Experience Augmented Policy Optimization for LLM Reasoning
经验增强策略优化用于大语言模型推理
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 提出经验增强策略优化（EAPO），通过将先验RL优化策略作为动作级经验先验并在关键决策点选择性注入，配合自适应重要性采样，解决RLVR中采样成本高和经验利用不足问题，在多个基准上提升推理性能。
AI 大模型
大模型推理能力
大模型数学、逻辑、规划、多步推理和测试时计算能力。
1. 数学推理 3227 篇
Fishing Out Free Riders: Shapley-Based Reward Attribution for Parallel Reasoning via Reinforcement Learning
揪出搭便车者：基于夏普利值的强化学习并行推理奖励归因
机构 * ShanghaiTech University（上海科技大学） ； City University of Hong Kong（香港城市大学） ； Peking University（北京大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Zhejiang University（浙江大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 研究大型语言模型多步推理中并行推理路径贡献难区分问题，提出基于夏普利值的强化学习框架并行夏普利值方法，通过量化边际贡献等实现按比例分配奖励，实验证明其优于基线且能改进多路径推理。
Comments 19 pages, 4 figures, 8 Tables
Reasoning Error from Known Fact: Step-Level Self-Consistency Group Relative Policy Optimization for LLM
已知事实导致的推理错误：针对大语言模型的步骤级自一致性组相对策略优化
机构 * Zhejiang University（浙江大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 针对大语言模型推理中因上下文干扰产生事实错误的问题，提出步骤级自一致性组相对策略优化（SSC - GRPO），通过计算自一致性分数分配步骤级奖励，在数学推理基准和幻觉排行榜上取得领先，为检测和减轻幻觉提供新视角。
Structured Synthetic Reasoning Data for Arithmetic Fine-Tuning of Small Language Models
用于小型语言模型算术微调的结构化合成推理数据
机构 * University of Galway（戈尔韦大学） ； School of Computer Science（计算机科学学院）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 研究小型语言模型多步算术推理困难问题，通过生成结构化合成推理数据并结合LoRA在消费硬件上微调Qwen3模型，提高了模型在GSM8K等基准测试上的准确率和迁移效果，证明低成本合成数据设计可改善小型语言模型算术适应性。
Gold-Guided Programmatic Distillation for Financial Reasoning over Hybrid Tables and Text
用于混合表格和文本的金融推理的黄金引导式程序蒸馏
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 研究针对混合表格和文本数据的金融推理问题，基于程序蒸馏开发方法，利用黄金推导指导程序合成，经执行验证转移可靠数值推理，引入迭代恢复阶段，实验表明该框架能有效训练小模型进行可靠数值推理。
Comments 12 pages, 7 figures
MIRA-Math: A Benchmark for Minimal Information Requesting and Mathematical Reasoning
MIRA-Math：最小信息请求与数学推理基准测试
机构 * Lebanese American University（黎巴嫩美国大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 介绍MIRA-Math基准测试，用于解决特定数学问题，求解器需按预算请求缺失信息并整合到答案，包含多类实例，实验表明请求成功率和答案准确率可分离，还发布相关工具支持可重复评估。
Why Pure Reasoning is Not Enough: Nature as the Source of Mathematical Innovation
为何纯推理不足：自然作为数学创新之源
机构 * IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 研究认为人类数学推理受逻辑片段不可判定性和计算难题限制，依赖自然世界的模式匹配。通过追溯傅里叶变换等数学史及逻辑复杂性，表明物理启发的模式匹配是认知必要，为人工智能中语言模型规模大提供依据。
Reward Granularity in RLVR: Comparing Process and Outcome Reward Structures for Mathematical Reasoning in Small Language Models
强化学习中的奖励粒度：比较用于小语言模型数学推理的过程奖励和结果奖励结构
机构 * New York University（纽约大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 研究在小语言模型中通过强化学习提升数学推理能力，系统比较五种奖励条件，发现过程奖励能显著提高准确率和推理痕迹保真度，奖励粒度是重要设计决策。
Comments 8 pages, 4 figures
ISM:Self-Improving Strategy Memory for Continual Mathematical Reasoning
ISM：面向持续数学推理的自我改进策略记忆
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 提出智能模式记忆（ISM），一种自我演进的记忆增强系统，通过从成功和失败案例中学习并维护策略模式库，在不更新模型参数的情况下提升冻结LLM在持续学习中的数学推理能力。
Comments 3rd AI for Math Workshop at ICML 2026 Forty-Third International Conference on Machine Learning
GryphOne: Symbol-Aware Masked Diffusion for Structural Refinement in Offline Handwritten Mathematical Expression Recognition
GryphOne: 面向离线手写数学表达式识别中结构细化的符号感知掩码扩散
机构 * Preferred Networks, Inc.（Preferred Networks公司） ； Kyushu University（九州大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 提出离散扩散框架GryphOne，将HMER重构为迭代符号细化而非序列生成，通过符号感知分词和随机掩码互学习提升鲁棒性，在MathWriting上达到5.51% CER和59.9% EM，超越所有重实现模型和商业系统。
Comments ECCV 2026
NeuReasoner: Theory-grounded Mapping of Reasoning Elicitation Boundaries
NeuReasoner: 理论驱动的推理激发边界映射
机构 * ETH Zürich（苏黎世联邦理工学院） ； Imperial College London（伦敦帝国理工学院） ； Technical University of Munich（慕尼黑技术大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 提出理论驱动的NeuReasoner框架，通过神经透镜与认知透镜结合，在无需外部工具下激发大模型推理能力，在数学、编码及认知任务上匹配或超越后训练思维模式，并发现风险决策等边界。
HippoSpark: An On-Demand Experience System for LLM Reasoning
HippoSpark: 一种用于LLM推理的按需经验系统
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出HippoSpark状态级经验系统，在推理过程中按需检索局部瓶颈的精确指导，在数学、科学和编程基准上优于标准提示和任务级经验基线。
Multimodal Mathematical Reasoning with Diverse Solving Perspective
多模态数学推理与多样化的解题视角
机构 * Tongji University（同济大学） ； National University of Singapore（新加坡国立大学） ； Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所） ； Tencent（腾讯） ； Center for Future Media, University of Electronic Science and Technology of China（电子科技大学未来媒体中心）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出MathV-DP数据集和Qwen-VL-DP模型，通过多样化解题视角提升多模态数学推理的准确性和生成多样性。
Comments 10 pages
The Riddle Riddle: Testing Flexible Reasoning in Large Language Models and Humans
谜语谜题：测试大型语言模型和人类的灵活推理
机构 * Department of Psychology, Princeton University（普林斯顿大学心理学系） ； Department of Computer Science, Princeton University（普林斯顿大学计算机科学系）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 通过谜语谜题范式，发现LLM在真实谜语上准确率高（84.9%），但在谜语谜题上表现差（50.7%），而人类相反；错误分析表明LLM更倾向于过度使用创造性推理。
Reasoning Quality Emerges Early: Data Curation for Reasoning Models
推理质量早期涌现：推理模型的数据策展
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 提出仅利用初始推理token即可识别多样且具挑战性的推理样本，通过扰动检查点评估前100个token的损失检测难题，并证明前1k token的损失模式可预测梯度相似性，在Qwen2.5-7B和Llama3.1-8B上验证，性能提升达1.7%，token效率提升91%。
Comments Accepted by ICML 2026 (Poster)
Reasoning as Attractor Dynamics: Latent Memory Retrieval via Gibbs-Weighted Energy Minimization
推理作为吸引子动力学：通过吉布斯加权能量最小化的潜在记忆检索
机构 * Independent Researcher（独立研究者）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 提出将大语言模型视为高维稠密联想记忆，通过吉布斯加权能量最小化从潜在吸引子中检索正确推理链，在GSM8K上提升Phi-3.5性能5.38%。
Comments Accepted at ICLR Workshop 2026
ReM-MoA: Reasoning Memory Sustains Mixture-of-Agents Scaling
ReM-MoA：推理记忆维持混合代理的扩展
机构 * University of Southern California（南加州大学） ； Iowa State University（爱荷华州立大学） ； Cisco AI Research（思科人工智能研究院）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出ReM-MoA框架，通过排名推理记忆和策展多样化记忆路由机制，解决混合代理架构随深度增加性能退化问题，在多个推理基准上持续优于现有方法。
Beyond Trajectory Imitation: Strategy-Guided Policy Optimization for LLM Reasoning
超越轨迹模仿：策略引导的策略优化用于大语言模型推理
机构 * School of Computer Science and Engineering, Sun Yat-sen University, China（中山大学计算机科学与工程学院） ； Meituan, Inc., China（美团） ； Shenzhen Loop Area Institute, China（深圳环区研究所） ； Meta AI, USA（Meta AI）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出策略引导的策略优化（SGPO），通过可重用策略蒸馏替代实例级轨迹模仿，利用前向KL散度和自适应加权提升LLM推理泛化能力，在数学基准上平均提升2.2分。
What are Key Factors for Updates in RL for LLM Reasoning?
RL提升LLM推理能力的关键更新因素是什么？
机构 * School of Computer Science and Engineering, Northeastern University（东北大学计算机科学与工程学院） ； Microsoft Research（微软研究院） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 通过理论分析RLVR更新，发现离策略程度影响重要性采样比率分布和裁剪行为，提出自适应裁剪策略优化（ACPO），在多种推理基准上优于DAPO和CISPO。
Seeing Before Reasoning: Decoupling Perception and Reasoning for Shortcut-Resilient Multimodal On-Policy Self-Distillation
先看后思：解耦感知与推理以实现抗捷径的多模态在策略自蒸馏
机构 * State Key Laboratory of Robotics and Intelligent Systems, Shenyang Institute of Automation, Chinese Academy of Sciences（机器人与智能系统国家重点实验室，沈阳自动化研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 提出ViGOS框架，通过解耦感知和推理，在MLLM后训练中避免文本捷径，提升图像依赖行为。
Comments 29 pages, 5 figures, 8 tables; Project page: https://oedosoldier.github.io/ViGOS/
Beyond Entropy: Learning from Token-Level Distributional Deviations for LLM Reasoning
超越熵：从令牌级分布偏差中学习以增强LLM推理
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； Sichuan University（四川大学） ； The Hong Kong Polytechnic University（香港理工大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 针对RLVR中令牌更新导致的熵塌陷或爆炸问题，提出ICT框架，利用JS散度识别关键令牌，通过选择性更新平衡策略集中度，提升推理性能。
The Quality-Utility Paradox: Why High-Reward Data Impairs Small Model Mathematical Reasoning
质量-效用悖论：为什么高奖励数据会损害小模型的数学推理
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 发现数学推理蒸馏中的质量-效用悖论：Oracle精炼的高奖励数据因分布漂移增加适应成本，反而不如SLM自生成数据；提出风格对齐精炼方法恢复效用。
Comments Accepted at ICML 2026
Adaptive Nucleus Truncation for Long-Form Reasoning
自适应核截断用于长形式推理
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.LG
AI总结 提出自适应核截断采样（ANTS），通过熵条件控制器动态调整截断宽度，在长文本生成中提升推理性能，在33B参数稀疏MoE模型上平均提升1.9-5.2分。
Multi-Turn Reasoning When Context Arrives in Pieces: Scalable Sharding and Memory-Augmented RL
当上下文分片到达时的多轮推理：可扩展的分片与记忆增强强化学习
机构 * The University of Melbourne（墨尔本大学） ； Google Research Australia（谷歌澳大利亚研究院）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.CL
AI总结 针对多轮对话中信息碎片化导致LLM准确率下降65%的问题，提出通过训练模型维护紧凑滚动记忆而非增长历史来缓解，并引入低成本分片流水线将单轮QA转换为多轮碎片化情节，训练的记忆增强策略显著提升多轮准确率并零样本泛化到更难任务。
ARMOR-MAD: Adaptive Routing for Heterogeneous Multi-Agent Debate in Large Language Model Reasoning
ARMOR-MAD：大语言模型推理中异构多智能体辩论的自适应路由
机构 * School of Cyber Science and Technology, University of Science and Technology of China（中国科学技术大学网络空间安全学院） ； School of Artificial Intelligence, Shenzhen Technology University（深圳技术大学人工智能学院）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出ARMOR-MAD框架，通过辩论前协议路由、早期一致停止评估和语义异常检测，自适应控制异构多智能体辩论，提升推理准确性和效率。
A Mathematical Forum Platform for Collaborative Problem Solving and Dataset Generation for AI Reasoning
面向协作问题求解与AI推理数据集生成的数学论坛平台
机构 * Independent Researchers, San Francisco, CA, USA（独立研究者，美国加利福尼亚州旧金山）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出一个集成图像到LaTeX转换管线的论坛系统，消除数学内容分享的摩擦，支持桌面和移动端，并生成社区验证的数学问题数据集以训练AI推理。
Comments 11 pages, 3 figures
Reasoning or Memorization? Direction-Aware Diversity Exploration in LLM Reinforcement Learning
推理还是记忆？LLM强化学习中的方向感知多样性探索
机构 * University of Georgia（佐治亚大学） ； Tencent AI Lab（腾讯AI实验室） ； The Education University of Hong Kong（香港教育大学） ； The Hong Kong Polytechnic University（香港理工大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出DiRL框架，通过方向感知奖励区分推理与记忆驱动的探索，在GRPO中集成方向加权梯度特征，显著提升数学与通用推理性能。
Comments 12 pages, 6 figures
Diverse Thinking Schemata Elicit Better Reasoning in Large Language Models
多样思维图式激发大型语言模型更优推理
机构 * School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出多样图式策略优化（DiScO），通过增强推理步骤转换和答案候选的多样性，提升大型语言模型在数学推理任务中的表现和错误恢复能力。
PAEC: Position-Aware Entropy Calibration for LLM Reasoning in RLVR
PAEC：面向RLVR中LLM推理的位置感知熵校准
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； School of Computer Science and Technology, University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出位置感知熵校准（PAEC），通过局部top-p熵和top-2候选竞争构建软掩码，并施加基于锚点的下界惩罚，防止决策相关位置熵崩溃，提升数学推理性能。
Comments 22 pages, 7 figures
CLPO: Curriculum Learning meets Policy Optimization for LLM Reasoning
CLPO：课程学习与策略优化相结合用于大语言模型推理
机构 * Peking University（北京大学） ； Qwen Applications Business Group, Alibaba Group（通义实验室，阿里巴巴集团） ； Xiamen University（厦门大学）
专题命中 数学推理 ：reasoning(title,abstract)；分类 cs.AI
AI总结 提出CLPO框架，通过在线策略准确率动态调整问题难度，使课程与策略共同进化，在数学和通用推理基准上显著优于GRPO和DAPO。
