BEDI: A Comprehensive Benchmark for Evaluating Embodied Agents on UAVs
BEDI：一种用于无人机上具身智能体评估的综合基准
专题命中 推理评测 ：planning(abstract)；分类 cs.AI
AI总结 BEDI提出了一种标准化的无人机具身智能体评估基准，通过动态任务范式和混合测试平台，全面评估UAV-EAs的六个核心技能，并揭示现有VLMs在具身任务中的局限性。
AI 大模型
大模型推理能力
大模型数学、逻辑、规划、多步推理和测试时计算能力。
1. 推理评测 29 篇
PrivLLMSwarm: Privacy-Preserving LLM-Driven UAV Swarms for Secure IoT Surveillance
PrivLLMSwarm: 用于安全物联网监控的隐私保护大语言模型驱动的无人机群
机构 * Department of Information and Communication Engineering, School of Computer and Communication Engineering, University of Science and Technology Beijing（信息与通信工程系，计算机与通信工程学院，北京科技大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 PrivLLMSwarm通过安全多方计算实现隐私保护的大语言模型驱动无人机群，实现高准确性和低延迟的加密推理，适用于隐私敏感的物联网应用。
Stochasticity in Agentic Evaluations: Quantifying Inconsistency with Intraclass Correlation
代理评估中的随机性：通过组内相关系数量化不一致性
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出通过组内相关系数量化代理评估中的不一致性，以提高评估可靠性，建议在基准测试中报告ICC和查询内方差。
PersonaMem-v2: Towards Personalized Intelligence via Learning Implicit User Personas and Agentic Memory
PersonaMem-v2：通过学习隐式用户人设和代理记忆实现个性化智能
机构 * University of Pennsylvania（宾夕法尼亚大学） ； Massachusetts Institute of Technology（麻省理工学院） ； University of Washington（华盛顿大学） ； University of California Santa Barbara（加州大学圣巴巴拉分校） ； Meta ； University of Southern California（南加州大学） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Microsoft Corporation（微软公司）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 PersonaMem-v2通过学习隐式用户人设和代理记忆提升LLM个性化能力，实验显示强化微调使模型在隐式个性化任务中准确率达53%。
Comments Data is available at https://huggingface.co/datasets/bowen-upenn/PersonaMem-v2
AgenticCyber: A GenAI-Powered Multi-Agent System for Multimodal Threat Detection and Adaptive Response in Cybersecurity
AgenticCyber: 一种基于生成式AI的多智能体系统，用于多模态威胁检测与自适应响应在网络安全中
机构 * TNTech
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 AgenticCyber通过生成式AI驱动的多智能体系统，实现多模态威胁检测与自适应响应，提升网络安全性能和态势感知能力。
Comments 6 pages for IEEE conference
The SAM2-to-SAM3 Gap in the Segment Anything Model Family: Why Prompt-Based Expertise Fails in Concept-Driven Image Segmentation
在Segment Anything模型家族中SAM2到SAM3之间的鸿沟：基于提示的专家知识为何在概念驱动的图像分割中失效
机构 * Cornell University（康奈尔大学） ； University of the Peloponnese（希腊皮洛斯大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 本文分析了SAM2到SAM3在分割模型中的断层，指出基于提示的分割方法在概念驱动分割中失效的原因，并探讨了SAM3的多模态架构与评估方法。
Video Models Start to Solve Chess, Maze, Sudoku, Mental Rotation, and Raven' Matrices
视频模型开始解决国际象棋、迷宫、数独、心理旋转和雷文矩阵任务
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 视频模型通过强化学习提升推理能力，在多项任务上达到60%的成功率。
Comments See $\href{https://grow-ai-like-a-child.com/video-reason/}{results}$ and $\href{https://github.com/hokindeng/VMEvalKit}{code}$
EncQA: Benchmarking Vision-Language Models on Visual Encodings for Charts
EncQA：在图表视觉编码上评估视觉-语言模型的基准测试
机构 * Stanford University（斯坦福大学） ； Apple（苹果公司）
专题命中 推理评测 ：reasoning(abstract)
AI总结 EncQA通过系统覆盖图表理解的关键视觉编码和任务，揭示了不同编码和任务间VLMs性能的显著差异，强调了针对性策略的重要性。
Process vs. Outcome Reward: Which is Better for Agentic RAG Reinforcement Learning
过程奖励与结果奖励：哪种对代理RAG强化学习更有效
专题命中 推理评测 ：reasoning(abstract)
AI总结 ReasonRAG通过过程级奖励提升代理RAG强化学习性能，以更高效训练和更少数据实现更优结果
OmniSafeBench-MM: A Unified Benchmark and Toolbox for Multimodal Jailbreak Attack-Defense Evaluation
OmniSafeBench-MM：多模态 jailbreak 攻击-防御评估的统一基准和工具箱
机构 * Nanyang Technological University, Singapore（南洋理工大学） ； BraneMatrix AI, China（BraneMatrix AI） ； Chongqing University, China（重庆大学） ； Xi’an Jiaotong University, China（西安交通大学） ； Northeastern University, China（东北大学） ； Sun Yat-sen University, China（中山大学） ； Alibaba, China（阿里巴巴） ； National University of Singapore, Singapore（新加坡国立大学） ； ByteDance, China（字节跳动）
专题命中 推理评测 ：reasoning(abstract)
AI总结 OmniSafeBench-MM提供一个多模态jailbreak攻击-防御评估的统一基准和工具箱，整合13种攻击方法、15种防御策略及广泛数据集，通过三维评估协议深入分析安全与效用。
Are AI-Generated Driving Videos Ready for Autonomous Driving? A Diagnostic Evaluation Framework
AI生成的驾驶视频是否准备好用于自动驾驶？一种诊断评估框架
机构 * IFM Lab, University of California, Davis（加州大学戴维斯分校IFM实验室）
专题命中 推理评测 ：reasoning(abstract)
AI总结 本文提出了一种诊断评估框架，系统研究AI生成驾驶视频在自动驾驶训练和评估中的可靠性，通过分析失败模式和构建基准测试，验证了过滤AIGVs可提升性能并补充现实数据。
2. 其他推理 22 篇
Unsupervised decoding of encoded reasoning using language model interpretability
使用语言模型可解释性进行无监督解码编码推理
机构 * Goodfire AI ； Anthropic ； Cambridge-Boston Alignment Initiative（剑桥-波士顿对齐计划）
专题命中 其他推理 ：reasoning(title,abstract)；chain-of-thought(abstract)；分类 cs.AI
AI总结 本研究通过微调模型进行加密推理并利用logit lens分析，验证了可解释性技术在解码隐藏推理过程中的有效性，提出了无监督解码方法以提升对AI系统监督能力。
Comments Modifying author contact information
CoT4Det: A Chain-of-Thought Framework for Perception-Oriented Vision-Language Tasks
CoT4Det：面向感知导向视觉-语言任务的链式思维框架
机构 * Baidu Inc.（百度公司）
专题命中 其他推理 ：chain-of-thought(title,abstract)；reasoning(abstract)
AI总结 CoT4Det通过将感知任务分解为分类、计数和定位三个步骤，提升视觉-语言模型在目标检测等任务中的性能，使mAP从19%提升至33%。
MedGR$^2$: Breaking the Data Barrier for Medical Reasoning via Generative Reward Learning
MedGR$^2$: 通过生成奖励学习突破医学推理的数据壁垒
专题命中 其他推理 ：reasoning(title,abstract)；分类 cs.AI、cs.LG
AI总结 MedGR$^2$通过生成奖励学习解决医学推理中的数据稀缺问题，实现高效训练和泛化，优于现有方法。
Comments 8 pages, 5 figures
Journal ref AAAI'2026 Main Technical Track
VulnLLM-R: Specialized Reasoning LLM with Agent Scaffold for Vulnerability Detection
VulnLLM-R：基于代理架构的专用推理LLM用于漏洞检测
机构 * Department of Computer Science, University of California, Santa Barbara, CA, USA（加州大学圣芭芭拉分校计算机科学系） ； Department of Computer Science, University of Chicago, Chicago, IL, USA（芝加哥大学计算机科学系） ； Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA, USA（加州大学伯克利分校电子工程与计算机科学系） ； Department of Computer Science, University of Illinois Urbana-Champaign, Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校计算机科学系）
专题命中 其他推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 VulnLLM-R通过专用推理模型和代理架构，在漏洞检测中实现高效准确的AI驱动检测。
Grounding Long-Context Reasoning with Contextual Normalization for Retrieval-Augmented Generation
通过上下文归一化增强长上下文推理用于检索增强生成
机构 * City University of Hong Kong（香港城市大学） ； Baidu Inc.（百度公司）
专题命中 其他推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 通过上下文归一化策略提升RAG在长上下文推理中的鲁棒性和稳定性
Bridging Relevance and Reasoning: Rationale Distillation in Retrieval-Augmented Generation
弥合相关性与推理：检索增强生成中的推理蒸馏
机构 * City University of Hong Kong（香港城市大学） ； University of Science and Technology of China（中国科学技术大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室）
专题命中 其他推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 RADIO通过推理提取和基于推理的对齐方法，弥合检索增强生成中重排器与生成器之间的相关性差距。
Comments Accepted to ACL 25 Findings
Small Language Models Can Use Nuanced Reasoning For Health Science Research Classification: A Microbial-Oncogenesis Case Study
小型语言模型可以用于健康科学研究分类的细致推理：微生物肿瘤发生案例研究
专题命中 其他推理 ：reasoning(title,abstract)
AI总结 本文研究小型语言模型在健康科学文献分类中的表现，发现其通过细致推理可达到大型语言模型的性能，但需结合有效提示策略以提高准确性。
Comments 43 pages, 7 figures
ThinkTrap: Denial-of-Service Attacks against Black-box LLM Services via Infinite Thinking
ThinkTrap: 通过无限思考对黑盒LLM服务发起拒绝服务攻击
机构 * Shanghai Jiao Tong University（上海交通大学） ； Donghua University（东华大学）
专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 ThinkTrap是一种针对黑盒LLM服务的新型拒绝服务攻击方法，通过优化输入空间诱导无限生成，以最小token开销降低服务吞吐量甚至导致服务失败。
Comments This version includes the final camera-ready manuscript accepted by NDSS 2026
The Role of Entropy in Visual Grounding: Analysis and Optimization
熵在视觉定位中的作用：分析与优化
机构 * Fudan University（复旦大学） ； Hikvision Research Institute（海康威视研究院）
专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出ECVGPO算法，通过熵控制优化视觉定位任务，提升探索与利用的平衡，实现多基准的性能提升。
Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety
思维链可监控性：AI安全的新且脆弱的机会
机构 * UK AI Security Institute（英国人工智能安全研究所） ； Apollo Research（阿波罗研究） ； METR ； University of Montreal（蒙特利尔大学） ； Mila ； Anthropic ； OpenAI（开放人工智能研究所） ； Google DeepMind（谷歌DeepMind） ； Truthful AI ； UC Berkeley（伯克利大学） ； Center for AI Safety（人工智能安全中心） ； AI Futures Project（人工智能未来项目） ； Amazon（亚马逊） ； Scale AI ； Magic ； Meta ； Redwood Research（红木研究）
专题命中 其他推理 ：CoT(abstract)；分类 cs.AI、cs.LG
AI总结 本文探讨了通过监控AI思维链来提升安全性的潜力，指出其脆弱性并呼吁进一步研究和投资。
Refine Medical Diagnosis Using Generation Augmented Retrieval and Clinical Practice Guidelines
通过生成增强检索和临床实践指南提升医学诊断
专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本研究提出GARMLE-G框架，通过生成增强检索和临床指南整合，提升医学诊断的准确性和临床实用性。
Journal ref Journal of Biomedical and Health Informatics (JBHI) 2025
I Learn Better If You Speak My Language: Understanding the Superior Performance of Fine-Tuning Large Language Models with LLM-Generated Responses
我如果能用我的语言说话会学得更好：理解通过微调大型语言模型与LLM生成响应的优越性能
机构 * University of Adelaide（阿德莱德大学） ； University of Technology Sydney（悉尼科技大学）
专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文研究了LLM生成响应在微调大型语言模型时的优越性能，发现LLM对自身生成响应的熟悉性是提升学习效果的关键因素。
Comments The paper has been accepted to EMNLP 2024 (Main Conference) there is a follow up paper: Efficiently Selecting Response Generation Strategies for Synthetic Data Construction by Self-Aligned Perplexity Note: This is a revised version of arXiv:2402.11192 (v1, submitted 17 Feb 2024)
LabOS: The AI-XR Co-Scientist That Sees and Works With Humans
LabOS：能够看见并与人类协作的AI-XR共科学家
专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI
AI总结 LabOS是一种通过多模态感知和增强现实实现人机协作的AI系统，能实时协助科学家进行实验，推动实验室向智能协作环境发展。
An Analysis of Large Language Models for Simulating User Responses in Surveys
大型语言模型在模拟调查用户响应中的分析
机构 * Center for Data Science, NYU Shanghai（纽约大学上海分校数据科学中心） ； New York University（纽约大学）
专题命中 其他推理 ：chain-of-thought(abstract)；分类 cs.CL
AI总结 本文分析了大型语言模型在模拟调查用户响应中的表现，提出CLAIMSIM方法以提高响应多样性，但发现模型在处理不同人口特征时存在固有偏见和推理限制。
Comments Accepted to IJCNLP-AACL 2025 (Main Conference)
Modeling Contextual Passage Utility for Multihop Question Answering
基于多跳问答的上下文段落效用建模
机构 * Adobe Research, India（Adobe研究印度）
专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL
AI总结 本文提出了一种基于上下文依赖的轻量级方法，用于建模多跳问答中段落的效用，以提高重排和问答性能。
Comments Accepted at IJCNLP-AACL 2025
Uncovering Students' Inquiry Patterns in GenAI-Supported Clinical Practice: An Integration of Epistemic Network Analysis and Sequential Pattern Mining
揭示在生成式人工智能支持下的临床实践中的学生探究模式：一种整合认知网络分析和序列模式挖掘的方法
机构 * Monash University（墨尔本大学） ； University College London（伦敦大学学院） ； Peking University（北京大学）
专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI
AI总结 本研究通过整合认知网络分析和序列模式挖掘，揭示学生在GenAI支持下的临床实践中探究模式，发现高绩效者更注重临床相关信息识别，而低绩效者则停留在常规问题验证循环中。
LLM-Powered Quantum Code Transpilation
基于大语言模型的量子代码编译
机构 * Department of Computer Science University of Colorado Colorado Springs (UCCS) United States
专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI
AI总结 本研究利用大语言模型实现灵活的量子代码转换，解决跨平台开发中的互操作性问题。
Comments IEEE International Conference on Quantum Computing and Engineering (QCE) 2025 - Extended Abstract
TEMPLE: Incentivizing Temporal Understanding of Video Large Language Models via Progressive Pre-SFT Alignment
TEMPLE：通过渐进式预SFT对齐激励视频大语言模型的时序理解
专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI
AI总结 TEMPLE通过渐进式预SFT对齐策略提升视频大语言模型的时序理解能力，利用直接偏好优化和课程学习增强模型对时间信息的感知。
Comments Accepted to AAAI 2026. Code available at https://github.com/lscpku/TEMPLE
Using Vision-Language Models as Proxies for Social Intelligence in Human-Robot Interaction
利用视觉-语言模型作为社交智能代理在人机交互中的应用
机构 * Cornell University, Cornell Tech（康奈尔大学，康奈尔科技） ； Cornell University（康奈尔大学） ； Rutgers University（罗格斯大学） ； Cornell Tech, Jacobs Technion Cornell Institute（康奈尔科技，雅各布斯技术学院康奈尔研究所）
专题命中 其他推理 ：reasoning(abstract)
AI总结 本文提出利用视觉-语言模型作为代理，通过轻量级感知检测器触发，实现机器人在人机交互中的社交响应能力。
