大模型推理能力

InterveneBench: Benchmarking LLMs for Intervention Reasoning and Causal Study Design in Real Social Systems

InterveneBench：用于干预推理和真实社会系统因果研究设计的LLM基准测试

Shaojie Shi, Zhengyu Shi, Lingran Zheng, Xinyu Su, Anna Xie, Bohao Lv, Rui Xu, Zijian Chen, Zhichao Chen, Guolei Liu, Naifu Zhang, Mingjian Dong, Zhuo Quan, Bohao Chen, Teqi Hao, Yuan Qi, Yinghui Xu, Libo Wu

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

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

AI总结 InterveneBench通过真实社会科学研究评估LLM在干预推理和因果研究设计中的能力，发现现有模型表现不足，并提出STRIDES多智能体框架提升性能。

Comments 35pages,3 figures

MMSU: A Massive Multi-task Spoken Language Understanding and Reasoning Benchmark

MMSU：一个大规模多任务语音语言理解与推理基准

Dingdong Wang, Junan Li, Jincenzi Wu, Dongchao Yang, Xueyuan Chen, Tianhua Zhang, Helen Meng

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

AI总结 MMSU基准通过整合语音的语义、语调和语音学特征，评估语音语言理解与推理能力，发现现有模型存在改进空间，为开发更高级的人机语音交互系统提供新标准。

Comments ICLR 2026. MMSU benchmark is available at https://huggingface.co/datasets/ddwang2000/MMSU. Project page https://github.com/dingdongwang/MMSU

Towards Efficient Medical Reasoning with Minimal Fine-Tuning Data

面向最少微调数据的高效医疗推理

Xinlin Zhuang, Feilong Tang, Haolin Yang, Xiwei Liu, Ming Hu, Huifa Li, Haochen Xue, Junjun He, Zongyuan Ge, Yichen Li, Ying Qian, Imran Razzak

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

AI总结 本文提出DIQ数据选择策略，通过平衡难度与梯度影响，提升医疗推理效率，实验证明仅用1%数据即可达到全数据表现，10%数据优于基线方法。

Comments Accepted by CVPR 2026

Locatability-Guided Adaptive Reasoning for Image Geo-Localization with Vision-Language Models

基于可定位性的自适应推理图像地理定位方法

Bo Yu, Fengze Yang, Yiming Liu, Chao Wang, Xuewen Luo, Taozhe Li, Ruimin Ke, Xiaofan Zhou, Chenxi Liu

机构 * The University of Utah（犹他大学） ； The University of Oklahoma（俄克拉荷马大学） ； Worcester Polytechnic Institute（沃斯特理工学院） ； Rensselaer Polytechnic Institute（雷士利理工学院） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

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

AI总结 本文提出Geo-ADAPT框架，通过优化可定位性评分和两阶段分组相对策略优化，提升图像地理定位的适应性和准确性，减少幻觉。

ESPIRE: A Diagnostic Benchmark for Embodied Spatial Reasoning of Vision-Language Models

ESPIRE：一种用于视觉-语言模型具身空间推理的诊断基准

Yanpeng Zhao, Wentao Ding, Hongtao Li, Baoxiong Jia, Zilong Zheng

机构 * State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室） 纠错

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

AI总结 本文提出ESPIRE基准，通过模拟环境评估视觉-语言模型在具身空间推理中的表现，改进了传统评估方法，实现了更细致的推理与行动分析。

GRACE: A Unified 2D Multi-Robot Path Planning Simulator & Benchmark for Grid, Roadmap, And Continuous Environments

GRACE：一种统一的二维多机器人路径规划模拟器与基准，适用于网格、路网和连续环境

Chuanlong Zang, Anna Mannucci, Isabelle Barz, Philipp Schillinger, Florian Lier, Wolfgang Hönig

机构 * Robert Bosch GmbH, Corporate Research（罗伯特·博世集团，企业研究） ； Technical University of Berlin（柏林技术大学） 纠错

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

AI总结 GRACE是一种统一的二维多机器人路径规划模拟器与基准，通过统一的抽象级别和评估协议，实现跨网格、路网和连续环境的可比性比较，以提升多机器人规划研究的可重复性和应用性。

Comments ICRA 2026, code will be released soon

Multilingual Reasoning Gym: Multilingual Scaling of Procedural Reasoning Environments

多语言推理健身房：多语言的程序化推理环境扩展

Konstantin Dobler, Simon Lehnerer, Federico Scozzafava, Jonathan Janke, Mohamed Ali

机构 * Apple（苹果公司） ； Hasso Plattner Institute & ELLIS Unit Potsdam（霍普夫研究所与波茨坦ELLIS单元） 纠错

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

AI总结 Multilingual Reasoning Gym通过多语言程序化生成可验证推理问题，支持跨语言大规模数据生成和强化学习研究。

Calibration-Reasoning Framework for Descriptive Speech Quality Assessment

描述性语音质量评估的校准-推理框架

Elizaveta Kostenok, Mathieu Salzmann, Milos Cernak

机构 * EPFL（苏黎世联邦理工学院） ； Logitech（洛吉科技） 纠错

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

AI总结 本研究提出校准-推理框架，通过强化学习优化提升语音质量评估的多维描述和缺陷定位精度。

Comments Submitted to Interspeech 2026

Social-R1: Towards Human-like Social Reasoning in LLMs

Social-R1: 向大语言模型中引入人类般的社交推理

Jincenzi Wu, Yuxuan Lei, Jianxun Lian, Yitian Huang, Lexin Zhou, Haotian Li, Xing Xie, Helen Meng

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

AI总结 Social-R1通过多维奖励对齐模型推理与人类认知，利用ToMBench-Hard提供困难训练案例，使大模型在社交推理任务中实现超越和稳健泛化。

Comments 27 pages. Code and dataset will be released upon acceptance

CRAwDAD: Causal Reasoning Augmentation with Dual-Agent Debate

基于双智能体辩论的因果推理增强：CRAwDAD

Finn G. Vamosi, Nils D. Forkert

机构 * Department of Computer Science, University of Calgary（卡莱尔大学计算机科学系） ； Department of Radiology, Hotchkiss Brain Institute, and Alberta Children’s Hospital Research Institute, University of Calgary（卡莱尔大学放射学系、霍奇基斯脑研究所及阿尔伯塔儿童医院研究所在卡莱尔大学） 纠错

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

AI总结 CRAwDAD通过双智能体辩论框架提升因果推理准确性，利用推理语言模型在因果推理和辩论中实现性能提升。

Comments 12 pages, 8 figures. Code available at https://github.com/finnvamosi/CRAwDAD

RexDrug: Reliable Multi-Drug Combination Extraction through Reasoning-Enhanced LLMs

RexDrug：通过增强推理的大型语言模型实现可靠的多药物组合提取

Zhijun Wang, Ling Luo, Dinghao Pan, Huan Zhuang, Lejing Yu, Yuanyuan Sun, Hongfei Lin

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

AI总结 RexDrug通过增强推理的大型语言模型，实现了可靠的多药物组合提取，优于现有方法并在二元和n元任务中均表现优异。

Comments 21 pages, 7 figures

BRIDGE: Benchmark for multi-hop Reasoning In long multimodal Documents with Grounded Evidence

BRIDGE: 多跳推理长多模态文档基准测试与证据 grounded

Biao Xiang, Soyeon Caren Han, Yihao Ding

机构 * The University of Melbourne（墨尔本大学） ； The University of Western Australia（西澳大学） 纠错

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

AI总结 BRIDGE是一个针对长多模态文档的多跳推理基准测试，通过显式的多跳推理注释揭示证据聚合和 grounding 的系统性缺陷。

VB: Visibility Benchmark for Visibility and Perspective Reasoning in Images

VB：用于图像中可见性与视角推理的可见性基准

Neil Tripathi

机构 * New York University（纽约大学） 纠错

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

AI总结 VB基准测试视觉-语言模型在图像可见性推理中的能力，通过可见性声明和置信度评分评估模型性能。

Comments 18 pages, 1 figure, 3 tables. Code and data: https://github.com/neilt93/Paper-with-Davis

ObjChangeVR: Object State Change Reasoning from Continuous Egocentric Views in VR Environments

ObjChangeVR: 从VR环境中连续眼动视角推断物体状态变化

Shiyi Ding, Shaoen Wu, Ying Chen

机构 * Kennesaw State University（肯纳邦大学） ； Pennsylvania State University（宾夕法尼亚州立大学） 纠错

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

AI总结 ObjChangeVR通过结合视角感知和时间基检索，有效识别VR环境中物体状态变化，提升多模态大语言模型在复杂场景下的表现。

Comments European Chapter of the Association for Computational Linguistics (EACL) 2026 Main

Cost Trade-offs of Reasoning and Non-Reasoning Large Language Models in Text-to-SQL

文本到SQL系统中推理与非推理大语言模型的代价权衡

Saurabh Deochake, Debajyoti Mukhopadhyay

机构 * WIDiCoReL Research Lab（WIDiCoReL研究实验室） 纠错

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

AI总结 本文研究了推理与非推理大语言模型在文本到SQL任务中的成本权衡，发现推理模型在处理效率和成本控制上表现更优，但非推理模型存在显著的成本波动问题。

SUREON: A Benchmark and Vision-Language-Model for Surgical Reasoning

SUREON：一个手术推理的基准和视觉-语言模型

Alejandra Perez, Anita Rau, Lee White, Busisiwe Mlambo, Chinedu Nwoye, Muhammad Abdullah Jamal, Omid Mohareri

机构 * Intuitive Surgical Inc. 纠错

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

AI总结 SUREON通过大规模视频问答数据集和两种模型提升手术推理能力，准确率超过84%。

Evaluation of Deontic Conditional Reasoning in Large Language Models: The Case of Wason's Selection Task

对大型语言模型中规范条件推理能力的评估：瓦森选择任务案例

Hirohiko Abe, Kentaro Ozeki, Risako Ando, Takanobu Morishita, Koji Mineshima, Mitsuhiro Okada

机构 * Keio University（Keio大学） ； University of Tokyo（东京大学） ； abelard.flet.keio.ac.jp（Keio大学abelard.flet实验室） 纠错

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

AI总结 本研究通过瓦森选择任务评估大型语言模型在规范规则下的条件推理能力，发现其表现与人类相似，存在匹配偏误等认知偏差。

Comments To appear in the Proceedings of EACL 2026

EDIS: Diagnosing LLM Reasoning via Entropy Dynamics

EDIS: 通过熵动力学诊断LLM推理

Chenghua Zhu, Siyan Wu, Xiangkang Zeng, Zishan Xu, Zhaolu Kang, Yifu Guo, Yuquan Lu, Junduan Huang, Guojing Zhou

机构 * South China Normal University（华南师范大学） ； Sun Yat-sen University（中山大学） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） 纠错

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

AI总结 EDIS通过分析LLM推理过程中的熵动态变化，识别错误推理的特征模式，提供有效的诊断信号以提升推理准确性。

Comments 16 pages, 12 figures

Enhancing Zero-shot Commonsense Reasoning by Integrating Visual Knowledge via Machine Imagination

通过机器想象力整合视觉知识以增强零样本常识推理

Hyuntae Park, Yeachan Kim, SangKeun Lee

机构 * Department of Artificial Intelligence, Korea University（人工智能系，韩国大学） ； Department of Computer Science and Engineering, Korea University（计算机科学与工程系，韩国大学） 纠错

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

AI总结 本文提出Imagine框架，通过整合视觉知识提升零样本常识推理性能，有效缓解人类报告偏见，增强模型泛化能力。

AILS-NTUA at SemEval-2026 Task 12: Graph-Based Retrieval and Reflective Prompting for Abductive Event Reasoning

AILS-NTUA 在 SemEval-2026 任务 12: 基于图的检索与反思提示的归纳事件推理

Nikolas Karafyllis, Maria Lymperaiou, Giorgos Filandrianos, Athanasios Voulodimos, Giorgos Stamou

机构 * School of Electrical and Computer Engineering, AILS Laboratory（电气与计算机工程学院，AILS实验室） ； National Technical University of Athens（雅典国家技术大学） 纠错

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

AI总结 AILS-NTUA 提出基于图检索与反思提示的三阶段系统，在 SemEval-2026 任务 12 中实现 0.95 准确率，揭示多标签因果推理中的系统性失败模式。

PRAM-R: A Perception-Reasoning-Action-Memory Framework with LLM-Guided Modality Routing for Adaptive Autonomous Driving

PRAM-R：一种具有LLM引导模态路由的感知-推理-行动-记忆框架，用于自适应自动驾驶

Yi Zhang, Xian Zhang, Saisi Zhao, Yinglei Song, Chengdong Wu, Nenad Petrovic, Alois Knoll

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

AI总结 PRAM-R通过LLM引导的模态路由和分层记忆模块，实现高效自适应的多模态感知，提升自动驾驶的稳定性和效率。

GeoSeg: Training-Free Reasoning-Driven Segmentation in Remote Sensing Imagery

GeoSeg: 无需训练的推理驱动遥感图像分割

Lifan Jiang, Yuhang Pei, oxi Wu, Yan Zhao, Tianrun Wu, Shulong Yu, Lihui Zhang, Deng Cai

机构 * State Key lab of CAD\&CG, Zhejiang University ； UniTTEC Co. Ltd. ； Wuchan Zhongda Chengtou (Ningbo) Holdings. Ltd. 纠错

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

AI总结 GeoSeg通过结合大规模语言模型推理与精确定位，无需训练实现遥感图像分割的高效解决方案。

From Narrow to Panoramic Vision: Attention-Guided Cold-Start Reshapes Multimodal Reasoning

从窄视场到全景视觉：基于注意力的冷启动重塑多模态推理

Ruilin Luo, Chufan Shi, Yizhen Zhang, Cheng Yang, Songtao Jiang, Tongkun Guan, Ruizhe Chen, Ruihang Chu, Peng Wang, Mingkun Yang, Yujiu Yang, Junyang Lin, Zhibo Yang

机构 * Tsinghua University（清华大学） ； University of South California（南加州大学） ； Qwen Team, Alibaba Group（通义实验室，阿里巴巴集团） ； University of California San Diego（南加州大学圣地亚哥分校） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出AVAR框架，通过视觉锚定与注意力引导提升多模态推理性能，实现7%的平均提升。

Comments ICLR 2026 Poster

TIGeR: Tool-Integrated Geometric Reasoning in Vision-Language Models for Robotics

TIGeR: 视觉-语言模型中集成工具的几何推理

Yi Han, Enshen Zhou, Shanyu Rong, Jingkun An, Pengwei Wang, Zhongyuan Wang, Cheng Chi, Lu Sheng, Shanghang Zhang

机构 * Beihang University（北洋大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机科学学院多媒体信息处理国家重点实验室） 纠错

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

AI总结 TIGeR通过集成工具实现视觉-语言模型的几何推理，提升机器人操作的精确度。

Comments 8 pages, 6 figures

Social Norm Reasoning in Multimodal Language Models: An Evaluation

多模态语言模型中的社会规范推理：一项评估

Oishik Chowdhury, Anushka Debnath, Bastin Tony Roy Savarimuthu

机构 * School of Computing, University of Otago, New Zealand（奥塔哥大学计算机学院） 纠错

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

AI总结 本文评估了多模态大语言模型在社会规范推理中的能力，发现GPT-4o在文本和图像模态中表现最佳，但所有模型在处理复杂规范时仍有困难。

Comments to be published in ICAART 2026 post proceedings

Doxing via the Lens: Revealing Location-related Privacy Leakage on Multi-modal Large Reasoning Models

通过镜头进行Doxing：揭示多模态大推理模型中的位置相关隐私泄露

Weidi Luo, Tianyu Lu, Qiming Zhang, Xiaogeng Liu, Bin Hu, Yue Zhao, Jieyu Zhao, Song Gao, Patrick McDaniel, Zhen Xiang, Chaowei Xiao

机构 * University of Georgia（佐治亚大学） ； University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； John Hopkins University（约翰·霍普金斯大学） ； University of Southern California（南加州大学） ； University of Maryland, College Park（马里兰大学学院市分校） 纠错

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

AI总结 本文研究了多模态大推理模型中的位置隐私泄露问题，提出DoxBench和GeoMiner框架，揭示模型在推断地理位置信息上的能力及隐私风险。

Comments Camera-ready version. Accepted as a poster at the 14th International Conference on Learning Representations (ICLR 2026). For official ICLR page, see https://iclr.cc/virtual/2026/poster/10006914

Evaluating Cross-Modal Reasoning Ability and Problem Characteristics with Multimodal Item Response Theory

利用多模态项目反应理论评估跨模态推理能力与问题特征

Shunki Uebayashi, Kento Masui, Kyohei Atarashi, Han Bao, Hisashi Kashima, Naoto Inoue, Mayu Otani, Koh Takeuchi

机构 * Kyoto University（京都大学） ； CyberAgent ； The Institute of Statistical Mathematics（统计数学研究所） ； Tohoku University（东北大学） 纠错

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

AI总结 M3IRT通过分解模型能力和项目难度，提供了一种评估多模态推理能力的框架，有效提升基准测试的可靠性和质量。

Comments 24pages, 20 figures, accepted to ICLR2026

ToolDreamer: Instilling LLM Reasoning Into Tool Retrievers

ToolDreamer: 将大语言模型推理能力注入工具检索器

Saptarshi Sengupta, Zhengyu Zhou, Jun Araki, Xingbo Wang, Bingqing Wang, Suhang Wang, Zhe Feng

机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Bosch Research North America（博世北美研究） 纠错

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

AI总结 ToolDreamer通过合成工具描述来改进工具检索，提升稀疏和密集检索器性能，减少LLM上下文窗口压力。

Comments Accepted to EACL 2026 (main/oral)

Markovian ODE-guided scoring can assess the quality of offline reasoning traces in language models

马尔可夫ODE引导的评分可以评估语言模型离线推理轨迹的质量

Arghodeep Nandi, Ojasva Saxena, Tanmoy Chakraborty

机构 * Department of Electrical Engineering, Indian Institute of Technology Delhi（电子工程系，印度理工学院德里） ； Indian Institute of Technology Delhi（印度理工学院德里） ； Yardi School of Artificial Intelligence, Indian Institute of Technology Delhi（人工智能学院，印度理工学院德里） 纠错

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

AI总结 MarODE通过马尔可夫模型和常微分方程评估语言模型推理轨迹质量，有效提升评估性能。

DIVA-GRPO: Enhancing Multimodal Reasoning through Difficulty-Adaptive Variant Advantage

DIVA-GRPO：通过难度自适应变体优势增强多模态推理

Haowen Gao, Zhenyu Zhang, Liang Pang, Fangda Guo, Hongjian Dou, Guannan Lv, Shaoguo Liu, Tingting Gao, Huawei Shen, Xueqi Cheng

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, CAS, Beijing, China（人工智能安全国家重点实验室，计算技术研究所，中国科学院，北京，中国） ； University of Chinese Academy of Sciences, Beijing, China（中国科学院大学，北京，中国） ； Kuaishou Technology, Beijing, China（快手科技，北京，中国） 纠错

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

AI总结 DIVA-GRPO通过难度自适应变体优势方法提升多模态推理能力，解决GRPO在困难问题上的奖励稀疏性和优势消失问题，提升训练稳定性与推理性能。

Comments Accepted to ICLR 2026. Code and models are available at https://github.com/Siaaaaaa1/DIVA-GRPO