大模型推理能力

Stop Fixating on Prompts: Reasoning Hijacking and Constraint Tightening for Red-Teaming LLM Agents

不要执着于提示：针对LLM代理的推理劫持与约束紧缩

Yanxu Mao, Peipei Liu, Tiehan Cui, Congying Liu, Mingzhe Xing, Datao You

机构 * School of Software, Henan University（河南大学软件学院） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Peking University（北京大学） 纠错

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

AI总结 本文提出JailAgent框架，通过触发提取、推理劫持和约束紧缩三个阶段，避免修改用户提示，提升跨模型和跨场景的性能。

PoTable: Towards Systematic Thinking via Plan-then-Execute Stage Reasoning on Tables

PoTable：通过表格推理中的计划-执行阶段推理实现系统性思维

Qingyang Mao, Qi Liu, Zhi Li, Mingyue Cheng, Zheng Zhang, Rui Li

机构 * State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能国家重点实验室） ； Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） 纠错

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

AI总结 本文提出PoTable，一种基于计划-执行阶段的表格推理方法，通过明确的分析阶段和代码生成机制提升推理的系统性和可解释性。

Comments Accepted by IEEE TKDE 2026

Reasoning in a Combinatorial and Constrained World: Benchmarking LLMs on Natural-Language Combinatorial Optimization

在组合与约束世界中的推理：在自然语言组合优化上对LLM的基准测试

Xia Jiang, Jing Chen, Cong Zhang, Jie Gao, Chengpeng Hu, Chenhao Zhang, Yaoxin Wu, Yingqian Zhang

机构 * Eindhoven University of Technology（埃因霍温理工大学） ； Brandenburg University of Technology（勃兰登堡工业大学） ； Nanyang Technological University（南洋理工大学） ； Delft University of Technology（代尔夫特理工大学） ； Southeast University（东南大学） 纠错

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

AI总结 本文提出NLCO基准测试，评估LLM在组合优化中的推理能力，涵盖43个问题，通过四层分类体系进行细粒度评估，发现随着问题规模增大，LLM的性能下降，尤其是在图结构问题和瓶颈目标上表现较差。

Beyond Accuracy: Diagnosing Algebraic Reasoning Failures in LLMs Across Nine Complexity Dimensions

超越准确性：在九个复杂性维度上诊断大语言模型的代数推理失败

Parth Patil, Dhruv Kumar, Yash Sinha, Murari Mandal

机构 * Department of Computer Science & Information Systems BITS Pilani（比拉理工学院皮拉尼校区计算机科学与信息系统系） ； School of Computer Engineering, KIIT Bhubaneshwar（KIIT布巴内斯瓦尔分校计算机工程学院） 纠错

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

AI总结 本文提出一个九维代数复杂性框架，通过独立调整每个复杂性因素来诊断大语言模型的代数推理失败，发现工作内存是主要瓶颈，识别出五个关键维度以全面评估模型能力。

Comments Under Review as a conference paper at COLM 2026

Vision-as-Inverse-Graphics Agent via Interleaved Multimodal Reasoning

通过交错多模态推理的视觉-反图形代理

Shaofeng Yin, Jiaxin Ge, Zora Zhiruo Wang, Chenyang Wang, Xiuyu Li, Michael J. Black, Trevor Darrell, Angjoo Kanazawa, Haiwen Feng

机构 * University of California, Berkeley（加州大学伯克利分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Impossible, Inc.（Impossible公司） 纠错

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

AI总结 本文提出VIGA框架，通过符号逻辑与视觉感知的交叉验证，解决视觉语言模型在单次设置中重建图像的挑战，支持2D文档生成、3D重建等任务。

Comments Project page: https://fugtemypt123.github.io/VIGA-website/

Compositional Neuro-Symbolic Reasoning

组合式神经符号推理

Anugyan Das, Omkar Ghugarkar, Vishvesh Bhat, Asad Aali

机构 * CoreThink AI ； Stanford University（斯坦福大学） 纠错

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

AI总结 本文提出一种结合神经和符号方法的推理框架，通过提取网格对象结构、利用神经先验提出变换候选方案并过滤假设，提升ARC-AGI-2任务表现，无需任务特定微调或强化学习。

SemLoc: Structured Grounding of Free-Form LLM Reasoning for Fault Localization

SemLoc：基于结构化语义绑定的自由形式LLM推理故障定位

Zhaorui Yang, Haichao Zhu, Qian Zhang, Rajiv Gupta, Ashish Kundu

机构 * UC Riverside（加州大学河滨分校） ； Cisco Research（思科研究院） ； Independent Researcher（独立研究员） 纠错

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

AI总结 SemLoc通过结构化语义绑定将自由形式LLM推理转化为封闭中间表示，结合语义违反光谱提升故障定位精度，实现7.6%的代码检查效率提升。

T-Norm Operators for EU AI Act Compliance Classification: An Empirical Comparison of Lukasiewicz, Product, and Gödel Semantics in a Neuro-Symbolic Reasoning System

T-范数运算符用于欧盟人工智能法案合规分类：在神经符号推理系统中对Lukasiewicz、Product和Gödel语义的实证比较

Adam Laabs

机构 * TriStiX S.L.（TriStiX公司） 纠错

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

AI总结 研究比较了三种T-范数运算符在神经符号推理系统中的表现，发现Gödel运算符在准确性与召回率上表现最佳，但存在少量误报，而Product和Lukasiewicz运算符在零误报情况下表现较弱。

Comments 11 pages, 8 tables, open-source code and dataset at https://github.com/TriStiX-LS/LggT-core

CVPD at QIAS 2026: RAG-Guided LLM Reasoning for Al-Mawarith Share Computation and Heir Allocation

QIAS 2026上的CVPD：基于RAG的LLM推理用于阿尔-马瓦里什继承计算与继承人分配

Wassim Swaileh, Mohammed-En-Nadhir Zighem, Hichem Telli, Salah Eddine Bekhouche, Abdellah Zakaria Sellam, Fadi Dornaika, Dimitrios Kotzinos

机构 * ETIS (UMR 8051), CY Cergy Paris Univ., ENSEA, CNRS（ETIS（UMR 8051），CY塞尔吉巴黎大学，ENSEA，法国国家科学研究中心） ； VSC Laboratory, Department of Electronics and Automation, University of Biskra（VSC实验室，电子与自动化系，比斯克拉大学） ； Computer Engineering Dept, Sana'a Community College（计算机工程系，萨那社区学院） ； CNR-ISASI "E. Caianiello"（意大利国家研究委员会-智能系统自动化研究所（ISASI）"E. Caianiello"） ； Ikerbasque（伊克尔巴斯克） 纠错

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

AI总结 本文提出基于RAG的系统，通过规则驱动的数据生成、混合检索与模式约束输出验证，提升阿拉伯法律推理任务的可靠性。

LLM-Driven Reasoning for Constraint-Aware Feature Selection in Industrial Systems

基于大语言模型的约束感知特征选择方法用于工业系统

Yuhang Zhou, Zhuokai Zhao, Ke Li, Spilios Evmorfos, Gökalp Demirci, Mingyi Wang, Qiao Liu, Qifei Wang, Serena Li, Weiwei Li, Tingting Wang, Mingze Gao, Gedi Zhou, Abhishek Kumar, Xiangjun Fan, Lizhu Zhang, Jiayi Liu

机构 * Meta AI 纠错

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

AI总结 本文提出MoFA框架，利用大语言模型进行序列推理特征选择，解决工业系统中标注数据有限和多约束问题，通过结构化提示和可解释推理提升模型精度与效率。

Comments 11 pages, 2 tables

Thinking with Tables: Enhancing Multi-Modal Tabular Understanding via Neuro-Symbolic Reasoning

基于表格的思考：通过神经符号推理增强多模态表格理解

Kun-Yang Yu, Zhi Zhou, Shi-Yu Tian, Xiao-Wen Yang, Zi-Yi Jia, Ming Yang, Zi-Jian Cheng, Lan-Zhe Guo, Yu-Feng Li

机构 * State Key Laboratory of Novel Software Technology, Nanjing University, China（新型软件技术国家重点实验室，南京大学，中国） ； School of Artificial Intelligence, Nanjing University, China（人工智能学院，南京大学，中国） ； School of Intelligence Science and Technology, Nanjing University, China（智能科学与技术学院，南京大学，中国） 纠错

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

AI总结 本文提出TWT框架，通过神经符号推理解决表格数据结构多样性、特征依赖复杂性及任务异质性问题，在八个数据集上验证了其在多模态表格理解任务中的优越性能。

Comments 20 pages, 6 figures

GeoSketch: A Neural-Symbolic Approach to Geometric Multimodal Reasoning with Auxiliary Line Construction and Affine Transformation

GeoSketch: 一种基于神经符号的方法，用于几何多模态推理中的辅助线构造与仿射变换

Shichao Weng, Zhiqiang Wang, Yuhua Zhou, Rui Lu, Ting Liu, Zhiyang Teng, Xiaozhang Liu, Hanmeng Liu

机构 * Fudan University（复旦大学） ； IFLYTEK CO.LTD（若lytek有限公司） ； Zhejiang University（浙江大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； National University of Defense Technology（国防科技大学） ； Hainan University（海南大学） 纠错

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

AI总结 GeoSketch通过整合感知、符号推理和绘图动作模块，实现动态几何推理，提升多模态推理的准确性和解决问题的成功率。

ORACLE: Optimizing Reasoning Abilities of Large Language Models via Constraint-Led Synthetic Data Elicitation

ORACLE：通过约束引导的合成数据激发方法优化大语言模型的推理能力

Zhuojie Yang, Wentao Wan, Keze Wang

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

AI总结 ORACLE通过结合生成式模型与符号监督，实现对多步骤推理数据的细粒度验证，提升大语言模型的推理能力，在六个基准测试中表现优异。

Comments Accepted by AAAI 2026

Efficient Counterfactual Reasoning in ProbLog via Single World Intervention Programs

通过单世界干预程序在ProbLog中实现高效的反事实推理

Saimun Habib, Vaishak Belle, Fengxiang He

机构 * University of Edinburgh（爱丁堡大学） ； The MITRE Corporation（MITRE公司） 纠错

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

AI总结 本文提出单世界干预程序(SWIPs)用于ProbLog中的反事实推理，通过将ProbLog子句分为观测和固定部分，减少计算复杂度并提升推理可靠性，实验表明在大规模数据上推理时间减少35%。

HyEvo: Self-Evolving Hybrid Agentic Workflows for Efficient Reasoning

HyEvo：自演化混合代理工作流用于高效推理

Beibei Xu, Yutong Ye, Chuyun Shen, Yingbo Zhou, Cheng Chen, Mingsong Chen

机构 * East China Normal University（华东师范大学） ； Beihang University（北京航空航天大学） ； Shanghai University of International Business and Economics（上海对外经贸大学） ； Fudan University（复旦大学） 纠错

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

AI总结 HyEvo通过混合原子合成方法，结合概率LLM节点和确定性代码节点，提升推理效率，减少计算成本和延迟。

VIRO: Robust and Efficient Neuro-Symbolic Reasoning with Verification for Referring Expression Comprehension

VIRO：用于指代表达理解的鲁棒且高效的神经符号推理与验证

Hyejin Park, Junhyuk Kwon, Suha Kwak, Jungseul Ok

机构 * Pohang University of Science and Technology (POSTECH)（釜山科学技术大学（POSTECH）） 纠错

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

AI总结 VIRO通过在推理步骤中嵌入轻量级操作符验证器，提升指代表达理解的鲁棒性和效率，达到61.1%的平衡准确率。

Comments Accepted to CVPR 2026

Cross-Domain Demo-to-Code via Neurosymbolic Counterfactual Reasoning

跨领域演示到代码的神经符号反事实推理

Jooyoung Kim, Wonje Choi, Younguk Song, Honguk Woo

机构 * Department of Computer Science and Engineering, Sungkyunkwan University（Sungkyunkwan 大学计算机科学与工程系） 纠错

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

AI总结 本文提出NeSyCR框架，通过神经符号反事实推理解决跨领域机器人编程中的过程不匹配问题，提升任务成功率31.14%。

Comments Accepted at CVPR 2026

PYTHEN: A Flexible Framework for Legal Reasoning in Python

PYTHEN：一种用于法律推理的灵活框架

Ha-Thanh Nguyen, Ken Satoh

机构 * Center for Juris-Informatics, ROIS-DS, Tokyo, Japan（法律信息中心，ROIS-DS，东京，日本） ； Research and Development Center for Large Language Models, NII, Tokyo, Japan（大语言模型研究开发中心，NII，东京，日本） 纠错

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

AI总结 本文介绍PYTHEN，一种基于Python的新型法律推理框架，通过灵活的语法支持法律规则、条件和例外的表示，结合Python内置函数提升灵活性，并探讨其在自动形式化和下一代法律AI系统中的应用。

Comments Accepted at JURISIN 2026

Advancing Multimodal Agent Reasoning with Long-Term Neuro-Symbolic Memory

通过长期神经符号记忆推进多模态代理推理

Rongjie Jiang, Jianwei Wang, Gengda Zhao, Chengyang Luo, Kai Wang, Wenjie Zhang

机构 * University of New South Wales（新南威尔士大学） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出NS-Mem框架，结合神经记忆与符号结构，提升多模态代理的推理能力，实验证明其在推理准确率上优于纯神经记忆系统。

Comments 11 pages, 6 figures

The Active Discoverer Framework: Towards Autonomous Physics Reasoning through Neuro-Symbolic LaTeX Synthesis

主动发现框架：通过神经符号LaTeX合成实现自主物理推理

Hyunjun Jeon

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

AI总结 本文提出主动发现框架，通过神经符号LaTeX合成实现自主物理推理，解决神经网络在大规模计算中的精度问题，并验证其在物理常数推导中的有效性。

Comments V4 Coming S00N :)

Multi-hop Reasoning and Retrieval in Embedding Space: Leveraging Large Language Models with Knowledge

嵌入空间中的多跳推理与检索：利用大型语言模型与知识

Lihui Liu

机构 * Wayne State University（韦恩州立大学） 纠错

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

AI总结 本文提出EMBRAG框架，通过生成基于知识图谱的逻辑规则并在嵌入空间中推理，提升知识图谱问答任务的鲁棒性和准确性。

Delta1 with LLM: symbolic and neural integration for credible and explainable reasoning

Delta1与LLM：符号与神经整合用于可信且可解释的推理

Yang Xu, Jun Liu, Shuwei Chen, Chris Nugent, Hailing Guo

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

AI总结 本文提出Delta1与LLM结合的框架，通过符号推理与神经网络整合，实现可信且可解释的推理，适用于医疗、合规和监管领域。

Comments 12 pages, 1 figure, 3 tables, accepted oral presentation at AAAI2026 Bridge Program on Logic & AI

A Survey of Reasoning in Autonomous Driving Systems: Open Challenges and Emerging Paradigms

自动驾驶系统推理的综述：开放挑战与新兴范式

Kejin Yu, Yuhan Sun, Taiqiang Wu, Ruixu Zhang, Zhiqiang Lin, Yuxin Meng, Junjie Wang, Yujiu Yang

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

AI总结 本文综述了自动驾驶系统推理的挑战与新兴范式，提出认知层次分解驾驶任务，并系统化七个核心推理挑战，强调发展可验证的神经符号架构以解决高延迟推理与安全需求的矛盾。

Comments Published in TMLR (March 2026) | OpenReview: https://openreview.net/forum?id=XwQ7dc4bqn

Reforming the Mechanism: Editing Reasoning Patterns in LLMs with Circuit Reshaping

机制改革：通过电路重塑编辑大语言模型的推理模式

Zhenyu Lei, Qiong Wu, Jianxiong Dong, Yinhan He, Emily Dodwell, Yushun Dong, Jundong Li

机构 * University of Virginia（弗吉尼亚大学） ； AT&T Chief Data Office（AT&T首席数据办公室） ； Florida State University（佛罗里达州立大学） 纠错

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

AI总结 REdit通过电路重塑技术改进大语言模型的推理能力，解决通用性与局部性的权衡问题，提升推理的准确性和效率。

LTLGuard: Formalizing LTL Specifications with Compact Language Models and Lightweight Symbolic Reasoning

LTLGuard：利用紧凑语言模型和轻量符号推理形式化LTL规范

Medina Andresel, Cristinel Mateis, Dejan Nickovic, Spyridon Kounoupidis, Panagiotis Katsaros, Stavros Tripakis

机构 * AIT Austrian Institute of Technology（奥地利技术研究所） ； Aristotle University of Thessaloniki（希腊塞萨洛尼基亚里士多德大学） ； Northeatern University（东北大学） 纠错

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

AI总结 LTLGuard通过结合紧凑语言模型与轻量符号推理，有效生成无冲突的LTL规范，提升形式化验证的效率和准确性。

LLM-based Argument Mining meets Argumentation and Description Logics: a Unified Framework for Reasoning about Debates

基于大型语言模型的论证挖掘与论证和描述逻辑的结合：一种用于分析辩论的统一框架

Gianvincenzo Alfano, Sergio Greco, Lucio La Cava, Stefano Francesco Monea, Irina Trubitsyna

机构 * Department of Informatics, Modeling, Electronics and System Engineering University of Calabria, Italy（信息学、建模、电子与系统工程系 卡拉布里亚大学） 纠错

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

AI总结 本文提出一种结合论证挖掘与描述逻辑的统一框架，用于分析辩论的透明、可解释和形式化方法。

MedLA: A Logic-Driven Multi-Agent Framework for Complex Medical Reasoning with Large Language Models

MedLA：基于大语言模型的复杂医学推理多智能体框架

Siqi Ma, Jiajie Huang, Fan Zhang, Yue Shen, Jinlin Wu, Guohui Fan, Zhu Zhang, Zelin Zang

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

AI总结 MedLA是一种基于大语言模型的逻辑驱动多智能体框架，通过多轮图引导讨论实现透明推理和共识达成，有效提升复杂医学推理性能。

Comments accepted by AAAI-26 (ORAL)

ReasonX: Declarative Reasoning on Explanations

ReasonX: 基于表达式的声明性推理

Laura State, Salvatore Ruggieri, Franco Turini

机构 * University of Pisa（比萨大学） ； Scuola Normale Superiore（正常大学） ； Alexander von Humboldt Institute for Internet and Society（亚历山大·冯·洪堡互联网与社会研究所） 纠错

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

AI总结 ReasonX是一种基于线性约束理论的声明性解释工具，通过混合整数线性规划实现对决策树的多层抽象推理，提供交互式解释并优于现有XAI方法。

ConstraintBench: Benchmarking LLM Constraint Reasoning on Direct Optimization

ConstraintBench: 对直接优化的LLM约束推理进行基准测试

Joseph Tso, Preston Schmittou, Quan Huynh, Jibran Hutchins

机构 * Haladir Research Team（Haladir研究团队） 纠错

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

AI总结 ConstraintBench评估LLM在约束优化任务中的直接推理能力，发现可行性是主要瓶颈，最佳模型仅达65%可行性，但可行解接近最优解。

Comments Preprint. 10 pages, 1 figure, 6 tables. Benchmark and evaluation code will be publicly released

AI Arms and Influence: Frontier Models Exhibit Sophisticated Reasoning in Simulated Nuclear Crises

人工智能武器与影响：前沿模型在模拟核危机中展现出复杂的推理能力

Kenneth Payne

机构 * King’s College London（伦敦国王学院） 纠错

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

AI总结 研究通过模拟核危机检验前沿AI模型的策略推理能力，发现其在复杂决策中展现出与人类相似的推理模式，但存在独特行为特征。

Comments 45 pages, 6 figures, 27 tables