大模型推理能力

Agentic AI Security: Threats, Defenses, Evaluation, and Open Challenges

代理AI安全：威胁、防御、评估与开放挑战

Anshuman Chhabra, Shrestha Datta, Shahriar Kabir Nahin, Prasant Mohapatra

专题命中 推理评测 ：planning(abstract)；分类 cs.AI

AI总结 本文探讨代理AI系统的安全威胁与防御策略，分析其在自动化中的独特风险，并提出安全设计的开放挑战。

Comments Published in IEEE Access. DOI: https://doi.org/10.1109/access.2026.3675554

XModBench: Benchmarking Cross-Modal Capabilities and Consistency in Omni-Language Models

XModBench：多模态能力与一致性在多语言模型中的基准测试

Xingrui Wang, Jiang Liu, Chao Huang, Xiaodong Yu, Ze Wang, Ximeng Sun, Jialian Wu, Alan Yuille, Emad Barsoum, Zicheng Liu

机构 * Advanced Micro Devices（超威半导体） ； Johns Hopkins University（约翰霍普金斯大学） ； University of Rochester（罗彻斯特大学） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 XModBench通过大规模三模态基准测试，评估多语言模型在跨模态一致性中的能力，揭示模型在不同模态下的推理偏差和不平衡问题。

Journal ref Published as a conference paper at ICLR 2026

Common Inpainted Objects In-N-Out of Context

常见补全物体在上下文中的内-外场景

Tianze Yang, Tyson Jordan, Ruitong Sun, Ninghao Liu, Jin Sun

机构 * University of Georgia（佐治亚大学） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.LG

AI总结 COinCO数据集通过扩散补全技术生成97722张包含上下文一致和不一致场景的图像，用于研究上下文学习，支持细粒度上下文推理、基于上下文的物体预测和增强的假检测。

Comments The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026

A Systematic Security Evaluation of OpenClaw and Its Variants

对OpenClaw及其变种的系统性安全评估

Yuhang Wang, Haichang Gao, Zhenxing Niu, Zhaoxiang Liu, Wenjing Zhang, Xiang Wang, Shiguo Lian

机构 * Xidian University（西安电子科技大学） ； Data Science & Artificial Intelligence Research Institute, China Unicom（中国联通数据科学与人工智能研究院） 纠错

专题命中 推理评测 ：planning(abstract)；分类 cs.AI

AI总结 本文系统评估了六个OpenClaw系列代理框架的安全性，发现代理系统存在显著安全漏洞，且其风险高于孤立使用的基础模型。

Comments 39 pages, 14 figures

QAPruner: Quantization-Aware Vision Token Pruning for Multimodal Large Language Models

QAPruner: 量化感知的多模态大语言模型视觉标记剪枝

Xinhao Wang, Zhonyu Xia, Zhiwei Lin, Zhe Li, Yongtao Wang

机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出QAPruner框架，通过结合量化误差模拟与异常强度指标，实现多模态大语言模型的视觉标记剪枝与后训练量化联合优化，提升低比特下的推理精度。

Comments 12 pages

PaveBench: A Versatile Benchmark for Pavement Distress Perception and Interactive Vision-Language Analysis

PaveBench: 一种多功能的路面病害感知及交互视觉-语言分析基准

Dexiang Li, Zhenning Che, Haijun Zhang, Dongliang Zhou, Zhao Zhang, Yahong Han

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Tianjin University（天津大学） ； Hefei University of Technology（合肥工业大学） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 PaveBench针对路面状况评估中的视觉识别与多模态交互需求，提供分类、检测、分割及视觉-语言问答等四项任务，支持多轮交互与事实推理，填补现有数据集在多模态分析与实际应用连接上的空白。

SWAY: A Counterfactual Computational Linguistic Approach to Measuring and Mitigating Sycophancy

SWAY：一种反事实计算语言学方法用于衡量和缓解谄媚倾向

Joy Bhalla, Kristina Gligorić

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 推理评测 ：CoT(abstract)；分类 cs.CL

AI总结 本文提出SWAY，一种无监督的计算语言学指标，用于衡量和缓解大语言模型的谄媚倾向。通过反事实提示机制，识别模型在正负语言压力下的同意变化，发现谄媚倾向随认知承诺增加而增强，并提出基于反事实的CoT缓解策略，有效降低谄媚倾向而不影响对真实证据的响应。

Evaluating Small Language Models for Front-Door Routing: A Harmonized Benchmark and Synthetic-Traffic Experiment

评估小型语言模型用于前端路由：一个统一的基准和合成流量实验

Warren Johnson, Charles Lee

机构 * Plexor Labs（Plexor实验室） ； Project Autobots 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL

AI总结 本文通过统一基准和合成流量实验，评估小型语言模型在前端路由中的性能，发现Qwen-2.5-3B在准确率、延迟和成本上表现优异，但整体仍存在准确率与延迟的平衡问题。

Comments 23 pages, 1 figure, 9 tables. Article 8 in the TAAC Research Series. Code and data: https://github.com/micoverde/plexor-slm-frontdoor-rct

From Virtual Environments to Real-World Trials: Emerging Trends in Autonomous Driving

从虚拟环境到现实世界试验：自动驾驶领域新兴趋势

A. Humnabadkar, A. Sikdar, B. Cave, H. Zhang, N. Bessis, A. Behera

机构 * Edge Hill University（埃奇希尔大学） 纠错

专题命中 推理评测 ：planning(abstract)；分类 cs.AI

AI总结 本文综述了自动驾驶、模拟技术和合成数据集的最新发展，探讨了合成数据在感知与规划中的应用、数字孪生模拟系统验证以及领域适应策略，分析了基准设计趋势及关键挑战，旨在推动安全、可推广的自动驾驶系统发展。

Comments Accepted manuscript - Transactions on Intelligent Transportation Systems

FLEX: A Largescale Multimodal, Multiview Dataset for Learning Structured Representations for Fitness Action Quality Assessment

FLEX：一个大规模多模态、多视角数据集，用于学习结构化表示以评估健身动作质量

Hao Yin, Lijun Gu, Paritosh Parmar, Lin Xu, Tianxiao Guo, Xiujin Liu, Weiwei Fu, Yang Zhang, Tianyou Zheng

机构 * School of Biomedical Engineering (Suzhou), USTC（中国科学技术大学苏州生物医学工程学院） ； Suzhou Institute of Biomedical Engineering and Technology, CAS（中国科学院苏州生物医学工程技术研究所） ； Institute of High-Performance Computing, A*STAR, Singapore（新加坡科技研究局高性能计算研究所） ； School of Psychology, Beijing Sports University（北京体育大学心理学院） ； School of Competitive Sports, Beijing Sports University（北京体育大学竞技体育学院） ； Department of Robotics, University of Michigan（密歇根大学机器人系） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 FLEX数据集通过多模态融合和结构化知识图谱提升健身动作质量评估的准确性与解释性，支持跨模态预测和生物力学导向的表示学习。

Comments Dataset and code are available at https://github.com/HaoYin116/FLEX . Link to Project page https://haoyin116.github.io/FLEX_Dataset

Ego-Grounding for Personalized Question-Answering in Egocentric Videos

面向第一视角视频的个性化问答中的自我定位

Junbin Xiao, Shenglang Zhang, Pengxiang Zhu, Angela Yao

机构 * University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出MyEgo数据集，用于评估多模态大语言模型在需要自我定位的个性化问答中的能力，发现现有模型在自我记忆和推理方面存在显著不足。

Comments To appear at CVPR'26

Can LLMs Predict Academic Collaboration? Topology Heuristics vs. LLM-Based Link Prediction on Real Co-authorship Networks

大语言模型能预测学术合作吗？拓扑启发式方法与基于LLM的链接预测在真实合著网络中的比较

Fan Huang, Munjung Kim

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 本文研究了大语言模型能否通过作者资料预测未来学术合作，发现LLM与拓扑启发式方法捕捉不同信号，在互补场景中表现最佳，且在不平衡数据中表现优异。

Forecasting Supply Chain Disruptions with Foresight Learning

利用前瞻性学习预测供应链中断

Benjamin Turtel, Paul Wilczewski, Kris Skotheim

机构 * Lightning Rod Labs（闪电杆实验室） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.LG

AI总结 本文提出一种端到端框架，通过真实中断结果训练LLM生成校准的概率预测，优于基线模型，在准确性、校准和精确度上表现突出，展示了结构化概率推理的方法。

Runtime Burden Allocation for Structured LLM Routing in Agentic Expert Systems: A Full-Factorial Cross-Backend Methodology

结构化大语言模型路由在代理专家系统中的运行时负担分配：一种全因子跨后端方法论

Zhou Hanlin, Chan Huah Yong

机构 * School of Computer Sciences, Universiti Sains Malaysia (USM)（马来西亚理科大学计算机科学学院） ； Xiamen Software Vocational & Technical College（厦门软件职业技术学院） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 本文探讨了结构化LLM路由在代理专家系统中的负担分配问题，提出了一种全因子跨后端方法论，通过全面评估不同后端配置下的性能，揭示了后端特定交互效应对性能的主导作用。

The Evolution of Tool Use in LLM Agents: From Single-Tool Call to Multi-Tool Orchestration

大语言模型代理中工具使用的演变：从单工具调用到多工具编排

Haoyuan Xu, Chang Li, Xinyan Ma, Xianhao Ou, Zihan Zhang, Tao He, Xiangyu Liu, Zixiang Wang, Jiafeng Liang, Zheng Chu, Runxuan Liu, Rongchuan Mu, Dandan Tu, Ming Liu, Bing Qin

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Harvard University（哈佛大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） 纠错

专题命中 推理评测 ：planning(abstract)；分类 cs.CL

AI总结 本文探讨了大语言模型代理中工具使用从单次调用到长期编排的演变，分析了多工具代理的最新进展，涵盖任务规划、安全控制、效率优化及实际应用等领域。

MIRAGE: The Illusion of Visual Understanding

MIRAGE：视觉理解的幻觉

Mohammad Asadi, Jack W. O'Sullivan, Fang Cao, Tahoura Nedaee, Kamyar Rajabalifardi, Fei-Fei Li, Ehsan Adeli, Euan Ashley

机构 * Stanford University（斯坦福大学） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 研究揭示多模态AI系统在视觉-语言推理中的漏洞，指出模型能生成未提供图像的详细描述及推理，挑战现有假设，提出B-Clean作为公平评估方案。

Predicting LLM Output Length via Entropy-Guided Representations

通过熵引导表示预测LLM输出长度

Huanyi Xie, Yubin Chen, Liangyu Wang, Lijie Hu, Di Wang

机构 * King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学） ； Provable Responsible AI and Data Analytics (PRADA) Lab（可验证负责任人工智能与数据分析实验室） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） 纠错

专题命中 推理评测 ：chain-of-thought(abstract)；分类 cs.AI

AI总结 本文提出熵引导标记池化和渐进长度预测方法，有效减少LLM推理中的计算浪费，提升吞吐量。

M3-BENCH: Process-Aware Evaluation of LLM Agents' Social Behaviors in Mixed-Motive Games

M3-BENCH：混合动机游戏中LLM代理社会行为过程感知评估

Sixiong Xie, Zhuofan Shi, Haiyang Shen, Yun Ma, Xiang Jing

机构 * Peking University（北京大学） ； National Key Laboratory of Data Space Technology and System（数据空间技术与系统全国重点实验室） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 M3-BENCH通过24个混合动机游戏，从行为轨迹、推理过程和沟通内容三个视角评估LLM代理的社会能力，揭示了仅关注结果的评估方法无法捕捉到的社交能力差异，尤其是推理模型在内部 deliberation 与有效沟通之间的矛盾。

True (VIS) Lies: Analyzing How Generative AI Recognizes Intentionality, Rhetoric, and Misleadingness in Visualization Lies

真正的（视觉）谎言：分析生成式AI如何识别意图性、修辞和误导性在可视化谎言中

Graziano Blasilli, Marco Angelini

机构 * Sapienza University of Rome（罗马大学） ； Link Campus University（Link Campus大学） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL

AI总结 本文研究多模态大语言模型识别和解释误导性可视化的能力，并通过2336条新冠相关推文数据集分析其识别原因和潜在意图性，评估16种前沿模型并对比人类专家行为。

TR-ICRL: Test-Time Rethinking for In-Context Reinforcement Learning

TR-ICRL：基于上下文的强化学习中的测试时重新思考

Wenxuan Jiang, Yuxin Zuo, Zijian Zhang, Xuecheng Wu, Zining Fan, Wenxuan Liu, Li Chen, Xiaoyu Li, Xuezhi Cao, Xiaolong Jin, Ninghao Liu

机构 * The Hong Kong Polytechnic University（香港理工大学） ； Meituan（美团） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Xi’an Jiaotong University（西安交通大学） ； East China Normal University（华东师范大学） ； Northeastern University（东北大学） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL

AI总结 TR-ICRL通过在推理过程中重新思考来解决ICRL中的奖励估计问题，通过伪标签生成反馈，提升模型在推理和知识密集型任务中的性能。

Comments 14 pages, 7 figures

Locally Confident, Globally Stuck: The Quality-Exploration Dilemma in Diffusion Language Models

局部自信，全局停滞：扩散语言模型中的质量探索困境

Liancheng Fang, Aiwei Liu, Henry Peng Zou, Yankai Chen, Enze Ma, Leyi Pan, Chunyu Miao, Wei-Chieh Huang, Xue Liu, Philip S. Yu

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Tsinghua University（清华大学） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； McGill University（麦吉尔大学） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL

AI总结 本文探讨了扩散语言模型中质量与探索的矛盾，提出了一种平衡两者的方法，通过优化分布和采样策略提升生成质量与探索能力。

EHRStruct: A Comprehensive Benchmark Framework for Evaluating Large Language Models on Structured Electronic Health Record Tasks

EHRStruct：一个全面的评估框架，用于评估大型语言模型在结构化电子健康记录任务上的表现

Xiao Yang, Xuejiao Zhao, Zhiqi Shen

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出EHRStruct框架，用于评估大型语言模型在结构化电子健康记录任务上的性能，包含11种临床任务和2200个样本，分析了影响模型性能的关键因素，并提出EHRMaster方法以提升性能。

Comments 28pages, 6 figures, 6 tables

Improvisational Games as a Benchmark for Social Intelligence of AI Agents: The Case of Connections

即兴游戏作为AI代理社交智能的基准测试：以Connections为例

Gaurav Rajesh Parikh, Angikar Ghosal

机构 * Duke University（杜克大学） ； Stanford University（斯坦福大学） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 本文通过即兴词游戏Connections探讨AI代理的推理能力，提出该游戏作为测试社交智能的基准，涵盖知识检索、总结及认知状态意识等核心能力。

Comments https://wordplay-workshop.github.io/wordplay2024/pdfs/16.pdf

Journal ref https://wordplay-workshop.github.io/wordplay2024/pdfs/16.pdf

Benchmarking Interaction, Beyond Policy: a Reproducible Benchmark for Collaborative Instance Object Navigation

交互基准测试，超越策略：协作实例物体导航的可重复基准

Edoardo Zorzi, Francesco Taioli, Yiming Wang, Marco Cristani, Alessandro Farinelli, Alberto Castellini, Loris Bazzani

机构 * Sapienza University of Rome（罗马大学） ； University of Verona（维罗纳大学） ； Polytechnic of Turin（都灵理工大学） ； Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会） ； Reykjavik University（雷克雅未克大学） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出QAsk-Nav基准，用于评估协作实例物体导航中的导航与协作问答能力，提供轻量级问答协议和高质量数据集，开发出更高效且性能更优的Light-CoNav模型。

SNEAK: Evaluating Strategic Communication and Information Leakage in Large Language Models

SNEAK：评估大语言模型中的战略沟通与信息泄露

Adar Avsian, Larry Heck

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL

AI总结 SNEAK通过模拟盟友和间谍两种角色，评估语言模型在信息共享与保密之间的平衡能力，发现当前系统在非对称信息下的战略沟通仍存在挑战，人类表现显著优于模型。

Beyond Idealized Patients: Evaluating LLMs under Challenging Patient Behaviors in Medical Consultations

超越理想化患者：在医疗咨询中评估LLM在挑战性患者行为下的表现

Yahan Li, Xinyi Jie, Wanjia Ruan, Xubei Zhang, Huaijie Zhu, Yicheng Gao, Chaohao Du, Ruishan Liu

机构 * University of Southern California（南加州大学） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.CL

AI总结 本文研究了医疗咨询中常见的挑战性患者行为，定义了四种行为类别，并提出了CPB-Bench基准测试集，评估了多种LLM在处理这些行为时的表现，发现模型在处理矛盾或医学上不合理的患者信息时存在困难。

PSPA-Bench: A Personalized Benchmark for Smartphone GUI Agent

PSPA-Bench：面向智能手机GUI代理的个性化基准

Hongyi Nie, Xunyuan Liu, Yudong Bai, Yaqing Wang, Yang Liu, Quanming Yao, Zhen Wang

机构 * Northwestern Polytechnical University（西北工业大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Beijing Institute of Mathematical Sciences and Applications（北京数学科学与应用研究院） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出PSPA-Bench，用于评估智能手机GUI代理的个性化能力，通过12855条个性化指令和22款移动应用，揭示现有方法在个性化场景下的不足，并提出改进方向。

Comments 28 pages

AEC-Bench: A Multimodal Benchmark for Agentic Systems in Architecture, Engineering, and Construction

AEC-Bench：一种用于建筑、工程和施工领域代理系统的多模态基准

Harsh Mankodiya, Chase Gallik, Theodoros Galanos, Andriy Mulyar

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 AEC-Bench旨在评估建筑、工程和施工领域代理系统在真实任务中的表现，涵盖图纸理解、跨表单推理和项目级协调任务，通过多模型基准测试提升基础模型性能。

Multi-Layered Memory Architectures for LLM Agents: An Experimental Evaluation of Long-Term Context Retention

多层记忆架构用于LLM代理：长期上下文保留的实验评估

Sunil Tiwari, Payal Fofadiya

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出多层记忆框架，通过分解对话历史为工作、事件和语义层，提升长期上下文保留与推理稳定性，实验显示在LOCOMO等数据集上性能提升，同时降低虚假记忆率和上下文使用率。

JaWildText: A Benchmark for Vision-Language Models on Japanese Scene Text Understanding

JaWildText：面向日文场景文本理解的视觉-语言模型基准测试

Koki Maeda, Naoaki Okazaki

机构 * Institute of Science Tokyo, Tokyo, Japan（东京科学大学，日本东京） ； Research and Development Center for Large Language Models, National Institute of Informatics, Tokyo, Japan（国立信息学研究所大型语言模型研发中心，日本东京） 纠错

专题命中 推理评测 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出JaWildText基准测试，针对日文场景文本理解中的多脚本、垂直书写和字符多样性问题，包含3241个实例和112万字符标注，涵盖STVQA、KIE和手写OCR三个任务，评估14种VLM模型，发现最佳模型在三个任务上的平均得分为0.64。

Comments 18 pages