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。
稀疏增量记忆：通过稀疏性扩展线性循环神经网络的状态
机构 * Meta FAIR ； Inria Paris（巴黎信息与自动化研究所） ； ENS-PSL University（巴黎文理研究大学） ； University of Tübingen（图宾根大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG
AI总结 研究针对线性注意力模型长上下文召回不足的问题，提出稀疏增量记忆（SDM）架构，通过稀疏寻址扩展门控线性循环神经网络隐藏状态，在等FLOP和参数数量下提升性能，还能改进常识与推理任务。
揭示视觉语言模型中的视觉计数瓶颈
机构 * Department of Computer Science, ETH Zürich（苏黎世联邦理工学院计算机科学系）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG
AI总结 通过分解视觉计数为三个认知阶段，发现视觉语言模型在符号映射阶段失败，提出断裂数量假说：模型学习到分离的模态特定统计流形，无法实现跨模态对齐。
Comments ICML 2026
RIMRULE：通过MDL引导的规则学习改进使用工具的语言智能体
机构 * Intuit AI Research（Intuit AI研究）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL
AI总结 研究针对大型语言模型在特定领域使用工具的难题，提出RIMRULE神经符号方法，通过从失败轨迹提炼规则并用MDL目标巩固，以动态注入规则提升性能，实验证明该方法能提高工具使用准确性，且规则具有跨架构可移植性。
Comments Published as a long paper in the main conference of ACL 2026
符号方法在人工智能中不断演变的角色
机构 * Singapore Management University（新加坡管理大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出压缩原理与建模-推理权衡，指出显式符号推理是简化现实模型的计算产物，未来符号方法将成为高能力AI与人类间的交互接口。
ASSEMCAD：从自然语言生成可用于生产的CAD装配体
机构 * Computer-aided design (CAD) briere2012comparing models（计算机辅助设计（CAD）模型）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 研究如何从自然语言生成可用于生产的CAD装配体，提出公理基础框架AssemCAD，通过构建公理装配规范、引入特定CAD装配库等方法，提升装配体生成质量，扩展文本到CAD设计。
Comments 26 pages, 5 figures
NeSy-CSA：一种用于开放式关键场景归因的神经符号框架
机构 * School of Automation, Beijing Institute of Technology（北京理工大学自动化学院） ； Department of Automation, Tsinghua University（清华大学自动化系）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG
AI总结 研究如何理解场景测试中关键场景的成因，提出神经符号框架NeSy-CSA，通过选择相关因素缩小归因空间，经证据图使推理可追溯，结合符号与神经推理，提升关键场景归因有效性。
基于多模态大语言模型的第一视角事故视频中的责任分配估计
机构 * Keio University（庆应大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 研究第一视角事故视频中责任分配估计新任务，构建大语言模型辅助的责任标注管道并在多输入设置下微调模型，实验证明多模态大语言模型能有效执行该任务。
ProLaViT：在结构化潜在空间中学习渐进式潜在视觉思维
机构 * Basic Algorithm Center, PCG, Tencent（腾讯PCG基础算法中心） ； Zhejiang University（浙江大学） ； Peking University（北京大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL
AI总结 针对多模态大语言模型在复杂视觉推理任务中的不足，ProLaViT框架利用内生自蒸馏机制等，设计两种推理范式及损失函数，使其能在潜在空间进行结构化视觉推导，实验证明效果优于基线。
Comments Accepted by ECCV 2026
PACE: 一种用于合理且可操作的反事实解释的神经符号框架
机构 * University of Klagenfurt（克拉根福大学） ； Norwegian University of Life Sciences（挪威生命科学大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 提出PACE框架，结合神经网络预测与符号推理，生成符合领域约束的可操作反事实解释，在Adult Income数据集上验证了可行性与可解释性的平衡。
BLAgent: 一种面向文件级Bug定位的代理RAG
机构 * University of Calgary（卡尔加里大学） ； York University（约克大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出BLAgent，一种新型代理RAG框架，用于文件级Bug定位，通过结合代码结构感知的仓库编码、双视角查询转换和两阶段代理重排序，提高了Bug定位的准确性和效率。
Comments Accepted for publication in ACM Transactions on Software Engineering and Methodology (TOSEM)
自主实验室协调器的最优资源利用
机构 * National Institute of Standards and Technology（美国国家标准与技术研究院）
专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI
AI总结 针对自主实验室中多仪器硬件约束下的资源利用问题，提出两步法：先用约束规划找到最小化总时间的最优调度，再通过状态依赖系统鲁棒执行调度。
理解大型语言模型
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL
AI总结 本文综述大型语言模型（LLM）的机制、涌现能力及与人类认知的关系，通过分析注意力机制、符号推理、心智理论等证据，探讨LLM是否真正理解语言，并反对过度简化的人机认知差异观点。
Comments 25 pages, 1 figure
Flow-Opt: 用于多机器人轨迹优化的可扩展集中式方法，结合流匹配与可微优化
机构 * University of Tartu（塔尔图大学）
专题命中 逻辑推理 ：planning(abstract)；分类 cs.LG
AI总结 本文提出Flow-Opt，通过生成模型与可微优化提升集中式多机器人轨迹优化的计算效率，实现快速生成数十机器人在复杂环境中的平滑轨迹，并支持批量处理与多样化路径生成。
用自然语言提示机器人团队
机构 * Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） ； Department of Mechanical and Process Engineering, ETH Zurich（苏黎世联邦理工学院机械与过程工程系）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG
AI总结 提出利用语言模型将高层任务分解为子任务，并蒸馏为循环神经网络（RNN）以支持多机器人团队的去中心化实时执行，通过图神经网络控制策略实现协作。
Comments This paper has been accepted for publication at IEEE Robotics and Automation Letters. Please, when citing the paper, refer to the official version
CRISTAL方法：来自AI合成世界模型的神经符号分析
机构 * GAIA Lab（GAIA实验室） ； South Westphalia University of Applied Sciences（西南弗里西亚应用科学大学） ； Technical University Dresden（德累斯顿技术大学） ； Primordia Co.（Primordia公司）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 提出CRISTAL神经符号框架，通过贝叶斯推理、主动学习和持续学习自动化复杂分析，在合成股票分类任务中仅用5个样本和5秒达到贝叶斯最优精度，远超LLM。
从检测到行动：使用LLM智能体进行容错控制
机构 * Imperial College London（帝国理工学院伦敦校区） ； Helmut Schmidt University（海德堡-施密特大学）
专题命中 逻辑推理 ：planning(abstract)；分类 cs.LG
AI总结 提出基于大语言模型智能体的主动容错控制框架，通过多智能体协作、数字孪生和知识图谱增强检索，生成并验证最小风险恢复路径，在离散和连续过程控制中实现从故障检测到有效纠正行动的闭环。
从LLM中蒸馏答案集编程规则用于神经符号视觉问答
机构 * Vienna University of Technology ( TU Wien )（维也纳技术大学） ； Jönköping University（约克灵厄普大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 提出从大语言模型中蒸馏答案集编程规则的方法，以可解释的方式扩展视觉问答系统的推理能力，仅需少量示例即可生成正确规则。
Comments Under consideration in Theory and Practice of Logic Programming (TPLP)
HiMu: 面向长视频问答的分层多模态帧选择
机构 * INSIGHT Lab, Ben-Gurion University of the Negev, Israel（本-古里安内盖夫大学INSIGHT实验室，以色列） ； Ben-Gurion University of the Negev, Israel（本-古里安内盖夫大学，以色列）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 提出HiMu框架，通过文本LLM将查询分解为层次逻辑树，由视觉和音频专家处理原子谓词，经模糊逻辑算子组合生成连续帧满意度曲线，在16帧预算下达到帧选择方法的最优精度，并作为即插即用模块提升多种MLLM性能。
AI生成的望远镜调度决策的多级验证与可追溯性框架
机构 * Yunnan Observatories, Chinese Academy of Sciences（云南天文台，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Key Laboratory of the Structure and Evolution of Celestial Objects, Chinese Academy of Sciences（中国科学院天文结构与演化重点实验室） ； Yunnan Key Laboratory of Solar Physics and Space Science（云南太阳物理与空间科学重点实验室） ； Center for Astronomical Mega-Science, Chinese Academy of Sciences（中国科学院天文大科学中心）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 提出多级验证与可追溯推理框架，通过数据引用验证、逻辑一致性检查和约束验证，提高AI调度决策的可执行性和可靠性，减少瞬态机会损失。
Comments 25 pages, 8 figures, Published in Universe
Journal ref Universe, Volume 12, Issue 6, 172 (2026)
训练语言模型以使用Prolog作为工具
机构 * University of Southern Denmark（南丹麦大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL
AI总结 本文探讨通过强化学习训练语言模型使用Prolog进行符号推理，发现正确性与可审计性之间存在权衡，影响模型性能与可解释性。
Comments ACL 2026 Findings (change from last version: corrected year in this comment)
通过构建块组合可验证的概念模型：面向智能体AI工作流的设计时验证
机构 * Team EVERGREEN Inria Centre Inria d’Université Côte d’Azur（法国国家信息与自动化研究所蔚蓝海岸大学中心EVERGREEN团队） ； Department of Data Science William & Mary（威廉与玛丽学院数据科学系） ； Office of Enterprise Research and Innovation Old Dominion University（欧道明大学企业研究与创新办公室）
专题命中 逻辑推理 ：verifier(abstract)；分类 cs.AI
AI总结 提出一种设计时验证方法，通过12条结构规则检查智能体工作流中可重用构建块的兼容性，实现设计缺陷检测。
Comments To appear at the 2026 Winter Simulation Conference
AutoRAS: 学习具有原始表示的鲁棒智能系统
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Guangxi Transportation Science and Technology Group Co., Ltd.（广西交通科技集团有限公司） ； Fudan University（复旦大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 提出AutoRAS框架，通过生成符号原始序列并利用执行安全信号和流式序列级目标优化，自动设计鲁棒智能系统，在正常和对抗设置下均表现最佳。
Comments Accepted by ICML2026
PrologMCP：面向LLM代理的标准化Prolog工具接口
机构 * Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 提出PrologMCP，一个通过模型上下文协议将Prolog暴露为状态化工具的任务无关开源服务器，使LLM代理能够通过翻译-运行-检查-修复循环稳健地委托演绎推理，在PARARULE-Plus上达到或超越推理型LLM。
Comments Accepted at Joint Workshop on Statistics and Knowledge Integration for Logic, Learning, Ethical Decisions, and LLMs, 18 July 2026, Lisbon v2: Added references to other Prolog MCP servers; fixed typos
自我偏好在可验证的指令遵循修订中弱或不存在：基于真正作者身份的四模型测试
机构 * Department of Industrial Engineering, Tsinghua University（清华大学工业工程系）
专题命中 逻辑推理 ：verifier(abstract)；分类 cs.CL
AI总结 通过IFEval验证器测试四类中端模型在指令遵循修订中的自我偏好，发现作者拒绝已验证正确编辑的比例与新鲜模型无显著差异，表明自我偏好弱或不存在。
Comments 7 pages, 3 tables. Code and data: https://github.com/williamguey/self-preference-revision
缓解基于LLM的智能体在节能6G自主网络中的锚定偏差
机构 * i2CAT Foundation（i2CAT基金会） ； Universitat Politècnica de Catalunya（政治技术大学） ； Research Institute for Digital Future（数字未来研究院）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 提出一种基于截断三参数威布尔分布的随机锚定策略，缓解LLM智能体在6G网络切片中的锚定偏差，结合CVaR数字孪生保障SLA尾延迟，实现高达25%的节能。
Comments 7 pages, 4 figures
大型语言模型代理中行为智能的结构化认知循环（扩展修订：从行为架构到认知问责）
机构 * JEI University（JEI大学）
专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI
AI总结 提出结构化认知循环（SCL）架构，通过分离认知、记忆、控制和行动模块，实现LLM代理的可问责行为，在360个任务中成功率86.3%，优于基线方法。
Comments This revised version extends the original SCL framework from a behavioral architecture for reliable LLM agents into a broader architecture of epistemic accountability, integrating context-aware Human-in-the-Loop control, Pool-Gated Retrieval, and the Horizon-Warrant-Commitment structure
LLM 能当 CEO 吗？基于多角色智能体模拟的战略资源重新配置基准测试
机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Yale University（耶鲁大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 提出 CEO-Bench，一个多智能体基准，评估 LLM 在约束丰富的组织环境中进行多轮战略资源重新配置的能力，发现模型在结构有效性上表现良好，但在战略校准上存在系统性失败模式。
Comments 13 pages
超越NL2Code：多模态代码智能的结构化综述
机构 * Meituan（美团） ； The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Nanjing University（南京大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所） ； Ludwig Maximilian University of Munich（慕尼黑大学） ； University of Science and Technology of China（中国科学技术大学） ； Queen Mary University of London（伦敦玛丽女王大学）
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL
AI总结 本文系统综述多模态代码智能，将任务按代码角色分类，覆盖GUI、科学可视化、结构化图形及前沿任务，并提出四个基于验证的未来方向。
Comments Work completed in January 2026. Updating now
通过答案集编程进行人类情感验证的动作语言
机构 * Umeå University\ of Computing Science
专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI
AI总结 本文提出动作语言C-MT，基于答案集编程和过渡系统，用于表示人类心理状态对可观察动作序列的演变。通过引入因果规则，该语言能建模心理状态的有效转换原则，从而实现对人类心理动态的受控推理。
Comments Under consideration in Theory and Practice of Logic Programming (TPLP)
Journal ref Theory and Practice of Logic Programming 25 (2025) 1047-1104
蓝图优先，模型其次：确定性LLM工作流框架
机构 * Alibaba（阿里巴巴）
专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI
AI总结 提出“蓝图优先，模型其次”框架，通过将工作流逻辑解耦为源代码蓝图并由确定性引擎执行，LLM仅处理子任务，在TravelPlanner上最终通过率提升97.6%，约束违反减少96.0%。
Comments 12 pages, 7 figures, 6 tables
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