大模型推理能力

$G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA

$G^2$-Reader: 双重演化图式用于多模态文档问答

Yaxin Du, Junru Song, Yifan Zhou, Cheng Wang, Jiahao Gu, Zimeng Chen, Menglan Chen, Wen Yao, Yang Yang, Ying Wen, Siheng Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Intelligent Game and Decision Laboratory（智能游戏与决策实验室） 纠错

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

AI总结 $G^2$-Reader通过双重图式解决多模态文档问答中的结构破坏和检索失效问题，实现66.21%的高准确率。

A Unified XAI-LLM Approach for EndotrachealSuctioning Activity Recognition

面向气管吸引活动识别的统一XAI-LLM方法

Hoang Khang Phan, Quang Vinh Dang, Noriyo Colley, Christina Garcia, Nhat Tan Le

机构 * Dept. of Biomedical Engineering（生物医学工程系） ； Manning College of Information（信息与计算机科学学院） ； Faculty of Health Science（健康科学学院） ； Kyushu Institute of Technology（九州工业大学） 纠错

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

AI总结 本文提出一种统一的XAI-LLM框架，用于气管吸引活动识别，通过LLM实现时空活动识别和可解释反馈，提升培训效率和患者安全。

Active Inference Tree Search in Large POMDPs

大规模POMDPs中的主动推断树搜索

Domenico Maisto, Francesco Gregoretti, Karl Friston, Giovanni Pezzulo

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

AI总结 本文提出主动推断树搜索方法，结合神经科学与人工智能的规划理论，实现大规模POMDP问题的高效解决。

Comments 47 pages, 9 figures, 1 Appendix of two sections with pseudocodes and one encoding example, submitted preprint

EHR-RAG: Bridging Long-Horizon Structured Electronic Health Records and Large Language Models via Enhanced Retrieval-Augmented Generation

EHR-RAG: 通过增强检索增强生成连接长期结构电子健康记录和大型语言模型

Lang Cao, Qingyu Chen, Yue Guo

机构 * University of Illinois Urbana-Champaign, United States（伊利诺伊大学厄巴纳-香槟分校） ； Yale University, United States（耶鲁大学） 纠错

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

AI总结 EHR-RAG通过增强检索增强生成方法，提升长期结构电子健康记录在临床预测中的表现，实现宏F1平均提升10.76%。

Wireless Power Transfer and Intent-Driven Network Optimization in AAVs-assisted IoT for 6G Sustainable Connectivity

面向6G可持续连接的AAV辅助物联网中的无线功率传输与意图驱动网络优化

Xiaoming He, Gaofeng Wang, Huajun Cui, Rui Yuan, Haitao Zhao

机构 * College of Internet of Things, Nanjing University of Posts and Telecommunications（物联网学院，南京邮电大学） ； Digital Intelligence Research Institute, PowerChina, Beijing Engineering Corporation Limited（数字智能研究院，中国电力工程顾问集团北京公司） ； College of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications（电信与信息工程学院，南京邮电大学） 纠错

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

AI总结 本文提出意图驱动的自主网络优化框架，通过超维变换器和双动作多智能体策略优化，提升AAV辅助物联网中高维动作序列处理和低延迟执行能力。

LLM$\times$MapReduce-V3: Enabling Interactive In-Depth Survey Generation through a MCP-Driven Hierarchically Modular Agent System

LLM×MapReduce-V3：通过MCP驱动的分层模块化代理系统实现交互式深入调研生成

Yu Chao, Siyu Lin, xiaorong wang, Zhu Zhang, Zihan Zhou, Haoyu Wang, Shuo Wang, Jie Zhou, Zhiyuan Liu, Maosong Sun

机构 * Dept. of Comp. Sci. & Tech., Institute for AI, BNRist Center, Tsinghua University（计算机科学与技术系，人工智能研究院，BNRist中心，清华大学） ； Peking University（北京大学） ； Modelbest Inc.（Modelbest公司） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 LLM×MapReduce-V3通过MCP驱动的分层模块化代理系统实现交互式深入调研生成，提升调研内容深度与长度。

Comments Accepted by EMNLP2025 System Demonstration

Rec-R1: Bridging Generative Large Language Models and User-Centric Recommendation Systems via Reinforcement Learning

Rec-R1: 通过强化学习连接生成式大语言模型与以用户为中心的推荐系统

Jiacheng Lin, Tian Wang, Kun Qian

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 Rec-R1通过强化学习连接生成式大语言模型与用户导向推荐系统，有效提升推荐性能并保留LLM通用能力。

Comments Published in the TMLR journal

PEARL: Plan Exploration and Adaptive Reinforcement Learning for Multihop Tool Use

PEARL：多跳工具使用中的计划探索与自适应强化学习

Qihao Wang, Mingzhe Lu, Jiayue Wu, Yue Hu, Yanbing Liu

机构 * Institute of Information Engineering, China（信息工程研究所，中国） ； School of Cyber Security, University of Chinese Academy of Sciences, China（中国科学院大学网络安全学院，中国） 纠错

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

AI总结 PEARL通过两阶段方法提升LLM在多跳工具使用中的规划与执行能力，实现ToolHop 56.5%的成功率。

Comments Accepted to PRICAI25

Random forest-based out-of-distribution detection for robust lung cancer segmentation

基于随机森林的分布外检测用于鲁棒肺癌分割

Aneesh Rangnekar, Harini Veeraraghavan

机构 * MSKCC 纠错

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

AI总结 本文提出RF-Deep方法，利用预训练变换器编码器的深度特征，通过随机森林检测分布外数据，提升肺癌分割的鲁棒性。

Comments Accepted at SPIE Medical Imaging 2026

CCDSReFormer: Traffic Flow Prediction with a Criss-Crossed Dual-Stream Enhanced Rectified Transformer Model

CCDSReFormer：基于交叉双流增强修正变换器模型的交通流预测

Zhiqi Shao, Michael G. H. Bell, Ze Wang, D. Glenn Geers, Xusheng Yao, Junbin Gao

机构 * Business Analytics Discipline, The University of Sydney（悉尼大学商业分析学科） ； Institute of Transport and Logistics, The University of Sydney（悉尼大学交通运输与物流研究所） ； College of Management and Economics, Tianjin University（天津大学管理学院） 纠错

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

AI总结 CCDSReFormer通过引入三个创新模块，有效提升交通流预测的准确性和效率，实现对空间和时间信息的融合处理。

Comments 18 pages

Journal ref Communications in Transportation Research 5 (2025): 100189

ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks

ComAgent：基于多LLM的代理式AI赋能智能无线网络

Haoyun Li, Ming Xiao, Kezhi Wang, Robert Schober, Dong In Kim, Yong Liang Guan

机构 * IEEE 纠错

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

AI总结 ComAgent通过多LLM代理式AI框架，实现复杂无线网络任务的自动化设计与优化，展现出超越单体LLM的性能优势。

GTA: Generative Traffic Agents for Simulating Realistic Mobility Behavior

GTA：生成交通代理用于模拟真实移动行为

Simon Lämmer, Mark Colley, Patrick Ebel

机构 * Leipzig University（莱比锡大学） ； UCL Interaction Centre（UCL互动中心） ； ScaDS.AI, Leipzig University（ScaDS.AI，莱比锡大学） 纠错

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

AI总结 GTA通过基于角色的代理和大语言模型模拟大规模交通行为，提供了一种无需手工规则的类人交通模拟方法，用于研究未来创新对出行决策的影响。

Comments This version has been conditionally accepted at CHI 2026

Rethinking the AI Scientist: Interactive Multi-Agent Workflows for Scientific Discovery

重新思考AI科学家：用于科学发现的交互式多智能体工作流

Lukas Weidener, Marko Brkić, Mihailo Jovanović, Ritvik Singh, Chiara Baccin, Emre Ulgac, Alex Dobrin, Aakaash Meduri

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

AI总结 Deep Research通过交互式多智能体系统实现快速科学发现，其在计算生物学基准上达到领先性能，显著提升研究效率与准确性。

Remote Sensing Image Intelligent Interpretation with the Language-Centered Perspective: Principles, Methods and Challenges

遥感图像智能解读的以语言为中心的视角：原理、方法与挑战

Haifeng Li, Wang Guo, Haiyang Wu, Mengwei Wu, Jipeng Zhang, Qing Zhu, Yu Liu, Xin Huang, Chao Tao

机构 * School of Geosciences and Info-Physics, Central South University（中南大学地球科学与信息物理学院） ； Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University（西南交通大学地质科学与环境工程学院） ； School of Earth and Space Sciences, Peking University（北京大学地球与空间科学学院） ； Institute of Remote Sensing Information Processing (IRSIP), Wuhan University（武汉大学遥感信息处理研究所） 纠错

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

AI总结 本文提出以语言为中心的遥感图像解读框架，探讨LLMs作为认知核心的作用，并总结多模态表示、知识关联等核心挑战，为认知驱动的智能地理空间分析提供理论基础。

PowerGraph-LLM: Novel Power Grid Graph Embedding and Optimization with Large Language Models

PowerGraph-LLM: 利用大语言模型的新型电力网络图嵌入与优化框架

Fabien Bernier, Jun Cao, Maxime Cordy, Salah Ghamizi

机构 * SnT, University of Luxembourg, Luxembourg（卢森堡大学SnT学院，卢森堡） ； Luxembourg Institute of Health (LIH), Luxembourg（卢森堡健康研究院） 纠错

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

AI总结 PowerGraph-LLM利用大语言模型解决电力系统最优潮流问题，结合图与表格表示以捕捉复杂关系，并通过定制的微调协议提升性能。

Comments Published at IEEE Transactions on Power Systems

Journal ref IEEE Transactions on Power Systems (Volume: 40, Issue: 6, Pages: 5483 - 5486, November 2025)

CASSANDRA: Programmatic and Probabilistic Learning and Inference for Stochastic World Modeling

CASSANDRA：面向随机世界建模的程序化与概率学习与推理

Panagiotis Lymperopoulos, Abhiramon Rajasekharan, Ian Berlot-Attwell, Stéphane Aroca-Ouellette, Kaheer Suleman

机构 * Skyfall AI ； Tufts University（塔夫茨大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Toronto（多伦多大学） ； Vector Instiute（Vector研究所） 纠错

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

AI总结 CASSANDRA通过结合LLM的知识先验和概率图模型结构学习，提升随机世界建模中的转移预测与规划能力。

Comments 28 pages, 2 figures

SAGE: Steerable Agentic Data Generation for Deep Search with Execution Feedback

SAGE: 用于深度搜索的可调节代理数据生成与执行反馈

Fangyuan Xu, Rujun Han, Yanfei Chen, Zifeng Wang, I-Hung Hsu, Jun Yan, Vishy Tirumalashetty, Eunsol Choi, Tomas Pfister, Chen-Yu Lee

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

AI总结 SAGE通过生成高质量、难度可控的深度搜索问题-答案对，提升深度搜索代理的性能和适应性

EvolVE: Evolutionary Search for LLM-based Verilog Generation and Optimization

EvolVE: 基于LLM的Verilog生成与优化的进化搜索

Wei-Po Hsin, Ren-Hao Deng, Yao-Ting Hsieh, En-Ming Huang, Shih-Hao Hung

机构 * Department of Electrical Engineering（电气工程系） ； National Taiwan University（国立台湾大学） ； Department of Computer Science and Information Engineering（计算机科学与信息工程系） ； Institute of Information Science（信息科学研究所） 纠错

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

AI总结 EvolVE通过进化搜索方法提升LLM在Verilog生成与优化中的性能，达到98.1%的准确率并优化行业级集成电路设计。

Comments 17 pages, 6 figures, 8 tables

Agentic AI for Self-Driving Laboratories in Soft Matter: Taxonomy, Benchmarks,and Open Challenges

代理AI在软物质中的自主实验室：分类、基准和开放挑战

Xuanzhou Chen, Audrey Wang, Stanley Yin, Hanyang Jiang, Dong Zhang

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

AI总结 本文探讨了自主实验室在软物质中的应用，提出了基于智能体的环境交互框架，回顾了闭环实验的主要方法，并指出了多模态表示、校准不确定性、安全探索和共享基准基础设施等开放挑战。

Faramesh: A Protocol-Agnostic Execution Control Plane for Autonomous Agent Systems

Faramesh：一种协议无关的自主代理系统执行控制平面

Amjad Fatmi

机构 * The Faramesh Labs（弗拉梅什实验室） 纠错

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

AI总结 Faramesh通过非可绕过的动作授权边界，实现自主代理系统执行时的强制授权和可预测治理。

Comments 40 pages, 10 figures. Preprint. Code: https://github.com/faramesh/faramesh-core

Real-Time Trend Prediction via Continually-Aligned LLM Query Generation

通过持续对齐的LLM查询生成进行实时趋势预测

Zijing Hui, Wenhan Lyu, Shusen Wang, Li Chen, Chu Wang

机构 * Meta Platforms（Meta平台） 纠错

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

AI总结 RTTP通过持续对齐的LLM查询生成，在低流量搜索环境中实现实时趋势预测，显著提升尾部趋势检测精度和查询生成准确性。

Interpreting Agentic Systems: Beyond Model Explanations to System-Level Accountability

解释代理系统：超越模型解释到系统级问责

Judy Zhu, Dhari Gandhi, Himanshu Joshi, Ahmad Rezaie Mianroodi, Sedef Akinli Kocak, Dhanesh Ramachandran

机构 * Vector Institute for Artificial Intelligence（向量人工智能研究所） ； University of Texas, Austin（德克萨斯大学奥斯汀分校） ； Dalhousie University（达尔豪斯大学） 纠错

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

AI总结 本文探讨了代理系统中可解释性技术的必要性，提出需设计专门方法以确保系统在目标形成、环境交互和结果评估等阶段的可追溯性和问责性。

Inside Out: Evolving User-Centric Core Memory Trees for Long-Term Personalized Dialogue Systems

Inside Out: 为长期个性化对话系统演化用户导向的核心内存树

Jihao Zhao, Ding Chen, Zhaoxin Fan, Kerun Xu, Mengting Hu, Bo Tang, Feiyu Xiong, Zhiyu Li

机构 * School of Information, Renmin University of China（中国人民大学信息学院） ； MemTensor (Shanghai) Technology Co., Ltd.（MemTensor（上海）科技有限公司） ； Institute for Advanced Algorithms Research, Shanghai（上海先进算法研究所） ； China Telecom Research Institute（中国电信研究院） ； Beijing University of Aeronautics and Astronautics（北京航空航天大学） ； Nankai University（南开大学） 纠错

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

AI总结 Inside Out通过演化用户导向的核心内存树，提升长期个性化对话系统的内存压缩与身份一致性，采用轻量级MemListener实现动态更新与高效响应生成。

RAM-SD: Retrieval-Augmented Multi-agent framework for Sarcasm Detection

RAM-SD：基于检索的多智能体框架用于讽刺检测

Ziyang Zhou, Ziqi Liu, Yan Wang, Yiming Lin, Yangbin Chen

机构 * Xi’an Jiaotong–Liverpool University（西安交通大学利物浦大学） 纠错

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

AI总结 RAM-SD通过多智能体框架提升讽刺检测性能，实现77.74%的宏F1值，提供透明推理轨迹。

Comments 12 pages, 4 figures, 6 tables, preprint

Evaluating Large Vision-language Models for Surgical Tool Detection

评估大型视觉-语言模型用于手术工具检测

Nakul Poudel, Richard Simon, Cristian A. Linte

机构 * Rochester Institute of Technology（罗切斯特理工大学） ； Center for Imaging Science（成像科学中心） ； Center for Imaging Science and Biomedical Engineering（成像科学与生物医学工程中心） 纠错

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

AI总结 本研究评估了三种大型视觉-语言模型在手术工具检测任务中的性能，发现Qwen2.5在检测和泛化能力上表现最佳。

LUMINA: Long-horizon Understanding for Multi-turn Interactive Agents

LUMINA：多轮交互智能体的长视图理解

Amin Rakhsha, Thomas Hehn, Pietro Mazzaglia, Fabio Valerio Massoli, Arash Behboodi, Tribhuvanesh Orekondy

机构 * University of Toronto（多伦多大学） ； Qualcomm AI Research（高通人工智能研究） 纠错

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

AI总结 LUMINA研究通过oracle反事实框架分析多轮交互智能体中各基础能力的重要性，揭示了不同技能在不同环境下的有效性差异。

Doc2AHP: Inferring Structured Multi-Criteria Decision Models via Semantic Trees with LLMs

Doc2AHP: 通过语义树利用LLMs推断结构化的多准则决策模型

Hongjia Wu, Shuai Zhou, Hongxin Zhang, Wei Chen

机构 * State Key Laboratory of CAD&CG（计算机辅助设计与图形学国家重点实验室） 纠错

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

AI总结 Doc2AHP通过结合AHP原理和LLMs，实现结构化多准则决策模型的高效推断，提升决策模型的逻辑完整性和准确性。

Clarify or Answer: Reinforcement Learning for Agentic VQA with Context Under-specification

澄清或回答：基于上下文不充分的代理视觉问答强化学习

Zongwan Cao, Bingbing Wen, Lucy Lu Wang

机构 * University of Washington（华盛顿大学） ； Allen Institute for AI（人工智能研究院） 纠错

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

AI总结 CoA通过强化学习解决上下文不充分的视觉问答问题，通过生成聚焦问题澄清歧义，提升问答准确性。

A Two-Stage GPU Kernel Tuner Combining Semantic Refactoring and Search-Based Optimization

一种结合语义重构和基于搜索的优化的双阶段GPU内核调优器

Qiuyi Qu, Yicheng Sui, Yufei Sun, Rui Chen, Xiaofei Zhang, Yuzhi Zhang, Haofeng Wang, Ge Lan

机构 * NanKai University（南开大学） ； Beijing Institute of Computer Technology and Applications（北京计算机技术与应用研究所） 纠错

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

AI总结 本文提出一种结合语义重构和基于搜索的双阶段GPU内核调优器，通过模板化和参数优化提升内核性能，实现更稳定和高质量的加速效果。

Towards Open-World Retrieval-Augmented Generation on Knowledge Graph: A Multi-Agent Collaboration Framework

面向知识图谱的开放世界检索增强生成：一种多智能体协作框架

Jiasheng Xu, Mingda Li, Yongqiang Tang, Peijie Wang, Wensheng Zhang

机构 * School of Computer Science and Cyber Engineering（计算机科学与网络工程学院） ； Guangzhou University（广州大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

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

AI总结 AnchorRAG通过多智能体协作框架，在无需预定义锚实体的情况下提升开放世界检索增强生成的鲁棒性与准确性。