大模型推理能力

Alpha-R1: Alpha Screening with LLM Reasoning via Reinforcement Learning

Alpha-R1：通过强化学习实现基于LLM的Alpha筛选

Zuoyou Jiang, Li Zhao, Rui Sun, Ruohan Sun, Zhongjian Li, Jing Li, Daxin Jiang, Zuo Bai, Cheng Hua

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 逻辑推理 ：reasoning(title,abstract)；分类 cs.AI、cs.LG

AI总结 Alpha-R1通过强化学习实现基于LLM的上下文感知alpha筛选，提升非平稳市场中的投资策略性能。

Bridging Your Imagination with Audio-Video Generation via a Unified Director

通过统一导演模型实现想象力与音频视频生成的连接

Jiaxu Zhang, Tianshu Hu, Yuan Zhang, Zenan Li, Linjie Luo, Guosheng Lin, Xin Chen

机构 * Nanyang Technological University（南洋理工大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；logical reasoning(abstract)

AI总结 UniMAGE通过统一导演模型整合脚本起草与关键帧生成，提升非专业人士制作多镜头电影的能力。

Agent2World: Learning to Generate Symbolic World Models via Adaptive Multi-Agent Feedback

Agent2World: 通过自适应多智能体反馈学习生成符号世界模型

Mengkang Hu, Bowei Xia, Yuran Wu, Ailing Yu, Yude Zou, Qiguang Chen, Shijian Wang, Jiarui Jin, Kexin Li, Wenxiang Jiao, Yuan Lu, Ping Luo

机构 * The University of Hong Kong（香港大学） ； Xiaohongshu Inc.（小红书公司） ； UESTC（电子科技大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

专题命中 逻辑推理 ：planning(abstract)；分类 cs.CL、cs.AI

AI总结 Agent2World通过自适应多智能体反馈学习生成符号世界模型，提升推理和微调性能，实现30.95%的相对提升。

Comments 48 pages, 15 tables, 7 figures, Project page: https://agent2world.github.io

Logic Sketch Prompting (LSP): A Deterministic and Interpretable Prompting Method

逻辑草图提示（LSP）：一种确定性和可解释的提示方法

Satvik Tripathi

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI、cs.LG

AI总结 逻辑草图提示（LSP）通过引入类型变量、确定性条件评估器和规则验证器，提升了大语言模型在需要严格规则遵守、确定性和可审计性任务中的性能和可解释性。

Inferring Latent Market Forces: Evaluating LLM Detection of Gamma Exposure Patterns via Obfuscation Testing

推断潜在市场力量：通过混淆测试评估大语言模型检测伽马暴露模式的能力

Christopher Regan, Ying Xie

机构 * Department of Computer Science Kennesaw State University Marietta, GA, Cobb（计算机科学系 凯尼恩州立大学 马里埃塔, 乔治亚州, 理查兹） ； Department of Information Technology Professor of Information Technology Kennesaw State University Marietta, GA（信息科技系 信息科技教授 凯尼恩州立大学 马里埃塔, 乔治亚州） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI、cs.LG

AI总结 本研究通过混淆测试验证大语言模型能否通过因果推理识别结构性市场模式，发现其在无偏提示下检测伽马暴露模式的准确率为71.5%，展示了LLMs在金融机制识别方面的潜力。

Comments 10 pages, 8 figures. Accepted at IEEE Big Data 2025. Extended journal version in preparation. ISBN: 979-8-3315-9447-3/25. Page numbers: 7226-7235

Journal ref 2025 IEEE International Conference on Big Data (Big Data)

AGRO-SQL: Agentic Group-Relative Optimization with High-Fidelity Data Synthesis

AGRO-SQL：基于高保真数据合成的群体相对优化

Cehua Yang, Dongyu Xiao, Junming Lin, Yuyang Song, Hanxu Yan, Shawn Guo, Wei Zhang, Jian Yang, Mingjie Tang, Bryan Dai

机构 * Sichuan University（四川大学） ； IQuest Research（IQuest研究院） ； Beihang University（北航大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 AGRO-SQL通过高保真数据合成和群体相对策略优化，提升文本到SQL系统的推理能力与性能。