大模型推理能力

Fun-Audio-Chat Technical Report

Fun-Audio-Chat 技术报告

Tongyi Fun Team, Qian Chen, Luyao Cheng, Chong Deng, Xiangang Li, Jiaqing Liu, Chao-Hong Tan, Wen Wang, Junhao Xu, Jieping Ye, Qinglin Zhang, Qiquan Zhang, Jingren Zhou

机构 * Alibaba Group（阿里巴巴集团） 纠错

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

AI总结 Fun-Audio-Chat通过双分辨率语音表示和核心鸡尾酒训练，解决语音-文本模型的时间分辨率不匹配和灾难性遗忘问题，实现高效且高质量的音频理解与生成。

Comments Authors are listed in alphabetical order, 21 pages, open-source at https://github.com/FunAudioLLM/Fun-Audio-Chat

SL-CBM: Enhancing Concept Bottleneck Models with Semantic Locality for Better Interpretability

SL-CBM: 通过语义局部性增强概念瓶颈模型以提升可解释性

Hanwei Zhang, Luo Cheng, Rui Wen, Yang Zhang, Lijun Zhang, Holger Hermanns

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

AI总结 SL-CBM通过引入语义局部性增强概念瓶颈模型，提升可解释性和干预效果，同时保持分类准确度。

Intelligent Documentation in Medical Education: Can AI Replace Manual Case Logging?

医学教育中的智能文档：AI能否取代手动病例记录？

Nafiz Imtiaz Khan, Kylie Cleland, Vladimir Filkov, Roger Eric Goldman

机构 * Department of Computer Science, University of California, Davis, CA, USA（计算机科学系，加州大学戴维斯分校） ； Department of Radiology, University of California, Davis, CA, USA（放射学系，加州大学戴维斯分校） 纠错

专题命中 其他推理 ：chain-of-thought(abstract)；分类 cs.CL、cs.AI

AI总结 本研究探讨了大型语言模型在自动完成放射学程序性病例记录中的可行性，结果显示LLMs在提取结构化信息方面表现优异，能有效减轻学员文书负担并提高记录一致性。

Comments 51 pages, 12 figures, 8 tables. Feasibility study using retrospective radiology reports. Submitted to JAMIA Open (under review)

GNN2R: Weakly-Supervised Rationale-Providing Question Answering over Knowledge Graphs

GNN2R：基于知识图谱的弱监督推理问答系统

Ruijie Wang, Luca Rossetto, Michael Cochez, Abraham Bernstein

机构 * University of Zurich（苏黎世大学） ； SIB Swiss Institute of Bioinformatics（瑞士生物信息学研究所） ； School of Computing, Dublin City University（都柏林城市大学计算机学院） ； Ellis Institute Finland（芬兰埃利斯研究所） ； Åbo Akademi University（阿博阿卡迪米大学） 纠错

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

AI总结 GNN2R通过弱监督方法实现高效的知识图谱问答，生成可验证的推理子图作为解释，提升问答的可解释性和准确性。

Behavior Knowledge Merge in Reinforced Agentic Models

强化学习代理模型中的行为知识融合

Xiangchi Yuan, Dachuan Shi, Chunhui Zhang, Zheyuan Liu, Shenglong Yao, Soroush Vosoughi, Wenke Lee

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Dartmouth College（达特茅斯学院） ； University of Notre Dame（诺丁汉大学） 纠错

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

AI总结 本文提出RAM框架，通过分离共享和任务特定参数更新，提升RL训练代理模型的融合效果，实现性能超越专门化代理。

Responsible AI for General-Purpose Systems: Overview, Challenges, and A Path Forward

通用系统责任AI：概述、挑战与前行之路

Gourab K Patro, Himanshi Agrawal, Himanshu Gharat, Supriya Panigrahi, Nim Sherpa, Vishal Vaddina, Dagnachew Birru

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

AI总结 本文探讨了通用AI系统在责任AI方面的挑战，并提出C2V2需求以指导未来系统的开发。

QianfanHuijin Technical Report: A Novel Multi-Stage Training Paradigm for Finance Industrial LLMs

千帆辉金技术报告：面向金融工业大模型的新型多阶段训练范式

Shupeng Li, Weipeng Lu, Linyun Liu, Chen Lin, Shaofei Li, Zhendong Tan, Hanjun Zhong, Yucheng Zeng, Chenghao Zhu, Mengyue Liu, Daxiang Dong, Jianmin Wu, Yunting Xiao, Annan Li, Danyu Liu, Jingnan Zhang, Licen Liu, Dawei Yin, Dou Shen

机构 * Qianfan Team Baidu AI Cloud（百度AI云团队） 纠错

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

AI总结 千帆辉金提出一种面向金融工业大模型的新型多阶段训练范式，通过持续预训练和细粒度后训练流程提升模型的金融推理与代理能力。

RobotDesignGPT: Automated Robot Design Synthesis using Vision Language Models

RobotDesignGPT: 基于视觉语言模型的自动化机器人设计合成

Nitish Sontakke, K. Niranjan Kumar, Sehoon Ha

机构 * School of Interactive Computing, Georgia Institute of Technology（交互计算学院，佐治亚理工学院） 纠错

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

AI总结 RobotDesignGPT利用视觉语言模型实现自动化机器人设计，通过用户提示和参考图像生成美观且运动学有效的机器人设计。

HalluZig: Hallucination Detection using Zigzag Persistence

HalluZig：通过Zigzag持久性检测幻觉

Shreyas N. Samaga, Gilberto Gonzalez Arroyo, Tamal K. Dey

机构 * Department of Computer Science（计算机科学系） ； Purdue University（普渡大学） 纠错

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

AI总结 HalluZig通过分析模型逐层注意力的拓扑特征，利用Zigzag持久性检测幻觉，优于现有基线方法。

Vision Also You Need: Navigating Out-of-Distribution Detection with Multimodal Large Language Model

视觉也需要：利用多模态大语言模型进行分布外检测导航

Haoran Xu, Yanlin Liu, Zizhao Tong, Jiaze Li, Kexue Fu, Yuyang Zhang, Longxiang Gao, Shuaiguang Li, Xingyu Li, Yanran Xu, Changwei Wang

机构 * Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences)（教育部计算电力网络与信息安全重点实验室，山东计算机科学中心（国家超算中心济南中心），齐鲁工业大学（山东科学院）） ； Shandong Provincial Key Laboratory of Computing Power Internet and Service Computing, Shandong Fundamental Research Center for Computer Science（山东省计算电力互联网与服务计算重点实验室，山东省计算机科学基础研究中心） ； University of Electronic Science and Technology of China（电子科技大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； RWTH Aachen University（亚琛工业大学） 纠错

专题命中 其他推理 ：reasoning(abstract)

AI总结 本文提出MM-OOD方法，利用多模态大语言模型的推理能力，通过多轮对话增强分布外检测，提升近远OOD任务性能。

Integrating Vision-Centric Text Understanding for Conversational Recommender Systems

集成视觉导向的文本理解用于对话推荐系统

Wei Yuan, Shutong Qiao, Tong Chen, Quoc Viet Hung Nguyen, Zi Huang, Hongzhi Yin

专题命中 其他推理 ：reasoning(abstract)

AI总结 STARCRS通过集成视觉导向的文本理解和大语言模型文本路径，提升对话推荐系统的偏好建模和响应生成能力。

Improving Audio Question Answering with Variational Inference

通过变分推断改进音频问答

Haolin Chen

机构 * Idiap Research Institute, Martigny, Switzerland（日内瓦研究所） ； École Polytechnique Fédérale de Lausanne, Lausanne, Switzerland（洛桑联邦理工学院） 纠错

专题命中 其他推理 ：reasoning(abstract)

AI总结 本文通过改进的变分推断优化器提升音频问答任务的预测准确性与校准性。

Comments ICASSP 2026

USCSA: Evolution-Aware Security Analysis for Proxy-Based Upgradeable Smart Contracts

USCSA: 代理基于的可升级智能合约的进化感知安全分析

Xiaoqi Li, Lei Xie, Wenkai Li, Zongwei Li

专题命中 其他推理 ：reasoning(abstract)

AI总结 USCSA通过AST差异分析和LLM辅助推理，有效检测升级引发的漏洞，提升智能合约安全性。

Integrating Large Language Models into Recommendation via Mutual Augmentation and Adaptive Aggregation

通过相互增强和自适应聚合将大语言模型整合到推荐中

Sichun Luo, Yuxuan Yao, Bowei He, Wei Shao, Jian Xu, Yinya Huang, Aojun Zhou, Xinyi Zhang, Yuanzhang Xiao, Hanxu Hou, Mingjie Zhan, Linqi Song

专题命中 其他推理 ：reasoning(abstract)

AI总结 本文提出Llama4Rec框架，通过相互增强和自适应聚合结合传统推荐方法和大语言模型，提升推荐性能。

Comments Accepted by IEEE Journal of Selected Topics in Signal Processing