Align to Structure: Aligning Large Language Models with Structural Information
对齐结构：将大型语言模型与结构信息对齐
专题命中 规划推理 ：planning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 通过整合语言学话语框架到强化学习中，结构对齐方法提升LLMs在长文本生成和摘要任务中的连贯性和结构组织能力。
Comments Accepted to AAAI 2026 AIA
AI 大模型
大模型推理能力
大模型数学、逻辑、规划、多步推理和测试时计算能力。
1. 规划推理 25 篇
Cognitively Diverse Multiple-Choice Question Generation: A Hybrid Multi-Agent Framework with Large Language Models
具有大语言模型的混合多智能体框架的认知多样性多项选择题生成
机构 * Arizona State University（亚利桑那州立大学）
专题命中 规划推理 ：planning(abstract)；分类 cs.CL、cs.AI
AI总结 ReQUESTA通过混合多智能体框架生成认知多样化的多项选择题，提升生成的题目难度、区分度和语义一致性。
Comments This manuscript is under review at Electronics
Controlling Output Rankings in Generative Engines for LLM-based Search
在基于大语言模型的搜索生成引擎中控制输出排名
机构 * School of Information Sciences, University of Illinois at Urbana-Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校信息科学学院） ； Independent Researcher, Starc Institute（Starc研究所独立研究者） ； Research Scientist, Intel Labs, Santa Clara, CA, USA（英特尔实验室研究科学家）
专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 CORE通过优化内容生成，提升基于LLM的搜索中小企业产品的可见性，实现高推广成功率。
Comments 23 pages
TraceNAS: Zero-shot LLM Pruning via Gradient Trace Correlation
TraceNAS: 通过梯度轨迹相关性实现零样本LLM剪枝
专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL、cs.LG
AI总结 TraceNAS通过梯度轨迹相关性实现零样本LLM剪枝，高效发现高保真剪枝模型，减少GPU计算成本并提升模型性能。
Comments Preprint
STEER: Inference-Time Risk Control via Constrained Quality-Diversity Search
STEER: 通过受约束的质量多样性搜索实现推理时间的风险控制
专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 STEER通过受约束的质量多样性搜索实现推理时间的风险控制，提供可调节的决策保守性调整，提升临床分诊等场景下的行为覆盖和准确性。
Comments 20 pages
A Positive Case for Faithfulness: LLM Self-Explanations Help Predict Model Behavior
对忠实性的积极案例：LLM自我解释有助于预测模型行为
机构 * University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； University College London（伦敦大学学院） ； Google DeepMind（谷歌DeepMind）
专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出NSG度量标准，证明LLM自我解释能提升模型行为预测能力，且比外部生成解释更具预测价值，揭示了自我解释在AI监督中的积极作用。
HyPAC: Cost-Efficient LLMs-Human Hybrid Annotation with PAC Error Guarantees
HyPAC: 低成本的LLM-人类混合标注与PAC误差保证
机构 * Department of Statistics and Data Science, Southern University of Science and Technology, China（统计与数据科学系，南方科技大学） ； Department of Statistics, University of California at Riverside, USA（统计系，加州大学河滨分校） ； College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学） ； School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen, China（人工智能学院，香港中文大学（深圳））
专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 HyPAC通过自适应路由和PAC误差保证，实现低成本高效标注，降低78.51%成本并严格控制误差。
FullStack-Agent: Enhancing Agentic Full-Stack Web Coding via Development-Oriented Testing and Repository Back-Translation
全栈代理：通过面向开发的测试和仓库反翻译增强全栈网页编码
机构 * Multimedia Laboratory (MMLab), The Chinese University of Hong Kong（香港中文大学多媒体实验室） ； Shenzhen Loop Area Institute（深圳河套学院）
专题命中 规划推理 ：planning(abstract)；分类 cs.CL
AI总结 FullStack-Agent通过面向开发的测试和仓库反翻译提升全栈网页编码能力，其多代理框架和自我改进方法在多个测试用例中表现出色。
Reinforcement Fine-Tuning for History-Aware Dense Retriever in RAG
强化微调用于历史感知密集检索器在RAG中
机构 * College of Computer Science and Technology, Zhejiang University, Hangzhou, China（浙江大学计算机科学与技术学院） ； Ningbo Global Innovation Center, Zhejiang University, Ningbo, China（浙江大学宁波全球创新中心） ； Department of Computer Science, National University of Singapore, Singapore（新加坡国立大学计算机科学系）
专题命中 规划推理 ：reasoning(abstract)；分类 cs.LG
AI总结 本文提出通过强化学习优化RAG中的检索器，通过引入随机采样和历史状态缓解状态别名问题，提升检索性能。
Comments On going work. Codes are released at https://github.com/zyc140345/HARR
Lookahead Path Likelihood Optimization for Diffusion LLMs
前瞻路径似然优化用于扩散大语言模型
机构 * Institute for Artificial Intelligence, Peking University（人工智能研究院，北京大学） ； School of Computing, National University of Singapore（计算学院，新加坡国立大学） ； School of Intelligence Science and Technology, Peking University（智能科学与技术学院，北京大学）
专题命中 规划推理 ：reasoning(abstract)；分类 cs.LG
AI总结 本文提出POKE-SMC方法，通过优化路径似然提升扩散大语言模型的解屏蔽路径准确性，实验表明在同等计算开销下，平均提升2%-3%的准确性。
MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning
MedSAM-Agent: 通过多轮代理强化学习赋能交互式医学图像分割
机构 * Chinese University of Hong Kong, Hong Kong SAR, China（香港中文大学） ； Hunyuan Group, Tencent（腾讯洪音集团） ； Institute of Automation, the Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所） ； Dalian University of Technology, Dalian, China（大连理工大学） ； Stanford University, Stanford, USA（斯坦福大学）
专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI
AI总结 MedSAM-Agent通过多轮代理强化学习提升医学图像分割的交互效率与准确性
Comments 23 Pages, 4 Figures
IMAGINE: Intelligent Multi-Agent Godot-based Indoor Networked Exploration
IMAGINE: 基于 Godot 的智能多智能体室内网络探索
机构 * Institute for Systems and Robotics（系统研究所）
专题命中 规划推理 ：planning(abstract)；分类 cs.LG
AI总结 本文提出基于Godot的多智能体强化学习方法，用于解决室内未知环境中的自主协作探索问题，通过高保真模拟和课程学习提升训练效率与鲁棒性。
Comments 12 pages, submitted to a journal
Failure is Feedback: History-Aware Backtracking for Agentic Traversal in Multimodal Graphs
失败是反馈：面向多模态图中代理遍历的历史感知回溯
专题命中 规划推理 ：reasoning(abstract)
AI总结 FiF通过历史感知回溯和经济理性的代理工作流程，提升多模态图中检索的适应性和效率。
Comments Project page: https://failureisfeedback.github.io/
Real-World Applications of AI in LTE and 5G-NR Network Infrastructure
AI在LTE和5G-NR网络基础设施中的实际应用
专题命中 规划推理 ：planning(abstract)
AI总结 本文提出利用AI技术优化LTE和5G-NR网络，通过AI辅助规划、强化学习优化和边缘托管模型，提升网络性能并扩大数字服务的可及性。
Comments 6 pages and 3 figures
PROBE: Co-Balancing Computation and Communication in MoE Inference via Real-Time Predictive Prefetching
PROBE: 通过实时预测预取在MoE推理中协同平衡计算与通信
专题命中 规划推理 ：planning(abstract)
AI总结 PROBE通过实时预测预取技术，在MoE推理中平衡计算与通信，减少预填延迟并提升解码吞吐量。
2. 视觉空间推理 12 篇
Thinking with Comics: Enhancing Multimodal Reasoning through Structured Visual Storytelling
用漫画思考：通过结构化视觉叙事增强多模态推理
机构 * Harbin Institute of Technology（哈尔滨工业大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)；chain-of-thought(abstract)；分类 cs.AI
AI总结 本文提出用漫画作为中间视觉表示，通过结构化视觉叙事提升多模态推理效率和性能。
Comments Working paper
Bongards at the Boundary of Perception and Reasoning: Programs or Language?
Bongards在感知与推理边界上的问题：程序还是语言？
机构 * Cornell University（康奈尔大学） ； Shanghai Jiao Tong University（上海交通大学） ； Nanyang Technological University（南洋理工大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出了一种神经符号方法，利用大语言模型和贝叶斯优化解决Bongard问题，通过生成参数化程序化表示来提升视觉推理能力。
Comments 6 pages, 5 figures
Visual Reasoning over Time Series via Multi-Agent System
通过多智能体系统进行时间序列的视觉推理
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
专题命中 视觉空间推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 MAS4TS通过多智能体系统实现时间序列的视觉推理，利用分析-推理-执行范式，结合视觉语言模型和工具链，提升时间序列任务的性能和泛化能力。
Ground-R1: Incentivizing Grounded Visual Reasoning via Reinforcement Learning
Ground-R1: 通过强化学习激励基于地面的视觉推理
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Peking University（北京大学） ； University of Science and Technology of China（中国科学技术大学） ； Sun Yat-sen University（中山大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 Ground-R1 通过 Scale Relative Policy Optimization 方法，解决 LVLM 在视觉证据 grounding 方面的偏差问题，提升推理准确性和证据 grounding 能力。
VIRAL: Visual In-Context Reasoning via Analogy in Diffusion Transformers
VIRAL: 通过类比在扩散变换器中实现视觉上下文推理
机构 * School of Data Science and Engineering, East China Normal University, Shanghai, China（数据科学与工程学院，东华大学，上海，中国） ； Alibaba Group, Hangzhou, China（阿里巴巴集团，杭州，中国）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 VIRAL通过类比和扩散变换器实现视觉上下文推理，解决视觉任务异质性问题，提升开放域编辑性能。
DWIM: Towards Tool-aware Visual Reasoning via Discrepancy-aware Workflow Generation & Instruct-Masking Tuning
DWIM: 向工具感知的视觉推理迈进：通过差异感知的工作流生成与指令遮蔽微调
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 DWIM通过差异感知的工作流生成与指令遮蔽微调，提升工具感知的视觉推理性能。
Comments ICCV 2025
Journal ref In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) 2025
Experience-Driven Multi-Agent Systems Are Training-free Context-aware Earth Observers
基于经验的多智能体系统是无需训练的上下文感知地球观测者
机构 * The University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所AIP） ； Hokkaido University（北海道大学）
专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 GeoEvolver通过结构化交互使LLM代理无需训练即可获得地球观测专业知识，提升复杂任务的成功率。
Comments 21 pages, 6 figures
A Scene Graph Backed Approach to Open Set Semantic Mapping
基于场景图的开放集合语义映射方法
专题命中 视觉空间推理 ：reasoning(abstract)
AI总结 本文提出基于场景图的开放集合语义映射方法，通过实时更新三维语义场景图，实现大规模环境中的稳定、可验证的映射结构，提升感知与高层推理的一致性与效率。
MultiMAE for Brain MRIs: Robustness to Missing Inputs Using Multi-Modal Masked Autoencoder
MultiMAE用于脑部MRI：通过多模态掩码自编码器提高对缺失输入的鲁棒性
机构 * Department of Radiation Oncology, TUM University Hospital, Munich, Germany（辐射肿瘤科，技术大学慕尼黑医院，慕尼黑，德国） ； Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM)（医疗与医学人工智能教研室，技术大学慕尼黑（TUM）） ； TUM University Hospital, Munich, Germany（技术大学慕尼黑医院，慕尼黑，德国） ； Chair for AI for Image-Guided Diagnosis and Therapy, Technical University of Munich (TUM)（图像引导诊断与治疗人工智能教研室，技术大学慕尼黑（TUM）） ； Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心（MCML），慕尼黑，德国） ； Department of Computing, Imperial College London, London, UK（计算系，伦敦帝国学院，伦敦，英国） ； Deutsches Konsortium für Translationale Krebsforschung (DKTK), Partner Site Munich, Munich, Germany（德国转化癌症研究联盟（DKTK），慕尼黑合作伙伴站点，慕尼黑，德国） ； Institute of Radiation Medicine (IRM), Department of Radiation Sciences (DRS), Helmholtz Center Munich, Munich, Germany（辐射医学研究所（IRM），辐射科学部门（DRS），慕尼黑海德堡中心，慕尼黑，德国）
专题命中 视觉空间推理 ：reasoning(abstract)
AI总结 MultiMAE通过多模态掩码自编码器提升脑部MRI在缺失输入下的鲁棒性，实现分割和分类任务的性能提升。
Comments Official implementation: https://github.com/chris-beischl/multimae-for-brain-mri
Multi-Resolution Alignment for Voxel Sparsity in Camera-Based 3D Semantic Scene Completion
基于体素稀疏性的多分辨率对齐方法用于基于摄像头的3D语义场景补全
机构 * Wangxuan Institute of Computer Technology, Peking University（王宣计算机技术研究所，北京大学）
专题命中 视觉空间推理 ：planning(abstract)
AI总结 本文提出多分辨率对齐方法，通过多分辨率特征对齐和关键分布一致性损失缓解基于摄像头的3D语义场景补全中的体素稀疏性问题。
Comments 15 pages, 6 figures, accepted by TIP 2026
USS-Nav: Unified Spatio-Semantic Scene Graph for Lightweight UAV Zero-Shot Object Navigation
USS-Nav: 一体化空间语义场景图用于轻量级无人机零样本物体导航
机构 * School of Aeronautic Science and Engineering, Beihang University, Beijing 100191, China（北京航空航天大学航空科学与工程学院） ； State Key Laboratory of Industrial Control Technology, Zhejiang University, Hangzhou 310027, China（浙江大学工业控制技术状态重点实验室） ； Differential Robotics, Hangzhou 311121, China（杭州差分机器人）
专题命中 视觉空间推理 ：reasoning(abstract)
AI总结 USS-Nav通过构建一体化空间语义场景图，实现轻量级无人机在未知环境中的高效零样本物体导航，提升计算效率和实时更新能力。
State of the Art of LLM-Enabled Interaction with Visualization
大语言模型赋能的可视化交互现状
专题命中 视觉空间推理 ：reasoning(abstract)
AI总结 本文系统回顾了大语言模型与可视化交互的研究现状，分析了6个维度的48篇论文，突出了新兴设计模式和评估挑战，旨在指导未来LLM增强的可视化研究和系统设计。
Comments Submitted to STARs of EuroVis'26
3. 测试时计算 12 篇
Don't Overthink it. Preferring Shorter Thinking Chains for Improved LLM Reasoning
不要过度思考。为改进大语言模型推理而偏好更短的思考链
机构 * FAIR Team, Meta（Meta FAIR团队） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
专题命中 测试时计算 ：reasoning(title,abstract)；test-time compute(abstract)；分类 cs.CL、cs.AI
AI总结 本研究提出short-m@k方法，通过并行生成较短的思考链提高大语言模型推理效率，实验表明其在低计算环境下表现优于传统多数投票。
A Single Revision Step Improves Token-Efficient LLM Reasoning
一步修订提升令牌高效大语言模型推理
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Georgia（佐治亚大学）
专题命中 测试时计算 ：reasoning(title,abstract)；test-time compute(abstract)；分类 cs.LG
AI总结 PACER通过轨迹间互相审查提升令牌高效大语言模型推理准确性，显著优于传统投票方法。
The Path of Least Resistance: Guiding LLM Reasoning Trajectories with Prefix Consensus
最小阻力路径：利用前缀一致性引导大语言模型推理轨迹
机构 * Fujitsu Research India（富士通印度研究实验室） ； SRID ； Samsung R&D Institute India-Delhi（三星印度德里研发研究所）
专题命中 测试时计算 ：reasoning(title,abstract)；分类 cs.CL、cs.AI
AI总结 PoLR通过利用前缀一致性在推理过程中提高计算效率，减少令牌使用和延迟，同时保持自我一致性方法的准确性。
Comments Accepted at ICLR 2026. https://openreview.net/forum?id=hrnSqERgPn
