ChartWalker: Benchmarking the Cross-Chart RAG Task with Hierarchical Knowledge Graphs
ChartWalker: 跨图表RAG任务的基准测试
专题命中 测试时计算 ：reasoning(abstract)
AI总结 提出ChartWalker框架，通过层次化知识图谱和结构感知采样生成跨图表RAG基准，揭示现有方法性能差距。
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. 测试时计算 9 篇
Theorist Toolbox: Tools for Agent Based LLM-assisted economic theory Research
理论家工具箱：基于智能体的LLM辅助经济理论研究工具
专题命中 测试时计算 ：verifier(abstract)
AI总结 提出一种验证优先的经济理论LLM辅助协议，通过三种可重用方法（单次检查、对抗性证明-验证对、多智能体项目）在等级膨胀的Gans-Kominers特征模型上设计Groves/Pigouvian激励机制的实例验证。
2. 复杂问题求解 10 篇
Grounding Multi-Hop Reasoning in Structural Causal Models via Group Relative Policy Optimization
通过群体相对策略优化在结构因果模型中 grounding 多跳推理
机构 * School of Computer Science and Technology, Xinjiang University, Urumqi, China（新疆大学计算机科学与技术学院，乌鲁木齐，中国） ； Beijing Institute of Technology, Beijing, China（北京理工大学，北京，中国） ； Military Science Information Research Center, Academy of Military Science, Beijing, China（军事科学院军事科学信息研究中心，北京，中国）
专题命中 复杂问题求解 ：reasoning(title,abstract)；chain-of-thought(abstract)；CoT(abstract_cn)；分类 cs.AI
AI总结 本文提出基于结构因果模型的多跳事实验证框架，通过群体相对策略优化解决推理链长度与准确率的平衡问题，实验表明其在HoVer和EX-FEVER数据集上优于现有方法。
What's Missing in Vision-Language Models? Probing Their Struggles with Causal Order Reasoning
视觉-语言模型缺少什么？探究它们在因果顺序推理中的困难
机构 * University of Southern California（南加州大学） ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； Texas A&M University（德克萨斯A&M大学）
专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.CL
AI总结 针对VLM在因果推理中的不足，提出VQA-Causal和VCR-Causal基准，发现模型在因果任务上仅略优于随机猜测，归因于训练数据缺乏因果表达，并通过难负例微调改善。
Comments 13 pages
From "Aha Moments" to Controllable Thinking: Toward Meta-Cognitive Reasoning in Large Reasoning Models via Decoupled Reasoning and Control
从“顿悟时刻”到可控思考：通过解耦推理与控制实现大型推理模型中的元认知推理
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Chongqing University of Posts and Telecommunications（重庆邮电大学）
专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.AI
AI总结 针对大型推理模型过度思考问题，提出元认知推理框架MERA，通过解耦推理与控制、构建推理-控制交替序列训练，结合控制段策略优化，提升推理效率与准确性。
SAFARI: Scaling Long Horizon Agentic Fault Attribution via Active Investigation
SAFARI: 通过主动调查扩展长时域智能体故障归因
机构 * Department of Engineering Sciences（工程科学系） ； Applied Mathematics, Northwestern University（应用数学，西北大学）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 提出SAFARI框架，用工具增强的诊断循环替代线性上下文加载，结合短期记忆解耦诊断准确性与上下文限制，在Who&When和TRAIL GAIA数据集上分别提升20%和19%，并在超出上下文窗口5倍时保持0.58精度。
Comments Published at the Second Workshop on Agents in the Wild: Safety, Security, and Beyond (AIWILD) at ICML 2026
VeriPilot: An LLM-Powered Verilog Debugging Framework
VeriPilot：一个基于LLM的Verilog调试框架
机构 * State Key Lab of Processors, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所国家专用集成电路设计实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； North China Electric Power University（华北电力大学）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 提出VeriPilot框架，利用黄金参考模型和LLM实现细粒度Verilog调试，通过内部变量语义对齐和CDFG信号追踪定位并修复错误，在CVDP基准上将GPT-4o修复成功率从54.3%提升至85.71%。
Comments 13 pages, 6 figures
ErrorLLM: Modeling SQL Errors for Text-to-SQL Refinement
ErrorLLM: 为文本到SQL精炼建模SQL错误
机构 * The Hong Kong Polytechnic University（香港理工大学） ； City University of Macau（澳门城市大学） ； Jilin University（吉林大学） ； Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Beihang University（北航大学）
专题命中 复杂问题求解 ：self-correction(abstract)；分类 cs.CL
AI总结 提出ErrorLLM框架，通过专用错误令牌和结构特征显式建模SQL错误，结合静态检测与错误引导精炼，显著提升文本到SQL生成质量。
Comments Accepted to SIGKDD2026
Multimedia and Visual Analytics in the Agentic Era
代理时代的多媒体与可视化分析
机构 * University of Amsterdam（阿姆斯特丹大学） ； Czech Technical University in Prague（布拉格捷克技术大学） ； Eindhoven University of Technology（埃因霍温理工大学）
专题命中 复杂问题求解 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出一个框架，将多媒体与可视化分析结合，以支持专业用户从大规模多媒体集合中获取可操作见解，实现人类与AI的真正协作。
Universal Guideline-Driven Image Clustering via a Hybrid LLM Agent
通用指南驱动图像聚类：基于混合LLM代理
机构 * The University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； Amazon（亚马逊）
专题命中 复杂问题求解 ：reasoning(abstract)
AI总结 提出首个通用图像聚类框架，通过文本指南弥合任务差异，利用生成式概念代理建模和基于最小生成树的LLM遍历，在多种聚类场景中超越专用方法。
Comments CVPR 2026
Complex Autonomous UAV Task Execution and Decision-Making With s(CASP)
基于s(CASP)的复杂自主无人机任务执行与决策
专题命中 复杂问题求解 ：reasoning(abstract)
AI总结 提出使用s(CASP)回答集编程系统构建符号状态中心的无人机代理，在虚幻引擎5环境中实现基于约束的常识推理，支持多步骤自主行为并动态调整计划，确保决策正确可解释。
MSPL: Multi-Step Pseudo-Labeling for Open-Vocabulary Object Detection
MSPL: 用于开放词汇目标检测的多步伪标签方法
机构 * KAIST AI（韩国韩世大学AI研究所） ； Boston University（波士顿大学）
专题命中 复杂问题求解 ：reasoning(abstract)
AI总结 提出MSPL框架，通过多步视觉推理（目标定位、类别识别、背景确认）生成伪标签，解决开放词汇检测中单步图像-文本匹配忽略中间推理步骤的问题，在OV-COCO和OV-LVIS上取得最优性能。
Comments This paper has been accepted by ECCV 2026
3. 推理评测 30 篇
UniDrive: A Unified Vision-Language and Grounding Framework for Interpretable Risk Understanding in Autonomous Driving
UniDrive: 面向自动驾驶可解释风险理解的统一视觉-语言与定位框架
机构 * organization= Department of Earth Science \& Engineering, Imperial College London , city= London , postcode= SW7 2AZ , country= United Kingdom ； organization= SpaceTimeLab, Department of Civil, Environmental ； Geomatic Engineering, University College London , city= London , postcode= WC1E 6BT , country= United Kingdom ； organization= Department of Computing, The Hong Kong Polytechnic University , city= Hong Kong , country= China ； organization= Trinity College, University of Oxford , city= Oxford , postcode= OX1 3BH , country= United Kingdom ； organization= Department of Geography, University College London , city= London , postcode= WC1E 6BT , country= United Kingdom ； organization= Centre for Global Infrastructure Resilience, The Bartlett School of Sustainable Construction, University College London , city= London , postcode= WC1E 7HB , country= United Kingdom
专题命中 推理评测 ：reasoning(summary_cn,abstract)；分类 cs.AI
AI总结 提出UniDrive框架，通过融合时序推理与高分辨率感知分支，联合生成风险描述和边界框定位，在DRAMA-Reasoning基准上超越现有方法，提升小目标定位和可解释性。
Age of LLM: A Strategic 1v1 Benchmark for Reasoning, Diplomacy and Reliability of Large Language Models under Fog of War
LLM时代：战争迷雾下大型语言模型的推理、外交与可靠性的战略1v1基准测试
机构 * Independent researcher, Switzerland（瑞士独立研究员）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL、cs.AI
AI总结 提出Age of LLM基准，在13x7网格上让两个LLM进行1v1对战，包含战争迷雾、完全外交和严格JSON格式可靠性维度，通过54场比赛评估15个推理模型，发现核冲刺主导、外交频繁但极少达成、非法动作反映信念追踪，并初步关联可靠性与获胜。
Comments 25 pages including appendices, 8 figures, 4 tables; appendices include verbatim system prompt and engine resolution pseudocode. All correlations reported with p-values, 95% bootstrap confidence intervals and Spearman's rho; includes a Steiger test and Bradley-Terry fit
CineCap: Structured Reasoning with Spatio-Temporal Anchors for Cinematographic Video Captioning
CineCap: 基于时空锚点的结构化推理用于电影化视频描述
机构 * The Chinese University of Hong Kong（香港中文大学） ； Xiamen University（厦门大学） ； Kling Team, Kuaishou Technology（快手科技Kling团队） ； National University of Singapore（新加坡国立大学） ； Southern University of Science and Technology（南方科技大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出CineCap框架，通过时空锚点结构化推理和强化学习（覆盖完整性、准确性和门控覆盖奖励）生成电影化视频描述，在CineCap Bench基准上达到新最优。
Comments 10 pages, 4 figures
AGORA: An Archive-Grounded Benchmark for Agentic Workplace Document Reasoning
AGORA：基于档案的智能体工作场所文档推理基准
机构 * Fudan University（复旦大学） ； Zhejiang University（浙江大学） ； Shanghai Qiji Zhifeng Co., Ltd.（上海奇绩智峰有限公司）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 提出AGORA基准，包含362个问题、8个领域共9664份真实文档（3.72亿词元），要求智能体在超大档案中主动搜索稀疏证据并推理答案，最强模型准确率仅59.4%。
Legal Reasoning Is Not Lawyering: Rethinking Legal Benchmarks for Pro Se Access to Justice
法律推理不是律师工作：重新思考面向自助诉讼的司法基准
机构 * Yale Law School, USA（耶鲁法学院，美国）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文指出当前法律AI基准仅评估专家预处理后的输入，忽略了自助诉讼者提供的杂乱、有误的提示，导致模型性能高估；通过实验展示上下界差距，呼吁建立直接衡量鲁棒性的基准。
Comments Both authors contributed equally. Accepted to the AI4Law Workshop at ICML 2026
To Compare, or Not to Compare: On Methodological Practices in Evaluating Social Bias
比较还是不比较：论评估社会偏见的方法论实践
机构 * Tsinghua University（清华大学） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； Ubiquitous Knowledge Processing Lab (UKP Lab), Department of Computer Science, TU Darmstadt and National Research Center for Applied Cybersecurity ATHENE（普适知识处理实验室（UKP Lab），计算机科学系，达姆施塔特工业大学及国家应用网络安全研究中心ATHENE）
专题命中 推理评测 ：reasoning(abstract)；chain-of-thought(abstract)；CoT(abstract)；分类 cs.CL
AI总结 提出统一框架标准化异构基准，揭示孤立评估与强制比较设置间的系统性范式差距，发现比较设置会催化潜在歧视，且链式思维推理加剧偏见，规模越大偏见越强。
Quantifying Prior Dominance in RAG Systems
量化RAG系统中的先验主导性
机构 * ArtificialGate Ltd.（ArtificialGate有限公司）
专题命中 推理评测 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.AI
AI总结 提出归一化上下文利用（NCU）指标，通过连续token对数概率严格量化RAG系统的上下文信息增益，发现小语言模型在严格事实提取中匹配或超越大模型，且先验主导性与模型规模及专有对齐相关。
Comments 15 pages, Preprint
Rule2Text: A Framework for Generating and Evaluating Natural Language Explanations of Knowledge Graph Rules
Rule2Text：知识图谱规则的自然语言解释生成与评估框架
机构 * University of Texas at Arlington（德克萨斯理工大学）
专题命中 推理评测 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.AI
AI总结 提出Rule2Text框架，利用大语言模型将知识图谱挖掘的逻辑规则转化为自然语言解释，通过人类评估和LLM-as-a-judge验证，微调开源模型显著提升解释质量。
Comments arXiv admin note: text overlap with arXiv:2507.23740
When Helpfulness Overrides Causal Caution: Context-Dependent Suppression and Recovery in LLMs
当有用性凌驾于因果谨慎之上：LLM中的上下文依赖抑制与恢复
机构 * Mitsubishi Research Institute, Inc.（三菱电机研究所） ； Kobe University（北九州市立大学）
专题命中 推理评测 ：reasoning(abstract)；self-correction(abstract)；分类 cs.AI
AI总结 研究LLM从学术到实践咨询语境中因果谨慎的系统性抑制，发现有用性导向响应模式导致因果谨慎表达大幅下降，而自纠正提示可有效恢复。
Comments 43 pages, 3 figures, 5 tables. SSRN Abstract ID: 6965680
CAVEWOMAN: How Large Language Models Behave Under Linguistic Input and Output Compression
CAVEWOMAN: 大型语言模型在语言输入和输出压缩下的行为
机构 * Independent（独立研究者） ； Adobe Research（Adobe研究院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出双通道评估协议CAVEWOMAN，发现输出压缩降低API模型成本（1.4-2.4倍），输入压缩反而增加成本（~1.15倍）并导致准确率下降和文本偏离。
Deep Research in Physical Sciences: A Multi-Agent Framework and Comprehensive Benchmark
物理科学中的深度研究：多智能体框架与综合基准
专题命中 推理评测 ：reasoning(abstract)；planning(abstract)
AI总结 提出PhySciBench基准评估LLM在物理科学中的深度研究能力，并开发DelveAgent多智能体框架，通过自适应规划、双粒度记忆和分层反思机制提升准确率并降低推理成本。
Comments v3: fix error and add data, codes publicly link on Abstract
Safety Under Scaffolding: How Evaluation Conditions Shape Measured Safety
脚手架下的安全性：评估条件如何影响测量的安全性
机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本研究通过62,808次盲法预注册评估，测试了六种前沿模型在四种部署配置下的安全性，发现脚手架架构对安全性影响较小，而格式转换（如选择题与开放式问题）可导致5-20个百分点的测量差异，且模型-脚手架间存在显著异质性，质疑了单一综合安全性分数的实用性。
Comments 74 pages including appendices. 6 frontier models, 62,808 primary observations (~89k total). Pre-registered: OSF DOI 10.17605/OSF.IO/CJW92. Code and data: https://github.com/davidgringras/safety-under-scaffolding
Tuning without Peeking: Provable Generalization Bounds and Robust LLM Post-Training
无窥调优：可证明的泛化边界与鲁棒的大语言模型后训练
机构 * Meta FAIR ； LISN, Inria, CNRS（LISN，Inria，CNRS） ； NYU Courant Institute（NYU Courant学院）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 提出BBoxER黑盒进化方法用于LLM后训练，通过隐式压缩数据诱导信息瓶颈，提供非平凡泛化边界和对数据投毒、提取攻击的鲁棒性理论保证，实验证明其有效性和隐私保护。
Riemann-Bench: A Benchmark for Moonshot Mathematics
Riemann-Bench: 面向登月级数学的基准测试
机构 * Surge AI
专题命中 推理评测 ：reasoning(abstract,comments)；分类 cs.AI；logical reasoning(comments)
AI总结 提出Riemann-Bench基准，由专家设计研究级数学问题，评估AI系统超越奥数水平的推理能力，结果显示前沿模型得分低于10%。
Comments Accepted to Logical Reasoning of Large Language Models, ICLR 2026
AdversaBench: Automated LLM Red-Teaming with Multi-Judge Confirmation and Cross-Model Transferability
AdversaBench: 基于多裁判确认与跨模型迁移性的自动化大语言模型红队测试
机构 * Indian Institute of Technology Jodhpur（印度理工学院焦特布尔分校）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 提出AdversaBench端到端红队测试流水线，使用五种结构化算子变异种子提示，通过三裁判加元裁判机制确认失败，实验发现算子效果因类别而异、二元失败率掩盖难度、裁判一致性受标签偏斜影响、对抗提示可跨模型迁移。
Comments 10 pages, 4 figures, 5 tables. Code and data at https://github.com/khanak0509/AdversaBench
RoPE-Aware Bit Allocation for KV-Cache Quantization
RoPE感知的KV缓存量化比特分配
机构 * Hong Kong University of Science and Technology（香港科技大学） ； The Chinese University of Hong Kong（香港中文大学） ； MiMo, Xiaomi Corporation（小米集团 MiMo）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL、cs.LG
AI总结 针对RoPE下键缓存量化中不同频率块对误差敏感度不同的问题，提出Block-GTQ比特分配器，通过能量评分和贪心分配提升量化精度，在长上下文任务中显著恢复性能。
Comments Preprint. Code available at https://github.com/JIA-Lab-research/blockgtq
Accuracy and Satisfaction in Multi-Turn LLM Dialogues for NFR Assessment
多轮LLM对话中NFR评估的准确性与满意度
机构 * University of Maine（缅因大学） ； University of Notre Dame（圣母大学）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI
AI总结 研究开发者在与LLM对话助手评估非功能需求（NFR）时的准确性和满意度，发现开发者倾向于同意LLM评估但准确性低，且长回复和过多信息提供轮次降低满意度，而主动交互提升满意度。
Comments 9 pages, 5 figures. Accepted to SIGDIAL 2026 (27th Annual Meeting of the Special Interest Group on Discourse and Dialogue)
SHERLOC: Structured Diagnostic Localization for Code Repair Agents
SHERLOC: 代码修复智能体的结构化诊断定位
机构 * NVIDIA（英伟达） ； Santa Clara, CA 95051, USA（美国加利福尼亚州圣克拉拉） ； TU Darmstadt（达姆施塔特工业大学） ； National Research Center for Applied Cybersecurity ATHENE（国家应用网络安全研究中心 ATHENE）
专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL
AI总结 提出SHERLOC框架，通过推理LLM与紧凑仓库工具及自恢复机制，实现无需微调的结构化诊断定位，在SWE-Bench上达到最优定位精度，并提升修复率、降低令牌消耗。
