大模型推理能力

Compliance-to-Code: Enhancing Financial Compliance Checking via Code Generation

合规至代码：通过代码生成增强财务合规检查

Siyuan Li, Jian Chen, Rui Yao, Xuming Hu, Peilin Zhou, Weihua Qiu, Simin Zhang, Chucheng Dong, Zhiyao Li, Qipeng Xie, Zixuan Yuan

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Sun Yat-Sen University（孙中山大学） ； University of California, Riverside（加州大学河滨分校） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL

AI总结 Compliance-to-Code通过构建大规模中文金融监管数据集，提升金融合规检查的自动化水平，采用代码生成技术实现法规结构化和合规逻辑验证。

Semantic Event Graphs for Long-Form Video Question Answering

语义事件图用于长视频问答

Aradhya Dixit, Tianxi Liang

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 语义事件图通过轻量级符号接口提升长视频问答效率，减少令牌使用并保持推理能力。

Comments 7 pages, 6 figures

ConstraintLLM: A Neuro-Symbolic Framework for Industrial-Level Constraint Programming

ConstraintLLM: 一种用于工业级约束编程的神经符号框架

Weichun Shi, Minghao Liu, Wanting Zhang, Langchen Shi, Fuqi Jia, Feifei Ma, Jian Zhang

机构 * Hangzhou Institute for Advanced Study, UCAS, Hangzhou, China（杭州高等研究院，UCAS，杭州，中国） ； University of Oxford, Oxford, UK（牛津大学，牛津，英国） ； University of Science and Technology Beijing, Beijing, China（北京科技大学，北京，中国） ； SKLCS and Key Laboratory of System Software, ISCAS, Beijing, China（SKLCS和系统软件重点实验室，ISCAS，北京，中国） ； Laboratory of Parallel Software and Computational Science, ISCAS, Beijing, China（并行软件与计算科学实验室，ISCAS，北京，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） 纠错

专题命中 逻辑推理 ：self-correction(abstract)；分类 cs.AI

AI总结 ConstraintLLM是一种专为约束编程设计的神经符号框架，通过引入Constraint-Aware Retrieval Module和Tree-of-Thoughts框架，实现了在工业级约束编程基准上的高性能求解。

Comments Accepted to the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP 2025), Main Conference

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing, pages 15999-16019

Automated Generation of MDPs Using Logic Programming and LLMs for Robotic Applications

利用逻辑编程和大语言模型自动化生成MDP用于机器人应用

Enrico Saccon, Davide De Martini, Matteo Saveriano, Edoardo Lamon, Luigi Palopoli, Marco Roveri

机构 * Department of Information Engineering and Computer Science, University of Trento（信息工程与计算机科学系，特伦托大学） ； Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学） 纠错

专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI

AI总结 本文提出结合大语言模型与形式方法，通过逻辑编程自动生成可执行的MDP策略，用于机器人中的概率规划。

Comments 9 pages, 11 figures, 2 tables, 2 algorithms, accepted for publication in IEEE Robotics and Automation Letters

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 2, pp. 1770-1777, Feb. 2026

FÆRDXEL: An Expert System for Danish Traffic Law

FÆRDXEL：丹尼亚交通法专家系统

Luís Cruz-Filipe, Jonas Vistrup

机构 * IT University of Copenhagen（哥本哈根IT大学） ； University of Southern Denmark（南丹麦大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 FÆRDXEL通过结合逻辑编程与可解释性界面，为丹麦交通法提供符号推理工具，并通过实证和专家评估验证其在法律领域的应用潜力。

Comments In Proceedings ICLP 2025, arXiv:2601.00047

Journal ref EPTCS 439, 2026, pp. 383-396

Computing Universal Plans for Partially Observable Multi-Agent Routing Using Answer Set Programming

使用答案集编程计算部分可观测多智能体路由的通用计划

Fengming Zhu, Fangzhen Lin

机构 * Department of Computer Science（计算机科学系） ； Engineering Hong Kong University of Science（工程 香港理工大学） 纠错

专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI

AI总结 本文提出基于答案集编程的系统，用于计算部分可观测多智能体路由问题的通用计划，通过自定义动作偏好实现高效策略。

Comments In Proceedings ICLP 2025, arXiv:2601.00047

Journal ref EPTCS 439, 2026, pp. 143-166

Implicit Graph, Explicit Retrieval: Towards Efficient and Interpretable Long-horizon Memory for Large Language Models

隐式图，显式检索：迈向高效且可解释的长周期记忆 для 大语言模型

Xin Zhang, Kailai Yang, Hao Li, Chenyue Li, Qiyu Wei, Sophia Ananiadou

机构 * University of Manchester（曼彻斯特大学） ； Imperial College London（伦敦帝国学院） ； Stanford University（斯坦福大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL

AI总结 LatentGraphMem结合隐式图记忆与显式子图检索，实现高效且可解释的长周期记忆，提升大语言模型的推理能力与可解释性。

Comments 11 pages, 5 figures

Physical Transformer

物理变换器

Tao Xu, Zhixin Hu, Li Luo, Momiao Xiong

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG

AI总结 物理变换器结合几何表示和物理动态，通过层次化结构提升推理稳定性与长周期准确性，推动物理基础的AI发展。

Comments 38 pages, 2 figures

XAI-MeD: Explainable Knowledge Guided Neuro-Symbolic Framework for Domain Generalization and Rare Class Detection in Medical Imaging

XAI-MeD: 可解释知识引导的神经符号框架用于医学影像中的领域泛化和稀有类别检测

Midhat Urooj, Ayan Banerjee, Sandeep Gupta

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 XAI-MeD通过整合临床知识的神经符号框架，提升医学影像中领域泛化和稀有类别检测的性能，实现更鲁棒和可解释的多模态医学AI。

Comments Accepted at AAAI Bridge Program 2026

A Vision-and-Knowledge Enhanced Large Language Model for Generalizable Pedestrian Crossing Behavior Inference

一种融合视觉与知识的大型语言模型用于可推广的行人过街行为推断

Qingwen Pu, Kun Xie, Hong Yang, Guocong Zhai

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本研究提出PedX-LLM，融合视觉与知识的大型语言模型，用于可推广的行人过街行为推断，通过整合视觉特征和领域知识提升模型性能。

Constructing a Neuro-Symbolic Mathematician from First Principles

从第一原理构建一个神经符号数学家

Keqin Xie

机构 * Keqin Xie 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出Mathesis架构，通过神经符号方法将数学状态编码为超图，并利用可微逻辑引擎实现逻辑一致性与能量最小化，以提升复杂推理能力。

CogRec: A Cognitive Recommender Agent Fusing Large Language Models and Soar for Explainable Recommendation

CogRec: 一种融合大型语言模型和Soar的可解释推荐代理

Jiaxin Hu, Tao Wang, Bingsan Yang, Hongrun Wang

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 CogRec融合大型语言模型和Soar认知架构，通过符号推理与在线学习提升推荐系统的可解释性和准确性。

Comments 9 pages, 6 figures

CascadeNS: Confidence-Cascaded Neurosymbolic Model for Sarcasm Detection

CascadeNS: 一种基于置信度的神经符号模型用于讽刺检测

Swapnil Mane, Vaibhav Khatavkar

机构 * IIT Jodhpur, India（印度拉贾斯坦理工学院） ； DES Pune University, Pune, India（印度德化大学） ； COEP Technological University, Pune, India（印度科帕尔技术大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL

AI总结 CascadeNS通过结合符号推理和神经推理，利用置信度校准实现更高效的讽刺检测，实验表明其性能优于现有基线方法。

Comments 10 pages

AGRO-SQL: Agentic Group-Relative Optimization with High-Fidelity Data Synthesis

AGRO-SQL：基于高保真数据合成的群体相对优化

Cehua Yang, Dongyu Xiao, Junming Lin, Yuyang Song, Hanxu Yan, Shawn Guo, Wei Zhang, Jian Yang, Mingjie Tang, Bryan Dai

机构 * Sichuan University（四川大学） ； IQuest Research（IQuest研究院） ； Beihang University（北航大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 AGRO-SQL通过高保真数据合成和群体相对策略优化，提升文本到SQL系统的推理能力与性能。

Graph-Symbolic Policy Enforcement and Control (G-SPEC): A Neuro-Symbolic Framework for Safe Agentic AI in 5G Autonomous Networks

图符号政策执行与控制（G-SPEC）：一种用于5G自治网络安全代理AI的神经符号框架

Divya Vijay, Vignesh Ethiraj

机构 * NetoAI Solutions Ltd（NetoAI解决方案有限公司） 纠错

专题命中 逻辑推理 ：planning(abstract)；分类 cs.AI

AI总结 G-SPEC是一种神经符号框架，通过确定性验证约束概率规划，提升5G自治网络中代理AI的安全性和可靠性。

Comments 15 pages, 3 figures, 3 tables

Epistemological Fault Lines Between Human and Artificial Intelligence

人类与人工智能之间的知识论断层

Walter Quattrociocchi, Valerio Capraro, Matjaž Perc

机构 * Department of Computer Science, Sapienza University of Rome, Rome, Italy ； Department of Psychology, University of Milan Bicocca, Milan, Italy ； Faculty of Natural Sciences ； Mathematics, University of Maribor, Maribor, Slovenia ； Community Healthcare Center Dr. Adolf Drolc Maribor, Maribor, Slovenia ； University College, Korea University, Seoul, Republic of Korea ； Department of Physics, Kyung Hee University, Seoul, Republic of Korea 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.CL

AI总结 本文揭示大型语言模型与人类认知在知识生成机制上的结构性差异，指出LLMs是随机模式完成系统而非知识代理，并识别七种知识断层，对社会评估、治理及知识素养提出影响。

Comments 16 pages, 1 figure

NEURO-GUARD: Neuro-Symbolic Generalization and Unbiased Adaptive Routing for Diagnostics -- Explainable Medical AI

NEURO-GUARD：神经符号泛化与无偏自适应路由用于诊断——可解释的医疗AI

Midhat Urooj, Ayan Banerjee, Sandeep Gupta

机构 * Arizona State University（亚利桑那州立大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 NEURO-GUARD通过整合视觉变换器与语言驱动推理，提升医疗图像诊断的准确性、透明性和泛化能力。

Comments Accepted at Asilomar Conference

MMRAG-RFT: Two-stage Reinforcement Fine-tuning for Explainable Multi-modal Retrieval-augmented Generation

MMRAG-RFT: 两阶段强化微调用于可解释的多模态检索增强生成

Shengwei Zhao, Jingwen Yao, Sitong Wei, Linhai Xu, Yuying Liu, Dong Zhang, Zhiqiang Tian, Shaoyi Du

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 MMRAG-RFT通过两阶段强化微调提升多模态检索增强生成的可解释性，实现更清晰的推理逻辑和更优的生成效果。

Comments This paper was accepted to AAAI2026

Scaling Neuro-symbolic Problem Solving: Solver-Free Learning of Constraints and Objectives

规模化神经符号问题求解：无求解器学习约束与目标

Marianne Defresne, Romain Gambardella, Sophie Barbe, Thomas Schiex

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出了一种可微神经符号架构和损失函数，用于高效学习解决NP难推理问题，通过概率损失同时学习约束和目标，实现可扩展训练和高精度推断。

The Need for Verification in AI-Driven Scientific Discovery

人工智能驱动科学发现中的验证需求

Cristina Cornelio, Takuya Ito, Ryan Cory-Wright, Sanjeeb Dash, Lior Horesh

机构 * Samsung AI, Cambridge, UK（三星人工智能，英国坎布里奇） ； IBM Research, Yorktown Heights, USA（IBM研究院，美国尤里茨山） ； Imperial Business School, London, UK（帝国商业学院，英国伦敦） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文探讨了人工智能驱动科学发现中验证的重要性，指出验证机制是确保科学进步的关键。

Defending the Hierarchical Result Models of Precedential Constraint

为 precedential constraint 的分层结果模型辩护

Henry Prakken, Wijnand van Woerkom

机构 * Department of Information and Computing Sciences, Utrecht University, The Netherlands（信息与计算科学系，乌特勒支大学，荷兰） ； Max Planck Institute for Comparative and International Private Law, Hamburg, Germany（比较与国际私法Max Planck研究所，汉堡，德国） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文针对 van Woerkom 的分层结果模型，回应了 Bench-Capon 对其在某些情况下可能产生错误结果的批评，并指出通过将中间因素视为维度可避免这些批评。

Comments This is the long version of a paper with the same title presented at the 38th International Conference on Legal Knowledge and Information Systems

Towards Trustworthy Multi-Turn LLM Agents via Behavioral Guidance

通过行为指导实现可信的多轮大语言模型代理

Gonca Gürsun

机构 * Gonca Gürsun（独立研究者） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出一种框架，通过行为指导使大语言模型代理在多轮任务中实现可靠和可验证的行为。

Comments Accepted to AAAI 2026 Workshop on Trust and Control in Agentic AI (TrustAgent)

Integrating Ontologies with Large Language Models for Enhanced Control Systems in Chemical Engineering

将本体与大语言模型结合以增强化工工程中的控制系统

Crystal Su, Kuai Yu, Jingrui Zhang, Mingyuan Shao, Daniel Bauer

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.LG

AI总结 本文提出结合本体的LLM框架，用于增强化工工程控制系统，通过结构化知识与生成推理结合，提升过程控制和安全分析的可解释性和可靠性。

Comments This paper is withdrawn due to issues with attribution and citation accuracy

WOLF: Werewolf-based Observations for LLM Deception and Falsehoods

基于狼人游戏的LLM欺骗与虚假信息观测

Mrinal Agarwal, Saad Rana, Theo Sundoro, Hermela Berhe, Spencer Kim, Vasu Sharma, Sean O'Brien, Kevin Zhu

机构 * Algoverse AI Research（Algoverse AI研究院） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 WOLF通过狼人游戏构建多智能体社交推理基准，评估LLM在欺骗生成与检测中的能力，展示动态交互提升欺骗识别性能。

Comments Spotlight Multi-Turn Interactions in Large Language Models (MTI-LLM) Workshop at NeurIPS 2025

Machine Phenomenology: A Simple Equation Classifying Fast Radio Bursts

机器现象学：一个简单方程分类快速射电暴

Yang Liu, Yuhao Lu, Rahim Moradi, Bo Yang, Bing Zhang, Wenbin Lin, Yu Wang

机构 * School of Computer Science, University of South China（南华大学计算机科学学院） ； Department of Physics E. Pancini, University Federico II（费米研究所物理系） ； Key Laboratory of Particle Astrophysics, Institute of High Energy Physics, Chinese Academy of Sciences（中国科学院高能物理研究所粒子天体物理重点实验室） ； School of Mathematics and Physics, University of South China（南华大学数学物理学院） ； The Hong kong Institute for Astronomy and Astrophysics, University of Hong Kong（香港大学天文与天体物理研究所） ； Department of Physics, University of Hong Kong（香港大学物理系） ； Nevada Center for Astrophysics, University of Nevada（内华达大学天文中心） ； School of Physical Science and Technology, Southwest Jiaotong University（西南交通大学物理科学与技术学院） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出一个简单方程通过符号回归分类快速射电暴，结合人类物理推理与机器学习发现经验定律。

Comments 19 pages, 9 figures, 3 tables. Submitted to SCIENCE CHINA Physics, Mechanics & Astronomy

Exploring Depth Generalization in Large Language Models for Solving Recursive Logic Tasks

探索大型语言模型在解决递归逻辑任务中的深度泛化能力

Zhiyuan He

机构 * Zhiyuan He（He） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本研究提出了一种循环定位和替换流程，用于解决大型语言模型在递归逻辑任务中的深度泛化问题，通过分解递归问题并利用两个专门模型提升性能。

A process algebraic framework for multi-agent dynamic epistemic systems

多智能体动态认识系统的进程代数框架

Alessandro Aldini

机构 * University of Urbino Carlo Bo, Italy（乌尔比诺卡尔罗·波大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出了一种多智能体动态认识系统的进程代数框架，结合了标记转换系统与认识模型，通过过程代数语言和模态逻辑实现建模与验证。

ARCADIA: Scalable Causal Discovery for Corporate Bankruptcy Analysis Using Agentic AI

ARCADIA：基于代理AI的可扩展因果发现方法用于企业破产分析

Fabrizio Maturo, Donato Riccio, Andrea Mazzitelli, Giuseppe Bifulco, Francesco Paolone, Iulia Brezeanu

机构 * Department of Economics, Statistics and Business, Universitas Mercatorum, Rome, Italy（经济学、统计学与商业系，墨菲大学，罗马，意大利） ； Department of Engineering and Science, Universitas Mercatorum, Rome, Italy（工程与科学系，墨菲大学，罗马，意大利） ； Independent Researcher, Bucharest, Romania（独立研究者，布加勒斯特，罗马尼亚） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 ARCADIA通过代理AI结合大语言模型和统计诊断，实现企业破产分析中的可扩展因果发现，提供可靠且可解释的因果图模型。

Comments 35 pages, 9 figures, 4 tables

Domain adaptation of large language models for geotechnical applications

大语言模型在地质应用中的领域适应

Lei Fan, Fangxue Liu, Cheng Chen

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文系统回顾了大语言模型在地质应用中的领域适应方法，分析了四种关键策略并评估其优劣，指出领域适应LLMs在提升推理准确性方面的作用，同时揭示数据稀缺和可解释性挑战等限制。

A Neurosymbolic Framework for Interpretable Cognitive Attack Detection in Augmented Reality

面向增强现实的认知攻击检测的神经符号框架

Rongqian Chen, Allison Andreyev, Yanming Xiu, Joshua Chilukuri, Shunav Sen, Mahdi Imani, Bin Li, Maria Gorlatova, Gang Tan, Tian Lan

机构 * George Washington University（乔治华盛顿大学） ； Duke University（杜克大学） ； Pennsylvania State University（宾夕法尼亚州立大学） ； Northeastern University（东北大学） 纠错

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出CADAR框架，结合神经网络与符号推理，用于增强现实中的认知攻击检测，通过多模态表示和统计推理提升检测的可解释性和鲁棒性。