大模型推理能力

Linear Reasoning vs. Proof by Cases: Obstacles for Large Language Models in FOL Problem Solving

线性推理与证明中的反证法：大型语言模型在一阶逻辑问题解决中的障碍

Yuliang Ji, Fuchen Shen, Jian Wu, Qiujie Xie, Yue Zhang

机构 * Nanjing University of Science and Technology（南京理工大学） ； Westlake University（西湖大学） ； Zhejiang University（浙江大学） 纠错

专题命中 代码与定理证明 ：reasoning(title,abstract)；分类 cs.CL

AI总结 本文提出PC-FOL数据集，通过对比线性推理与基于情况的推理，揭示大型语言模型在FOL问题解决中的核心挑战。

Physics-based phenomenological characterization of cross-modal bias in multimodal models

基于物理现象的多模态模型跨模态偏差表征

Hyeongmo Kim, Sohyun Kang, Yerin Choi, Seungyeon Ji, Junhyuk Woo, Hyunsuk Chung, Soyeon Caren Han, Kyungreem Han

机构 * B rain Science Institute（脑科学研究院） ； Korea Institute of Science and Technology（韩国科学技术院） ； Department of Physics and Astronomy（物理与天文学系） ； Department of Computer Science and Engineering（计算机科学与工程系） ； University of Science and Technology KIST School（科学技术KIST学院） 纠错

专题命中 代码与定理证明 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出基于物理现象的多模态模型跨模态偏差表征方法，揭示多模态输入可能强化模态主导性。

Comments Best Paper Award at BiasinAI track in AAAI2026

MARVEL: Multi-Agent RTL Vulnerability Extraction using Large Language Models

MARVEL：基于大语言模型的多智能体RTL漏洞提取

Luca Collini, Baleegh Ahmad, Joey Ah-kiow, Ramesh Karri

机构 * NYU Tandon School of Engineering（纽约大学Tandon工程学院） 纠错

专题命中 代码与定理证明 ：reasoning(abstract)；分类 cs.AI

AI总结 MARVEL通过多智能体框架利用大语言模型，高效识别RTL代码中的安全漏洞，发现有效漏洞和警告，提升硬件安全验证效率。

Comments Submitted for Peer Review