ENGRAM: Effective, Lightweight Memory Orchestration for Conversational Agents
ENGRAM: 有效的、轻量级的内存编排用于对话代理
专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)
AI总结 ENGRAM通过轻量级内存编排实现对话代理的长周期一致性，利用类型化内存和密集检索在多个基准测试中取得优异成绩。
AI 大模型
语言大模型 / LLM
大语言模型、预训练、指令微调、后训练和语言模型应用。
1. 长上下文与记忆 9 篇
No time to train! Training-Free Reference-Based Instance Segmentation
没有时间训练！基于参考的实例分割（无需训练）
机构 * School of Engineering, University of Edinburgh, Scotland, UK（爱丁堡大学工程学院） ； School of Computing Science, University of Glasgow, Scotland, UK（格拉斯哥大学计算科学学院） ； Meta
专题命中 长上下文与记忆 ：foundation model(abstract)
AI总结 本研究提出一种无需训练的实例分割方法，利用语义先验和多阶段流程，通过参考图像生成分割掩码，提升分割性能。
Comments Preprint
2. 推理与问题求解 55 篇
Chain of Simulation: A Dual-Mode Reasoning Framework for Large Language Models with Dynamic Problem Routing
模拟链：一种用于大语言模型的双模式推理框架，具有动态问题路由
机构 * Faculty of Information Technology（信息科技学院） ； Electrical Engineering University of Oulu, Oulu, Finland, 90014（奥卢大学电气工程学院）
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 CoS是一种双模式推理框架，通过动态问题路由提升大语言模型的推理能力，实现更高效的准确性和效率平衡。
Cognitively Diverse Multiple-Choice Question Generation: A Hybrid Multi-Agent Framework with Large Language Models
具有大语言模型的混合多智能体框架的认知多样性多项选择题生成
机构 * Arizona State University（亚利桑那州立大学）
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 ReQUESTA通过混合多智能体框架生成认知多样化的多项选择题，提升生成的题目难度、区分度和语义一致性。
Comments This manuscript is under review at Electronics
Testing Framework Migration with Large Language Models
利用大语言模型进行测试框架迁移
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 本文研究了大语言模型在自动化unittest到Pytest测试框架迁移中的能力，发现其在迁移过程中存在成功与失败并存的情况，且不同模型在迁移策略上表现各异。
Comments Accepted for publication at AST 2026
Entropy-Gated Selective Policy Optimization:Token-Level Gradient Allocation for Hybrid Training of Large Language Models
熵门选择策略优化：用于大型语言模型混合训练的token级梯度分配
机构 * Department of Computer Science Anonymous University（计算机科学系 匿名大学）
专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；SFT(abstract)；分类 cs.AI、cs.LG
AI总结 EGSPO通过token级梯度分配提升大型语言模型的混合训练效果，实现数学推理任务的性能提升并降低计算开销。
Comments accepted by cscwd2026
Graph-Augmented Reasoning with Large Language Models for Tobacco Pest and Disease Management
基于图增强推理的烟草害虫和疾病管理
机构 * School of Information Science and Engineering（信息科学与工程学院） ； Chongqing Jiaotong University（重庆交通大学）
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.CL
AI总结 本文提出一种基于图增强推理的框架，通过整合领域知识图谱，提升烟草害虫和疾病管理的推理能力和推荐准确性。
Agentic Proposing: Enhancing Large Language Model Reasoning via Compositional Skill Synthesis
代理提案：通过组合技能合成增强大语言模型推理
机构 * AI DATA, Alibaba Group Holding Limited（阿里数据，阿里巴巴集团控股有限公司） ； EPIC Lab, Shanghai Jiao Tong University（上海交通大学EPIC实验室） ； Shanghai University of Finance（上海财经大学） ； Wuhan University（武汉大学）
专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI、cs.LG
AI总结 Agentic Proposing通过组合技能合成生成高质量训练数据，使大语言模型在数学、编程和科学领域实现更高效的推理和泛化能力。
Comments 23page4
Free Draft-and-Verification: Toward Lossless Parallel Decoding for Diffusion Large Language Models
免费草稿与验证：迈向无损并行解码的扩散大语言模型
机构 * Department of Computer Sciences, University of Wisconsin--Madison, Madison, WI（计算机科学系，威斯康星大学麦迪逊分校，麦迪逊，WI）
专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI、cs.LG
AI总结 FreeDave是一种专为DLLMs设计的快速解码算法，通过无损并行解码实现高效推理，无需模型修改或额外模块，提升了推理速度而不影响性能。
De-conflating Preference and Qualification: Constrained Dual-Perspective Reasoning for Job Recommendation with Large Language Models
解构偏好与资格：基于大语言模型的约束双视角推理 job 推荐
机构 * University of Southern California（南加州大学）
专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI
AI总结 JobRec通过约束双视角推理解构偏好与资格，提升职位推荐的可控性和匹配质量。
Large Language Models Can Take False First Steps at Inference-time Planning
大语言模型在推理时间规划中可能采取错误的初始步骤
机构 * Department of Psychology, The University of Warwick（沃里克大学心理学系） ； Department of Psychology, The University of Hong Kong（香港大学心理学系）
专题命中 推理与问题求解 ：large language model(title,abstract)；language model(title,abstract)；分类 cs.AI
AI总结 研究揭示了大语言模型在推理过程中因自我生成上下文积累导致的规划行为偏差，并通过实验验证了规划能力随上下文变化而变化的机制。
Controlling Output Rankings in Generative Engines for LLM-based Search
在基于大语言模型的搜索生成引擎中控制输出排名
机构 * School of Information Sciences, University of Illinois at Urbana-Champaign, IL, USA（伊利诺伊大学厄巴纳-香槟分校信息科学学院） ； Independent Researcher, Starc Institute（Starc研究所独立研究者） ； Research Scientist, Intel Labs, Santa Clara, CA, USA（英特尔实验室研究科学家）
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 CORE通过优化内容生成，提升基于LLM的搜索中小企业产品的可见性，实现高推广成功率。
Comments 23 pages
Don't Overthink it. Preferring Shorter Thinking Chains for Improved LLM Reasoning
不要过度思考。为改进大语言模型推理而偏好更短的思考链
机构 * FAIR Team, Meta（Meta FAIR团队） ； The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
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 本研究提出short-m@k方法，通过并行生成较短的思考链提高大语言模型推理效率，实验表明其在低计算环境下表现优于传统多数投票。
LegalOne: A Family of Foundation Models for Reliable Legal Reasoning
LegalOne：一种用于可靠法律推理的基础模型家族
机构 * Department of Computer Science, Tsinghua University（清华大学计算机科学系） ； Quancheng Laboratory（清华云城实验室） ； University of Waterloo, Canada（加拿大滑铁卢大学） ； China University of Political Science and Law（中国政法大学） ； MegaTech.AI Inc（MegaTech.AI公司）
专题命中 推理与问题求解 ：foundation model(title,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL
AI总结 LegalOne通过三阶段流程提升法律推理能力，结合领域适应、代理推理蒸馏和课程强化学习，在法律任务中取得超越通用LLMs的性能。
Comments 25 pages, v1
Think Silently, Think Fast: Dynamic Latent Compression of LLM Reasoning Chains
静思速思：动态潜在空间压缩LLM推理链
机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； MiLM Plus, Xiaomi Inc.（小米公司）
专题命中 推理与问题求解 ：LLM(title)；large language model(abstract)；language model(abstract)；prompting(abstract)
AI总结 CoLaR通过动态潜在空间压缩LLM推理链，实现高效推理与灵活速度调整，提升数学推理任务的准确率和效率。
Comments 15 pages, 8 figures
ReMiT: RL-Guided Mid-Training for Iterative LLM Evolution
ReMiT: 通过强化学习指导的迭代大语言模型进化
机构 * Shanghai Jiao Tong University（上海交通大学） ； Tencent Youtu Lab（腾讯优图实验室）
专题命中 推理与问题求解 ：LLM(title)；large language model(abstract)；language model(abstract)；post-training(abstract)
AI总结 ReMiT通过强化学习指导中训练过程，实现大语言模型的迭代进化，提升模型在数学、代码和推理任务上的表现。
Comments 25 pages
Interpreting and Controlling LLM Reasoning through Integrated Policy Gradient
通过集成策略梯度解释和控制大语言模型的推理
机构 * Independent Researcher（独立研究者） ； ShanghaiTech University（上海科技大学）
专题命中 推理与问题求解 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文提出集成策略梯度框架，通过反向传播复合结果信号，实现对大语言模型推理行为的精确解释与控制。
The Path of Least Resistance: Guiding LLM Reasoning Trajectories with Prefix Consensus
最小阻力路径：利用前缀一致性引导大语言模型推理轨迹
机构 * Fujitsu Research India（富士通印度研究实验室） ； SRID ； Samsung R&D Institute India-Delhi（三星印度德里研发研究所）
专题命中 推理与问题求解 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 PoLR通过利用前缀一致性在推理过程中提高计算效率，减少令牌使用和延迟，同时保持自我一致性方法的准确性。
Comments Accepted at ICLR 2026. https://openreview.net/forum?id=hrnSqERgPn
"I May Not Have Articulated Myself Clearly": Diagnosing Dynamic Instability in LLM Reasoning at Inference Time
我可能没有表达清楚：在推理时间诊断LLM推理中的动态不稳定性
机构 * Dalhousie University（达尔豪斯大学） ； University of Amsterdam（阿姆斯特丹大学） ； Tsinghua University（清华大学） ； Meta
专题命中 推理与问题求解 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.AI、cs.LG
AI总结 研究通过分析LLM推理过程中的动态不稳定性，发现早期不稳定性可能预示后续正确答案，而晚期不稳定性更易导致失败，提出基于分布偏移和熵的诊断方法。
Comments 21 pages, 12 figures, 15 tables
A Positive Case for Faithfulness: LLM Self-Explanations Help Predict Model Behavior
对忠实性的积极案例：LLM自我解释有助于预测模型行为
机构 * University of Oxford（牛津大学） ； University of California, Berkeley（加州大学伯克利分校） ； University College London（伦敦大学学院） ； Google DeepMind（谷歌DeepMind）
专题命中 推理与问题求解 ：LLM(title,abstract)；prompting(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出NSG度量标准，证明LLM自我解释能提升模型行为预测能力，且比外部生成解释更具预测价值，揭示了自我解释在AI监督中的积极作用。
Social Catalysts, Not Moral Agents: The Illusion of Alignment in LLM Societies
社交催化剂，而非道德主体：LLM社会中的对齐幻觉
机构 * Institute of Neuroscience, Chinese Academy of Sciences（中国科学院神经科学研究所） ； School of Philosophy, Anhui University（安徽大学哲学学院） ； Department of Psychology and Behavioral Sciences, Zhejiang University（浙江大学心理学与行为科学系） ； Mental Health Education Center, North China Electric Power University（华北电力大学心理健康教育中心）
专题命中 推理与问题求解 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI
AI总结 本研究探讨了锚定智能体在促进合作中的作用，发现其效果源于战略合规而非真实价值对齐，揭示了人工社会中行为修改与真实价值对齐之间的差距。
Comments 7 pages, 5 figures
A Single Revision Step Improves Token-Efficient LLM Reasoning
一步修订提升令牌高效大语言模型推理
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Georgia（佐治亚大学）
专题命中 推理与问题求解 ：LLM(title)；large language model(abstract)；language model(abstract)；分类 cs.LG
AI总结 PACER通过轨迹间互相审查提升令牌高效大语言模型推理准确性，显著优于传统投票方法。
SlowFocus: Enhancing Fine-grained Temporal Understanding in Video LLM
SlowFocus: 提升视频大语言模型中的细粒度时间理解
机构 * School of Data Science, Fudan University（复旦大学数据科学学院） ； Noah’s Ark Lab, Huawei（华为诺亚实验室） ； Yinwang Intelligent Technology Co., Ltd.（亿万象智能科技有限公司）
专题命中 推理与问题求解 ：LLM(title)；large language model(abstract)；language model(abstract)
AI总结 SlowFocus通过提升等效采样频率和引入多频率混合注意力模块，提升视频大语言模型对细粒度时间理解的能力。
Comments NeurIPS 2024
Slot Filling as a Reasoning Task for SpeechLLMs
槽填充作为推理任务用于语音大语言模型
专题命中 推理与问题求解 ：LLM(abstract)；large language model(abstract)；language model(abstract)；foundation model(abstract)
AI总结 本文提出通过推理任务提升语音大语言模型在槽填充任务中的性能，探讨了不同基础模型对推理语音LLM的影响。
Journal ref Proc. IEEE ICASSP, 2026
Reasoning with Latent Tokens in Diffusion Language Models
在扩散语言模型中使用潜在令牌进行推理
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 推理与问题求解 ：language model(title,abstract)；分类 cs.LG
AI总结 本文提出通过引入潜在令牌提升扩散语言模型在需要全局一致性和前瞻性的推理任务中的性能。
Natural Language Actor-Critic: Scalable Off-Policy Learning in Language Space
自然语言行为-批评者：在语言空间中可扩展的非策略学习
机构 * University of California, Berkeley（加州大学伯克利分校）
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.LG
AI总结 本文提出NLAC算法，利用生成式LLM批评者生成自然语言反馈，实现更高效稳定的LLM智能体训练。
Comments 21 pages, 4 figures
GPG: A Simple and Strong Reinforcement Learning Baseline for Model Reasoning
GPG：一种简单而强大的用于模型推理的强化学习基线
专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；SFT(abstract)；分类 cs.AI、cs.LG
AI总结 GPG提出了一种简化且高效的强化学习方法，通过直接优化原始目标并消除冗余组件，实现了在多种任务中优于传统方法的性能。
Comments Accepted to ICLR2026
Self-Verification Dilemma: Experience-Driven Suppression of Overused Checking in LLM Reasoning
自我验证困境：经验驱动的过度验证抑制在大语言模型推理中
机构 * Nanyang Technological University（南洋理工大学） ； Zhejiang University（浙江大学）
专题命中 推理与问题求解 ：LLM(title)；分类 cs.CL、cs.AI、cs.LG
AI总结 本文提出了一种经验驱动的测试时框架，通过抑制过度的自我验证步骤，减少大语言模型推理中的token使用，同时保持或提升准确性。
Comments 19 pages, 8 figures
Can LLMs Do Rocket Science? Exploring the Limits of Complex Reasoning with GTOC 12
大语言模型能做火箭科学吗？通过GTOC 12探索复杂推理的极限
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 本研究通过GTOC 12竞赛评估大语言模型在复杂轨道优化任务中的表现，发现其在战略规划上能力显著提升，但在实际执行中存在物理一致性等关键问题。
Comments Extended version of the paper presented at AIAA SciTech 2026 Forum. Includes futher experiments, corrections and new appendix
Journal ref Proceedings of the AIAA SciTech 2026 Forum, January 2026
When to Trust: A Causality-Aware Calibration Framework for Accurate Knowledge Graph Retrieval-Augmented Generation
何时信任：一种因果意识校准框架用于准确的知识图谱检索增强生成
机构 * RMIT University（皇家墨尔本理工大学）
专题命中 推理与问题求解 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.CL
AI总结 Ca2KG通过整合反事实提示和重新评分机制，提升KG-RAG在高风险领域的可靠性与准确性。
Comments Accepted by WWW 2026
