BARD: budget-aware reasoning distillation
BARD: 带预算意识的推理蒸馏
机构 * Taobao & Tmall Group of Alibaba（淘宝与天猫集团）
专题命中 推理评测 ：reasoning(title,abstract)；chain-of-thought(abstract)；CoT(abstract)；分类 cs.CL
AI总结 BARD通过两阶段训练实现推理能力蒸馏与预算控制，使模型在不同预算下高效完成推理任务。
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 19 篇
Inducing Causal World Models in LLMs for Zero-Shot Physical Reasoning
在LLM中诱导因果世界模型以实现零样本物理推理
机构 * Department of Electrical Engineering（电气工程系） ； Indian Institute of Technology Bombay（印度理工学院孟买分校） ； Department of Computer Science and Automation（计算机科学与自动化系） ； Indian Institute of Science（印度科学研究所） ； Department of Computer Science（计算机科学系） ； San Francisco State University（旧金山州立大学） ； University of Lagos（拉各斯大学） ； Faculty of Mathematics, Informatics, and Mechanics（数学、信息学与力学学院） ； University of Warsaw（华沙大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.LG
AI总结 本文提出CWMI框架，通过引入因果物理模块和因果干预损失，使LLM具备因果推理能力，在零样本物理推理任务中取得显著成效。
Comments 12 pages, 4 figures,
LogicLens: Visual-Logical Co-Reasoning for Text-Centric Forgery Analysis
LogicLens：面向文本导向伪造分析的视觉-逻辑协同推理
机构 * Ant Group（蚂蚁集团） ； Nanyang Technological University（南洋理工大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 LogicLens通过视觉-逻辑协同推理框架，提升文本导向伪造分析的准确性和鲁棒性，其在多个基准测试中表现优异。
Comments 11 pages, 5 figures, 3 tables
Do Latent Tokens Think? A Causal and Adversarial Analysis of Chain-of-Continuous-Thought
潜在标记是否思考？对连续思维链的因果和对抗分析
机构 * Shanghai Jiao Tong University（上海交通大学）
专题命中 推理评测 ：reasoning(abstract)；chain-of-thought(abstract)；CoT(abstract)；分类 cs.CL、cs.AI
AI总结 本文通过因果和对抗分析揭示COCONUT作为伪推理机制的问题，指出其依赖捷径而非真实推理。
Comments 13 pages, 5 figures
RoadSceneVQA: Benchmarking Visual Question Answering in Roadside Perception Systems for Intelligent Transportation System
RoadSceneVQA: 用于智能交通系统 roadside 系统的视觉问答基准测试
专题命中 推理评测 ：reasoning(abstract)；chain-of-thought(abstract)；CoT(abstract)
AI总结 RoadSceneVQA 通过大规模标注数据和 CogniAnchor 融合模块，提升多模态大语言模型在交通感知与推理任务中的性能。
Comments 10 pages, 6 figures, accepted by AAAI 2026. The model is also called Dream, to the other me in the world forever
A Causal Lens for Evaluating Faithfulness Metrics
一种评估忠实度度量的因果视角
机构 * UNC Chapel Hill（北卡罗来纳大学教堂山分校）
专题命中 推理评测 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文提出因果诊断性框架，用于评估自然语言解释的忠实度度量，通过生成忠实-不忠实解释对，发现Filler Tokens在多任务中表现最佳，连续度量更优但易受噪声影响。
Comments Published at EMNLP 2025; 25 pages, 22 figures, 9 tables
MASFIN: A Multi-Agent System for Decomposed Financial Reasoning and Forecasting
MASFIN：一种用于分解金融推理和预测的多智能体系统
专题命中 推理评测 ：reasoning(title)；分类 cs.AI
AI总结 MASFIN通过整合LLMs与结构化财务指标和非结构化新闻，提出了一种模块化的多智能体系统，以提高金融预测的透明性和可重复性，实现优于基准的短期投资回报。
Comments Accepted to the NeurIPS 2025 Workshop on Generative AI in Finance
Cerberus: Multi-Agent Reasoning and Coverage-Guided Exploration for Static Detection of Runtime Errors
Cerberus：多智能体推理与覆盖引导探索用于运行时错误的静态检测
机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校）
专题命中 推理评测 ：reasoning(title)；分类 cs.LG
AI总结 Cerberus通过多智能体推理和覆盖引导探索，实现无执行的运行时错误静态检测，提高测试效率和错误发现能力。
Explainable Statute Prediction via Attention-based Model and LLM Prompting
基于注意力模型和大语言模型提示的可解释法规预测
机构 * TCS Research（TCS研究）
专题命中 推理评测 ：chain-of-thought(abstract)；CoT(abstract)；分类 cs.CL
AI总结 本文提出基于注意力模型和大语言模型提示的法规预测方法，通过生成可解释的预测结果提升法律AI系统的实用性。
TCM-Eval: An Expert-Level Dynamic and Extensible Benchmark for Traditional Chinese Medicine
TCM-Eval: 一个专家级动态且可扩展的中医基准测试
机构 * School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； Beijing Zhimingtang Technology Co., Ltd.（北京智明堂科技有限公司） ； Beijing Zhiyan AI Technology Co., Ltd.（北京智言AI科技有限公司） ； Guangzhou University of Chinese Medicine（广州中医药大学）
专题命中 推理评测 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL
AI总结 TCM-Eval通过动态可扩展的基准测试和SI-CoTE方法，开发出ZMT模型，显著超越人类中医从业者水平，推动中医领域LLM研究发展。
Comments Work in Progress
Bridging the Copyright Gap: Do Large Vision-Language Models Recognize and Respect Copyrighted Content?
弥合版权鸿沟：大型视觉-语言模型是否能识别并尊重受版权保护的内容？
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文研究大型视觉-语言模型在处理受版权保护内容时的合规性问题，提出了一种新的工具增强防御框架以降低侵权风险。
Comments AAAI 2026 (Oral)
HeartBench: Probing Core Dimensions of Anthropomorphic Intelligence in LLMs
HeartBench: 探索大语言模型中拟人智能的核心维度
机构 * Ant Group（蚂蚁集团） ； Xiamen University（厦门大学） ； Beijing Normal University（北京师范大学） ； Zhejiang University（浙江大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 HeartBench通过理论驱动的分类体系评估中文大语言模型的情感、文化和伦理维度，揭示其在拟人智能方面的性能上限及改进方向。
Comments 10 pages
Unveiling the Learning Mind of Language Models: A Cognitive Framework and Empirical Study
揭示语言模型的学习心智：一种认知框架与实证研究
机构 * Thrust of Artificial Intelligence, The Hong Kong University of Science and Technology (Guangzhou), China（香港科学与技术大学人工智能研究所） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology Hong Kong SAR, China（香港科学与技术大学计算机科学与工程系） ； Microsoft Research Asia（微软亚洲研究院） ； University of Cambridge（剑桥大学） ； Microsoft（微软）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本文提出一种认知框架，将学习能力分解为三个维度，并通过实证研究揭示LLMs在不同学习场景下的表现与局限性。
Creative Agents: Empowering Agents with Imagination for Creative Tasks
创意代理：通过想象力赋能代理以完成创意任务
机构 * School of Computer Science Peking University（北京大学计算机学院）
专题命中 推理评测 ：planning(abstract)；分类 cs.AI、cs.LG
AI总结 本研究提出通过增强想象力的创意代理，首次在Minecraft生存模式中实现多样化建筑创建，利用大语言模型和扩散模型提升创造力表现。
Comments The first two authors contribute equally
Journal ref Proceedings of the 41st Conference on Uncertainty in Artificial Intelligence (UAI 2025), PMLR 244:471-496
OmniBrainBench: A Comprehensive Multimodal Benchmark for Brain Imaging Analysis Across Multi-stage Clinical Tasks
OmniBrainBench: 一种全面的多模态基准，用于跨多阶段临床任务的脑影像分析
机构 * Chinese University of Hong Kong（香港中文大学） ； Sun Yat-sen Memorial Hospital, Sun Yat-sen University（中山大学孙逸仙纪念医院） ； Southern Medical University（南方医科大学） ； Zhongshan Hospital, Fudan University（复旦大学中山医院） ； Department of Neurosurgery, Prince of Wales Hospital（威尔士王室医院神经外科部）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 OmniBrainBench是一个全面的多模态基准，用于评估脑影像分析中MLLMs的多模态理解能力，揭示了其在复杂临床任务中的挑战和与医生的差距。
RefactorCoderQA: Benchmarking LLMs for Multi-Domain Coding Question Solutions in Cloud and Edge Deployment
RefactorCoderQA: 评估LLMs在云和边缘部署中多领域编程问题解决方案的基准测试
机构 * York University and Algoma University（约克大学和阿尔戈马大学） ； Algoma University（阿尔戈马大学） ； Department of Systems and Computer Engineering, Carleton University（系统与计算机工程系，卡尔顿大学） ； Department of Math and Computer Science, Brandon University（数学与计算机科学系，布兰登大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 RefactorCoderQA通过云-边缘协作架构和RefactorCoder-MoE模型，在多领域编程任务中提升LLMs的性能，准确率达76.84%。
Comments 12 pages, 5 figures, Submitted to IEEE Transactions on Services Computing
Rethinking Sample Polarity in Reinforcement Learning with Verifiable Rewards
重新思考强化学习中的样本极性与可验证奖励
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； The Chinese University of Hong Kong（香港中文大学） ； Ant Group（蚂蚁集团）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 本文提出A3PO方法，通过自适应非对称令牌级别优势塑造，提升强化学习中样本极性对推理能力的优化效果。
AInsteinBench: Benchmarking Coding Agents on Scientific Repositories
AInsteinBench：在科学仓库中评估编码代理的基准测试
机构 * Princeton University（普林斯顿大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 AInsteinBench通过评估大型语言模型在科学计算开发中的能力，提供了一个基于真实科研软件生态系统的基准测试。
Understanding Virality: A Rubric based Vision-Language Model Framework for Short-Form Edutainment Evaluation
理解病毒性：一种基于Rubric的视觉-语言模型框架用于短形式教育娱乐内容评估
机构 * Birla Institute of Technology and Science, Pilani（比拉理工学院和科学学院，比里尼）
专题命中 推理评测 ：reasoning(abstract)
AI总结 本文提出基于Rubric的视觉-语言模型框架，用于评估短形式教育娱乐视频的病毒性，通过提取音频视觉特征并训练回归评估器，实现可解释且可扩展的参与度预测。
Comments Under Review
