大模型推理能力

Multi-Perspective Evidence Synthesis and Reasoning for Unsupervised Multimodal Entity Linking

多视角证据综合与推理用于无监督多模态实体链接

Mo Zhou, Jianwei Wang, Kai Wang, Helen Paik, Ying Zhang, Wenjie Zhang

机构 * The University of New South Wales（新南威尔士大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Technology Sydney（技术大学悉尼） 纠错

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

AI总结 本文提出MSR-MEL框架，通过多视角证据综合与推理提升无监督多模态实体链接性能，采用图神经网络和大语言模型进行证据整合与推理，实验表明优于现有方法。

JudgeMeNot: Personalizing Large Language Models to Emulate Judicial Reasoning in Hebrew

JudgeMeNot: 为 Hebrew 语境下的司法推理个性化大型语言模型

Itay Razumenko, Arnon Sturm, Nir Grinberg

机构 * Computer and Information Science Ben-Gurion University of the Negev（计算机与信息科学贝内尔·加隆大学） 纠错

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

AI总结 本文提出一种合成有机监督流程，通过将原始司法判决转化为指令微调数据，实现低资源环境下对法官个性化模型的高效微调，并在三个任务中验证了因果语言模型结合合成指令微调的优越性。

Comments To appear in Findings of the ACL 2026

Integrating Graphs, Large Language Models, and Agents: Reasoning and Retrieval

图、大语言模型与代理的整合：推理与检索

Hamed Jelodar, Samita Bai, Mohammad Meymani, Parisa Hamedi, Roozbeh Razavi-Far, Ali Ghorbani

机构 * Canadian Institute for Cybersecurity, Faculty of Computer Science, University of New Brunswick（加拿大网络安全研究所，计算机科学学院，新不伦瑞克大学） 纠错

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

AI总结 本文综述了图与大语言模型整合的设计选择，分类了基于用途、图模态和整合策略的方法，探讨了不同领域中的适用场景和优缺点。

ARMove: Learning to Predict Human Mobility through Agentic Reasoning

ARMove: 通过代理推理学习预测人类移动

Chuyue Wang, Jie Feng, Yuxi Wu, Shenglin Yi, Hang Zhang

机构 * Tencent（腾讯） ； Zhongguancun Academy（中关村学院） ； Alibaba Group（阿里巴巴集团） ； Meituan（美团） 纠错

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

AI总结 ARMove通过代理推理方法，解决人类移动预测中的可解释性、迭代学习和迁移性问题，实验表明其在六个指标上优于现有方法，且在不同地区和用户群体中表现稳健。

BrainMem: Brain-Inspired Evolving Memory for Embodied Agent Task Planning

BrainMem: 为具身智能任务规划设计的脑启发式记忆系统

Xiaoyu Ma, Lianyu Hu, Wenbing Tang, Zixuan Hu, Zeqin Liao, Zhizhen Wu, Yang Liu

机构 * Nanyang Technological University, Singapore（南洋理工大学，新加坡） ； Tianjin University, Tianjin, China（天津大学，天津，中国） 纠错

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

AI总结 本文提出BrainMem，一种无训练的分层记忆系统，通过构建知识图谱和符号指南，提升具身智能在复杂环境中的任务规划能力，尤其在长周期和空间复杂任务中表现突出。

Towards Robust Endogenous Reasoning: Unifying Drift Adaptation in Non-Stationary Tuning

迈向稳健的内生推理：统一非平稳调谐中的漂移适应

Xiaoyu Yang, En Yu, Wei Duan, Jie Lu

机构 * Australian Artificial Intelligence Institute (AAII)（澳大利亚人工智能研究所） ； Faculty of Engineering and Information Technology（工程与信息技术学院） 纠错

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

AI总结 本文提出CPO++框架，解决多模态大语言模型在内生推理中的漂移问题，通过反事实推理与领域知识结合，提升推理连贯性和决策精度，适用于医疗诊断和自动驾驶等安全关键领域。

VeriGraph: Scene Graphs for Execution Verifiable Robot Planning

VeriGraph：用于可验证机器人规划的场景图

Daniel Ekpo, Mara Levy, Saksham Suri, Chuong Huynh, Archana Swaminathan, Abhinav Shrivastava

机构 * University of Maryland, College Park, MD USA（马里兰大学学院公园分校） 纠错

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

AI总结 VeriGraph通过整合视觉语言模型和场景图，提升机器人任务规划的可行性验证与修正，显著提高任务完成率。

Comments Accepted to ICRA 2026. Project website: https://verigraph-agent.github.io

IE as Cache: Information Extraction Enhanced Agentic Reasoning

信息提取作为缓存：增强代理推理

Hang Lv, Sheng Liang, Hongchao Gu, Wei Guo, Defu Lian, Yong Liu, Hao Wang, Enhong Chen

机构 * University of Science and Technology of China（中国科学技术大学） ； Huawei Technologies Co., Ltd（华为技术有限公司） 纠错

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

AI总结 本文提出IE-as-Cache框架，将信息提取用作认知缓存以提升代理推理能力，通过查询驱动提取与缓存感知推理动态维护紧凑中间信息并过滤噪声，实验表明在多种LLM上显著提升推理准确性。

Comments 8pages, 2figures

Searching Meta Reasoning Skeleton to Guide LLM Reasoning

通过搜索元推理骨架来指导大语言模型推理

Ziying Zhang, Yaqing Wang, Quanming Yao

机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； Beijing Institute of Mathematical Sciences and Applications（北京数学科学与应用研究所） ； State Key laboratory of Space Network and Communications, Tsinghua University（清华大学空间网络与通信国家重点实验室） 纠错

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

AI总结 本文提出AutoMR框架，通过图表示搜索查询感知的元推理骨架，提升大语言模型推理性能。

The Missing Knowledge Layer in AI: A Framework for Stable Human-AI Reasoning

人工智能中的缺失知识层：稳定人机推理的框架

Rikard Rosenbacke, Carl Rosenbacke, Victor Rosenbacke, Martin McKee

机构 * Faculty of Medicine, Lund University（吕勒奥大学医学院） ； Department of Economics, Lund University School of Economics and Management（吕勒奥大学经济与管理学院经济系） ； Department of Health Services Research and Policy, London School of Hygiene & Tropical Medicine（伦敦卫生与热带医学学院健康服务研究与政策系） 纠错

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

AI总结 本文提出稳定人机推理的双层框架，通过引入人类侧的不确定性提示和模型侧的Epistemic Control Loop，提升AI在高风险场景下的可靠性与可追溯性。

Foresight Optimization for Strategic Reasoning in Large Language Models

为大语言模型中的战略推理进行前瞻性优化

Jiashuo Wang, Jiawen Duan, Jian Wang, Kaitao Song, Chunpu Xu, Johnny K. W. Ho, Fenggang Yu, Wenjie Li, Johan F. Hoorn

机构 * Department of Computing, Hong Kong Polytechnic University（香港理工大学计算机系） ； Department of Language Science and Technology, Hong Kong Polytechnic University（香港理工大学语言科学与技术系） ； Apple（苹果公司） ； School of Design, Hong Kong Polytechnic University（香港理工大学设计学院） ； Research Institute for Quantum Technology, Hong Kong Polytechnic University（香港理工大学量子技术研究所） ； Department of Communication Science, Vrije Universiteit Amsterdam（阿姆斯特丹自由大学传播科学系） 纠错

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

AI总结 本文提出FoPO方法，通过整合对手建模原理提升大语言模型的战略推理能力，验证了其在不同规模和来源的LLM中的有效性及泛化能力。

Comments ACL 2026 Main Conference

A hierarchical spatial-aware algorithm with efficient reinforcement learning for human-robot task planning and allocation in production

一种具有高效强化学习的分层空间感知算法用于生产中的人机任务规划与分配

Jintao Xue, Xiao Li, Nianmin Zhang

机构 * Department of Civil Engineering, The University of Hong Kong（香港大学土木工程系） 纠错

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

AI总结 本文提出了一种分层空间感知算法，结合高效强化学习解决复杂动态生产环境中的人机任务规划与分配问题，通过分解任务和实时规划分配提升生产效率。

Comments This is the accepted manuscript of a journal article accepted for publication in Robotics and Computer-Integrated Manufacturing (Elsevier)

Journal ref Volume 98, April 2026, 103159

Beyond "Hallucinations": A Framework for Stable Human-AI Reasoning

超越“幻觉”：一种稳定的人工智能推理框架

Rikard Rosenbacke, Carl Rosenbacke, Victor Rosenbacke, Martin McKee

机构 * Faculty of Medicine, Lund University（隆德大学医学院） ； Department of Economics, Lund University School of Economics and Management（隆德大学经济学与管理学院经济系） ； Department of Health Services Research and Policy, London School of Hygiene & Tropical Medicine（伦敦大学卫生与热带医学学院健康服务研究与政策系） 纠错

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

AI总结 本文提出Rose-Frame框架，分析人类与AI交互中的认知陷阱，通过干预策略稳定推理过程，强调需建立可反思的监督结构。

Cognitive Offloading in Agile Teams: How Artificial Intelligence Reshapes Risk Assessment and Planning Quality

敏捷团队中的认知卸载：人工智能如何重塑风险评估与规划质量

Adriana Caraeni, Alexander Shick, Andrew Lan

机构 * University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校） 纠错

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

AI总结 本文通过实验比较AI、人类和混合规划模型，发现AI虽高效但风险评估差，人类虽灵活但成本高，提出混合框架提升规划质量。

Comments 7 pages, 5 Tables, under review

Agentic Conversational Search with Contextualized Reasoning via Reinforcement Learning

基于强化学习的上下文化推理对话搜索代理

Fengran Mo, Yifan Gao, Sha Li, Hansi Zeng, Xin Liu, Zhaoxuan Tan, Xian Li, Jianshu Chen, Dakuo Wang, Meng Jiang

机构 * University of Montreal（蒙特利尔大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） ； University of Notre Dame（诺特丹大学） ； Northeastern University（东北大学） 纠错

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

AI总结 本文提出一种基于强化学习的对话搜索代理，通过在对话轮次中交替搜索与推理，实现探索性与适应性行为，优于现有基准方法。

Comments Accepted by ACL 2026 (Findings)

KnowRL: Boosting LLM Reasoning via Reinforcement Learning with Minimal-Sufficient Knowledge Guidance

KnowRL: 通过最小充分知识引导的强化学习提升大语言模型推理

Linhao Yu, Tianmeng Yang, Siyu Ding, Renren Jin, Naibin Gu, Xiangzhao Hao, Shuaiyi Nie, Deyi Xiong, Weichong Yin, Yu Sun, Hua Wu

机构 * TJUNLP Lab, School of Computer Science and Technology, Tianjin University, China（天津大学计算机科学与技术学院TJUNLP实验室） ； Baidu Inc.（百度公司） ； Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） 纠错

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

AI总结 KnowRL通过最小充分知识引导的强化学习框架提升大语言模型推理能力，通过分解知识点并优化子集选择，在八个基准测试中超越现有基线，达到70.08的准确率。

Thinking Sparks!: Emergent Attention Heads in Reasoning Models During Post Training

思考火花！：推理模型后训练期间的涌现注意力头

Yein Park, Minbyul Jeong, Jaewoo Kang

机构 * Korea University（韩国大学） ； Upstage AI ； AIGEN Sciences（AIGEN 科技） 纠错

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

AI总结 研究探讨了后训练技术如何通过涌现的注意力头提升推理能力，分析不同训练方法对注意力头演化的影响，并揭示了复杂推理与基础计算之间的性能权衡。

HTAA: Enhancing LLM Planning via Hybrid Toolset Agentization & Adaptation

HTAA：通过混合工具集代理化与适应增强大语言模型规划

Chengrui Huang, Junshuo Zhang, Zhiyuan Ma, Xikun Wang, Ximeng Wang, Menghua Jiang, Gang Zeng, Zhaobing Han, Shen Gao, Shuo Shang

机构 * University of Electronic Science and Technology of China（电子科技大学） ； DiDi Global Inc.（滴滴全球股份有限公司） 纠错

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

AI总结 本文提出HTAA框架，通过混合工具集代理化与适应方法，提升大语言模型在复杂任务中的规划效率与可靠性，实验表明其在任务成功率、工具调用轨迹长度及上下文开销方面均优于基线模型。

Comments 22 pages, 3 figures

CARE-ECG: Causal Agent-based Reasoning for Explainable and Counterfactual ECG Interpretation

CARE-ECG：基于因果代理的可解释与反事实ECG解读

Elahe Khatibi, Ziyu Wang, Ankita Sharma, Krishnendu Chakrabarty, Sanaz Rahimi Moosavi, Farshad Firouzi, Amir Rahmani

机构 * University of California, Irvine（加州大学尔湾分校） ； Arizona State University（亚利桑那州立大学） ； California State University, Dominguez Hills（加州州立大学多明格斯山分校） 纠错

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

AI总结 CARE-ECG通过统一的表示学习、诊断和解释流程，提升ECG解读的准确性与可信度，减少幻觉，适用于多基准和专家问答场景。

Conflicts Make Large Reasoning Models Vulnerable to Attacks

冲突使大型推理模型容易受到攻击

Honghao Liu, Chengjin Xu, Xuhui Jiang, Cehao Yang, Shengming Yin, Zhengwu Ma, Lionel Ni, Jian Guo

机构 * International Digital Economy Academy（国际数字经济学院） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； The City University of Hong Kong（香港城市大学） ； DataArc Tech 纠错

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

AI总结 研究探讨了冲突如何影响大型推理模型的安全性，发现冲突显著增加攻击成功率，揭示了安全表示在冲突下的变化，强调需更深入的对齐策略以确保模型的鲁棒性和可信度。

Explainable Planning for Hybrid Systems

混合系统的可解释规划

Mir Md Sajid Sarwar

机构 * School of Mathematical and Computational Sciences, Indian Association for the Cultivation of Science, Kolkata（印度科学培育协会数学与计算科学学院，加尔各答） 纠错

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

AI总结 研究针对混合系统中的可解释人工智能规划，探讨生成AI系统解释的方法，以应对自动化规划在复杂安全领域中的应用需求。

Comments PhD thesis

AlphaCast: A Human Wisdom-LLM Intelligence Co-Reasoning Framework for Interactive Time Series Forecasting

AlphaCast：一种用于交互式时间序列预测的人类智慧-大语言模型智能协同推理框架

Xiaohan Zhang, Tian Gao, Mingyue Cheng, Bokai Pan, Ze Guo, Yaguo Liu, Xiaoyu Tao, Qi Liu

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） 纠错

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

AI总结 AlphaCast提出一种交互驱动的代理推理框架，利用无训练大语言模型实现准确的时间序列预测，通过多阶段工作流整合上下文准备、基于推理的生成和反思评估，将预测转化为多轮自主交互过程。

Chain-in-Tree: Back to Sequential Reasoning in LLM Tree Search

链式树搜索：LLM树搜索中的回归顺序推理

Xinzhe Li

机构 * Independent Researcher（独立研究员） 纠错

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

AI总结 本文提出Chain-in-Tree框架，通过在搜索过程中决定分支时机而非每步扩展，显著减少计算开销，在GSM8K和Math500上提升效率达75-85%。

Comments ACL2026 Findings

Measurement of Generative AI Workload Power Profiles for Whole-Facility Data Center Infrastructure Planning

面向全设施数据中心基础设施规划的生成式AI工作负载功率谱测量

Roberto Vercellino, Jared Willard, Gustavo Campos, Weslley da Silva Pereira, Olivia Hull, Matthew Selensky, Juliane Mueller

机构 * National Laboratory of the Rockies (NLR)（落基山国家实验室（NLR）） 纠错

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

AI总结 本文通过高精度测量生成式AI工作负载的功率消耗，结合MLCommons和vLLM基准，建立全设施能效模型，为电网接入、本地能源生成和微电网规划提供数据支持。

Comments The data associated with this publication can be found at http://doi.org/10.7799/3025227

Seemingly Simple Planning Problems are Computationally Challenging: The Countdown Game

看似简单的规划问题具有计算挑战性：倒计时游戏

Michael Katz, Harsha Kokel, Sarath Sreedharan

机构 * IBM T. J. Watson Research Center（IBM T. J. Watson 研究中心） ； IBM San Jose（IBM 圣何塞） ； Colorado State University（科罗拉多州立大学） 纠错

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

AI总结 本文提出基于倒计时游戏的规划基准，该问题具有NP完全复杂性，能有效评估规划能力，实验显示现有LLM方法在该基准上仍面临挑战。

ProCeedRL: Process Critic with Exploratory Demonstration Reinforcement Learning for LLM Agentic Reasoning

ProCeedRL: 带探索演示的强化学习过程批评用于LLM代理推理

Jingyue Gao, Yanjiang Guo, Xiaoshuai Chen, Jianyu Chen

机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） ； Independent Researcher（独立研究者） ； Shanghai Qizhi Institute（上海期智研究院） 纠错

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

AI总结 本文提出ProCeedRL，通过过程批评和探索性演示提升LLM在多轮代理任务中的推理能力，解决探索过程中错误累积问题，提高探索效率。

Bayesian Elicitation with LLMs: Model Size Helps, Extra "Reasoning" Doesn't Always

基于LLM的贝叶斯 elicitation：模型大小有帮助，额外“推理”并不总有效

Luka Hobor, Mario Brcic, Mihael Kovac, Kristijan Poje

机构 * University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院） 纠错

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

AI总结 本文研究了LLM在贝叶斯 elicitation中的表现，发现更大模型更准确，但增加推理不总是有帮助。所有模型严重过度自信，95%置信区间覆盖真实值比例远低于预期，统计校准技术可修正此问题。

Comments 6 pages, 3 figures, 2 tables

PRISM: Robust VLM Alignment with Principled Reasoning for Integrated Safety in Multimodality

PRISM：面向多模态集成安全的原理化推理对齐

Nanxi Li, Zhengyue Zhao, G. Edward Suh, Marco Pavone, Chaowei Xiao

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Cornell University（康奈尔大学） ； Stanford University（斯坦福大学） ； NVIDIA（英伟达） 纠错

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

AI总结 PRISM通过结构化四阶段推理过程，有效应对多模态安全违规，提升VLM的鲁棒性与安全性，同时保持模型实用性。

CARE: Privacy-Compliant Agentic Reasoning with Evidence Discordance

CARE：具有证据不一致性的隐私合规代理推理

Haochen Liu, Weien Li, Rui Song, Zeyu Li, Chun Jason Xue, Xiao-Yang Liu, Sam Nallaperuma, Xue Liu, Ye Yuan

机构 * University of Cambridge（剑桥大学） ； McGill University（麦吉尔大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Columbia University（哥伦比亚大学） ； Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） 纠错

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

AI总结 针对医疗领域中症状与体征矛盾的问题，CARE框架通过多阶段隐私合规的代理推理，在不访问敏感数据的情况下提升冲突证据处理能力。

Comments Preprint

Distilling LLM Reasoning into Graph of Concept Predictors

将大语言模型的推理过程蒸馏为概念预测图

Ziyang Yu, Liang Zhao

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

AI总结 本文提出GCP框架，通过外部化教师决策过程为有向无环图，提升样本效率和训练稳定性，实验证明在有限标注预算下提升性能并增强可解释性。