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。
学习像专家一样交易：用于语言模型在金融推理中稳定性的认知微调
机构 * Department of Information Engineering, The Chinese University of Hong Kong（信息工程系，香港中文大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.LG
AI总结 本文提出一种框架，通过 curated 多选题数据集和两阶段评估协议，训练语言模型在金融决策中具备稳定性和风险意识，优于开源基线并接近前沿模型表现。
Comments 6 pages, 3 figures
为训练多样化常识推理模型生成合成数据
机构 * University of Liverpool（利物浦大学） ； University of Sheffield（谢菲尔德大学） ； Amazon（亚马逊）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出两阶段方法生成首个合成数据集CommonSyn，提升生成多样性和质量，适用于不同规模的大语言模型。
Comments ACL2026 Main
视觉-语言模型真的能进行视觉推理吗？一种对模态差距的严格研究
机构 * College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算机与数据科学学院，新加坡） ； Alibaba-NTU Global e-Sustainability CorpLab (ANGEL)（阿里巴巴-国立大学全球可持续发展公司实验室（ANGEL）） ； Tongyi Lab, Alibaba Group, China（阿里云实验室，阿里巴巴集团，中国）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文通过CrossMath基准测试，发现视觉-语言模型在文本输入时表现优异，但加入图像信息后推理性能下降，表明其推理主要依赖文本空间，而非真实视觉证据。
在何时不回答：评估多模态推理系统中的退避
机构 * ServiceNow Research（ServiceNow研究院）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出MM-AQA基准，通过视觉模态依赖性和证据充分性变换生成不可回答实例，评估三种前沿VLM和两种MAS架构，发现VLM在标准提示下 rarely 退避，MAS提升退避但引入准确率-退避权衡，序列设计表现优异，表明退避意识训练比提示或更多代理更重要。
Comments 10 pages and 4 figures (excluding appendix)
通过专家之眼：一个基于放射学家目光和推理训练的基础视觉语言模型
机构 * Bioengineering Department and Imperial-X（生物工程系和Imperial-X） ； Imperial College London（帝国理工学院伦敦分校） ； College of physics and information engineering, Fuzhou University（福州大学物理与信息工程学院） ； Department of Surgery and Cancer, Imperial College London（外科与癌症部门，帝国理工学院伦敦分校） ； National Heart and Lung Institute, Imperial College London（国家心脏和肺研究所，帝国理工学院伦敦分校） ； Cardiovascular Research Centre, Royal Brompton Hospital（心血管研究中心，皇家布里顿医院） ； School of Biomedical Engineering & Imaging Sciences, King’s College London（生物医学工程与成像科学学院，国王学院伦敦分校）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出GazeX模型，通过放射学家的眼动数据模拟专家推理过程，提升医学影像分析的准确性和可解释性。
ReasonScaffold: 一种基于推理的标注协议用于人机协同标注
机构 * University of Minnesota, Twin Cities（明尼苏达大学，双城分校）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出ReasonScaffold协议，通过暴露LLM生成的推理过程来提升标注一致性，发现推理能增加标注者一致性和最小化修订，为人类与AI协同标注提供实用机制。
大型语言模型在临床数字能力上的鲁棒性如何？一项关于临床情境中数值推理能力的实证研究
机构 * School of Computing Technologies, RMIT University（计算机技术学院，皇家墨尔本理工大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文通过ClinicNumRobBench基准测试，评估了17种LLM在临床情境下的数值推理能力，发现数值检索表现良好，但关系比较和聚合仍存在挑战，且医疗数据微调会降低数值能力。
Comments Accepted to ACL2026 Findings
时间序列考试代理：大规模创建时间序列推理基准测试
机构 * Technical University of Munich（慕尼黑技术大学） ； Auton Lab, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机学院自主实验室）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出TimeSeriesExamAgent，通过模板灵活性与LLM代理创造力结合，创建涵盖医疗、金融和天气领域的综合性时间序列推理基准测试，验证LLM在时间序列理解上的能力与局限。
Journal ref Proc. Int. Conf. Learn. Representations ICLR (2026)
低资源语言和方言的物理常识推理：以巴斯克语为例的研究
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出BasPhyCo数据集，评估LLM在巴斯克语中物理常识推理能力，发现低资源语言中LLM在处理方言时物理常识能力有限。
TrajOnco：一个用于纵向电子健康记录上时间推理的多智能体框架，用于多癌症早期检测
机构 * Truveta Inc.（Truveta公司） ； University of Washington（华盛顿大学） ； Fred Hutch Cancer Center（弗雷德·哈钦森癌症中心）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 TrajOnco通过多智能体框架对纵向EHR中的时间序列临床事件进行推理，生成患者总结和风险评分，实现多癌症早期检测。
单代理LLM在多跳推理中优于多代理系统（在相等的思考令牌预算下）
机构 * Stanford University（斯坦福大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 在相等的思考令牌预算下，单代理系统在多跳推理任务中表现优于多代理系统，研究通过信息论论证指出单代理系统在信息效率上更具优势，并揭示了多代理系统在计算和上下文利用下降时的竞争性。
ZARA：通过证据驱动的LLM代理实现无训练的运动时间序列推理
机构 * University of New South Wales, Sydney（新南威尔士大学悉尼校区） ； Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Hong Kong University of Science and Technology（香港科技大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 ZARA通过证据驱动的LLM代理实现无训练的运动时间序列推理，利用参考数据构建统计学基础的知识库，提升活动识别的泛化能力和跨领域适应性。
Comments Accepted by ACL 2026 Main Conference
挑战推理的边界：为大语言模型设计的奥林匹克级数学基准
机构 * School of Information, Renmin University of China（中国人民大学信息学院） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 OlymMATH是一个包含350道题的奥林匹克级数学基准，通过自然语言和形式验证两种方式评估大语言模型，揭示语言间性能差异及模型推理不足问题。
Comments Accepted by ACL 2026 Main
CounterBench: 评估和改进大型语言模型中的反事实推理
机构 * Rutgers University（罗格斯大学） ； Case Western Reserve University（凯斯西储大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出CounterBench基准数据集，评估大型语言模型在反事实推理中的表现，并提出CoIn方法提升其能力。
RiTeK：一个用于大型语言模型在医学领域文本知识图谱上复杂推理的数据集
机构 * University of Connecticut（康涅狄格大学） ； University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） ； School of Computing, and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院） ； UMass Chan Medical School（马萨诸塞大学陈医学院） ； University of Minnesota（明尼苏达大学） ； Rollins School of Public Health, Emory University（埃默里大学罗林斯公共卫生学院） ； Optum AI ； University of Massachusetts, Lowell（马萨诸塞大学洛厄尔分校）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 本文提出RiTeK数据集，用于评估大型语言模型在医学领域文本知识图谱上的复杂推理能力，通过合成高质量查询和专家评估，揭示现有检索方法的不足。
Comments ACL 2026 Findings
E3-TIR: 增强经验利用以实现工具集成推理
机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； Hong Kong University of Science and Technology（香港科技大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出E3-TIR方法，通过整合专家前缀、专家引导和自探索三种经验类型，提升工具集成推理的效率与性能，实验显示在工具使用任务中性能提升6%，数据成本降低。
Comments 22 pages 10 figures, published in acl2026
CrashSight：面向交通事故场景理解与推理的相位感知、基础设施导向视频基准
机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； University of Wyoming（怀俄明大学） ； Columbia University（哥伦比亚大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 CrashSight通过真实道路摄像头数据构建大规模视频基准，评估视觉语言模型在交通事故场景中的理解与推理能力，揭示现有模型在时间与因果推理方面的不足。
自主AI代理的推理溯源：超越状态检查点和执行轨迹的结构化行为分析
机构 * Oracle Cloud Infrastructure（甲骨文云基础设施）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出Agent Execution Record（AER），通过结构化推理溯源记录代理每个动作的选择原因、观察结论及策略影响，支持群体层面的行为分析与反事实测试。
Comments 10 pages, 2 tables, 1 figure, preprint, v2: adds co-author and transport-layer verification mechanism
结构化与问题化：基于LLM的智能体如何在诊断推理中构建学习
机构 * ETH Zürich（苏黎世联邦理工学院） ； EPFL（洛桑联邦理工学院）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文探讨了基于LLM的智能体如何通过结构化和问题化策略促进诊断推理学习，研究发现两种策略在不同参与度指标上各有优势。
Comments 12 pages, 8 figures. Accepted at LAK 2026
Journal ref In Proceedings of the 16th International Learning Analytics and Knowledge Conference (LAK 2026), April 27-May 1, 2026, Bergen, Norway. ACM, New York, NY, USA
FIRE-CIR：细粒度复合时尚图像检索中的精细推理
机构 * Louis Vuitton（路易威登） ； Inria, École normale supérieure, CNRS, PSL Research University（法国国家信息与自动化研究所, 巴黎高等师范学院, 法国国家科学研究中心, 巴黎文理研究大学） ； Courant Institute of Mathematical Sciences and Center for Data Science, New York University（纽约大学库朗数学科学研究所与数据科学中心）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.LG
AI总结 FIRE-CIR通过问题驱动的视觉推理提升时尚图像检索的可解释性和准确性，通过生成属性聚焦的视觉问题并验证参考与候选图像中的证据，实现更精确的检索结果。
MedConceal：一个用于在部分可观测性下进行临床隐藏关切推理的基准
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； NYC Health + Hospitals/Jacobi（纽约市健康与医院管理局/雅可比医疗中心）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 MedConceal通过交互式患者模拟器评估医疗对话中的隐藏关切推理，包含300个案例和600个医生-LLM交互，研究确认和干预能力，发现前沿模型在确认指标上表现优异，而人类医生在干预成功率上表现最佳。
MARINER：一种基于3E驱动的基准，用于开放水域环境中的细粒度感知与复杂推理
机构 * Guangdong University of Technology（广东工业大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出MARINER基准，通过3E框架评估开放水域环境中的细粒度感知与复杂推理，揭示先进模型在复杂海洋场景中的局限性。
当身份偏见引发争论：为减少偏见的多智能体推理中的匿名化
机构 * University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出了一种框架，通过去除身份标记来减少多智能体推理中的身份偏见，定义了身份偏见系数，并通过实验验证身份偏见普遍存在。
Comments ACL 2026 Main
与你共见：多模态推理中的感知-推理共进化
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； Zhejiang University（浙江大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文提出PRCO框架，通过分离的奖励信号提升多模态推理的感知与推理能力，在八个基准测试中平均提升7个百分点。
Comments 21 pages, 15 figures, 6 tables
SymptomWise: 一种用于可靠和高效人工智能系统的确定性推理层
机构 * University of California Los Angeles, David Geffen School of Medicine（加州大学洛杉矶分校大卫·格芬医学院） ； University of Southern California（南加州大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 SymptomWise通过分离语言理解与诊断推理，结合专家知识和确定性推理，提升AI系统可靠性与可解释性，初步验证在儿科神经病学案例中表现优异。
Comments 18 pages, 1 figure,
ToxReason: 一个通过不良后果途径进行机理化学毒性推理的基准
机构 * Korea University（高丽大学） ； Myongji University（明知大学） ； University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心） ； AIGEN Sciences
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 ToxReason基准通过整合药物-靶点相互作用证据与毒性标签，评估多器官水平的毒性推理能力，发现强预测性能不等于可靠推理，且推理意识训练能提升机理推理和毒性预测性能。
Comments Accepted to ACL 2026 Findings
REVEAL: 基于推理的取证分析用于可解释的AI生成图像检测
机构 * Zhejiang University（浙江大学） ； WeChat Vision, Tencent Inc（腾讯微信视觉） ； Nanjing University of Information Science and Technology（南京信息工程大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 REVEAL通过构建可验证的证据链，提升AI生成图像检测的可解释性与泛化能力，采用专家引导的强化学习训练框架，实现更准确和可信的检测结果。
大规模语言模型真的能理解空间吗？一项数学推理评估
机构 * Meituan Inc.（美团） ； Northeastern University（东北大学） ； University of Trento（特伦托大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 本文通过MathSpatial数据集评估了大规模语言模型在数学空间推理上的能力，发现其在空间推理任务上表现不佳，提出该数据集有助于提升模型的空间推理能力。
TFRBench：用于评估预测系统推理能力的基准测试
机构 * Google（谷歌） ； University of Kentucky（肯塔基大学）
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.AI
AI总结 TFRBench通过多智能体框架评估预测系统推理能力，提升预测准确性，验证了其在时间序列预测中的有效性。
SenseAI：一种用于RLHF对齐的金融情感推理的人机协同数据集
专题命中 推理评测 ：reasoning(title,abstract)；分类 cs.CL
AI总结 SenseAI通过整合推理链、置信度评分和市场结果，为金融情感推理提供RLHF对齐的数据支持，揭示模型行为中的系统性模式及改进机会。
Comments Dataset available on request (bernykabalisa18@gmail.com) See GitHub for dataset snapshot and automated data collection script demo https://github.com/bernykabalisa18-netizen/SenseAI
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