大模型推理能力

Bayesian Teaching Enables Probabilistic Reasoning in Large Language Models

贝叶斯教学使大语言模型具备概率推理能力

Linlu Qiu, Fei Sha, Kelsey Allen, Yoon Kim, Tal Linzen, Sjoerd van Steenkiste

机构 * MIT（麻省理工学院） ； Meta ； Google（谷歌公司） ； DeepMind University of British Columbia（不列颠哥伦比亚大学深度思维学院） ； Vector Institute（向量研究所） ； New York University（纽约大学） ； Google Research（谷歌研究） 纠错

专题命中 其他推理 ：reasoning(title,abstract)；分类 cs.CL、cs.AI

AI总结 通过教学使大语言模型模仿贝叶斯模型预测，提升其概率推理能力并推广至新任务。

Comments Nature Communications

Thinking Long, but Short: Stable Sequential Test-Time Scaling for Large Reasoning Models

深入思考，但简短：大型推理模型的稳定序列测试时间扩展

Michael R. Metel, Yufei Cui, Boxing Chen, Prasanna Parthasarathi

机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

专题命中 其他推理 ：reasoning(title,abstract)；分类 cs.CL、cs.AI

AI总结 本文提出Min-Seek方法，通过高效管理KV缓存实现大型推理模型在扩展推理长度时的稳定性与准确性提升。

Comments Findings of EACL 2026

Think-Then-Generate: Reasoning-Aware Text-to-Image Diffusion with LLM Encoders

思考-然后-生成：基于LLM编码器的推理感知文本到图像扩散模型

Siqi Kou, Jiachun Jin, Zetong Zhou, Ye Ma, Yugang Wang, Quan Chen, Peng Jiang, Xiao Yang, Jun Zhu, Kai Yu, Zhijie Deng

机构 * Shanghai Jiao Tong University（上海交通大学） ； Kuaishou Technology（快手科技） ； Tsinghua University（清华大学） 纠错

专题命中 其他推理 ：reasoning(title,abstract)

AI总结 本文提出基于LLM编码器的推理感知文本到图像扩散模型，通过推理重写提示提升生成质量，达到接近GPT-4的性能。

Queueing-Aware Optimization of Reasoning Tokens for Accuracy-Latency Trade-offs in LLM Servers

面向队列的推理令牌优化：在LLM服务器中准确率与延迟的权衡

Emre Ozbas, Melih Bastopcu

机构 * Department of Electrical and Electronics Engineering（电气与电子工程系） 纠错

专题命中 其他推理 ：reasoning(title)；分类 cs.AI、cs.LG

AI总结 本文提出了一种面向队列的推理令牌优化方法，通过优化LLM服务器中准确率与延迟的权衡，提升系统性能。

Unlabeled Data Can Provably Enhance In-Context Learning of Transformers

未标记数据可以证明性地增强Transformer的上下文学习

Renpu Liu, Jing Yang

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

专题命中 其他推理 ：chain-of-thought(abstract)；CoT(abstract)；分类 cs.LG

AI总结 本文提出了一种增强ICL框架，通过结合标记和未标记数据，利用CoT提示使Transformer模拟EM算法，从而证明性地提升ICL性能。

Comments Published as a conference paper at NeurIPS 2025

Knowledge Homophily in Large Language Models

大型语言模型中的知识同质性

Utkarsh Sahu, Zhisheng Qi, Mahantesh Halappanavar, Nedim Lipka, Ryan A. Rossi, Franck Dernoncourt, Yu Zhang, Yao Ma, Yu Wang

机构 * University of Oregon Eugene OR USA ； Pacific Northwest National Laboratory Richland WA USA ； Adobe Research San Jose CA USA ； Texas A\&M University College Station TX USA ； Rensselaer Polytechnic Institute Troy NY USA ； University of Oregon ； Pacific Northwest National Laboratory ； Adobe Research ； Texas A\&M University ； Rensselaer Polytechnic Institute 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出了一种基于图神经网络的模型，通过分析LLM知识的同质性，提高知识标注效率和推理问答性能。

APEX: Asynchronous Parallel CPU-GPU Execution for Online LLM Inference on Constrained GPUs

APEX：异步并行CPU-GPU执行用于受限GPU上的在线LLM推理

Jiakun Fan, Yanglin Zhang, Xiangchen Li, Dimitrios S. Nikolopoulos

专题命中 其他推理 ：reasoning(abstract)；chain-of-thought(abstract)

AI总结 APEX通过动态调度策略提升受限GPU上的LLM推理效率，提高吞吐量并保持延迟。

Repository Intelligence Graph: Deterministic Architectural Map for LLM Code Assistants

仓库智能图：用于LLM代码助手的确定性架构图

Tsvi Cherny-Shahar, Amiram Yehudai

机构 * Blavatnik School of Computer Science Tel Aviv University（布拉瓦特尼克计算机科学学院特拉维夫大学） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本研究提出仓库智能图（RIG）以提升LLM代码助手的构建和测试结构理解能力，通过确定性架构图和SPADE提取器实现结构化问题解答的准确性与效率提升。

Comments 35 pages, 5 figures

An Exploratory Study to Repurpose LLMs to a Unified Architecture for Time Series Classification

一项探索性研究：将大语言模型重新利用到时间序列分类的统一架构中

Hansen He, Shuheng Li

机构 * Canyon Crest Academy（山崖顶学术院） ； UC San Diego（圣迭戈大学） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.LG

AI总结 本研究探索了将大语言模型与时间序列编码器结合的混合架构，发现Inception模型在提升性能方面表现突出。

Hallucination Detection and Mitigation in Large Language Models

大语言模型中的幻觉检测与缓解

Ahmad Pesaranghader, Erin Li

机构 * CIBC（加拿大帝国商业银行） 纠错

专题命中 其他推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出了一种系统化的框架，通过分层架构和闭环反馈机制，提升大语言模型在金融等高风险领域的可靠性，减少幻觉问题。

Mark My Works Autograder for Programming Courses

标记我的作品编程课程自动评分系统

Yiding Qiu, Seyed Mahdi Azimi, Artem Lensky

专题命中 其他推理 ：reasoning(abstract)

AI总结 Mark My Works通过结合传统单元测试与大语言模型生成解释，为编程课程提供更详细的自动评分和教学反馈。