语言大模型 / LLM

Debiasing Large Language Models via Adaptive Causal Prompting with Sketch-of-Thought

通过适应性因果提示的草图思维去偏Large Language Models

Bowen Li, Ziqi Xu, Jing Ren, Renqiang Luo, Xikun Zhang, Xiuzhen Zhang, Yongli Ren, Feng Xia

机构 * RMIT University（皇家墨尔本理工大学） ； Jilin University（吉林大学） 纠错

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

AI总结 ACPS通过适应性因果提示与草图思维方法，提升Large Language Models的推理效率与泛化能力。

Comments Accepted by Findings of EACL 2026

Enhancing Sentiment Classification and Irony Detection in Large Language Models through Advanced Prompt Engineering Techniques

通过高级提示工程技术增强大型语言模型的情感分类和讽刺检测

Marvin Schmitt, Anne Schwerk, Sebastian Lempert

机构 * IU International University of Applied Sciences（国际应用科学大学） 纠错

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

AI总结 本文通过高级提示工程技术提升大型语言模型在情感分类和讽刺检测中的性能，发现不同提示策略对不同模型和任务效果显著。

Comments 21 pages, 4 figures, 13 tables

Reasoning Beyond Chain-of-Thought: A Latent Computational Mode in Large Language Models

超越链式推理：大型语言模型中的一个潜在计算模式

Zhenghao He, Guangzhi Xiong, Bohan Liu, Sanchit Sinha, Aidong Zhang

机构 * University of Virginia（弗吉尼亚大学） 纠错

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

AI总结 研究发现大型语言模型中的推理能力由潜在内部激活支持，通过引导特定潜在特征可提升性能，CoT提示并非唯一触发方式。

Large Language Models and Algorithm Execution: Application to an Arithmetic Function

大语言模型与算法执行：应用于一个算术函数

Farah Ben Slama, Frédéric Armetta

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

AI总结 本文提出LLM-DAL模型，通过专门训练提升大语言模型执行算法的能力，应用于算术函数的推理与泛化。

Sequential Enumeration in Large Language Models

大语言模型中的序列枚举

Kuinan Hou, Marco Zorzi, Alberto Testolin

机构 * University of Padova（帕多瓦大学） 纠错

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

AI总结 本文研究了大语言模型在序列枚举任务中的能力，发现其在被提示时可部署计数程序，但无法自发进行计数，揭示了神经方法与符号方法在组合泛化上的差距。

A Comparative Study of Traditional Machine Learning, Deep Learning, and Large Language Models for Mental Health Forecasting using Smartphone Sensing Data

基于智能手机传感数据的传统机器学习、深度学习和大语言模型在心理健康预测中的比较研究

Kaidong Feng, Zhu Sun, Roy Ka-Wei Lee, Xun Jiang, Yin-Leng Theng, Yi Ding

机构 * Singapore University of Technology and Design（新加坡科技设计大学） ； Tianqiao and Chrissy Chen Institute（田桥和克里斯西·陈研究所） ； Nanyang Technological University（南洋理工大学） ； Purdue University（普渡大学） 纠错

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

AI总结 本文比较了传统机器学习、深度学习和大语言模型在心理健康预测中的表现，发现深度学习模型在整体性能上最佳，个性化策略显著提升严重心理健康状态的预测效果。

E^2-LLM: Bridging Neural Signals and Interpretable Affective Analysis

E²-LLM：连接神经信号与可解释的情感分析

Fei Ma, Han Lin, Yifan Xie, Hongwei Ren, Xiaoyu Shen, Wenbo Ding, Qi Tian

机构 * Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室） ； Zhejiang University（浙江大学） ； Tsinghua University（清华大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Eastern Institute of Technology（东方技术研究所） ； Huawei（华为） 纠错

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

AI总结 E²-LLM通过整合预训练EEG编码器与Qwen-based LLM，实现了可解释的情绪分析，展示了模型扩展在情感识别和可解释性上的优势。

Comments 11 pages

Improving Zero-shot ADL Recognition with Large Language Models through Event-based Context and Confidence

通过基于事件的上下文和置信度提升零样本ADL识别

Michele Fiori, Gabriele Civitarese, Marco Colussi, Claudio Bettini

机构 * Dept. of Computer Science University of Milan, Milan, Italy（计算机科学系米兰大学） 纠错

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

AI总结 本文提出通过基于事件的上下文分割和新的置信度估计方法，改进零样本ADL识别，实验表明其在复杂数据集上优于现有方法。

The Evolution of Thought: Tracking LLM Overthinking via Reasoning Dynamics Analysis

思维的演变：通过推理动态分析追踪LLM过度思考

Zihao Wei, Liang Pang, Jiahao Liu, Wenjie Shi, Jingcheng Deng, Shicheng Xu, Zenghao Duan, Fei Sun, Huawei Shen, Xueqi Cheng

机构 * State Key Laboratory of AI Safety,Institute of Computing Technology, Chinese Academy of Sciences（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） ； University of Chinese Academy of Sciences（中国科学院大学） 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.CL、cs.AI

AI总结 通过分析推理动态，提出RCPD方法以识别LLM推理完成点，减少token使用量同时保持准确性。

Small Models Achieve Large Language Model Performance: Evaluating Reasoning-Enabled AI for Secure Child Welfare Research

小型模型实现大型语言模型性能：评估具备推理能力的AI用于安全儿童福利研究

Zia Qi, Brian E. Perron, Bryan G. Victor, Dragan Stoll, Joseph P. Ryan

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

AI总结 本研究展示小型模型通过扩展推理能力在儿童福利研究中实现高准确性，优于大模型，节省资源并提升效率。

Cognitive Biases in LLM-Assisted Software Development

大语言模型辅助软件开发中的认知偏差

Xinyi Zhou, Zeinadsadat Saghi, Sadra Sabouri, Rahul Pandita, Mollie McGuire, Souti Chattopadhyay

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

AI总结 本文研究了大语言模型辅助软件开发中的认知偏差，通过混合方法分析发现LLM相关行动更易产生新型偏差，并提出15种偏差类别及缓解建议。

Comments 13 pages, 6 figures, 7 tables

Reasoning over Precedents Alongside Statutes: Case-Augmented Deliberative Alignment for LLM Safety

在法规中进行推理：结合案例的 deliberative 对齐方法用于 LLM 安全性

Can Jin, Rui Wu, Tong Che, Qixin Zhang, Hongwu Peng, Jiahui Zhao, Zhenting Wang, Wenqi Wei, Ligong Han, Zhao Zhang, Yuan Cao, Ruixiang Tang, Dimitris N. Metaxas

机构 * Rutgers University（罗格斯大学） ； NVIDIA Research（NVIDIA研究） ； Nanyang Technological University（南洋理工大学） ； Adobe Research（Adobe研究） ； University of Connecticut（康涅狄格大学） ； Fordham University（福特汉姆大学） ； Google DeepMind（谷歌DeepMind） 纠错

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

AI总结 本文提出CADA方法，通过案例增强的推理链进行强化学习，提升LLM的安全性和实用性，避免过度依赖规则。

Human Mobility Datasets Enriched With Contextual and Social Dimensions

具有上下文和社会维度的人类移动数据集

Chiara Pugliese, Francesco Lettich, Guido Rocchietti, Chiara Renso, Fabio Pinelli

机构 * IIT-CNR（意大利理工学院-克雷莫纳国家研究委员会） ； ISTI-CNR（意大利信息科学研究所-克雷莫纳国家研究委员会） ； IMT Lucca（利卡大学） 纠错

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

AI总结 本文提出两个结合语义丰富和社交媒体数据的人类移动数据集，用于多模态移动分析与知识图谱构建。

Comments 5 pages, 3 figures, 1 table

Reasoning Matters for 3D Visual Grounding

推理在3D视觉定位中至关重要

Hsiang-Wei Huang, Kuang-Ming Chen, Wenhao Chai, Cheng-Yen Yang, Jen-Hao Cheng, Jenq-Neng Hwang

机构 * University of Washington（华盛顿大学） 纠错

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

AI总结 本文提出了一种自动合成3D视觉定位数据的管道，并引入了在仅使用1.6%训练数据下表现优于现有方法的Reason3DVG-8B模型，证明了推理在3D视觉定位中的重要性。

Comments 2025 CVPR Workshop on 3D-LLM/VLA: Bridging Language, Vision and Action in 3D Environments

TerraFormer: Automated Infrastructure-as-Code with LLMs Fine-Tuned via Policy-Guided Verifier Feedback

TerraFormer：基于LLM的自动化基础设施即代码生成与变异框架

Prithwish Jana, Sam Davidson, Bhavana Bhasker, Andrey Kan, Anoop Deoras, Laurent Callot

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Amazon Web Services（亚马逊网络服务） 纠错

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

AI总结 TerraFormer通过结合监督微调与验证器引导强化学习，提升LLM生成IaC的准确性与合规性，实现更高的正确率和安全性。

Comments The paper has been published at the 2026 IEEE/ACM 48th International Conference on Software Engineering (ICSE 2026), Rio de Janeiro, Brazil, April 12-18, 2026

WISE-Flow: Workflow-Induced Structured Experience for Self-Evolving Conversational Service Agents

WISE-Flow: 基于工作流的结构化经验用于自进化对话服务代理

Yuqing Zhou, Zhuoer Wang, Jie Yuan, Hong Wang, Samson Koelle, Ziwei Zhu, Wei Niu

机构 * George Mason University（乔治·马歇尔大学） ； Amazon（亚马逊公司） 纠错

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

AI总结 WISE-Flow通过将历史服务交互转化为可重用的程序经验，实现自进化对话服务代理的可靠性和稳定性提升。

Comments 19 pages

Align-GRAG: Anchor and Rationale Guided Dual Alignment for Graph Retrieval-Augmented Generation

Align-GRAG: 基于锚点和推理引导的双 Alignment 图检索增强生成

Derong Xu, Pengyue Jia, Xiaopeng Li, Yingyi Zhang, Maolin Wang, Qidong Liu, Xiangyu Zhao, Yichao Wang, Huifeng Guo, Ruiming Tang, Enhong Chen, Tong Xu

机构 * University of Science and Technology of China（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； Noah’s Ark Lab, Huawei（华为诺亚实验室） 纠错

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

AI总结 Align-GRAG通过锚点和推理引导的双 Alignment 框架，提升图检索增强生成的准确性与语义对齐能力。

STAR: Detecting Inference-time Backdoors in LLM Reasoning via State-Transition Amplification Ratio

STAR: 通过状态转移放大比率检测推理时后门

Seong-Gyu Park, Sohee Park, Jisu Lee, Hyunsik Na, Daeseon Choi

机构 * Department of Software, Soongsil University（软件系，顺斯大学） 纠错

专题命中 推理与问题求解 ：LLM(title)；分类 cs.CL、cs.LG

AI总结 STAR通过分析输出概率变化检测推理时后门，利用状态转移放大比率和CUSUM算法实现高效率和高准确率的后门检测。

Comments 16 pages, 5 figures

Multiplex Thinking: Reasoning via Token-wise Branch-and-Merge

多路思考：通过令牌级分支-合并进行推理

Yao Tang, Li Dong, Yaru Hao, Qingxiu Dong, Furu Wei, Jiatao Gu

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

AI总结 多路思考是一种通过令牌级分支-合并机制实现软推理的新方法，能自适应地在离散和连续之间切换，从而在数学推理任务中优于传统CoT和RL基线。

Comments 21 pages. Code available at https://github.com/GMLR-Penn/Multiplex-Thinking

JudgeRLVR: Judge First, Generate Second for Efficient Reasoning

JudgeRLVR: 先判后生成以实现高效推理

Jiangshan Duo, Hanyu Li, Hailin Zhang, Yudong Wang, Sujian Li, 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） ； CFCS, School of Computer Science, Peking University（计算机学院，北京大学） ； LLM-Core Xiaomi（小智LLM核心） 纠错

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

AI总结 JudgeRLVR通过先判后生成的双阶段方法，提升大型语言模型在数学领域内的推理效率与准确性。

Comments 16 pages, 5 figures

Incentivizing Cardiologist-Like Reasoning in MLLMs for Interpretable Echocardiographic Diagnosis

激励MLLMs实现类似心内科医生的推理以实现可解释的超声心动图诊断

Yi Qin, Lehan Wang, Chenxu Zhao, Alex P. W. Lee, Xiaomeng Li

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 本文提出CRT和CardiacMind，通过引入心内科医生的思维模式，提升MLLMs在超声心动图诊断中的推理能力，实现48%的诊断性能提升。

StackPilot: Autonomous Function Agents for Scalable and Environment-Free Code Execution

StackPilot: 用于可扩展和无环境代码执行的自主函数代理

Xinkui Zhao, Yifan Zhang, Zhengyi Zhou, Yueshen Xu

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

AI总结 StackPilot通过自主函数代理和栈式调度策略，实现语言无关的代码验证与执行，提升LLM生成代码的可靠性与可执行性。

Comments This method needs to be reconsidered and there is something wrong with experiment

The Molecular Structure of Thought: Mapping the Topology of Long Chain-of-Thought Reasoning

思维的分子结构：映射长链推理的拓扑结构

Qiguang Chen, Yantao Du, Ziniu Li, Jinhao Liu, Songyao Duan, Jiarui Guo, Minghao Liu, Jiaheng Liu, Tong Yang, Ge Zhang, Libo Qin, Wanxiang Che, Wenhao Huang

机构 * LARG, SCIR, Harbin Institute of Technology（LARG、SCIR、哈尔滨工业大学） ； Peking University（北京大学） ； Nanjing University（南京大学） ； Central South University（中南大学） 纠错

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

AI总结 本文提出通过分子结构类比理解长链推理的拓扑特性，引入有效语义异构体概念，并提出Mole-Syn方法提升长链推理性能和稳定性。

Comments Preprint

Format as a Prior: Quantifying and Analyzing Bias in LLMs for Heterogeneous Data

以格式为先：量化和分析LLM在异构数据中的偏见

Jiacheng Liu, Mayi Xu, Qiankun Pi, Wenli Li, Ming Zhong, Yuanyuan Zhu, Mengchi Liu, Tieyun Qian

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

AI总结 本文通过三阶段分析，揭示了LLM在处理异构数据时的格式偏见问题，提出通过数据预处理、推理干预和平衡训练语料库来减少偏见的方法。

Comments Accepted by AAAI 2026, camera ready version

RAG-R1: Incentivizing the Search and Reasoning Capabilities of LLMs through Multi-query Parallelism

RAG-R1：通过多查询并行性激励大语言模型的搜索与推理能力

Zhiwen Tan, Jiaming Huang, Qintong Wu, Hongxuan Zhang, Chenyi Zhuang, Jinjie Gu

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

AI总结 RAG-R1通过多查询并行性提升大语言模型的搜索与推理能力，实验显示其在问答基准中性能优于基线方法，推理效率提升显著。

Arctic-Text2SQL-R1: Simple Rewards, Strong Reasoning in Text-to-SQL

Arctic-Text2SQL-R1: 简单奖励，强推理的文本到SQL

Zhewei Yao, Guoheng Sun, Lukasz Borchmann, Gaurav Nuti, Zheyu Shen, Minghang Deng, Bohan Zhai, Hao Zhang, Ang Li, Yuxiong He

机构 * Snowflake AI Research（Snowflake AI研究院） ； University of Maryland（马里兰大学） ； University of California, San Diego（加州大学圣地亚哥分校） 纠错

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

AI总结 Arctic-Text2SQL-R1通过简单奖励机制和强化学习框架，在文本到SQL任务中实现高准确率和高效性，优于现有大型模型。

Comments 22 pages, 2 figures

Beyond Linearization: Attributed Table Graphs for Table Reasoning

超越线性化：属性表格图用于表格推理

Yuxiang Wang, Junhao Gan, Shengxiang Gao, Shenghao Ye, Zhengyi Yang, Jianzhong Qi

机构 * The University of Melbourne（墨尔本大学） ； The University of New South Wales（新南威尔士大学） ； The University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 本文提出TABGR模型，通过属性表格图保留表格结构并提升推理可解释性，实验表明其在表格推理任务中优于现有方法。

GTR-CoT: Graph Traversal as Visual Chain of Thought for Molecular Structure Recognition

GTR-CoT：图遍历作为视觉推理链用于分子结构识别

Jingchao Wang, Yifan He, Haote Yang, Jiang Wu, Lingli Ge, Xingjian Wei, Yinfan Wang, Linye Li, Huijie Ao, Chengjin Liu, Bin Wang, Lijun Wu, Conghui He

机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； East China Normal University（华东师范大学） ； Peking University（北京大学） ； Shanghai Jiaotong University（上海交通大学） ； Tongji University（同济大学） ； Fudan University（复旦大学） ； Northwestern Polytechnical University（西北工业大学） 纠错

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

AI总结 GTR-CoT通过图遍历机制和强化学习提升手绘分子结构识别性能，构建首个细粒度评估基准。

COSINT-Agent: A Knowledge-Driven Multimodal Agent for Chinese Open Source Intelligence

COSINT-Agent: 一种面向中文开源情报的知识驱动多模态智能体

Wentao Li, Congcong Wang, Xiaoxiao Cui, Zhi Liu, Wei Guo, Lizhen Cui

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 COSINT-Agent通过整合多模态大语言模型与实体-事件-场景知识图谱，提升中文开源情报的多模态推理能力与情报生成效率。

Comments This manuscript (arXiv:2503.03215) is being withdrawn at the supervisor's request. The content is preliminary and needs further internal revision and approval before public release. We will resubmit a revised version after completion. Apologies for the inconvenience

LLMs in Code Vulnerability Analysis: A Proof of Concept

在代码漏洞分析中使用LLMs：概念验证

Shaznin Sultana, Sadia Afreen, Nasir U. Eisty

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

AI总结 本文探讨利用LLMs在代码漏洞分析中的应用，通过微调和提示方法评估模型性能，发现代码专用模型在复杂任务中表现优异，但现有指标不足以衡量修复质量。

Comments Accepted for publication at the Fourth International Workshop on Software Vulnerability Management (SVM 2026) co-located with Intenational Conference in Software Engineering (ICSE 2026)