大模型推理能力

Reasoning Beyond Chain-of-Thought: A Latent Computational Mode in Large Language Models

超越链式推理：大型语言模型中的一个潜在计算模式

Zhenghao He, Guangzhi Xiong, Bohan Liu, Sanchit Sinha, Aidong Zhang

机构 * University of Virginia（弗吉尼亚大学） 纠错

专题命中 复杂问题求解 ：reasoning(title,abstract)；chain-of-thought(title,abstract)；CoT(abstract)；分类 cs.CL、cs.AI

AI总结 研究发现大型语言模型中的推理能力由潜在内部激活支持，通过引导特定潜在特征可提升性能，CoT提示并非唯一触发方式。

The Molecular Structure of Thought: Mapping the Topology of Long Chain-of-Thought Reasoning

思维的分子结构：映射长链推理的拓扑结构

Qiguang Chen, Yantao Du, Ziniu Li, Jinhao Liu, Songyao Duan, Jiarui Guo, Minghao Liu, Jiaheng Liu, Tong Yang, Ge Zhang, Libo Qin, Wanxiang Che, Wenhao Huang

机构 * LARG, SCIR, Harbin Institute of Technology（LARG、SCIR、哈尔滨工业大学） ； Peking University（北京大学） ； Nanjing University（南京大学） ； Central South University（中南大学） 纠错

专题命中 复杂问题求解 ：reasoning(title,abstract)；chain-of-thought(title,abstract)；CoT(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出通过分子结构类比理解长链推理的拓扑特性，引入有效语义异构体概念，并提出Mole-Syn方法提升长链推理性能和稳定性。

Comments Preprint

D$^2$Plan: Dual-Agent Dynamic Global Planning for Complex Retrieval-Augmented Reasoning

D$^2$Plan: 双智能体动态全局规划用于复杂检索增强推理

Kangcheng Luo, Tinglang Wu, Yansong Feng

机构 * Peking University（北京大学） 纠错

专题命中 复杂问题求解 ：reasoning(title,abstract)；planning(title)；分类 cs.CL

AI总结 D$^2$Plan通过双智能体协作提升复杂检索增强推理的连贯性和抗干扰能力。

MemoBrain: Executive Memory as an Agentic Brain for Reasoning

MemoBrain: 作为推理代理的执行记忆脑

Hongjin Qian, Zhao Cao, Zheng Liu

机构 * Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） 纠错

专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.CL、cs.AI

AI总结 MemoBrain通过构建依赖感知的记忆模型，实现对长周期推理轨迹的显式认知控制，提升工具增强代理的推理连贯性和任务对齐性。

Comments Our codes are in https://github.com/qhjqhj00/MemoBrain

Small Models Achieve Large Language Model Performance: Evaluating Reasoning-Enabled AI for Secure Child Welfare Research

小型模型实现大型语言模型性能：评估具备推理能力的AI用于安全儿童福利研究

Zia Qi, Brian E. Perron, Bryan G. Victor, Dragan Stoll, Joseph P. Ryan

专题命中 复杂问题求解 ：reasoning(title,abstract)

AI总结 本研究展示小型模型通过扩展推理能力在儿童福利研究中实现高准确性，优于大模型，节省资源并提升效率。

Towards Specialized Generalists: A Multi-Task MoE-LoRA Framework for Domain-Specific LLM Adaptation

迈向专业化的通用者：一种多任务MoE-LoRA框架用于领域特定LLM适应

Yuxin Yang, Aoxiong Zeng, Xiangquan Yang

机构 * Shanghai University（上海大学） ； East China Normal University（东华大学） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出Med-MoE-LoRA框架，通过结合MoE与LoRA实现高效多任务领域适应，尤其适用于医学场景，有效解决领域知识获取与通用能力保留的难题。

Comments Work in Progress

Ministral 3

Ministral 3：参数高效密集语言模型系列

Alexander H. Liu, Kartik Khandelwal, Sandeep Subramanian, Victor Jouault, Abhinav Rastogi, Adrien Sadé, Alan Jeffares, Albert Jiang, Alexandre Cahill, Alexandre Gavaudan, Alexandre Sablayrolles, Amélie Héliou, Amos You, Andy Ehrenberg, Andy Lo, Anton Eliseev, Antonia Calvi, Avinash Sooriyarachchi, Baptiste Bout, Baptiste Rozière, Baudouin De Monicault, Clémence Lanfranchi, Corentin Barreau, Cyprien Courtot, Daniele Grattarola, Darius Dabert, Diego de las Casas, Elliot Chane-Sane, Faruk Ahmed, Gabrielle Berrada, Gaëtan Ecrepont, Gauthier Guinet, Georgii Novikov, Guillaume Kunsch, Guillaume Lample, Guillaume Martin, Gunshi Gupta, Jan Ludziejewski, Jason Rute, Joachim Studnia, Jonas Amar, Joséphine Delas, Josselin Somerville Roberts, Karmesh Yadav, Khyathi Chandu, Kush Jain, Laurence Aitchison, Laurent Fainsin, Léonard Blier, Lingxiao Zhao, Louis Martin, Lucile Saulnier, Luyu Gao, Maarten Buyl, Margaret Jennings, Marie Pellat, Mark Prins, Mathieu Poirée, Mathilde Guillaumin, Matthieu Dinot, Matthieu Futeral, Maxime Darrin, Maximilian Augustin, Mia Chiquier, Michel Schimpf, Nathan Grinsztajn, Neha Gupta, Nikhil Raghuraman, Olivier Bousquet, Olivier Duchenne, Patricia Wang, Patrick von Platen, Paul Jacob, Paul Wambergue, Paula Kurylowicz, Pavankumar Reddy Muddireddy, Philomène Chagniot, Pierre Stock, Pravesh Agrawal, Quentin Torroba, Romain Sauvestre, Roman Soletskyi, Rupert Menneer, Sagar Vaze, Samuel Barry, Sanchit Gandhi, Siddhant Waghjale, Siddharth Gandhi, Soham Ghosh, Srijan Mishra, Sumukh Aithal, Szymon Antoniak, Teven Le Scao, Théo Cachet, Theo Simon Sorg, Thibaut Lavril, Thiziri Nait Saada, Thomas Chabal, Thomas Foubert, Thomas Robert, Thomas Wang, Tim Lawson, Tom Bewley, Tom Bewley, Tom Edwards, Umar Jamil, Umberto Tomasini, Valeriia Nemychnikova, Van Phung, Vincent Maladière, Virgile Richard, Wassim Bouaziz, Wen-Ding Li, William Marshall, Xinghui Li, Xinyu Yang, Yassine El Ouahidi, Yihan Wang, Yunhao Tang, Zaccharie Ramzi

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.CL

AI总结 Ministral 3系列提供三种参数规模的高效密集语言模型，支持图像理解，并通过级联蒸馏技术实现复杂问题解决能力。

Comments Release page: https://mistral.ai/news/mistral-3 ; Models available at https://huggingface.co/collections/mistralai/ministral-3

User-Oriented Multi-Turn Dialogue Generation with Tool Use at scale

面向用户的多轮对话生成与工具使用规模化

Jungho Cho, Minbyul Jeong, Sungrae Park

机构 * Upstage AI 纠错

专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.CL

AI总结 本文提出面向用户的多轮对话生成方法，通过动态生成领域特定工具解决任务，提升大规模多轮对话生成的可扩展性和真实性。

KidVis: Do Multimodal Large Language Models Possess the Visual Perceptual Capabilities of a 6-Year-Old?

KidVis: 多模态大语言模型是否具备六岁儿童的视觉感知能力？

Xianfeng Wang, Kaiwei Zhang, Qi Jia, Zijian Chen, Guangtao Zhai, Xiongkuo Min

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)

AI总结 KidVis研究通过对比人类儿童与多模态大语言模型在视觉能力上的表现，揭示了当前模型在基础视觉感知上的不足。

Improving Zero-shot ADL Recognition with Large Language Models through Event-based Context and Confidence

通过基于事件的上下文和置信度提升零样本ADL识别

Michele Fiori, Gabriele Civitarese, Marco Colussi, Claudio Bettini

机构 * Dept. of Computer Science University of Milan, Milan, Italy（计算机科学系米兰大学） 纠错

专题命中 复杂问题求解 ：reasoning(abstract)

AI总结 本文提出通过基于事件的上下文分割和新的置信度估计方法，改进零样本ADL识别，实验表明其在复杂数据集上优于现有方法。