大模型推理能力

Explainable Chain-of-Thought Reasoning: An Empirical Analysis on State-Aware Reasoning Dynamics

可解释的链式思维推理：对状态感知推理动态的实证分析

Sheldon Yu, Yuxin Xiong, Junda Wu, Xintong Li, Tong Yu, Xiang Chen, Ritwik Sinha, Jingbo Shang, Julian McAuley

机构 * University of California San Diego（加州大学圣地亚哥分校） ； Adobe Research（Adobe研究） 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 本文提出了一种状态感知的转换框架，通过结构化潜在动态分析链式思维推理的语义演变和转换，提升推理过程的可解释性。

Comments 5 pages, 4 figures

HetGCoT: Heterogeneous Graph-Enhanced Chain-of-Thought LLM Reasoning for Academic Question Answering

HetGCoT：异构图增强的链式思考LLM推理用于学术问答

Runsong Jia, Mengjia Wu, Ying Ding, Jie Lu, Yi Zhang

专题命中 复杂问题求解 ：reasoning(title,abstract)；chain-of-thought(title)

AI总结 HetGCoT通过异构图增强链式思考LLM推理，提升学术问答的可解释性和准确性。

Comments Findings of the Association for Computational Linguistics: EMNLP 2025

Mitigating Overthinking in Large Reasoning Models via Difficulty-aware Reinforcement Learning

通过难度感知强化学习缓解大推理模型中的过度思考

Qian Wan, Ziao Xu, Luona Wei, Xiaoxuan Shen, Jianwen Sun

机构 * Laboratory for Artificial Intelligence and New Forms of Education（人工智能与新教育形式实验室） ； National Engineering Research Center of Educational Big Data（教育大数据国家工程研究中心） ； Faculty of Artificial Intelligence in Education, Central China Normal University（教育人工智能学院，中央财经大学） ； College of Electronics and Information Engineering, South-Central Minzu University（电子与信息工程学院，西南民族大学） 纠错

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

AI总结 本文提出DiPO框架，通过难度感知强化学习缓解大推理模型的过度思考问题，提升推理效率与性能。

Not All Code Is Equal: A Data-Centric Study of Code Complexity and LLM Reasoning

并非所有代码都同等重要：一项以数据为中心的代码复杂度与大语言模型推理研究

Lukas Twist, Shu Yang, Hanqi Yan, Jingzhi Gong, Di Wang, Helen Yannakoudakis, Jie M. Zhang

机构 * King's College London, United Kingdom（伦敦国王学院） ； King Abdullah University of Science（阿卜杜勒阿齐兹国王科学大学） 纠错

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

AI总结 本文通过研究代码结构复杂性对大语言模型推理能力的影响，发现结构特性在提升推理性能中起关键作用，优于单纯扩大训练数据规模。

Comments 16 pages, 5 figures, 3 tables

A Survey of LLM Alignment: Instruction Understanding, Intention Reasoning, and Reliable Generation

大型语言模型对齐综述：指令理解、意图推理和可靠生成

Zongyu Chang, Feihong Lu, Ziqin Zhu, Qian Li, Cheng Ji, Tao Yang, Zhuo Chen, Hao Peng, Yang Liu, Ruifeng Xu, Yangqiu Song, Jianxin Li, Shangguang Wang

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

AI总结 本文综述了大型语言模型在指令理解、意图推理和可靠生成方面的挑战与解决方案，旨在提升模型在现实应用中的可靠性与适应性。

Comments 37 pages, 11 figures

Understanding Post-Training Structural Changes in Large Language Models

理解大型语言模型的训练后结构变化

Xinyu He, Xianghui Cao

机构 * School of Automation, Southeast University, Nanjing, China（自动化学院，东南大学，南京，中国） 纠错

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

AI总结 本研究通过SVD分析揭示了大型语言模型训练后参数空间的结构变化，发现奇异值缩放和奇异向量旋转机制，为理解训练后调节机制提供了新视角。

EMSEdit: Efficient Multi-Step Meta-Learning-based Model Editing

EMSEdit: 基于多步元学习的高效模型编辑

Xiaopeng Li, Shasha Li, Xi Wang, Shezheng Song, Bin Ji, Shangwen Wang, Jun Ma, Xiaodong Liu, Mina Liu, Jie Yu

机构 * National University of Denfense Technology（国防科技大学） 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 EMSEdit通过多步反向传播和范数正则化提升模型编辑效率，在低数据和复杂编辑任务中表现优异。

Comments Accepted at WWW2026

CORE:Toward Ubiquitous 6G Intelligence Through Collaborative Orchestration of Large Language Model Agents Over Hierarchical Edge

CORE：通过分层边缘的协作编排实现无处不在的6G智能

Zitong Yu, Boquan Sun, Yang Li, Zheyan Qu, Xing Zhang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

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

AI总结 CORE通过协作编排多个LLM代理在分层边缘网络中实现高效任务处理，提升6G环境下的系统效率和任务完成率。

Comments Accepted by IEEE Communications Magazine

Adaptive Confidence Gating in Multi-Agent Collaboration for Efficient and Optimized Code Generation

多智能体协作中的自适应置信度门控：用于高效优化的代码生成

Haoji Zhang, Yuzhe Li, Zhenqiang Liu, Chenyang Liu, Shenyang Zhang, Yi Zhou

机构 * University of Electronic Science and Technology of China（电子科技大学） 纠错

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

AI总结 DebateCoder通过多智能体协作和自适应置信度门控机制，提升小型语言模型在复杂逻辑任务中的代码生成效率和准确性。

When should I search more: Adaptive Complex Query Optimization with Reinforcement Learning

我应该何时搜索更多：基于强化学习的自适应复杂查询优化

Wei Wen, Sihang Deng, Tianjun Wei, Keyu Chen, Ruizhi Qiao, Xing Sun

机构 * Tencent Youtu Lab（腾讯云图实验室） ； The University of Hong Kong（香港大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出自适应复杂查询优化框架ACQO，通过强化学习解决复杂查询优化中的子查询数量确定、文档排序与合并问题，实现更稳定高效的查询处理。

Comments 16 pages, 7 figures