AI 大模型
大模型数学、逻辑、规划、多步推理和测试时计算能力。
SSL4RL：重新审视自监督学习作为视觉语言推理的内在奖励
机构 * Peking University（北京大学） ； MIT（麻省理工学院） ； TUM（技术大学（TUM）） ； Meituan（美团） ； Peking University School of CIT, MCML, MDSIEECS and CSAIL（北京大学计算机学院、MCML、MDSIEECS以及CSAIL）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出SSL4RL框架，利用自监督学习任务作为强化学习的可验证奖励，提升视觉语言推理性能，并通过实验验证其在多模态模型对齐中的有效性。
GRASP：学习多个人非语言互动中的社会推理
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Georgia Institute of Technology（佐治亚理工学院） ； Amazon AGI Korea University（亚马逊AGI韩国大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 GRASP通过连接高层社会问答与细粒度目光和指代手势事件，提升多个人非语言互动的社会推理能力，包含290万对问题-答案对，提出Social Grounding Reward提升模型性能。
Comments Project page: https://social-reaoning.github.io/grasp/
XDomainBench：诊断高维科学知识组合中的推理崩溃
机构 * Alibaba Group, China（阿里巴巴集团，中国）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 XDomainBench通过系统压力测试科学推理，揭示LLM在跨学科知识组合中的推理崩溃问题，发现领域组合导致直接难度增加和轨迹模式引发的误差累积是根本原因。
SceneFunRI：为任务驱动的功能物体定位推理不可见区域
机构 * National Taiwan University（国立台湾大学） ； Delta Robotics Innovation Center（Delta机器人创新中心）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 SceneFunRI通过半自动化流程构建了855个实例的基准，要求模型根据任务指令和常识推理推断不可见功能物体的位置，现有模型在推理稳定性上仍有不足。
DocScope：可验证推理的可信长文档理解基准测试
机构 * School of Computer Science, National Engineering Research Center for Multimedia Software and Hubei Key Laboratory of Multimedia and Network Communication Engineering, Wuhan University, China（计算机学院，国家多媒体软件工程技术研究中心和湖北多媒体与网络通信工程重点实验室，武汉大学，中国） ； Alibaba Group, Hangzhou, China（阿里巴巴集团，杭州，中国） ； Independent Researcher（独立研究者） ； Department of Machine Learning, Mohamed bin Zayed University of Artificial Intelligence, United Arab Emirates（机器学习系，Mohamed bin Zayed人工智能大学，阿拉伯联合酋长国）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 DocScope通过结构化推理轨迹预测方法评估多模态大语言模型在长文档中的可验证推理能力，发现答案准确度无法替代轨迹级评估，且区域定位仍是薄弱环节。
Comments 50pages, 25 figures, 14 tables;
VLRS-Bench: 一种面向遥感的视觉-语言推理基准
机构 * School of Computer Science, Wuhan University（武汉大学计算机学院）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出VLRS-Bench，首个专注于复杂遥感推理的基准，包含2000个问题-答案对，涵盖14项任务和八个时间阶段，揭示现有MLLM在遥感任务中的瓶颈。
推理模型优于LLM-判官，但存在偏见
机构 * Institute of Science Tokyo（东京科学研究院） ； Harbin Institute of Technology（哈尔滨工业大学） ； The University of Osaka（大阪大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文系统比较了推理模型在判断任务中的表现，发现其在准确性、指令遵循和抗攻击能力上优于非推理LLM，但存在显著偏见，提出PlanJudge策略以缓解偏见问题。
Comments Accepted by ACL 2026 Workshop EvalEval
从排序到推理：通过语义推理实现可解释的Web API推荐
机构 * School of Software Engineering（软件工程学院） ； School of Computer Science and Technology（计算机科学与技术学院） ； Huazhong University of Science and Technology（华中科技大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出WAR-R1框架，结合语义推理与自适应推荐，通过轻量级大语言模型生成API推荐及自然语言解释，提升推荐准确性和透明度。
Physics-R1: 一个经过审计的奥林匹克语料库及视觉物理推理的配方
机构 * Independent Researcher（独立研究者）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文通过审计多模态物理评估流程，揭示了训练-评估污染、翻译漂移和MCQ饱和等三个问题，并提出PhysR1配方，基于Qwen3-VL-8B-Thinking，提升了多个基准测试的性能。
Comments 10 pages, 3 tables. Project page: https://shanyang.me/physics-r1-page/
CommonWhy：用于评估大语言模型实体基础因果常识推理的数据集
机构 * University of Toronto（多伦多大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 CommonWhy数据集通过15000个为什么问题评估大语言模型的因果关系实体推理能力，揭示现有模型在因果推理和事实生成上的不足。
GRC：统一推理驱动生成、检索与压缩
机构 * The University of Tokyo（东京大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出GRC框架，通过元潜在标记和统一训练方法，将推理驱动生成、文本表示和上下文压缩整合于单次前向传递中，提升部署效率与训练效果。
Comments Fixed typos in Eq. 4 and GPU names; added details on hybrid paged attention implementation
社交人机具身对话（SHREC）数据集：评估基础模型的社会推理能力
机构 * Purdue University（普渡大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Massachusetts Institute of Technology（麻省理工学院）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出SHREC数据集，包含400个真实人机交互视频和10000多个标注，用于评估基础模型在社会推理中的能力，揭示社会机器人在情绪理解、意图跟踪等方面的社会挑战。
Comments 23 pages, 11 figures
一个经过执行验证的多语言基准用于代码语义推理
机构 * Singapore Management University（新加坡管理大学） ； Monash University（墨尔本大学） ； Nanjing University of Science and Technology（南京理工大学） ； GovTech Singapore（新加坡政府科技局）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出TraceEval，首个经过执行验证的多语言代码语义推理基准，通过验证执行消除标注偏差，评估10个LLM在零样本下的表现，展示了其在代码语义推理中的有效性。
KEPO：基于知识的偏好优化用于多模态推理及其在医学VQA中的应用
机构 * Chapman University（查普曼大学） ； Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室） ； University of California, Irvine（加州大学伊文斯分校）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 KEPO通过质量门控的在线蒸馏和知识增强的探索策略，提升多模态推理任务的训练稳定性与推理一致性，优于强化学习和在线蒸馏基线。
多智能体推理中的旁观者效应：量化协作互动中的认知惰性
机构 * University of Waterloo（滑铁卢大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 研究揭示多智能体系统中社交压力引发的认知惰性现象，通过评估22500条轨迹发现模型在协作中逻辑主权崩溃，揭示了主权缺口与对齐幻觉问题。
均衡残差揭示语言模型在矩阵博弈战略推理中的三种模式
机构 * National Taiwan University（国立台湾大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.LG
AI总结 研究揭示语言模型在矩阵博弈中存在三种战略推理模式，通过实验发现残差奖励在不同矩阵规模下表现差异，证明残差训练在收益变化时具有转移能力。
SCALAR：用于量子电路分析中自动猜想和推理的神经符号框架
机构 * 1Department of Computer Science, Texas A\&M University, College Station, USA ； 2NVIDIA Corporation, Santa Clara, USA ； Artificial Intelligence Division (CAI-3), Los Alamos National Laboratory, Los Alamos, USA
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 SCALAR框架结合量子模拟、符号猜想生成和LLM解释，通过CUDA-Q平台分析量子电路，生成优化QAOA参数与图不变量的关系猜想，并识别图结构特征与优化景观属性的关联。
在恶意知识编辑下知识密集推理安全风险的基准测试
机构 * School of Computer Science（计算机科学学院）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出EditRisk-Bench，通过整合恶意场景和多级推理任务，系统评估知识编辑对推理行为的影响，揭示恶意知识编辑导致错误推理的风险因素。
TeleResilienceBench: 评估大语言模型在电信领域推理中的韧性
机构 * NextG Wireless Lab, North Carolina State University（NextG无线实验室，北卡罗来纳州立大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.LG
AI总结 本文提出TeleResilienceBench，通过七个电信子领域评估大语言模型在继承不完整推理并纠正错误时的韧性，发现模型在恢复能力上表现有限，且规模扩大并不必然提升韧性。
Oracle Poisoning：污染知识图谱以武器化AI代理推理
机构 * Microsoft（微软） ； UNSW Canberra（新南威尔士大学堪培拉分校） ； SAP ； OWASP Gen AI Security Project（OWASP生成式人工智能安全项目）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文研究了通过污染知识图谱来破坏AI代理推理的攻击方法，展示了六个针对生产级代码知识图谱的攻击场景，揭示了攻击者熟练度对信任度的影响，并评估了多种防御措施的有效性。
Comments 26 pages, 3 fugres, 16 tables
TIDE-Bench：面向任务的工具整合推理评估
机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出TIDE-Bench，一个高效全面的工具整合推理评估基准，通过多样任务设置、任务感知评估协议和高质量评价集，揭示工具整合推理中的持续瓶颈。
Comments 10 pages, 5 figures, 10 tables
增强多模态推理以对抗视觉退化
机构 * Tencent Hunyuan（腾讯文言） ； University of Maryland, College Park（马里兰大学 College Park 分校） ； University of Virginia（弗吉尼亚大学） ； University of North Carolina, Chapel Hill（北卡罗来纳大学 Chapel Hill 分校）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出ROMA框架，通过优化动态增强多模态大语言模型对视觉退化的鲁棒性，提升在多种基准测试中的表现。
为学生代码进行苏格拉底调试的推理轨迹：从误解到矛盾与更新信念
机构 * University of North Carolina at Charlotte（北卡罗来纳州夏洛特大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出推理轨迹生成任务，通过标注的调试问题数据集探讨生成推理轨迹和基于LLM的苏格拉底对话方法，实验显示LLM能生成91%正确的推理轨迹和98.7%有效的对话内容。
Comments 25 pages, 2 tables, 13 figures
评估大语言模型的语用推理：来自量级多样性的证据
机构 * Sungkyunkwan University（成均馆大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 研究通过量级多样性评估大语言模型的语用推理能力，发现不同模型和任务结构下语用行为差异显著，评价方法无法单一确定模型能力。
LAQuant: 一种简单且无开销的大型推理模型量化方法通过分层前瞻损失
机构 * Seoul National University（首尔国立大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.LG
AI总结 本文提出LAQuant，通过分层前瞻损失和推理领域校准，解决量化中的精度与速度问题，提升推理性能并加快解码速度。
MedThink: 通过教师引导的推理校正提升小模型的诊断准确性
机构 * School of Computer Science, Fudan University, Shanghai, China（复旦大学计算机学院，上海，中国）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 MedThink通过两阶段知识蒸馏框架提升小语言模型的临床推理能力，在医疗基准测试和胃肠病数据集上均优于传统方法，提升诊断准确率和泛化能力。
耐心询问患者：通过 grounded 推理实现面向人类的医疗对话 LLM
机构 * University of Oxford（牛津大学） ； Technical University of Munich（慕尼黑技术大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出 APP，一种基于 LLM 的医疗助手，通过 grounded 推理和透明诊断提升医疗对话的人性化体验，改进诊断准确性并增强用户参与度。
ARMOR：一种通过自适应效用感知多工具推理的代理框架用于反应可行性预测
机构 * Department of Biomedical Informatics（生物医学信息学系） ； Department of Computer Science and Engineering（计算机科学与工程系） ； Division of Medicinal Chemistry and Pharmacognosy（药物化学与药理学系） ； Translational Data Analytics Institute（转化数据分析研究所）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 ARMOR通过自适应效用感知多工具推理框架，有效整合多个工具的优势，提升反应可行性预测的准确性，尤其在存在工具预测冲突时表现突出。
SCRuB：基于规则评估的社会概念推理
机构 * Meta ； McGill University（麦吉尔大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出SCRuB框架，用于评估大语言模型在社会概念推理方面的能力，通过专家和模型响应对比，展示前沿模型在五个维度上优于人类专家。
TableVista：在视觉和结构复杂性下多模态表格推理的基准测试
机构 * Tongji University（同济大学） ； University of Bristol（布里斯托大学） ； Tianjin University（天津大学） ； Yale University（耶鲁大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 TableVista包含3000个高质量表格推理问题，通过多风格渲染和转换流程生成30000个多模态样本，评估29种基础模型在不同复杂性下的表现，揭示结构复杂性和视觉整合对推理一致性的影响。
Comments ACL 2026 Findings
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈