大模型推理能力

ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference

ODAR：通过主动推断实现LLM推理的原理性自适应路由

Siyuan Ma, Bo Gao, Xiaojun Jia, Simeng Qin, Tianlin Li, Ke Ma, Xiaoshuang Jia, Wenqi Ren, Yang Liu

机构 * Nanyang Technological University（南洋理工大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Northeast University (Qinhuangdao Campus)（东北大学（秦皇岛校区）） ； Beihang University（北航） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Renmin University of China（中国人民大学） ； Sun Yat-sen University（中山大学） 纠错

专题命中 测试时计算 ：reasoning(title,abstract)；test-time compute(abstract)；分类 cs.AI

AI总结 ODAR通过主动推断实现LLM推理的原理性自适应路由，优化精度-效率权衡，提升计算匹配下的准确率并降低计算成本。

Latent Self-Consistency for Reliable Majority-Set Selection in Short- and Long-Answer Reasoning

潜在自一致性用于短答和长答推理中可靠多数集选择

Jungsuk Oh, Jay-Yoon Lee

专题命中 测试时计算 ：reasoning(title,abstract)；分类 cs.CL、cs.AI

AI总结 LSC通过学习token嵌入选择语义一致的响应，有效提升短答和长答推理中的多数集选择可靠性，且计算开销低。

Linking Process to Outcome: Conditional Reward Modeling for LLM Reasoning

将过程与结果联系起来：用于大语言模型推理的条件奖励建模

Zheng Zhang, Ziwei Shan, Kaitao Song, Yexin Li, Kan Ren

专题命中 测试时计算 ：reasoning(title,abstract)；分类 cs.LG

AI总结 本文提出条件奖励建模（CRM），通过将LLM推理视为时间过程，解决奖励分配模糊性和奖励黑客问题，提升推理性能。

p-less Sampling: A Robust Hyperparameter-Free Approach for LLM Decoding

p-less采样：一种无需超参数的LLM解码方法

Runyan Tan, Shuang Wu, Phillip Howard

专题命中 测试时计算 ：reasoning(abstract)；logical reasoning(abstract)；分类 cs.CL、cs.AI

AI总结 p-less采样是一种无需超参数的LLM解码方法，通过动态截断阈值提高生成质量并减少温度对文本质量的影响。

Rudder: Steering Prefetching in Distributed GNN Training using LLM Agents

Rudder: 在分布式GNN训练中利用LLM代理进行转向预取

Aishwarya Sarkar, Sayan Ghosh, Nathan Tallent, Aman Chadha, Tanya Roosta, Ali Jannesari

机构 * Iowa State University（爱荷华州立大学） ； Pacific Northwest National Laboratory（太平洋西北国家实验室） ； Amazon GenAI（亚马逊生成人工智能） ； University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 测试时计算 ：reasoning(abstract)；分类 cs.AI、cs.LG

AI总结 Rudder利用LLM代理的生成式AI能力，通过自适应预取减少分布式GNN训练中的通信开销，提升训练性能达91%。

Comments Accepted to the 40th ACM International Conference on Supercomputing (ICS 2026)