大模型推理能力

Argumentative Human-AI Decision-Making: Toward AI Agents That Reason With Us, Not For Us

论证型人机决策：迈向与我们共思而非为我们决策的AI代理

Stylianos Loukas Vasileiou, Antonio Rago, Francesca Toni, William Yeoh

机构 * New Mexico State University（新墨西哥州立大学） ； King's College London（伦敦国王学院） ； Imperial College London（伦敦帝国学院） ； Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文探讨论证型人机决策的新范式，结合论证框架挖掘、合成与推理，使AI代理能与人类进行辩证互动，提升高风险领域的人工智能可信度。

From Image Generation to Infrastructure Design: a Multi-agent Pipeline for Street Design Generation

从图像生成到基础设施设计：一种多智能体管道用于街道设计生成

Chenguang Wang, Xiang Yan, Yilong Dai, Ziyi Wang, Susu Xu

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Stony Brook University（石溪大学） ； University of Florida（佛罗里达大学） ； University of Maryland（马里兰大学） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 本文提出一种多智能体系统，直接在真实街道视图上编辑和重新设计自行车设施，整合车道定位、提示优化、设计生成和自动评估，生成符合情境的街道设计。

Comments 25 pages, 8 figures

Don't Trust Stubborn Neighbors: A Security Framework for Agentic Networks

不要信任固执的邻居：代理网络的安全框架

Samira Abedini, Sina Mavali, Lea Schönherr, Martin Pawelczyk, Rebekka Burkholz

机构 * CISPA Helmholtz Center for Information Security（CISPA海德堡信息安全研究中心） ； University of Vienna, Faculty of Computer Science（维也纳大学计算机科学系） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 本文研究了基于大语言模型的多代理系统中恶意代理传播虚假信息的风险，提出理论框架并通过实验验证了增加良性代理、提升固执度或降低对敌方信任可增强系统安全。

SEMAG: Self-Evolutionary Multi-Agent Code Generation

SEMAG：自演化多智能体代码生成

Yulin Peng, Haowen Hou, Xinxin Zhu, Ying Tiffany He, F. Richard Yu

机构 * College of Computer Science and Software Engineering, Shenzhen University, China（深圳大学计算机科学与软件工程学院） ； Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ), China（广东省人工智能与数字经济发展实验室（深圳）） ； School of Information Technology, Carleton University, Canada（卡尔顿大学信息技术学院） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 SEMAG通过自演化多智能体框架提升代码生成适应性，实现更高准确率和更强的模型自适应能力。

Finder: A Multimodal AI-Powered Search Framework for Pharmaceutical Data Retrieval

Finder：一种多模态AI驱动的制药数据检索框架

Suyash Mishra, Srikanth Patil, Satyanarayan Pati, Sagar Sahu, Baddu Narendra

机构 * Researcher, Global Product Strategy F. Hoffmann-La Roche Ltd. Basel, Switzerland（全球产品战略研究员 罗氏有限公司 巴塞尔，瑞士） ； Associate Vice President (Gen AI) Involead Services Pvt Ltd. Pune, India（高级副总裁（生成式人工智能） Involead服务私人有限公司 普纳，印度） ； Lead Data Scientist Involead Services Pvt Ltd. Delhi, India（首席数据科学家 Involead服务私人有限公司 德里，印度） ； Data Scientist Involead Services Pvt Ltd. Bhubaneswar, India（数据科学家 Involead服务私人有限公司 奇塔拉，印度） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 Finder利用混合向量搜索统一文本、图像、音频和视频的检索，通过稀疏词汇和密集语义模型提升多模态内容处理能力，支持自然语言推理搜索，已处理超过29万文档、3.1万视频和1192音频文件。

Lore: Repurposing Git Commit Messages as a Structured Knowledge Protocol for AI Coding Agents

Lore：将Git提交信息重新利用为AI编码代理的结构化知识协议

Ivan Stetsenko

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出Lore协议，通过Git trailers重构提交信息，生成包含约束、拒绝替代方案、代理指令和验证元数据的自包含决策记录，以解决AI编码代理在代码生产与消费中机构知识流失的问题。

Comments 8 pages, 1 figure, 1 table. Preprint available at https://doi.org/10.5281/zenodo.19051840

Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models

Prism：通过分层搜索和自验证实现离散扩散语言模型的高效测试时扩展

Jinbin Bai, Yixuan Li, Yuchen Zhu, Yi Xin, Qingyu Shi, Aosong Feng, Xiaohong Liu, Molei Tao, Jianru Xue, Xiangtai Li, Ming-Hsuan Yang

专题命中 规划推理 ：reasoning(abstract)；分类 cs.LG

AI总结 本文提出Prism框架，通过分层轨迹搜索、局部分支和自验证反馈，提升离散扩散语言模型的测试时扩展效率与性能。

Agentic DAG-Orchestrated Planner Framework for Multi-Modal, Multi-Hop Question Answering in Hybrid Data Lakes

基于代理的DAG编排规划框架：用于混合数据湖中多模态、多跳问答系统

Kirushikesh D B, Manish Kesarwani, Nishtha Madaan, Sameep Mehta, Aldrin Dennis, Siddarth Ajay, Rakesh B R, Renu Rajagopal, Sudheesh Kairali

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出A.DOT规划框架，通过编译自然语言查询为DAG执行计划，实现多模态多跳问答，提升准确性和效率，并生成可追溯的证据链。

Empowering Future Cybersecurity Leaders: Advancing Students through FINDS Education for Digital Forensic Excellence

赋能未来网络安全领袖：通过FINDS教育提升学生数字取证能力

Yashas Hariprasad, Subhash Gurappa, Sundararaj S. Iyengar, Jerry F. Miller, Pronab Mohanty, Naveen Kumar Chaudhary

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出MCBSG模型，通过整合AI驱动的取证编程、统计推断等技能，提升网络安全教育的系统性和可衡量性，验证其在提高技术能力和研究准备度方面的有效性。

DECEIVE-AFC: Adversarial Claim Attacks against Search-Enabled LLM-based Fact-Checking Systems

DECEIVE-AFC：针对具有搜索功能的基于大语言模型的事实核查系统的对抗性声明攻击

Haoran Ou, Kangjie Chen, Gelei Deng, Hangcheng Liu, Jie Zhang, Tianwei Zhang, Kwok-Yan Lam

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出DECEIVE-AFC框架，通过新型声明级攻击策略和对抗性声明有效性评估原则，研究对抗性声明攻击对基于大语言模型的事实核查系统的影响，实验表明攻击显著降低验证性能。

Diversity or Precision? A Deep Dive into Next Token Prediction

多样性还是精度？对下个token预测的深入探讨

Haoyuan Wu, Hai Wang, Jiajia Wu, Jinxiang Ou, Keyao Wang, Weile Chen, Zihao Zheng, Bei Yu

专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL

AI总结 本文通过重新审视交叉熵损失，提出一种结合在线强化学习原则的预训练目标，平衡多样性与精度，优化语言模型的推理能力。

EcoAlign: An Economically Rational Framework for Efficient LVLM Alignment

EcoAlign：一种经济理性框架，用于高效LVLM对齐

Ruoxi Cheng, Haoxuan Ma, Teng Ma, Hongyi Zhang

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出EcoAlign框架，通过经济理性搜索提升LVLM对齐效率，在安全、效用和成本间取得平衡，实验表明其在计算成本更低的情况下性能更优。

TsLLM: Augmenting LLMs for General Time Series Understanding and Prediction

TsLLM：增强大语言模型以实现通用时间序列理解和预测

Felix Parker, Nimeesha Chan, Chi Zhang, Kimia Ghobadi

专题命中 规划推理 ：reasoning(abstract)；分类 cs.LG

AI总结 TsLLM通过引入基于补丁的编码器-解码器架构，增强了大语言模型对时间序列数据的理解与预测能力，能够整合时间序列分析与自然语言处理，展现强大的零样本和少样本学习能力。

AutoEP: LLMs-Driven Automation of Hyperparameter Evolution for Metaheuristic Algorithms

AutoEP：基于LLM的元启发式算法超参数进化自动化

Zhenxing Xu, Yizhe Zhang, Weidong Bao, Hao Wang, Ming Chen, Haoran Ye, Wenzheng Jiang, Hui Yan, Ji Wang

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 AutoEP通过LLM实现元启发式算法超参数自动优化，利用探索性景观分析模块和多LLM推理链提供实时反馈和自适应策略，优于现有方法，使开源模型性能接近GPT-4。

Federated Multi-Agent Mapping for Planetary Exploration

联邦多智能体制图用于行星探索

Tiberiu-Ioan Szatmari, Abhishek Cauligi

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 本文提出一种联邦多智能体制图方法，通过隐式神经制图生成高效适应性表示，减少数据传输达93.8%，并利用元初始化加速地图收敛，实现火星地形和冰川数据集的高路径规划F1分数。

Comments 7 pages, 6 figures

SemRep: Generative Code Representation Learning with Code Transformations

SemRep：基于代码变换的生成式代码表示学习

Weichen Li, Jiamin Song, Bogdan Alexandru Stoica, Arav Dhoot, Gabriel Ryan, Shengyu Fu, Kexin Pei

机构 * The University of Chicago（芝加哥大学） ； Columbia University（哥伦比亚大学） ； Microsoft（微软公司） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.LG

AI总结 SemRep通过生成式代码表示学习提升代码变换效果，利用语义保持变换作为中间表示，实现更准确的语义推理和更高效的代码优化。

Suppressing Domain-Specific Hallucination in Construction LLMs: A Knowledge Graph Foundation for GraphRAG and QLoRA on River and Sediment Control Technical Standards

抑制构造LLM中的领域特定幻觉：图RAG和QLoRA在河流和泥沙控制技术标准上的知识图谱基础

Takato Yasuno

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 本文通过知识图谱和QLoRA技术，解决基于日本河流和泥沙控制技术标准的问答问题，发现领域特定微调在质量和效率上优于GraphRAG。

Comments 17 pages, 5 figures, 8 tables

OMNIA: Closing the Loop by Leveraging LLMs for Knowledge Graph Completion

OMNIA：通过利用LLMs进行知识图谱补全闭合循环

Frédéric Ieng, Soror Sahri, Mourad Ouzzani, Massinissa Hammaz, Salima Benbernou, Hanieh Khorashadizadeh, Sven Groppe, Farah Benamara

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 OMNIA提出一种两阶段方法，结合结构和语义推理补全知识图谱，通过聚类生成候选三元组并利用轻量嵌入过滤和LLM验证，提升F1分数，减少搜索空间和验证成本。

TRACE: Temporal Rule-Anchored Chain-of-Evidence on Knowledge Graphs for Interpretable Stock Movement Prediction

TRACE: 基于知识图谱的时序规则锚定证据链的可解释股票走势预测

Qianggang Ding, Haochen Shi, Luis Castejón Lozano, Miguel Conner, Juan Abia, Luis Gallego-Ledesma, Joshua Fellowes, Gerard Conangla Planes, Adam Elwood, Bang Liu

机构 * DIRO & Institut Courtois, Université de Montréal（DIRO与Courtois研究所，蒙特利尔大学） ； Mila – Québec AI Institute（魁北克人工智能研究所） ； Aily Labs（Aily实验室） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能 chair） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 TRACE通过结合符号关系先验、动态图探索和LLM引导决策，实现股票预测的可解释性，实验表明其在S&P 500基准上取得优于基线的准确率和F1分数。

Test-Time Strategies for More Efficient and Accurate Agentic RAG

测试时策略用于更高效和准确的代理RAG

Brian Zhang, Deepti Guntur, Zhiyang Zuo, Abhinav Sharma, Shreyas Chaudhari, Wenlong Zhao, Franck Dernoncourt, Puneet Mathur, Ryan Rossi, Nedim Lipka

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出测试时改进Search-R1流程，通过上下文模块和去重模块提升RAG系统在复杂多跳问题中的效率和准确性，实验表明在HotpotQA和Natural Questions数据集上EM得分提高5.6%，检索次数减少10.5%。

Partially Observable Multi-Agent Reinforcement Learning with Information Sharing

部分可观测多智能体强化学习与信息共享

Xiangyu Liu, Kaiqing Zhang

专题命中 规划推理 ：planning(abstract)；分类 cs.LG

AI总结 本文研究了在部分可观测随机游戏框架下可证明的多智能体强化学习问题，提出利用智能体间的信息共享来解决计算复杂性问题，并设计了具有准多项式时间复杂度的算法，扩展至合作部分可观测马尔可夫决策过程。

Comments Final journal version of the ICML 2023 conference paper, accepted to SIAM Journal on Control and Optimization (SICON)

From Toil to Thought: Designing for Strategic Exploration and Responsible AI in Systematic Literature Reviews

从劳作到思考：在系统文献综述中设计战略探索和负责任的AI

Runlong Ye, Naaz Sibia, Angela Zavaleta Bernuy, Tingting Zhu, Carolina Nobre, Viktoria Pammer-Schindler, Michael Liut

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出ARC系统，通过多数据库整合、透明搜索和可验证AI辅助筛选，帮助学者从管理行政负担转向战略探索，提升知识综合的透明度和可验证性。

Comments Accepted at IUI 26

From Phase Prediction to Phase Design: A ReAct Agent Framework for High-Entropy Alloy Discovery

从相预测到相设计：一种用于高熵合金发现的ReAct代理框架

Iman Peivaste, Salim Belouettar

机构 * Luxembourg Institute of Science and Technology (LIST)（卢森堡科学与技术研究院） ； Department of Physics and Materials Science, University of Luxembourg（卢森堡大学物理与材料科学系） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出ReAct代理框架，通过推理与行动实现高熵合金设计，显著提升相发现效率与准确性。

Mobile-Agent-RAG: Driving Smart Multi-Agent Coordination with Contextual Knowledge Empowerment for Long-Horizon Mobile Automation

移动代理-RAG：通过上下文知识增强驱动智能多代理协调以实现长周期移动自动化

Yuxiang Zhou, Jichang Li, Yanhao Zhang, Haonan Lu, Guanbin Li

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 本文提出Mobile-Agent-RAG框架，通过双层检索增强实现智能多代理协调，提升长周期移动自动化任务的完成率和效率。

Efficient Construction of Implicit Surface Models From a Single Image for Motion Generation

从单张图像高效构建隐式表面模型用于运动生成

Wei-Teng Chu, Tianyi Zhang, Matthew Johnson-Roberson, Weiming Zhi

机构 * Department of Electrical Engineering, Stanford University, USA（美国斯坦福大学电气工程系） ； Aurora Innovation, USA（美国Aurora Innovation公司） ； School of Computer Science, The University of Sydney, Australia（澳大利亚悉尼大学计算机科学学院） ； Australian Centre for Robotics, The University of Sydney, Australia（澳大利亚悉尼大学机器人中心） ； College of Connected Computing, Vanderbilt University, USA（美国范德比尔特大学连接计算学院） 纠错

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 本文提出FINS框架，通过单张图像高效重建高保真表面和SDF场，提升机器人运动生成的效率和精度。

Comments 9 pages, 6 figures, 2026 IEEE International Conference on Robotics and Automation (ICRA)

CARROT: A Learned Cost-Constrained Retrieval Optimization System for RAG

CARROT：一种用于RAG的学得式成本约束检索优化系统

Ziting Wang, Haitao Yuan, Wei Dong, Gao Cong, Feifei Li

专题命中 规划推理 ：reasoning(abstract)；分类 cs.CL

AI总结 CARROT通过MCTS和配置代理优化RAG检索，提升检索效率与准确性，实验显示性能提升达30%。

Comments Accepted to ICDE 2026. Updated title (previously "CORAG: A Cost-Constrained Retrieval Optimization System for Retrieval-Augmented Generation")

Domain-Independent Dynamic Programming

领域无关的动态规划

Ryo Kuroiwa, J. Christopher Beck

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 本文提出了一种基于动态规划的新型求解方法DIDP，通过动态规划描述语言实现领域无关的求解，实验显示其在多个组合优化问题上优于传统MIP和CP求解器。

Comments Accepted manuscript in Artificial Intelligence

DT-BEHRT: Disease Trajectory-aware Transformer for Interpretable Patient Representation Learning

DT-BEHRT：面向疾病轨迹的Transformer用于可解释的患者表示学习

Deyi Li, Zijun Yao, Qi Xu, Muxuan Liang, Lingyao Li, Zijian Xu, Mei Liu

机构 * University of Florida（佛罗里达大学） ； University of Kansas（堪萨斯大学） ； MD Anderson Cancer Center（MD安德森癌症中心） ； University of South Florida（佛罗里达州立大学） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.LG

AI总结 DT-BEHRT通过建模疾病轨迹和异步进展模式，提升EHR中患者表示的可解释性和预测性能。

AI-Enabled Data-driven Intelligence for Spectrum Demand Estimation

基于人工智能的数据驱动智能用于频谱需求估计

Colin Brown, Mohamad Alkadamani, Halim Yanikomeroglu

专题命中 规划推理 ：planning(abstract)；分类 cs.AI

AI总结 本文提出基于人工智能的数据驱动方法，利用机器学习模型准确预测频谱需求，通过验证代理提升预测精度，助力频谱资源的动态规划与管理。

Comments Presented at an IEEE ICC 2025 Workshop and published in the conference proceedings

AutoAgent: Evolving Cognition and Elastic Memory Orchestration for Adaptive Agents

AutoAgent：为自适应智能体演化认知与弹性记忆编排

Xiaoxing Wang, Ning Liao, Shikun Wei, Chen Tang, Feiyu Xiong

机构 * MemTensor (Shanghai) Technology Co., Ltd.（MemTensor（上海）科技有限公司） ； Shanghai Jiao Tong University（上海交通大学） ； Institute for Advanced Algorithms Research, Shanghai（上海先进算法研究所） 纠错

专题命中 规划推理 ：reasoning(abstract)；分类 cs.AI

AI总结 AutoAgent通过自我进化多智能体框架，实现动态认知演化与弹性记忆编排，提升智能体在动态环境中的适应性和任务执行效率。