大模型推理能力

Learning Abstractions for Hierarchical Planning in Program-Synthesis Agents

在程序合成代理中学习层次规划的抽象

Zergham Ahmed, Kazuki Irie, Joshua B. Tenenbaum, Christopher J. Bates, Samuel J. Gershman

机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） ； Institute for Human and Machine Cognition（人机认知研究院） ； Kempner Institute for the Study of Natural and Artificial Intelligence at Harvard University, Cambridge, MA, USA（哈佛大学马萨诸塞州剑桥市自然与人工智能研究学院） 纠错

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

AI总结 TheoryCoder-2通过主动学习可重用的抽象，提升了程序合成代理在复杂任务中的样本效率和泛化能力。

Comments 20 pages

Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints

基于运动约束对象中心抽象的统一任务与运动规划

Alejandro Agostini, Justus Piater

机构 * Department of Computer Science, University of Innsbruck（因斯布鲁克大学计算机科学系） 纠错

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

AI总结 本文提出了一种基于对象中心抽象的统一任务与运动规划方法，利用现成AI启发式搜索生成物理可行计划，无需复杂几何推理。

Comments This version corrects notation in Eqs. (7) and (8) and includes minor changes

UniMotion: A Unified Motion Framework for Simulation, Prediction and Planning

UniMotion: 一种用于仿真、预测和规划的统一运动框架

Nan Song, Junzhe Jiang, Jingyu Li, Xiatian Zhu, Li Zhang

机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Shanghai Innovation Institute（上海创新研究院） ； University of Surrey（Surrey大学） 纠错

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

AI总结 UniMotion提出了一种统一的运动框架，通过共享结构和定制化训练策略，同时支持运动仿真、预测和规划，实现高效的任务整合和泛化能力。

Comments Accepted at NeurIPS 2025

ORCH: many analyses, one merge-a deterministic multi-agent orchestrator for discrete-choice reasoning with EMA-guided routing

ORCH: 多种分析，一个合并——一种确定性多智能体协调器，用于离散选择推理的EMA引导路由

Hanlin Zhou, Huah Yong Chan

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

AI总结 ORCH是一种确定性多智能体协调器，通过EMA引导路由实现离散选择推理的可控、可解释和部署就绪的智能体系统。

R-HTN: Rebellious Online HTN Planning for Safety and Game AI

R-HTN：安全与游戏AI中的反叛在线HTN规划

Hector Munoz-Avila, David W. Aha, Paola Rizzo

机构 * Computer Science \& Engineering, Lehigh University ； Bethlehem, PA 18015-3084 USA ； Navy Center for Applied Research in AI ； Naval Research Laboratory 纠错

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

AI总结 R-HTN是一种用于安全与游戏AI的在线HTN规划算法，通过反叛机制在遵循指令的情况下实现任务目标。

Journal ref The Annual Conference on Advances in Cognitive Systems (ACS-2025)

FastTTS: Accelerating Test-Time Scaling for Edge LLM Reasoning

FastTTS: 加速边缘LLM推理的测试时扩展

Hao Mark Chen, Zhiwen Mo, Guanxi Lu, Shuang Liang, Lingxiao Ma, Wayne Luk, Hongxiang Fan

机构 * Imperial College London（帝国学院伦敦） ； Microsoft Research（微软研究院） 纠错

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

AI总结 FastTTS通过三种新方法提升边缘LLM推理效率，实现与云模型相当的准确性和延迟，减少38%-68%的延迟。

Comments Accepted at ASPLOS 2026

Planning with Language and Generative Models: Toward General Reward-Guided Wireless Network Design

基于语言和生成模型的规划：迈向通用奖励引导的无线网络设计

Chenyang Yuan, Xiaoyuan Cheng

机构 * University of Sheffield（谢菲尔德大学） ； University College London（伦敦大学学院） 纠错

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

AI总结 本文提出基于统一奖励函数的扩散生成模型，用于高效解决室内无线网络接入点部署问题，通过大规模数据训练提升泛化能力与鲁棒性。

Mind-Brush: Integrating Agentic Cognitive Search and Reasoning into Image Generation

Mind-Brush: 将代理认知搜索与推理整合到图像生成中

Jun He, Junyan Ye, Zilong Huang, Dongzhi Jiang, Chenjue Zhang, Leqi Zhu, Renrui Zhang, Xiang Zhang, Weijia Li

机构 * Sun Yat-sen University（中山大学） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； MMLab, The Chinese University of Hong Kong（香港中文大学MMLab） 纠错

专题命中 规划推理 ：reasoning(title,abstract)

AI总结 Mind-Brush通过整合代理认知搜索与推理，提升图像生成模型对复杂知识推理和动态适应能力，实现性能显著跃升。

Comments 36 pages, 24 figures

Scientific Machine Learning for Resilient EV-Grid Planning and Decision Support Under Extreme Events

极端事件下面向韧性电动汽车-电网规划与决策支持的科学机器学习

Yifan Wang

专题命中 规划推理 ：planning(title,abstract)

AI总结 本文提出一种科学机器学习框架，通过物理信息知识传递提升电动汽车-电网在极端事件下的韧性，减少积压并限制电网压力。

Comments 15 pages, 12 figures

LMTE: Putting the "Reasoning" into WAN Traffic Engineering with Language Models

LMTE：利用语言模型进行WAN流量工程中的推理

Xinyu Yuan, Yan Qiao, Zonghui Wang, Meng Li, Wenzhi Chen

专题命中 规划推理 ：reasoning(title,abstract)

AI总结 LMTE利用语言模型进行WAN流量工程，通过高效多模态对齐和轻量级配置生成，实现更高效的流量规划和优化。

Comments Accepted as a conference paper at IEEE INFOCOM 2026

FutureMind: Equipping Small Language Models with Strategic Thinking-Pattern Priors via Adaptive Knowledge Distillation

FutureMind: 通过自适应知识蒸馏为小型语言模型配备战略思维模式先验

Shaoxiong Yang, Junting Li, Mengyuan Zhang, Chao Li, Wei Liu, Jian Luan

机构 * MiLM Plus, Xiaomi Inc.（小米公司） 纠错

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

AI总结 FutureMind通过自适应知识蒸馏为小型语言模型配备战略思维模式先验，提升其在复杂任务中的推理与检索能力。

Comments Accepted by ICLR 2026

Prototype-based Explainable Neural Networks with Channel-specific Reasoning for Geospatial Learning Tasks

基于通道特定推理的原型可解释神经网络用于地理空间学习任务

Anushka Narayanan, Karianne J. Bergen

机构 * Department of Earth, Environmental and Planetary Sciences（地球、环境与行星科学系） ； Data Science Institute（数据科学研究所） ； Department of Computer Science（计算机科学系） 纠错

专题命中 规划推理 ：reasoning(title)；分类 cs.LG

AI总结 本研究提出了一种针对多通道地理空间数据的原型可解释神经网络方法，通过通道特定推理提升模型透明度和可信度。

Comments submitted to Environmental Data Science (preprint)

VLM-Guided Experience Replay

基于VLM的经验回放

Elad Sharony, Tom Jurgenson, Orr Krupnik, Dotan Di Castro, Shie Mannor

机构 * Nvidia Research（英伟达研究） 纠错

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

AI总结 本文提出利用VLMs指导经验回放，提升强化学习中样本效率和成功率。

Stream: Scaling up Mechanistic Interpretability to Long Context in LLMs via Sparse Attention

Stream: 通过稀疏注意力扩展机械可解释性以分析LLM中的长上下文

J Rosser, José Luis Redondo García, Gustavo Penha, Konstantina Palla, Hugues Bouchard

机构 * University of Oxford（牛津大学） ； Spotify Spain（Spotify西班牙分公司） ； Spotify Netherlands（Spotify荷兰分公司） ； Spotify UK（Spotify英国分公司） 纠错

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

AI总结 Stream通过稀疏注意力技术实现LLM长上下文的高效可解释性分析，显著减少内存消耗并提升推理轨迹追踪能力。

TransportAgents: a multi-agents LLM framework for traffic accident severity prediction

TransportAgents: 一种用于交通事故严重性预测的多智能体LLM框架

Zhichao Yang, Jiashu He, Jinxuan Fan, Cirillo Cinzia

机构 * Civil and Environmental Engineering, University of Maryland（大学环境工程系，马里兰州大学） ； Computer and Information Science, University of Pennsylvania（计算机与信息科学系，宾夕法尼亚大学） ； Statistics, University of California, Berkeley（统计学系，加州大学伯克利分校） 纠错

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

AI总结 TransportAgents通过多智能体框架提升交通事故严重性预测的准确性与可靠性。

Reflecting with Two Voices: A Co-Adaptive Dual-Strategy Framework for LLM-Based Agent Decision Making

双声道反思：基于LLM的智能体决策的共适应双策略框架

Wentao Zhang, Qunbo Wang, BoXuan Zhao, Tao Zhang, Junsheng Wu, Hongping Gan, Ling Dai, Shizhuang Deng, Shuntong Sun, Yang Liu

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

AI总结 DuSAR通过双策略共适应推理框架，无需演示或微调即可在模拟和真实环境中实现优于现有方法的性能，同时减少token消耗。

SafePred: A Predictive Guardrail for Computer-Using Agents via World Models

SafePred: 通过世界模型为计算机使用代理构建一种预测性防护措施

Yurun Chen, Zeyi Liao, Ping Yin, Taotao Xie, Keting Yin, Shengyu Zhang

机构 * Zhejiang University, China（浙江大学） ； The Ohio State University, USA（俄亥俄州立大学） 纠错

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

AI总结 SafePred通过世界模型预测未来风险，构建风险到决策的循环，提升计算机使用代理的安全性和任务效率。

SkySim: A ROS2-based Simulation Environment for Natural Language Control of Drone Swarms using Large Language Models

SkySim: 一种基于ROS2的无人机群自然语言控制仿真环境

Aditya Shibu, Marah Saleh, Mohamed Al-Musleh, Nidhal Abdulaziz

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

AI总结 SkySim通过基于ROS2的仿真框架，利用大型语言模型实现无人机群的自然语言控制，结合人工势场算法确保安全执行，验证了空间推理精度和实时碰撞避免能力。

TreeMind: Automatically Reproducing Android Bug Reports via LLM-empowered Monte Carlo Tree Search

TreeMind: 通过LLM赋能的蒙特卡洛树搜索自动重现Android bug报告

Zhengyu Chen, Zhaoyi Meng, Wenxiang Zhao, Wansen Wang, Wenchao Huang, Jie Cui, Hong Zhong, Yan Xiong

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

AI总结 TreeMind结合LLM与MCTS算法，通过语义推理和反馈导航，高效重现Android bug报告。

RE-TRAC: REcursive TRAjectory Compression for Deep Search Agents

RE-TRAC: 递归轨迹压缩用于深度搜索代理

Jialiang Zhu, Gongrui Zhang, Xiaolong Ma, Lin Xu, Miaosen Zhang, Ruiqi Yang, Song Wang, Kai Qiu, Zhirong Wu, Qi Dai, Ruichun Ma, Bei Liu, Yifan Yang, Chong Luo, Zhengyuan Yang, Linjie Li, Lijuan Wang, Weizhu Chen, Xin Geng, Baining Guo

机构 * Southeast University（东南大学） ； Waseda University（早稻田大学） ； Tsinghua University（清华大学） ； Brown University（布朗大学） ； Zhejiang University（浙江大学） ； Microsoft（微软） 纠错

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

AI总结 Re-TRAC通过递归轨迹压缩提升深度搜索代理的效率，实现跨轨迹探索与全局规划，显著优于ReAct框架。

Avenir-Web: Human-Experience-Imitating Multimodal Web Agents with Mixture of Grounding Experts

Avenir-Web: 人类经验模拟的多模态网络代理与接地专家混合

Aiden Yiliu Li, Xinyue Hao, Shilong Liu, Mengdi Wang

机构 * University College London（伦敦大学学院） ； The University of Edinburgh（爱丁堡大学） ； Princeton University（普林斯顿大学） 纠错

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

AI总结 Avenir-Web通过融合接地专家与经验模仿规划，实现了在复杂网络界面中可靠执行长周期任务的开源网络代理新纪录。

Insight Agents: An LLM-Based Multi-Agent System for Data Insights

洞察代理：基于LLM的多智能体数据洞察系统

Jincheng Bai, Zhenyu Zhang, Jennifer Zhang, Zhihuai Zhu

机构 * Amazon（亚马逊） 纠错

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

AI总结 本文提出基于LLM的洞察代理系统，通过多智能体架构实现高效的数据洞察与商业决策支持，准确率达90%且延迟低于15秒。

Comments Accepted to SIGIR 2025. DOI: 10.1145/3726302.3731959

Semi-supervised CAPP Transformer Learning via Pseudo-labeling

半监督CAPP变换器学习 via 假设标签

Dennis Gross, Helge Spieker, Arnaud Gotlieb, Emmanuel Stathatos, Panorios Benardos, George-Christopher Vosniakos

机构 * Simula Research Laboratory（Simula研究实验室） ； National Technical University of Athens（希腊国家技术大学） 纠错

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

AI总结 本文提出一种半监督学习方法，通过假设标签改进基于变换器的CAPP模型，提升数据稀缺环境下的制造过程规划准确性。

Large-Scale Optimization Model Auto-Formulation: Harnessing LLM Flexibility via Structured Workflow

大规模优化模型自动生成：通过结构化工作流利用LLM的灵活性

Kuo Liang, Yuhang Lu, Jianming Mao, Shuyi Sun, Chunwei Yang, Congcong Zeng, Xiao Jin, Hanzhang Qin, Ruihao Zhu, Chung-Piaw Teo

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

AI总结 LEAN-LLM-OPT通过结构化工作流利用LLM灵活性，实现大规模优化模型自动生成，并在多个场景中展现优越性能。

Comments Updated version of https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5329027

The Art of Socratic Inquiry: A Framework for Proactive Template-Guided Therapeutic Conversation Generation

苏格拉底式探究的艺术：一种主动模板引导治疗对话生成的框架

Mingwen Zhang, Minqiang Yang, Changsheng Ma, Yang Yu, Hui Bai, Chen Xu, Xiangzhen Kong, Bin Hu

机构 * School of Information Science and Engineering, Lanzhou University（信息科学与工程学院，兰州大学） ； School of Medical Technology, Beijing Institute of Technology（医学技术学院，北京理工大学） 纠错

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

AI总结 本文提出Socratic Inquiry Framework，通过策略锚定和模板检索分离提问时机与内容，提升LLMs的主动提问能力，推动心理引导型大语言模型的发展。

Autonomous Question Formation for Large Language Model-Driven AI Systems

面向大语言模型驱动AI系统的自主问题生成

Hong Su

机构 * School of Computer Science, Chengdu University of Information Technology（计算机学院，成都信息科技学院） 纠错

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

AI总结 本文提出了一种基于人类模拟的框架，使大语言模型驱动的AI系统能够自主生成问题并设定任务，通过环境感知和跨代理感知提示显著提升决策质量。

PRISM: Festina Lente Proactivity -- Risk-Sensitive, Uncertainty-Aware Deliberation for Proactive Agents

PRISM：Festina Lente主动性——面向风险敏感和不确定性意识的主动代理 deliberation

Yuxuan Fu, Xiaoyu Tan, Teqi Hao, Chen Zhan, Xihe Qiu

机构 * Shanghai University of Engineering Science（上海工程技术大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 PRISM通过决策理论门控与选择性慢速推理，提升主动代理的精确性和可控性。

Predicting and improving test-time scaling laws via reward tail-guided search

通过奖励尾部引导搜索预测并改进测试时间扩展规律

Muheng Li, Jian Qian, Wenlong Mou

机构 * Department of Statistical Sciences, University of Toronto（多伦多大学统计科学系） ； Department of AI and Data Science, University of Hong Kong（香港大学人工智能与数据科学系） 纠错

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

AI总结 本文提出通过奖励尾部引导搜索预测并改进LLM测试时间扩展规律，通过动态分配计算资源提升推理能力。

Comments 33 pages, 5 figures

PaperDebugger: A Plugin-Based Multi-Agent System for In-Editor Academic Writing, Review, and Editing

PaperDebugger：一种基于插件的多智能体系统用于编辑器中的学术写作、审阅和编辑

Junyi Hou, Andre Lin Huikai, Nuo Chen, Yiwei Gong, Bingsheng He

机构 * National University of Singapore（新加坡国立大学） 纠错

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

AI总结 PaperDebugger是一种在编辑器内集成多智能体系统和插件的学术写作助手，通过Chrome扩展、Kubernetes编排层和MCP工具链实现LLM驱动的写作、审阅和编辑功能。

AgentRAN: An Agentic AI Architecture for Autonomous Control of Open 6G Networks

AgentRAN: 一种面向自主控制开放6G网络的代理AI架构

Maxime Elkael, Salvatore D'Oro, Leonardo Bonati, Michele Polese, Yunseong Lee, Koichiro Furueda, Tommaso Melodia

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

AI总结 AgentRAN是一种基于自然语言意图的AI代理架构，通过自组织层次结构和AI-RAN工厂实现开放6G网络的自主控制与持续自我优化。

Comments This work has been submitted to the IEEE for possible publication