语言大模型 / LLM

PathMind: A Retrieve-Prioritize-Reason Framework for Knowledge Graph Reasoning with Large Language Models

PathMind: 一种基于大语言模型的知识图谱推理检索-优先-推理框架

Yu Liu, Xixun Lin, Yanmin Shang, Yangxi Li, Shi Wang, Yanan Cao

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；LLM(abstract)；instruction tuning(abstract)

AI总结 PathMind通过检索-优先-推理框架，提升大语言模型在知识图谱推理中的准确性和可解释性，尤其在复杂推理任务中表现优异。

Comments AAAI 2026, Long Paper, Oral

GLACIA: Instance-Aware Positional Reasoning for Glacial Lake Segmentation via Multimodal Large Language Model

GLACIA：基于多模态大语言模型的冰湖分割实例感知位置推理

Lalit Maurya, Saurabh Kaushik, Beth Tellman

机构 * Portsmouth AI and Data Science Centre (PAIDS), School of Computing, University of Portsmouth（普森大学计算学院） ； Center for Sustainability and the Global Environment (SAGE), University of Wisconsin–Madison（威斯康星大学麦迪逊分校可持续性与全球环境中心） 纠错

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；foundation model(abstract)；分类 cs.AI

AI总结 GLACIA通过多模态大语言模型实现冰湖分割的实例感知位置推理，提升分割精度与可解释性。

SCOPE: Language Models as One-Time Teacher for Hierarchical Planning in Text Environments

SCOPE：语言模型作为一次性教师用于文本环境中的分层规划

Haoye Lu, Pavan Seshadri, Kaheer Suleman

专题命中 推理与问题求解 ：language model(title,abstract)；LLM(abstract)；large language model(abstract)；pretraining(abstract)

AI总结 SCOPE通过一次性利用LLM生成的子目标预训练轻量级模型，实现高效文本环境分层规划，比ADaPT方法在成功率和推理效率上更优。

CORE: A Conceptual Reasoning Layer for Large Language Models

CORE：大型语言模型的概念推理层

Vishwas Hegde, Vindhya Shigehalli

专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 CORE通过引入概念优先的交互层，提升大型语言模型在多轮对话中的稳定性，利用持久的局部概念和通用认知运算符，减少提示token数量，实现更稳定的多轮交互。

Comments Independent system-level architectural proposal with accompanying proof-of-concept

Evolving Excellence: Automated Optimization of LLM-based Agents

精益求精：基于大语言模型的代理的自动化优化

Paul Brookes, Vardan Voskanyan, Rafail Giavrimis, Matthew Truscott, Mina Ilieva, Chrystalla Pavlou, Alexandru Staicu, Manal Adham, Will Evers- Hood, Jingzhi Gong, Kejia Zhang, Matvey Fedoseev, Vishal Sharma, Roman Bauer, Zheng Wang, Hema Nair, Wei Jie, Tianhua Xu, Aurora Constantin, Leslie Kanthan, Michail Basios

机构 * University of Leeds（利兹大学） ； City, University of London（伦敦城市大学） ； University of West London（西伦敦大学） ； University of Edinburgh（爱丁堡大学） ； University of Surrey（萨里大学） ； University of Warwick（沃里克大学） ； King's College London（伦敦国王学院） 纠错

专题命中 推理与问题求解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 ARTEMIS通过语义感知的进化算法，自动优化基于大语言模型的代理配置，显著提升多个任务的性能表现。

Assessing the Human-Likeness of LLM-Driven Digital Twins in Simulating Health Care System Trust

评估由大语言模型驱动的数字双胞胎在模拟医疗系统信任方面的类人程度

Yuzhou Wu, Mingyang Wu, Di Liu, Rong Yin, Kang Li

专题命中 推理与问题求解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本研究评估了由大语言模型驱动的数字双胞胎在模拟医疗系统信任方面的类人程度，发现其在主要人口统计学模式上表现良好，但对教育水平等细微差异的捕捉能力有限。

Comments 6 pages, 1 figure may be published in IISE Annual Conference & Expo 2026

LogICL: Distilling LLM Reasoning to Bridge the Semantic Gap in Cross-Domain Log Anomaly Detection

LogICL: 通过蒸馏大语言模型推理来弥合跨域日志异常检测中的语义鸿沟

Jingwei Ye, Zhi Wang, Chenbin Su, Jieshuai Yang, Jiayi Ding, Chunbo Liu, Ge Chu

专题命中 推理与问题求解 ：LLM(title,abstract)；large language model(abstract)；language model(abstract)

AI总结 LogICL通过蒸馏大语言模型推理，提升跨域日志异常检测的语义理解与泛化能力，实现更准确的检测与解释。

Rethinking Chain-of-Thought Reasoning for Videos

重新思考视频中的链式推理

Yiwu Zhong, Zi-Yuan Hu, Yin Li, Liwei Wang

机构 * The Chinese University of Hong Kong（香港中文大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；post-training(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本研究提出了一种高效的视频推理框架，通过简洁推理和减少的视觉标记提升推理效率和性能，无需依赖传统CoT注释或监督微调。

Comments Technical report

Evaluating Small Vision-Language Models on Distance-Dependent Traffic Perception

评估小型视觉-语言模型在距离依赖性交通感知中的表现

Nikos Theodoridis, Tim Brophy, Reenu Mohandas, Ganesh Sistu, Fiachra Collins, Anthony Scanlan, Ciaran Eising

机构 * University of Limerick（利默里克大学） ； Data Driven Computer Engineering Research Centre（数据驱动计算机工程研究中心） ； Lero, The Irish Software Research Centre（Lero爱尔兰软件研究中心） ； Valeo Vision Systems（瓦莱欧视觉系统） 纠错

专题命中 推理与问题求解 ：language model(title,abstract)；分类 cs.AI

AI总结 本文评估了小型视觉-语言模型在距离依赖性交通感知任务中的表现，发现其在感知能力上显著弱于人类。

Comments Published in IEEE Open Journal of Vehicular Technology. Final version available at: https://ieeexplore.ieee.org/document/11230063

Journal ref IEEE Open Journal of Vehicular Technology, vol. 7, pp. 54-72, 2026

LLMs for Analog Circuit Design Continuum (ACDC)

用于模拟电路设计连续体的大型语言模型（ACDC）

Yasaman Esfandiari, Jocelyn Rego, Austin Meyer, Jonathan Gallagher, Mia Levy

机构 * HRL Laboratories（HRL实验室） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 本文研究了大型语言模型在模拟电路设计中的适用性与一致性，探讨了不同数据表示对模型行为的影响，并揭示了LLMs在工程任务中的可靠性挑战与潜力。

The Impossibility of Inverse Permutation Learning in Transformer Models

Transformer模型中反排列学习的不可能性

Rohan Alur, Chris Hays, Manish Raghavan, Devavrat Shah

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.AI、cs.LG

AI总结 Transformer模型中反排列学习的不可能性，通过解码器-only架构的表达能力限制，提出通过添加空白标记实现可行的替代方法。

Understanding Chain-of-Thought Effectiveness in Code Generation: An Empirical and Information-Theoretic Analysis

理解链式思维在代码生成中的有效性：一项经验性与信息论分析

Naizhu Jin, Zhong Li, Guang Yang, Tian Zhang, Qingkai Zeng

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 本研究通过经验分析和信息论方法，揭示了链式思维在代码生成中有效性的影响因素，发现结构化CoT在提升生成质量方面表现更优，且其效果受语言系统和模型容量影响。

AgentComp: From Agentic Reasoning to Compositional Mastery in Text-to-Image Models

AgentComp: 从代理推理到文本-图像模型中的组合性 mastery

Arman Zarei, Jiacheng Pan, Matthew Gwilliam, Soheil Feizi, Zhenheng Yang

机构 * TikTok ； University of Maryland（马里兰大学） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；preference optimization(abstract)

AI总结 AgentComp通过训练模型区分组合性相似的提示和图像，提升文本-图像模型的组合性生成能力，实现更准确的图像生成。

Generative AI Augmented Induction-based Formal Verification

生成式AI增强的基于归纳的正式验证

Aman Kumar, Deepak Narayan Gadde

机构 * Infineon Technologies（英飞凌科技） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出利用生成式AI增强基于归纳的形式验证，以提高硬件设计验证的效率和吞吐量。

Comments To appear at the 37th IEEE International System-on-Chip Conference, Sep 16-19 2024, Dresden, Germany

Enhancing Reliability across Short and Long-Form QA via Reinforcement Learning

通过强化学习提升短篇和长篇问答的可靠性

Yudong Wang, Zhe Yang, Wenhan Ma, Zhifang Sui, Liang Zhao

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本研究通过强化学习框架减少短篇和长篇问答中的幻觉问题，提升模型可靠性与事实可信度。

UniUGP: Unifying Understanding, Generation, and Planing For End-to-end Autonomous Driving

UniUGP：统一理解、生成与规划以实现端到端自动驾驶

Hao Lu, Ziyang Liu, Guangfeng Jiang, Yuanfei Luo, Sheng Chen, Yangang Zhang, Ying-Cong Chen

机构 * ByteDance Seed（字节跳动种子） 纠错

专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)

AI总结 UniUGP通过整合预训练视觉模型和视频生成模型，实现端到端自动驾驶中的场景推理、视频生成和轨迹规划，提升复杂场景下的性能和泛化能力。

Comments Project Page: https://seed-uniugp.github.io/

COVLM-RL: Critical Object-Oriented Reasoning for Autonomous Driving Using VLM-Guided Reinforcement Learning

COVLM-RL：基于VLM引导强化学习的自动驾驶中关键对象导向推理

Lin Li, Yuxin Cai, Jianwu Fang, Jianru Xue, Chen Lv

机构 * School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院） ； National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, National Engineering Research Center for Visual Information and Applications, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人机混合增强智能国家重点实验室、视觉信息与应用国家工程研究中心、人工智能与机器人研究院） 纠错

专题命中 推理与问题求解 ：language model(abstract)；prompting(abstract)

AI总结 COVLM-RL通过结合关键对象导向推理与VLM引导强化学习，提升了自动驾驶系统的泛化能力和训练效率。

Comments 8 pages, 5 figures

Scene-agnostic Hierarchical Bimanual Task Planning via Visual Affordance Reasoning

场景无关的双臂任务规划 via 视觉可及性推理

Kwang Bin Lee, Jiho Kang, Sung-Hee Lee

机构 * Graduate School of Culture Technology, Korea Advanced Institute of Science and Technology (KAIST)（文化科技研究生院，韩国科学技术院） 纠错

专题命中 推理与问题求解 ：foundation model(abstract)；prompting(abstract)

AI总结 本文提出了一种场景无关的双臂任务规划框架，通过视觉可及性推理实现双臂操作的高效规划与执行。

Comments 8 pages, 4 figures

Mind to Hand: Purposeful Robotic Control via Embodied Reasoning

Mind to Hand: 通过具身推理实现目的性机器人控制

Peijun Tang, Shangjin Xie, Binyan Sun, Baifu Huang, Kuncheng Luo, Haotian Yang, Weiqi Jin, Jianan Wang

专题命中 推理与问题求解 ：language model(abstract)；分类 cs.AI

AI总结 Lumo-1通过具身推理实现目的性机器人控制，结合视觉语言动作模型提升机器人推理与动作协调能力。

Comments 49 pages, 25 figures

Make LVLMs Focus: Context-Aware Attention Modulation for Better Multimodal In-Context Learning

让LVLMs聚焦：基于上下文的注意力调节以提升多模态上下文学习

Yanshu Li, Jianjiang Yang, Ziteng Yang, Bozheng Li, Ligong Han, Hongyang He, Zhengtao Yao, Yingjie Victor Chen, Songlin Fei, Dongfang Liu, Ruixiang Tang

专题命中 推理与问题求解 ：language model(abstract)；分类 cs.CL

AI总结 本文提出CAMA，一种无需训练的注意力调节方法，通过动态调整注意力logits提升多模态上下文学习性能。

Comments 14 pages, 8 figures, 5 tables

An Automated Tip-and-Cue Framework for Optimized Satellite Tasking and Visual Intelligence

一种自动化提示与提示框架用于优化卫星任务分配和视觉智能

Gil Weissman, Amir Ivry, Israel Cohen

机构 * Andrew and Erna Viterbi Faculty of Electrical and Computer Engineering, Technion-Israel Institute of Technology（安德鲁和伊尔纳·维特比电气与计算机工程学院，技术离子理工学院） 纠错

专题命中 推理与问题求解 ：language model(abstract)

AI总结 本文提出了一种自动化提示与提示框架，用于优化卫星任务分配和视觉智能，通过生成提示和任务并利用人工智能模型处理影像，提升地球观测效率。

Comments Under review at IEEE Transactions on Geoscience and Remote Sensing (TGRS). 13 pages, 8 figures

Video-QTR: Query-Driven Temporal Reasoning Framework for Lightweight Video Understanding

Video-QTR: 一种基于查询的轻量级视频理解时序推理框架

Xinkui Zhao, Zuxin Wang, Yifan Zhang, Guanjie Cheng, Yueshen Xu, Shuiguang Deng, Chang Liu, Naibo Wang, Jianwei Yin

机构 * School of Software Technology, Zhejiang University, Hangzhou, China（浙江大学软件技术学院） ； School of Computer Science, Zhejiang University, Hangzhou, China（浙江大学计算机科学学院） ； School of Software Engineering, Xidian University, Xi’an, China（西安电子科技大学软件工程学院） 纠错

专题命中 推理与问题求解 ：language model(abstract)

AI总结 Video-QTR通过查询驱动的时序推理框架，实现轻量级视频理解，显著降低计算成本并提升效率。

View-on-Graph: Zero-shot 3D Visual Grounding via Vision-Language Reasoning on Scene Graphs

视图-图：通过场景图上的视觉-语言推理实现零样本3D视觉定位

Yuanyuan Liu, Haiyang Mei, Dongyang Zhan, Jiayue Zhao, Dongsheng Zhou, Bo Dong, Xin Yang

专题命中 推理与问题求解 ：language model(abstract)

AI总结 本文提出视图-图方法，通过场景图上的视觉-语言推理实现零样本3D视觉定位，有效解决空间语义关系处理难题。

Explaining the Unseen: Multimodal Vision-Language Reasoning for Situational Awareness in Underground Mining Disasters

解释未见的：多模态视觉-语言推理用于地下矿难中的情境感知

Mizanur Rahman Jewel, Mohamed Elmahallawy, Sanjay Madria, Samuel Frimpong

机构 * Missouri University of Science and Technology（密苏里科学与技术大学） ； Washington State University（华盛顿州立大学） 纠错

专题命中 推理与问题求解 ：language model(abstract)

AI总结 本文提出MDSE框架，通过多模态视觉-语言推理提升地下矿难情境感知能力，实现更准确的描述生成。

AURORA:Augmented Understanding via Structured Reasoning and Reinforcement Learning for Reference Audio-Visual Segmentation

AURORA：通过结构化推理和强化学习增强参考音频视频分割

Ziyang Luo, Nian Liu, Fahad Shahbaz Khan, Junwei Han

专题命中 推理与问题求解 ：prompting(abstract)

AI总结 AURORA通过结构化推理和强化学习提升参考音频视频分割的准确性和鲁棒性

Comments AAAI2026,code:https://github.com/Sssssuperior/AURORA