AI 大模型
大模型数学、逻辑、规划、多步推理和测试时计算能力。
从准确率到鲁棒性：数学推理中基于规则与基于模型的验证器研究
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Chinese University of Hong Kong（香港中文大学） ； Tsinghua University（清华大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本研究以数学推理为案例，分析了基于规则与基于模型的验证器在静态评估和RL训练中的表现，发现两类验证器分别存在误拒和奖励黑客问题，为开发更优RL奖励系统提供了参考。
Comments EMNLP 2026 Main Conference
用于物理推理的解耦物理建模与执行
机构 * University of Pennsylvania（宾夕法尼亚大学） ； William & Mary（威廉玛丽学院） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon（亚马逊公司） ； Stevens Institute of Technology（史蒂文斯理工学院） ； Northwestern University（西北大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.CL、cs.LG
AI总结 该研究提出解耦物理建模与执行的统一框架，通过两阶段后训练策略提升小型大语言模型物理推理性能，在多个基准上实现约3%的平均性能提升。
TRACES：用于适应性成本高效提前停止的推理步骤标记
机构 * IBM Research Europe（IBM欧洲研究院） ； Trinity College Dublin（三一学院） ； ADAPT Research Centre（ADAPT研究中心）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 TRACES通过实时标记推理步骤，实现大语言模型推理的适应性成本高效提前停止，通过监控特定步骤类型提升数学和知识推理任务的效率与准确性。
Comments Accepted at the Third Conference on Language Modeling (COLM 2026)
GSM8K-V：视觉语言模型能否在视觉语境下解决小学级数学应用题
专题命中 数学推理 ：reasoning(abstract)；math reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 本研究构建了多图像视觉数学基准GSM8K-V，评估34个VLMs发现其存在显著模态差距，最优模型仅达59%准确率，瓶颈为隐式视觉推理错误，且视觉数学优化模型在此无提升。
Comments 59 pages, 7 figures, Project Page: this https URL (https://zju-real.github.io/GSM8K-V) Code: this https URL (https://github.com/ZJU-REAL/GSM8K-V) Datasets: this https URL (https://huggingface.co/datasets/ZJU-REAL/GSM8K-V) Accepted at EMNLP 2026 Main Conference. Updated to the camera-ready version with additional experiments, analyses, and revisions
利用野外AI代理的集体智慧实现新发现
机构 * Together AI ； Stanford University（斯坦福大学）
专题命中 数学推理 ：verifier(abstract)；分类 cs.CL、cs.AI
AI总结 提出EinsteinArena平台，通过开放分布式环境中的自主代理交互，在数学问题中实现12项新最优结果，展示了集体AI驱动研究的范式。
Comments Updated to correct a mistake
多模态智能体真的从工具使用中受益吗？能力增益的系统性研究
专题命中 数学推理 ：reasoning(abstract)；分类 cs.AI
AI总结 通过对比工具增强与无工具的多模态智能体在多项任务上的表现，发现工具使用并未带来一致的性能提升，智能体更多是学会了工具调用模式而非真正利用工具扩展能力。
HybridProver：结合大语言模型驱动的证明合成与精化增强定理证明
机构 * College of Computer Science and Technology Zhejiang University（浙江大学计算机科学与技术学院） ； Siebel Center for Computer Science University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学中心）
专题命中 代码与定理证明 ：reasoning(abstract)；planning(abstract)；分类 cs.AI
AI总结 本研究提出HybridProver框架，以证明草图为中间表示集成两种定理证明范式，在miniF2F Isabelle基准上使7B模型成功率达73.8%，优于此前最优水平。
Comments Accepted to EMNLP Findings 2026
NiyamAI——一种使用零知识证明实现密码学可验证护栏的意图绑定AI智能体
专题命中 代码与定理证明 ：reasoning(abstract)；分类 cs.AI
AI总结 Niyam-AI是一种基于零知识证明的意图绑定AI智能体框架，通过SHA-256承诺意图合约、Judge模型验证和zk-SNARK确保证明，在Agent-SafetyBench评估中较多款基线护栏实现显著安全性能提升。
Lark：生物启发的多利益相关者大语言模型代理神经进化
专题命中 代码与定理证明 ：reasoning(abstract,comments)
AI总结 Lark通过结合大语言模型推理与进化型多智能体系统，解决冗余与利益相关者权衡问题，采用四机制提升策略生成效率与透明度，实验显示其在30轮评估中表现优异且成本可控。
Comments 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: NeurIPS 2025 Workshop on Efficient Reasoning
VISA：用于多模态指令遵循的智能体式自进化数据合成
机构 * vivo AI Lab（vivo AI实验室）
专题命中 逻辑推理 ：verifier(abstract)；分类 cs.CL
AI总结 VISA是一种智能体式自进化数据合成框架，通过自进化循环优化多模态指令合成，在MM-IFEval等基准上提升了多模态指令遵循性能。
仅知道两跳信息是不够：理解语言模型中的两跳泛化
机构 * Xi’an Jiaotong University（西安交通大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL
AI总结 本研究针对语言模型两跳查询失败问题，在受控环境训练Transformer，揭示其泛化规律与跨层不匹配机制，提出循环式训练策略以提升分布外两跳泛化能力。
Comments EMNLP 2026, findings
基于大语言模型的自动出价的策略感知参数高效适配
专题命中 逻辑推理 ：reasoning(abstract)
AI总结 研究广告自动出价问题，提出SAGE框架，通过位置增强、文本对齐和约束门控LoRA三个组件，实现参数高效多模态对齐，在大规模基准实验中性能卓越，调整参数少，消融研究验证各组件贡献。
利用视觉语言模型推理来约束任务和运动规划
机构 * Department of Computer Science, Purdue University（普渡大学计算机科学系） ； Department of Computer Science, Rice University（莱斯大学计算机科学系） ； Ken Kennedy Institute, Rice University（莱斯大学肯尼迪研究所）
专题命中 规划推理 ：reasoning(title,abstract)；planning(title,abstract)
AI总结 本文提出VIZ-COAST方法，利用大预训练视觉语言模型的空间推理能力，提前识别向下细化中的问题，减少规划时间并消除失败。
Comments 9 pages, 7 figures, 1 table. Submitted to AAAI 2027
DeepPlanner：通过优势塑造提升深度研究智能体的规划能力
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Amazon（亚马逊） ； University of California, San Diego（加州大学圣地亚哥分校）
专题命中 规划推理 ：planning(title,abstract)；reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 针对现有深度研究智能体规划阶段优化不足的问题，提出端到端 RL 框架 DeepPlanner，通过塑造 token 级优势与选择性提升样本级优势，在7个基准上以更低训练预算实现最优规划效果。
Comments Accepted by ACL 2026
学习搜索的艺术以实现自动发现
机构 * University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； Université de Montréal and Mila- Quebec AI Institute（蒙特利尔大学和Mila-魁北克人工智能研究所）
专题命中 规划推理 ：reasoning(abstract,abstract_cn)；分类 cs.CL、cs.AI
AI总结 提出ARTS方法，利用推理语言模型在假设与实验空间中迭代搜索，通过测试时训练解决上下文长度问题，在22个任务上优于现有算法，相对提升超15.3%。
ProvenanceGuard: 基于MCP的LLM智能体的源感知事实性验证
机构 * Multiverse Computing ； Parque Cientifico y Tecnológico de Gipuzkoa（吉普斯夸科技园） ； Centre for Social Innovation（社会创新中心） ； Donostia International Physics Center（多诺斯蒂亚国际物理中心） ； Ikerbasque Foundation for Science（伊克尔巴斯克科学基金会）
专题命中 规划推理 ：verifier(abstract)；分类 cs.CL、cs.AI
AI总结 提出ProvenanceGuard，一种源感知验证器，通过追踪MCP工具调用、分解声明并路由到特定源，检测跨源混淆错误，在医疗领域数据集上优于源无关基线。
Comments 20 pages, 4 figures
MCCE：基于相似度过滤偏好学习的离散空间多大语言模型协同搜索框架
机构 * Zhongguancun Academy（中关村学院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； University of Manchester（曼彻斯特大学） ； Tongji University（同济大学）
专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI、cs.LG
AI总结 MCCE是结合冻结闭源LLM与轻量可训练模型的混合框架，通过轨迹记忆与强化学习优化小型模型，在多目标药物设计基准上实现最优帕累托前沿质量，优于基线方法，为混合LLM系统提供持续演化新范式。
Comments Accepted at ICML 2026
MACGen：通过多智能体协作实现功能正确且安全的代码生成
专题命中 规划推理 ：planning(abstract)；分类 cs.AI
AI总结 MACGen是整合规划等多环节的多智能体代码生成框架，在CWEval、BaxBench基准上，较直接提示显著提升安全代码生成的功能与安全性指标。
Comments 8 pages
学习终端智能体的可泛化行为
机构 * Salesforce AI Research（Salesforce人工智能研究院） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 规划推理 ：verifier(abstract)；分类 cs.LG
AI总结 本研究针对终端智能体泛化问题，提出智能体组合泛化假设，开发训练方案River，其用不足30%的TMax环境使多规模模型在两个基准上RL增益平均提升超100%，且性能优于开源8B模型、可跨多维度泛化。
单独对齐，共同错位：预测大语言模型智能体群体中的对抗捕获
专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL
AI总结 该研究针对LLM智能体群体，提出从群体无攻击时的良性运行状态校准响应函数，可提前预测坚定少数群体引发的对抗捕获，且捕获为临时状态，孤立对齐不等同于群体对齐。
Nomad：自主探索与发现
机构 * Inception, G42（G42 的 Inception） ； G42 ； MBZUAI（穆罕默德·本·扎耶德人工智能大学）
专题命中 规划推理 ：verifier(abstract)；分类 cs.AI
AI总结 Nomad通过探索优先架构，构建领域探索地图，系统遍历以平衡广度与深度，生成并验证假设，最终生成可信报告。
多智能体自主系统中的规模与权衡
专题命中 规划推理 ：planning(abstract)
AI总结 通过大规模仿真和量纲分析，揭示自主无人机蜂群在三种典型场景中的标度律，量化智能体数量与平台参数间的权衡，并展示最优路径规划对结果标度律的改善。
Comments 16 pages, 12 figures
Think3D: 基于空间的思考以实现空间推理
机构 * Dalian University of Technology（大连理工大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Oxford（牛津大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)；chain-of-thought(abstract)
AI总结 Think3D通过引入交互式3D推理框架，提升多模态代理的空间推理能力，实现在BLINK Multi-view和MindCube上的7.8%性能提升，并通过Think3D-RL优化小模型性能。
具身导航器：指向、思考、记忆与对齐以实现高效导航
机构 * ZJU（浙江大学）
专题命中 视觉空间推理 ：reasoning(abstract)；chain-of-thought(abstract)；planning(abstract)
AI总结 本研究提出具身导航框架TAMP-Nav，通过像素转3D动作、选择性推理记忆与GRPO两级对齐，在R2R-CE数据集上实现66.2% SR，仅需90k训练轨迹，达成高效具身导航的最优性能。
GUI-Primitives：诊断视觉-语言GUI定位中的空间推理失败
机构 * University of Southern California（南加州大学） ； USC Information Sciences Institute（南加州大学信息科学研究所） ； Qatar Computing Research Institute (QCRI)（卡塔尔计算研究所）
专题命中 视觉空间推理 ：reasoning(title)；分类 cs.CL
AI总结 本文提出GUI-Primitives基准，通过994个含7种空间关系的对比指令对，发现多数视觉-语言GUI定位模型的失败源于候选定位而非关系理解，且标记候选可提升准确率。
Comments Accepted to EMNLP 2026 Main Conference
CounterVid: 通过生成反事实视频缓解视频-语言模型中动作和时间幻觉
机构 * University of Modena and Reggio Emilia（摩德纳和雷吉奥艾米利亚大学） ； University of Pisa（帕尔马大学） ； Amazon Prime Video（亚马逊Prime视频）
专题命中 视觉空间推理 ：reasoning(abstract)；分类 cs.CL、cs.AI
AI总结 CounterVid通过生成反事实视频缓解视频-语言模型中动作和时间幻觉问题，提出反事实视频生成框架和MixDPO方法，提升时间推理和动作识别性能。
Comments EMNLP 2026
DiVA: 基于代理-判别验证器的细粒度事实性验证
机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Institute of Science Tokyo（东京科学研究所）
专题命中 测试时计算 ：verifier(title,abstract)；分类 cs.CL
AI总结 DiVA通过结合生成模型和判别模型的能力，提出了一种细粒度事实性验证方法，并构建了FGVeriBench基准，有效提升了事实性验证的精度和适用性。
Comments Accepted by Findings of EMNLP 2026
无前向过程的扩散语言模型
机构 * Georgia Institute of Technology（佐治亚理工学院）
专题命中 测试时计算 ：reasoning(abstract)；分类 cs.CL
AI总结 提出FReDA，一种无需人工设计前向过程的扩散语言模型，通过递归分布细化利用模型生成草稿作为隐式中间状态，在推理和编码任务上超越更大模型，并实现1.5-1.8倍加速。
循环工程：构建模块、采用情况及影响
专题命中 测试时计算 ：verifier(abstract)
AI总结 本文对新兴循环工程领域开展探索性研究，分析其构建模块、开源项目采用情况，挖掘36710个仓库发现217个存在自主智能体循环，并规划了智能体自主层级的对照研究。
Comments 10 pages, 2 tables, under review
ClueWeaver：面向紧凑型大语言模型的、针对文学长篇叙事的奖励引导双智能体证据推理框架
机构 * Institute of Information Engineering, CAS（中国科学院信息工程研究所） ； University of Aberdeen（阿伯丁大学） ； The University of Western Australia（西澳大学） ； Brown University（布朗大学）
专题命中 复杂问题求解 ：reasoning(title,abstract)；分类 cs.CL
AI总结 ClueWeaver是用于紧凑型本地模型的双智能体证据推理框架，可提升本地语言模型在长篇叙事问答与声明验证任务中的性能，提供可检查的证据推理轨迹。
Comments Accepted by ICONIP 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈