语言大模型 / LLM

The Shape of Power: A Multilingual Framework for Social Power Reasoning in Dialogues

权力的形态：面向对话中社会权力推理的多语言框架

Farah Atif, Sougata Saha, Monojit Choudhury

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 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 本研究针对现有社会权力计算研究的语言文化局限，提出基于社会科学理论的多语言对话社会权力推理框架，构建含15836个实例的双语语料库，评估6类大模型并发现其与人类推理的差距，为跨文化社会推理提供评估设置。

See, Hypothesize, Validate: Multimodal Agentic Framework for Discovering Governing PDEs

观测、假设、验证：用于发现控制偏微分方程的多模态智能体框架

Sarang Manoj Pekhale, Amartya Roy, Rajat Sarkar, Souvik Chakraborty

机构 * Indian Institute of Technology Delhi（印度德里理工学院） ； Robert Bosch GmbH（罗伯特·博世有限公司） ； TCS Research（塔塔咨询服务公司研究院） ； Yardi School of Artificial Intelligence (ScAI)（亚迪人工智能学院） ； Department of Applied Mechanics（应用力学系） 纠错

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

AI总结 提出多模态智能体框架MAGE，通过四个专业化智能体协作迭代发现控制PDE，在经典PDE套件等测试中实现优异恢复与误差表现，支持无库控制定律发现的结构化智能体推理研究。

Load-Bearing Context: The Question Damage Score for Evaluating Context Reliance in Linguistic Reasoning

承载上下文：用于评估语言推理中上下文依赖程度的问题损伤分数

Neh Majmudar, Elena Filatova

机构 * CUNY（纽约城市大学） 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 该研究提出基于53道英国语言学奥林匹克谜题的诊断框架，用问题损伤分数评估大型语言模型的上下文依赖，发现前沿模型在承载上下文移除后仍常产生正确答案，推动相关推理与可解释性研究。

Comments 21 pages

AgentFold: Closed-Loop Agentic Search for Protein Folding Model Design

AgentFold：用于蛋白质折叠模型设计的闭环智能体搜索

Mingquan Liu, Jiangyu Chen, Hanqun Cao, Xujun Zhang, Pengsen Ma, Xiangru Tang, Shuting Jin, Zhuo Yang, Annie Zheng, Tianfan Fu, Fang Wu, Xiangxiang Zeng

机构 * Hunan University（湖南大学） ； Nanjing University（南京大学） ； The Chinese University of Hong Kong（香港中文大学） ； Zhejiang University（浙江大学） ； Yale University（耶鲁大学） ； Wuhan University of Science and Technology（武汉科技大学） ； Southeast University（东南大学） ； Stanford University（斯坦福大学） 纠错

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

AI总结 AgentFold是将蛋白质折叠模型开发转化为闭环搜索的多智能体框架，以ESMFold为起点，通过MCTS策略分配计算资源，在匹配预算下较Codex提案提升lDDT 7.5%，优于随机搜索。

SKILL.state: Scalable Long-Horizon Agent Skills

SKILL.state：可扩展的长程智能体技能

Sanket Badhe, Priyanka Tiwari, Jonghyun Chung

机构 * Google LLC（谷歌公司） ； Purdue University（普渡大学） 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 针对现有智能体运行时的长程延迟与上下文污染问题，提出SKILL.state架构，用显式可变执行状态替代追加式对话历史，提升任务准确率并降低令牌消耗。

Comments accepted at EMNLP

RTPO: Reverse-Turn Policy Optimization for Stabilizing Agentic RL Training

RTPO：用于稳定智能体强化学习训练的反向回合策略优化

Yugu Li, Jimmy Cao, Jianglin Qiao, Siyi Hu

机构 * Adelaide University（阿德莱德大学） ； The University of Sydney（悉尼大学） ； Curtin University（科廷大学） ； School of CSIT（计算机科学与信息技术学院） ； ACFR（澳大利亚空间研究中心） ； School of EECMS（电子工程、计算机与数学科学学院） 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 针对多回合智能体RL训练不稳定问题，提出RTPO方法，通过反向回合策略优化消除上下文不匹配与异步漂移，实验显示其较基线提升21.50%、10.76%。

SEGRA: A Structured Experience Guided Reasoning Agent for Property Graph Question Answering

SEGRA：用于基于Gremlin的问答的结构化经验引导图推理代理

Saiyue Lyu, Mariam Dundua, Vishaal Kapoor, Sarthak Ahuja, Neda Kordjazi, Evren Yortucboylu, Harsh Amin, Rebecca Steinert

机构 * University of British Columbia（英属哥伦比亚大学） ； Amazon（亚马逊） 纠错

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

AI总结 针对企业文本到Gremlin问答难题，SEGRA引入经验引导代理，集成多种技术，包括意图路由、查询生成等。在企业IT支持基准测试中成绩出色，平均评判分数大幅提高，技能库还降低了成本，提升了企业图问答的准确性与效率。

Comments Accepted at EMNLP 2026 Industry Track

Scientific Graphics Program Synthesis via Dual Self-Consistency Reinforcement Learning

通过双自一致性强化学习实现科学图形程序合成

Juekai Lin, Yun Zhu, Honglin Lin, Sijing Li, Tianwei Lin, Zheng Liu, Xiaoyang Wang, Wenqiao Zhang, Lijun Wu

机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory, OpenDataLab（上海人工智能实验室，OpenDataLab） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（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.AI

AI总结 本文提出双自一致性强化学习框架，结合高质量数据集和多维基准，提升科学图形到可编辑TikZ代码的转换能力，实现视觉与结构的高精度优化。

Linear Temporal Logic Translation via Human-Inspired Self-Constrained Reasoning for Robot Task Specification

面向机器人任务规范的、基于类人自约束推理的线性时态逻辑翻译

Haofei Hou, Fanxu Meng, Shunyi Zhao, Kairui Yang, Mengchen Cai, Lecheng Ruan, Qining Wang

机构 * School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院） ； School of Integrated Circuits, Peking University（北京大学集成电路学院） 纠错

专题命中 推理与问题求解 ：LLM(abstract,abstract_cn)

AI总结 该研究提出自约束推理（SCR）框架，将结构知识内化到模型决策中，以在不破坏推理的前提下，提升将人类指令翻译为线性时态逻辑（LTL）时的领域约束满足度与泛化能力。

MuSP-Bench: Advanced Multimodal Benchmarking of Music Understanding across Score and Performance

MuSP-Bench：面向乐谱与演奏的高级多模态音乐理解基准测试

Milan Liessens Dujardin, Song-Ze Yu, Kevin Miao

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

AI总结 研究人员推出MuSP-Bench基准测试，含490个乐谱与演奏理解问题，评估发现前沿多模态大语言模型理解乐谱困难，推理演奏音频时挑战更大。

Plan Along the Way: Event-Triggered Foundation-Model Planning for TAMP Execution in Partially Observable Manipulation

动态规划：部分可观测操纵任务中用于TAMP执行的事件触发式基础模型规划

Puru Ojha, Narendhiran Vijayakumar, Nav Singhal, Girish Varma, Antony Thomas

机构 * Robotics Research Center, IIIT Hyderabad（IIIT海得拉巴机器人研究中心） ； Center for Security, Theory and Algorithmic Research, IIIT Hyderabad（IIIT海得拉巴安全、理论与算法研究中心） 纠错

专题命中 推理与问题求解 ：LLM(abstract,abstract_cn)

AI总结 本文提出ROBUST TAMP框架，针对部分可观测操纵任务，通过事件触发式重规划机制提升TAMP执行的任务成功率，验证了其在6个RLBench/CoppeliaSim场景中的有效性。

Comments 8 pages, 4 figures

Temporal Tree of Thought: Reasoning-Guided Visual Cue Search for Long-Video Understanding

时序思维树：面向长视频理解的推理引导型视觉线索搜索

Ziling Huang, Shin'ichi Satoh

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

AI总结 该研究针对MLLMs长视频理解的时序组织缺失问题，提出无训练的T³框架，通过分层时序树与“回答-检索-探索”循环实现粗到细的线索搜索，在三个基准数据集上提升了Qwen2.5-VL-7B的性能。

Comments Accept by EMNLP2026

KidnapRAG: A Black-Box Attack for Hijacking Reasoning in Agentic Retrieval-Augmented Generation Systems

KidnapRAG：针对代理式检索增强生成系统中推理劫持的黑盒攻击

Chanwoo Choi, Euntae Kim, Kyuho Lee, Youngsam Chun, Jinhee Jeong, Eunmi Kim, Myunggyo Oh, Junseo Jang, Buru Chang

专题命中 推理与问题求解 ：LLM(abstract,abstract_cn)

AI总结 提出KidnapRAG，一种针对代理式RAG系统的黑盒顺序投毒攻击，通过三种角色文档（诱饵、链环、恶意指令）劫持多步推理链，实验表明在多种框架和基准上优于现有方法。

Comments Accepted to the Main Conference of EMNLP 2026

WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents

WeAgent-MMSearch：面向多模态搜索智能体的原生文本-视觉交互

Zongkai Liu, Hui Zhang, Liqiang Niu, Zhen Cao, Han Li, Juntao Liu, Wenchao Chen, Chengduo Zhao, Chao Yu, Fandong Meng

机构 * Weixin AI, Tencent（腾讯微信人工智能） ； Sun Yat-sen University（中山大学） 纠错

专题命中 推理与问题求解 ：post-training(abstract)；分类 cs.AI

AI总结 针对现有多模态搜索智能体忽略图像、长程交互易失败的问题，提出 WeAgent-MMSearch 系统，通过 WeAgent-Harness 实现文本-视觉交互，经 FA-GSPO 后训练后，模型在多模态搜索基准上性能大幅提升。

Recirculation

再循环

Michael C. Mozer, Shoaib Ahmed Siddiqui, Danny Sawyer, Sunny Sanyal, Rosanne Liu

机构 * Google DeepMind（谷歌DeepMind） ； University of Texas, Austin（德克萨斯大学奥斯汀分校） 纠错

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

AI总结 该研究提出推理时架构增强技术“再循环”及其自适应变体，无需额外训练，可显著降低Gemma3系列模型的困惑度、提升推理任务准确率，为架构演进提供新方向。

Comments v2: added citations to related work, included more methodological details concerning perplexity evaluation which help explain the large reductions in perplexity observed

GHR-VLM: Making Zero-Shot Transit Video Analytics Realizable with Grounded Hybrid Reasoning

GHR-VLM：通过基于视觉基础的混合推理实现零样本公交视频分析

Kaicong Huang, Weiheng Oh, Jack M. Reilly, Thomas Guggisberg, Ruimin Ke

机构 * Rensselaer Polytechnic Institute（伦斯勒理工学院） 纠错

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

AI总结 研究旨在实现零样本公交视频分析，提出GHR-VLM框架，利用边缘-云设计，通过轻量级边缘监视器跟踪门状态、分割乘客片段，后端VLM经两阶段细化识别乘客与支付行为，减少云推理，评估显示其在公交支付分析中有潜力且面临视频条件挑战。

Comments Accepted by 2026 IEEE/ACM Symposium on Edge Computing (SEC)

Flow Reasoning Models: Turning Discrete Flows Into Efficient Recurrent Reasoners

流推理模型：通过迭代自我精炼扩展推理能力

Alec Helbling, Andrey Bryutkin, Mauro Martino, Duen Horng Chau, Nima Dehmamy, Hendrik Strobelt

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

AI总结 提出流推理模型（FRMs），利用去噪动态的稳定性作为验证器，通过测试时缩放和训练改进，高效解决数独和斑马谜题等结构化推理任务。

CAVE-NAV: VLM-Based Autonomous 3D Navigation in Underwater Cave Environments

CAVE-NAV：基于VLM的水下洞穴环境自主三维导航

Zhenqi Wu, Yuanjie Lu, Yisheng Zhang, Miao Yu, Xuesu Xiao, Jaejeong Shin, Xiaomin Lin

机构 * University of South Florida（南佛罗里达大学） ； George Mason University（乔治梅森大学） ； University of Maryland（马里兰大学） ； Seoul National University（首尔大学） 纠错

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

AI总结 该研究针对水下洞穴导航的传统方法局限，提出带CoT推理的VLM导航框架，经仿真验证可完成无碰撞的端到端三维洞穴导航。

Code as Worlds: Agentic Discovery of Executable World Representations for Physical Reasoning

代码即世界：用于物理推理的可执行世界表征的智能体式发现

Hanyang Wang, Yimo Cai, Weiliang Chen, Jiawei Chi, Haowen Sun, Qiyu Dai, Yi-Hsin Hung, Xingzhuo Guo, Jinshan Ren, Runmao Yao, Ziwei Liu, Mingsheng Long, Yueqi Duan, Jun Gao, Jiangran Lyu, Fangfu Liu, Jialong Wu

机构 * MirroS 纠错

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

AI总结 本研究提出Code-as-World范式，通过智能体式发现循环构建可执行世界表征，将其用于为视觉-语言模型训练提供物理监督，在QuantiPhy数据集上取得最优性能且超越领先专有模型

Comments Project Page: this https URL (https://mirros-lab.github.io/code-as-world)

The Effect of Emotional Context on Large Language Models' Endorsement of Premature Decisions: Comparing Emotional Vulnerability Across Six Commercial Models

情绪语境对大语言模型支持仓促决策的影响：六种商业模型的情绪脆弱性比较

Cheolho Shin, Yoojin Han, Donghun Shin, Kunho Lee

机构 * Yonsei University（延世大学） ； Fudan University（复旦大学） ； St. Johnsbury Academy Jeju（济州圣约翰斯伯里学院） 纠错

专题命中 评测与基准 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)；分类 cs.CL、cs.AI

AI总结 该研究探究情绪语境对LLM支持仓促决策的影响，测试六种商业模型后发现情绪会显著提升模型的支持度，且脆弱性因单个模型而异，仅Claude Opus无显著情绪效应。

NormasTCU --- A Brazilian Portuguese IR Dataset and an Evaluation of LLM-as-a-Judge for Relevance Assessment

NormasTCU——巴西葡萄牙语信息检索数据集及LLM作为相关性评估评判的评估

Leandro Carísio Fernandes, Marcus Vinícius Borela de Castro, Leandro dos Santos Ribeiro, Leonardo Augusto da Silva Pacheco, Edans Flávius de Oliveira Sandes

专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；prompting(abstract)

AI总结 针对巴西葡萄牙语IR领域缺乏公开数据集的问题，该研究构建了NormasTCU数据集，评估了LLM作为相关性评估评判的效果，发现其在排名感知指标上与人类评判的系统排名相关性较强，可用于该场景的可扩展相关性评估。

Self-Generated Text Recognition: Quality Heuristics, Cross-Task Transfer, and Downstream Bias in LLM Evaluation

自生成文本识别：LLM评估中的质量启发式、跨任务迁移与下游偏差

Jesse St. Amand, Callum Canavan, Sohaib Imran, Joseph Hewson, Aaron Lutz, Shi Feng, Puria Radmard, Lennie Wells

机构 * George Washington University（乔治·华盛顿大学） ； Geodesic Research（吉奥戴斯克研究机构） ； University of Cambridge（剑桥大学） 纠错

专题命中 评测与基准 ：LLM(title,title_cn)；SFT(abstract,abstract_cn)；分类 cs.CL、cs.AI

AI总结 该研究聚焦LLM的自生成文本识别（SGTR）能力，明确了导致过往研究结论分歧的实验设计因素，发现SGTR性能可跨任务迁移，且训练SGTR会引发下游偏差，强调需监控SGTR以保障AI安全。

Comments 31 pages, 9 figures (3 main body, 6 appendix), 18 tables (1 main body, 17 appendix)

Algorithmic Fairness Perceptions in the Global South: Evidence from Bangladesh on Ride-Sharing, Beauty Filters, and Large Language Models

全球南方的算法公平感知：来自孟加拉国关于网约车、美颜滤镜和大型语言模型的证据

Ahmed Abdal Shafi Rasel, Ahmed Mustafa Amlan, Tasmim Shajahan Mim

专题命中 评测与基准 ：LLM(summary_cn,abstract)；large language model(title,abstract)；language model(title,abstract)

AI总结 该研究通过对孟加拉国199名民众的双语调查，揭示了情境影响算法公平感知、对算法保护需求普遍、美颜滤镜损害自我形象、识别与阐明LLM文化偏见存在差异等四个关键模式，指出仅结果导向的公平指标存在局限。

Comments 34 pages

LLM-Based Agents for Software and Systems Security: Approaches, Applications, and Assessment

基于大语言模型（LLM）的软件与系统安全智能体：方法、应用与评估

Jingjing Nie, Jiawei Guo, Krishna Meda, Haipeng Cai

专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文通过系统综述2023-2026年的同行评审文献，梳理基于LLM的软件与系统安全智能体的技术方法、应用及评估，指出当前智能体权限未受限、行为不可审计的局限，并展望未来研究方向。

Benchmarking LLM-as-a-Judge for Long-Form Output Evaluation

基准测试LLM作为裁判在长文本输出评估中的应用

Junjie Chen, Yuxi Dong, Haitao Li, Weihang Su, Yujia Zhou, Min Zhang, Yiqun Liu, Qingyao Ai

机构 * Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； University of Science and Technology Beijing（北京科技大学） 纠错

专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出LongJudgeBench基准，系统评估LLM裁判在长文本输出评估中的可靠性，发现当前模型存在显著可靠性差距。

Comments EMNLP 2026 main

Operationalizing Regulations into Code: A Model to Enhance Governance and Compliance in LLM Selection for Software Engineering

将法规转化为代码：一种用于增强软件工程中大型语言模型（LLM）选择的治理与合规性的模型

Jonysberg Quintino, Hermano Moura, Filipe Calegário

专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)

AI总结 本文提出一种基于设计科学研究的三层模型，将法规转化为可操作的LLM选择标准，试点评估显示该模型可识别合规风险，为软件工程LLM治理提供可行方案。

Comments 7 pages

The Instability of Safety: How Random Seeds and Temperature Expose Inconsistent LLM Refusal Behavior

安全性的不稳定性：随机种子和温度如何暴露LLM拒绝行为的一致性问题

Erik Larsen

专题命中 评测与基准 ：LLM(title,title_cn)；large language model(abstract)；language model(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 研究发现LLM在随机种子和温度变化下安全拒绝行为不稳定，提出安全性稳定性指数并推荐多样本评估以提高可靠性。

Comments 17 pages, 7 figures, 9 tables. Code and data available at this https URL (https://github.com/erikl2/safety-refusal-stability). v3: corrects dataset attribution (AdvBench+HarmBench, not BeaverTails), fixes label-derived statistics and CIs, revises the judge-noise analysis to a sensitivity framing; conclusions unchanged

Select, Don't Train: The Benefits of Modular Entity Disambiguation with LLM-Based Selection

选择，而非训练：基于大语言模型（LLM）选择的模块化实体消歧的优势

Fina Polat, Daniel Daza, Pengyu Zhang, Klim Zaporojets, Paul Groth

机构 * University of Amsterdam（阿姆斯特丹大学） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） ； Aarhus University（奥胡斯大学） 纠错

专题命中 评测与基准 ：LLM(title,title_cn)；分类 cs.CL、cs.AI

AI总结 该研究提出将实体消歧的检索与选择解耦，基于LLM选择器对比不同检索策略，发现无需训练的BM25搭配LLM选择器在ZELDA基准上达到先进性能，还支持检测到检索失败时弃权，提升了实体消歧效果。

Comments Accepted at the 25th International Semantic Web Conference (ISWC 2026), Research Track

CAITLYN: Can LLM Agents Autonomously Synthesize Defenses against Emerging Injection Attacks?

CAITLYN：大语言模型智能体能否自主合成针对新型注入攻击的防御措施？

Zi Liang, Xiaoyu Xu, Yanyun Wang, Minxin Du, Qingqing Ye, Haibo Hu

专题命中 评测与基准 ：LLM(title,summary_cn)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 针对LLM智能体注入攻击防御的三难困境，提出智能体无关防御中间件CAITLYN，其含即时防御与自主合成新防御的双系统，在标准基准与新基准Emerging上均表现优异，可降低攻击成功率。

Comments Source code: this https URL (https://github.com/liangzid/caitlyn)

Auditing Generative Audio Calls for Known-Task Audio-LLM Evaluation

针对已知任务音频-LLM评估的生成式音频调用审计

Mengzhe Geng

机构 * National Research Council Canada（加拿大国家研究委员会） 纠错

专题命中 评测与基准 ：LLM(title,title_cn)；pretraining(abstract)；分类 cs.CL

AI总结 本研究将生成式音频调用评估设为受控决策问题，通过VocalSound数据集实验发现，带生成式调用的选择器准确率达0.925，优于无调用对照，明确了生成式调用在音频-LLM已知任务评估中的边际价值。