大模型推理能力

AstroReason-Bench: Evaluating Unified Agentic Planning across Heterogeneous Space Planning Problems

AstroReason-Bench: 评估跨异构空间规划问题的统一代理规划

Weiyi Wang, Xinchi Chen, Jingjing Gong, Xuanjing Huang, Xipeng Qiu

专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)；分类 cs.CL、cs.AI

AI总结 AstroReason-Bench通过评估代理在复杂空间规划问题中的表现，揭示了通用规划在现实约束下的局限性。

Beneficial Reasoning Behaviors in Agentic Search and Effective Post-training to Obtain Them

代理搜索中的有益推理行为及有效训练以获得这些行为

Jiahe Jin, Abhijay Paladugu, Chenyan Xiong

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

AI总结 本文提出行为引导方法，通过预训练使代理搜索模型具备信息验证、权威评估等有益推理行为，从而在强化学习前提升任务性能。

Towards Reliable ML Feature Engineering via Planning in Constrained-Topology of LLM Agents

通过LLM代理的受限拓扑规划实现可靠的机器学习特征工程

Himanshu Thakur, Anusha Kamath, Anurag Muthyala, Dhwani Sanmukhani, Smruthi Mukund, Jay Katukuri

机构 * Meta Menlo Park, CA（Meta 洛杉矶公园分校） ； JPMorgan Chase & Co.（摩根大通公司） 纠错

专题命中 规划推理 ：planning(title)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出了一种基于LLM代理的受限拓扑规划框架，通过多步骤生成代码提升特征工程的可靠性与效率，实验显示在数据集和实际应用中均取得显著改进。

Generative Scenario Rollouts for End-to-End Autonomous Driving

生成场景回放用于端到端自动驾驶

Rajeev Yasarla, Deepti Hegde, Shizhong Han, Hsin-Pai Cheng, Yunxiao Shi, Meysam Sadeghigooghari, Shweta Mahajan, Apratim Bhattacharyya, Litian Liu, Risheek Garrepalli, Thomas Svantesson, Fatih Porikli, Hong Cai

机构 * Qualcomm AI Research（高通人工智能研究） 纠错

专题命中 规划推理 ：reasoning(abstract)；planning(abstract)

AI总结 GeRo通过自回归回放策略，结合规划与生成，提升自动驾驶系统的长期推理和多代理规划能力。

AviationLMM: A Large Multimodal Foundation Model for Civil Aviation

AviationLMM：民用航空的大规模多模态基础模型

Wenbin Li, Jingling Wu, Xiaoyong Lin. Jing Chen, Cong Chen

专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL、cs.AI

AI总结 AviationLMM旨在通过统一民用航空的异构数据流，提升航空安全与效率，推动可信且隐私保护的航空人工智能生态系统发展。

Comments Accepted by 2025 7th International Conference on Interdisciplinary Computer Science and Engineering (ICICSE 2025), Chongqing, China; 9 pages,1 figure,5 tables

MedReflect: Teaching Medical LLMs to Self-Improve via Reflective Correction

MedReflect: 通过反思修正教学医疗LLM自我改进

Yue Huang, Yanyuan Chen, Dexuan Xu, Chenzhuo Zhao, Weihua Yue, Yu Huang

机构 * Peking University（北京大学） ； University of Virginia（弗吉尼亚大学） ； Peking University Sixth Hospital（北京大学第六医院） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL、cs.AI

AI总结 MedReflect通过自我反思机制提升医疗LLM的自主学习能力，减少外部数据依赖，实现高效医疗问题解决。

FORESTLLM: Large Language Models Make Random Forest Great on Few-shot Tabular Learning

FORESTLLM：大型语言模型使随机森林在少样本表格学习中表现卓越

Zhihan Yang, Jiaqi Wei, Xiang Zhang, Haoyu Dong, Yiwen Wang, Xiaoke Guo, Pengkun Zhang, Yiwei Xu, Chenyu You

机构 * Microsoft Research Asia（微软亚洲研究院） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.LG

AI总结 FORESTLLM结合决策森林的结构归纳偏见和LLM的语义推理能力，通过语义分割和上下文推理机制，在少样本表格学习中实现高性能。

Comments 23 pages

DecoupledESC: Enhancing Emotional Support Generation via Strategy-Response Decoupled Preference Optimization

解耦ESC：通过策略-回应解耦的偏好优化增强情感支持生成

Chao Zhang, Xin Shi, Xueqiao Zhang, Yifan Zhu, Yi Yang, Yawei Luo

机构 * Zhejiang University（浙江大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.CL

AI总结 本文提出了解耦ESC框架，通过策略-回应解耦的偏好优化方法，提升情感支持生成的质量与准确性。

Beyond Isolated Investor: Predicting Startup Success via Roleplay-Based Collective Agents

超越孤立投资者：通过角色扮演基于的集体代理预测初创企业成功

Zhongyang Liu, Haoyu Pei, Xiangyi Xiao, Xiaocong Du, Yihui Li, Suting Hong, Kunpeng Zhang, Haipeng Zhang

机构 * ShanghaiTech University（上海科技大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； University of Maryland（马里兰大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出SimVC-CAS，通过角色扮演基于的集体代理系统，预测初创企业成功并提高预测准确性。

"Can You Tell Me?": Designing Copilots to Support Human Judgement in Online Information Seeking

你能告诉我吗？：设计支持在线信息寻求中人类判断的Copilot

Markus Bink, Marten Risius, Udo Kruschwitz, David Elsweiler

专题命中 规划推理 ：reasoning(abstract)

AI总结 本文提出一种基于LLM的Copilot，旨在支持用户在在线信息寻求中的判断，通过促进数字素养技能提升，但实验显示其在提升回答准确性和搜索参与度方面效果有限。

Comments Pre-Print accepted at CHIIR 2026

Cooperative UAVs for Remote Data Collection under Limited Communications: An Asynchronous Multiagent Learning Framework

协同无人机在有限通信下的远程数据采集：一种异步多智能体学习框架

Cuong Le, Symeon Chatzinotas, Thang X. Vu

专题命中 规划推理 ：planning(abstract)

AI总结 本文提出一种异步多智能体学习框架，用于解决有限通信下无人机协同数据采集的轨迹和带宽分配优化问题，提升能效和任务完成效率。

Comments Accepted to IEEE Transactions on Wireless Communications