确率仅51.26%。
2024-10-07 cs.CL
RTL-BenchLS: A Large-Scale Benchmark for RTL Reasoning and Generation with Large Language Models
Hong Kong University of Science and Technology(香港科技大学)
提出大规模基准RTL-BenchLS,包含超1万个形式验证的Verilog设计,并引入三项自监督推理任务,解决现有基准规模小、任务单一的问题,评估显示当前最佳模型性能较低。
2026-06-08 cs.AI
LifeAgentBench: Benchmarking LLMs for Long-Horizon, Cross-Dimensional Lifestyle Health Reasoning
University of California San Diego(加州大学圣地亚哥分校);Google Research(谷歌研究)
本文提出LifeAgentBench多维基准和代理,用于评估LLM在长周期、跨维度健康推理中的能力,并通过实验识别关键瓶颈,提出基线代理LifeAgent实现显著改进。
2026-09-02 cs.AI
TACIT Benchmark: A Programmatic Visual Reasoning Benchmark for Generative and Discriminative Models
Independent Researcher(独立研究者)
TACIT基准提出一个程序化视觉推理测试,包含10个任务和6个领域,通过生成和判别双轨评估模型在空间导航、抽象模式完成等任务中的推理能力。
2026-02-27 cs.AI cs.CV
A Benchmark for Audio Reasoning Capabilities of Multimodal Large Language Models
Adam Mickiewicz University(亚当·密克维茨大学);Samsung R&D Institute Poland(三星波兰研发中心)
本文提出Audio Reasoning Tasks基准测试,用于评估多模态模型在结合不同音频任务进行推理方面的能力。
2026-01-27 cs.AI cs.SD
Evaluating Theory of Mind in Reasoning Models: Robustness over Reasoning
Leiden University(莱顿大学);LIACS(莱顿高级计算机科学研究所)
本研究考察经强化学习训练的推理LLMs在ToM任务中的表现,发现其对提示与任务扰动的鲁棒性提升,支持鲁棒性解释而非ToM特有的新能力。
2026-08-06 cs.CL
CSVQA: A Chinese Multimodal Benchmark for Evaluating STEM Reasoning Capabilities of VLMs
Skywork AI;Kunlun Inc.
针对现有多模态基准缺乏真实科学推理场景的问题,研究提出中文多模态基准CSVQA,包含1378道STEM领域视觉问答题目及配套评估协议,评估15款VLM后发现最优模型准确率仅49.6%,凸显提升该类模型科学推理能力的紧迫性。
2025-06-17 cs.AI cs.CV