语言大模型 / LLM

Beyond Output Correctness: Benchmarking and Evaluating Large Language Model Reasoning in Coding Tasks

超越输出正确性：评估大型语言模型在编码任务中的推理能力

Yuangang Li, Justin Tian Jin Chen, Ethan Yu, David Hong, Iftekhar Ahmed

机构 * University of California, Irvine（加州大学尔湾分校） 纠错

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

AI总结 本文提出CodeRQ-Bench，首个评估LLM在生成、摘要和分类等编码任务中推理质量的基准，通过分析现有评估器的1069个不匹配案例，提出VERA评估器，实验表明其在四个数据集上均优于基线，提升AUCROC和AUPRC最高达0.26和0.21。

Graphionale: How Graph Visualizations of LLM Rationales Affect Human Decision Making

Graphionale：LLM推理依据的图形可视化如何影响人类决策

Xinru Wang, Zhexuan Ma, Ming Yin, Shuai Ma, Thomas W Malone

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

AI总结 本研究开发了Graphionale作为测试平台，通过204人在线用户研究发现，图形化LLM推理依据对不同任务模态的决策影响不同，匹配推理格式与任务模态是AI解释设计的关键。

Steering Multimodal Large Language Models Decoding for Context-Aware Safety

面向上下文感知安全的多模态大语言模型解码引导

Zheyuan Liu, Zhangchen Xu, Guangyao Dou, Xiangchi Yuan, Zhaoxuan Tan, Radha Poovendran, Meng Jiang

机构 * University of Notre Dame（notre dame 大学） ； University of Washington（华盛顿大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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 针对多模态大语言模型安全对齐的平衡难题，提出SafeCoDe解码框架，通过两阶段机制优化上下文敏感的弃权行为，在多基准实验中有效提升安全性能且保留模型有用性。

Comments EMNLP 2026 Main

GSPR: Aligning LLM Safeguards as Generalizable Safety Policy Reasoners

GSPR：将大语言模型（LLM）安全防护措施对齐为可泛化的安全策略推理器

Haoran Li, Jingru Zeng, Yulin Chen, Huihao Jing, Wenbin Hu, Hao Peng, Haochen Shi, Xi Yang, Ziqian Zeng, Sirui Han, Yangqiu Song

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

AI总结 针对现有LLM安全防护措施泛化性不足的问题，提出可泛化安全策略推理器GSPR，通过强化学习在多安全基准训练后提升安全与类别预测能力，且推理token成本更低。

Comments Accepted by EMNLP 2026

Spatial-Semantic Reasoning using Large Language Models for Efficient UAV Search Operations

基于大语言模型的空间语义推理用于高效无人机搜索任务

Marin Maletic, Marijana Peti, Tamara Petrovic, Stjepan Bogdan

机构 * University of Zagreb（萨格勒布大学） ； Faculty of Electrical Engineering and Computing（电气工程与计算机学院） ； LARICS (Laboratory for Robotics and Intelligent Control Systems)（拉里克机器人与智能控制系统实验室） 纠错

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

AI总结 该研究提出基于大语言模型的无人机实时语义导航框架，结合多技术实现高效目标导航，经仿真与真实实验验证可缩短任务时长且保持高搜索准确率。

Comments 8 pages, preprint, Published in: 2025 European Conference on Mobile Robots (ECMR), DOI: https://doi.org/10.1109/ECMR65884.2025.11163229

VICT: Verifier-Instrumented Credit Tracing for Long-Horizon LLM Agent Reinforcement Learning

VICT：用于长 horizon LLM 智能体强化学习的验证器插装式信用追踪

Pengcheng Li, Zhengyang Zhang, Dongxu Zhang, Sui Huang, Shaohua Ma

机构 * Tsinghua University（清华大学） ； Xi’an Jiaotong University（西安交通大学） ； Jiaxing Nanhu University（嘉兴南湖学院） 纠错

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

AI总结 针对长 horizon LLM 智能体强化学习的细粒度信用分配挑战，提出 VICT 方法，通过验证器侧的证明边追踪分配信用，在 ALFWorld 和 WebShop 上性能显著优于仅结果训练。

Comments accepted by EMNLP2026

Benchmarking large language model agent societies against human behavioural distributions

针对人类行为分布的大语言模型智能体群体基准测试

Raad Bin Tareaf

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

AI总结 该研究开发了开源工具SILICA，测试12个大语言模型智能体群体与人类行为的契合度，发现多数模型仅起始行为与人类相近，最终行为、合作模式等均存在显著差距，仅推理训练模型表现接近人类，当前硅基智能体群体仅支持探索性研究。

SMRC: Aligning Large Language Models with Student Reasoning for Mathematical Error Correction

SMRC：使大语言模型与学生数学推理对齐以进行数学错误修正

Biaojie Zeng, Min Zhang, Juan Zhou, Fengrui Liu, Ruiyang Huang, Yu Song, Xin Lin

机构 * East China Normal University（华东师范大学） ； East Chine Normal University（华东师范大学） ； Southeast University（东南大学） 纠错

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

AI总结 该研究针对大语言模型数学推理错误的教育场景修正需求，提出SMRC方法，结合MCTS等技术构建高中数学基准MSEB，实验显示其在多数据集上性能优于现有方法。

Comments Accepted to Findings of EMNLP 2026

Safety Does Not Compose: Non-Decaying Loop State for Autonomous LLM Agents

安全性无法组合：自主大型语言模型智能体的非衰减循环状态

Chenhao Wu, Haoxuan Jia, Yang Liu, Yingguang Yang, Yuhan Lin, Chongyang Zhang, Hao Zheng, Yulin Huang, Jianshen Zhang, Yongzhi Qi, Shang Luo, Kefu Xu, Jifeng Zhu, Bin Chong

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Nanyang Technological University（南洋理工大学） ； Supply Chain Tech Team Y, JD.com（京东Y供应链技术团队） ； Peking University（北京大学） ； Fudan University（复旦大学） ； Fullive-AI（Fullive人工智能） 纠错

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

AI总结 该研究发现自主LLM智能体的轨迹级安全保障存在组合性缺陷，提出非衰减循环安全状态的LoopHarness方案，可限制未授权不可逆操作数量，通过Agent-SafetyBench等评估验证其有效性。

AFFORDANCE20Q: Evaluating Affordance Reasoning from Physical Properties

AFFORDANCE20Q：从物理属性评估可承担性推理

Yifan Jiang, Meige Yang, Zitong Li, Jay Pujara

机构 * Information Sciences Institute, University of Southern California（南加州大学信息科学研究所） ； University of Southern California（南加州大学） 纠错

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

AI总结 提出Affordance20Q基准，通过20个问题游戏评估模型从物理属性推理物体可承担性的能力，发现LLM与人类差距约20分，并开发KARI方法提升开源模型达15.2分。

Comments EMNLP Findings 2026

Why Knowing Both Hops Is Not Enough: Understanding Two-Hop Generalization in Language Models

仅知道两跳信息是不够：理解语言模型中的两跳泛化

Zili Zhang, Yilin Wang, Heng Wang, Herun Wan, Minnan Luo

机构 * Xi’an Jiaotong University（西安交通大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 本研究针对语言模型两跳查询失败问题，在受控环境训练Transformer，揭示其泛化规律与跨层不匹配机制，提出循环式训练策略以提升分布外两跳泛化能力。

Comments EMNLP 2026, findings

Large Reasoning Models Struggle to Transfer Parametric Knowledge Across Scripts

大推理模型在不同脚本间转移参数知识时面临困难

Lucas Bandarkar, Alan Ansell, Trevor Cohn

机构 * Google Research（谷歌研究） ； University of California, Los Angeles（加州大学洛杉矶分校） ； University of Melbourne（墨尔本大学） 纠错

专题命中 推理与问题求解 ：SFT(abstract,abstract_cn)；LLM(abstract_cn)；post-training(abstract)；分类 cs.CL、cs.AI

AI总结 研究发现，大模型在跨语言知识转移中主要受脚本差异影响，通过分析数据和实验表明，提升模型对转写歧义的推理能力可改善跨脚本知识转移。

Comments Findings of EMNLP 2026

A Unified Framework to Elicit Structured Feedback for Interpretable Multi-Trait Essay Scoring

用于可解释多特质作文评分的结构化反馈提取统一框架

Shihang Yang, Sanwoo Lee, Ningning Zhao, Yunfang Wu

机构 * Peking University（北京大学） ； Beijing Normal University（北京师范大学） 纠错

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

AI总结 该研究针对多特质自动作文评分中反馈与评分分离的问题，提出统一框架HiFTS，结合教师LLM提炼反馈并训练学生模型，在新数据集CFMS-34及ASAP++上取得优异评分与反馈效果。

Comments 14 pages, accepted to EMNLP 2026 Findings. Code: this https URL (https://github.com/Atiyahsama/HiFTS)

QUORUM: QUality-Optimized Routing Using Multiple annotators

QUORUM：基于多个标注者的质量优化路由

Antonio Purificato, Maria Sofia Bucarelli, Andrea Bacciu, Amin Mantrach, Fabrizio Silvestri

机构 * Amazon（亚马逊） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； Université Côte d’Azur（蔚蓝海岸大学） ； CNRS（法国国家科学研究中心） ； Inria（法国国家信息与自动化研究所） ； I3S（信息、信号与智能系统实验室） 纠错

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

AI总结 本研究提出预算感知路由框架QUORUM，通过特征信号估计实例难度、结合多标注者结果，在固定预算下动态分配任务，提升标注质量并降低成本。

Comments 4 figures, 18 pages

AcCoRD: Evaluating User-Agent Collaboration Under Realistic User Preference Dynamics

AcCoRD：评估现实用户偏好动态下的用户-智能体协作

Tejas Srinivasan, Shikib Mehri, Nandita Shankar Naik, Anirban Das, William M. Campbell, Jesse Thomason

机构 * University of Southern California（南加州大学） ； Contextual AI（Contextual AI公司） ； Capital One（第一资本金融公司） ； Georgia Tech University（佐治亚理工大学） 纠错

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

AI总结 研究针对现有用户-智能体协作基准无法捕捉偏好动态的问题，推出AcCoRD基准，评估前沿LLM处理偏好动态的能力，发现模型难应对交互中出现/演变的偏好，仅提示无法实现所需不确定性识别。

Beyond Confidence: Test-Time Scaling for Multi-Turn Search Agents via Retrieval Grounding

超越置信度：基于检索 grounding 的多轮搜索智能体测试时缩放

Hyunho Kook, Junhyuk So, Tianyu Fu, Haizhong Zheng, Beidi Chen

机构 * University of Southern California（南加州大学） ； Pohang University of Science and Technology (POSTECH)（浦项科技大学） ； Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 针对多轮搜索智能体中基于置信度投票因复制膨胀失效的问题，提出检索接地投票（RGV）方法，在四个基准和五个 LLM 上性能优于基线，准确率最高提升 5.4%

Comments Accepted to EMNLP 2026 Findings

Recovering Software Architecture Intent from Historical Work Items using Generative AI: A Mixed-Methods Industry Case Study

使用生成AI从历史工作项中恢复软件架构意图：一项混合方法行业案例研究

Dominik Storck, Tobias Eisenreich, Stefan Wagner

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

AI总结 本研究以两个行业项目为对象，提出基于LLM的五步半自动工作流，结合混合方法验证，可从历史敏捷工作项中恢复C4架构图，生成的架构基线准确有用，能揭示架构差异与漂移，且具备实际可行性。

Thinking Costs Tokens: When More Structure is Worth the Price

思考成本即 token：更多结构何时值得付出代价

Thomas Nolasque, John Grey, Calista Pham, Ankit Vani

机构 * Royal Bank of Canada（加拿大皇家银行） 纠错

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

AI总结 本文研究语言模型推理结构的 token 预算阈值，在 FinQA、TAT-QA 任务上用 GPT-5.4 mini 验证，1500 token 后验证搜索架构性能优于单体模型，交叉点在 1000-1500 token 间。

Comments 8 pages, 1 figure, 2 tables

INSPIRE: An Internalize-Then-Improve Approach for Example-Driven Mathematical Reasoning

INSPIRE：一种用于示例驱动数学推理的“先内化再改进”方法

Shuai Wang, Jiayi Kuang, Yinghui Li, Haojing Huang, Xinnian Liang, Ying Shen, Liang Lin

机构 * Sun Yat-sen University（中山大学） ； Tsinghua University（清华大学） ； ByteDance Inc.（字节跳动公司） ； Peng Cheng Laboratory（鹏城实验室） 纠错

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

AI总结 该研究针对LLMs数学推理中内化不足的问题，提出INSPIRE方法，结合RGSI与分阶段规则偏好训练，提升了示例驱动数学推理能力且未降低通用推理水平。

Comments EMNLP 2026

Large Reasoning Models Learn Better Alignment from Flawed Thinking

大规模推理模型通过 flawed thinking 学习更好的对齐

ShengYun Peng, Pin-Yu Chen, Eric Smith, Song Jiang, Hongyuan Zhan, Haozhu Wang, Mahesh Pasupuleti, Duen Horng Chau, Jianfeng Chi

机构 * Meta Superintelligence Labs（Meta超级智能实验室） ； IBM Research（IBM研究院） 纠错

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

AI总结 RECAP通过强化学习提升模型安全对齐能力，减少偏见并增强鲁棒性，同时保持推理效率。

Multimodal Collaborative Debate for Zero-Shot Time Series Reasoning

TS-Debate：多模态协作辩论用于零样本时间序列推理

Patara Trirat, Jin Myung Kwak, Jay Heo, Heejun Lee, Sung Ju Hwang

机构 * KAIST Seoul（韩国科学技术院） 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 TS-Debate通过多模态协作辩论框架，在零样本时间序列推理中实现显著性能提升，通过专门代理和结构化协议提升模态保真度和数值精度。

Comments EMNLP 2026 (Main), Project Page: this https URL (https://deepauto-ai.github.io/ts-debate/)

Doc-CoB: Enhancing Document Understanding with Visual Chain-of-Boxes Reasoning

Doc-CoB：通过视觉链式框推理增强文档理解

Ye Mo, Kai Ye, Xianwei Mao, Zirui Shao, Gang Huang, Bo Zhang, Hangdi Xing, Kehan Chen, Huan Zhou, Zixu Yan, Jiajun Bu, Sheng Zhou

机构 * Zhejiang Key Laboratory of Accessible Perception and Intelligent Systems, Zhejiang University（浙江可感知与智能系统重点实验室，浙江大学） ； Alibaba Group（阿里巴巴集团） ； Shanghai AI Laboratory（上海人工智能实验室） 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

AI总结 提出Doc-CoB框架，通过粗到细的布局感知视觉推理，结合多模态大语言模型，逐步聚焦查询相关布局区域，提升文档理解性能。

LUCID: An Agentic AI Framework on Digital-Twin in the Loop for QoS-Guaranteeing Robotic Control

LUCID：一种用于QoS保障机器人控制的闭环数字孪生智能体AI框架

Hyeonsu Lyu, Minwoo Kim, Sehyun Ryu, Hyun Jong Yang

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

AI总结 LUCID是一种LLM智能体编排的云机器人框架，将TP-RRM动态编排于DITL环境，结合路径规划与RRM验证器，可适应动态条件并降低规划延迟，保障机器人控制的QoS。

Comments 10 pages, 17 figures

Twin Worlds: Equivariance-Based Abstention for Evidence-Grounded Reasoning

双世界：基于等变性的证据型推理弃权（不执行）方法

Vy Nguyen, Ziqi Xu, Jeffrey Chan, Estrid He, Feng Xia, Renqiang Luo, Erik Cambria, Xiuzhen Zhang

机构 * RMIT University（皇家墨尔本理工大学） ； Jilin University（吉林大学） ； Nanyang Technological University（南洋理工大学） 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、cs.LG

AI总结 本研究提出双世界框架，通过等变性弃权提升大语言模型知识密集型推理的可靠性，在四个基准和三个模型主干上优于基线方法，可识别答案未可靠基于证据的情况。

Comments Accepted to EMNLP 2026 (Main Conference)

Think-at-Hard: Dynamic Looped Transformers for Improved Reasoning

Think-at-Hard: 选择性潜在迭代以改进推理语言模型

Tianyu Fu, Yichen You, Zekai Chen, Guohao Dai, Huazhong Yang, Yu Wang

机构 * Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） 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、cs.LG

AI总结 针对循环变压器中潜在过思考问题，提出Think-at-Hard方法，通过轻量级决策器选择性地在困难令牌上触发潜在迭代，并采用深度感知LoRA和双因果注意力机制，在数学、问答和编码任务上一致提升性能。

Comments Accepted by ICML'26

From Dialogue to Execution: Mixture-of-Agents Assisted Interactive Planning for Behavior Tree-Based Long-Horizon Robot Execution

从对话到执行：基于混合代理的交互式规划用于基于行为树的长时域机器人执行

Kanata Suzuki, Kazuki Hori, Haruka Miyoshi, Shuhei Kurita, Tetsuya Ogata

机构 * Waseda University（早稻田大学） ； National Institute of Informatics（国家信息研究所） ； NII Research and Development Center for Large Language Models（国家信息研究所大型语言模型研究开发中心） ； The Graduate University for Advanced Studies (SOKENDAI)（高级研究大学研究生院（SOKENDAI）） 纠错

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

AI总结 本文提出基于混合代理的交互式规划框架，通过生成行为树实现长时域机器人任务的高效执行，减少人类干预并提升执行质量。

MaCoPlanner: LLM-Assisted Manual-Compiled Task Planning with Proactive Safety Verification for Robotic Industrial Panel Operation

MaCoPlanner：面向机器人工业面板操作的、结合主动安全验证的大语言模型辅助人工编译任务规划

Guipeng Xin, Jiahe Xua, Mohammad Deghat, Chenhui Wan, Jie Liu, Youmin Hu, Zhongxu Hu

机构 * Huazhong University of Science and Technology（华中科技大学） ； University of New South Wales（新南威尔士大学） 纠错

专题命中 推理与问题求解 ：LLM(title)；分类 cs.AI

AI总结 MaCoPlanner是面向机器人工业面板操作的规划框架，通过编译设备手册知识生成规划，经主动安全验证后执行，大幅提升了任务成功率，在Level-2、Level-3任务上分别提升了21.6、17.3个百分点。

SABER: Stability-Aware Early Exit for LLM Reasoning via Adversarial Branch Probing

SABER：基于对抗分支探测的大语言模型推理稳定性感知早停方法

Wanli Cheng, Haiya Xiang, Juntao Li, Hongling Wang, Wenliang Chen

机构 * Soochow University（苏州大学） 纠错

专题命中 推理与问题求解 ：LLM(title)；分类 cs.AI

AI总结 SABER是一种无需训练的大语言模型推理早停框架，通过对抗分支探测平衡推理效率与可靠性，可平均减少30.2%-39.8%的推理token消耗且保持相当准确率。

Comments 20 pages,10 figures,EMNLP 2026 MainConference

Sledgehammer or Scalpel? A Fine-grained Adaptive Framework for Implicit Hate Speech

大锤还是手术刀？用于隐性仇恨言论检测的细粒度自适应框架

Han Wang, Yuhu Cheng, Xuesong Wang, Yi Zhu

机构 * School of Information and Control Engineering, China University of Mining and Technology（中国矿业大学信息与控制工程学院） ； Yangzhou University（扬州大学） 纠错

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

AI总结 针对隐性仇恨言论检测中现有方法推理流程单一、计算冗余的问题，提出FAID框架，先细粒度分类再自适应处理不同类型样本，在四个基准数据集上显著优于SOTA基线。

TraceML: An Empirical Analysis of Human-Agent Planning in Machine Learning Development

TraceML：机器学习开发中人类-智能体规划的实证分析

Jiarui Yan, Weiwei Sun, Sijie Li, Wenhan Li, Yiming Yang

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 TraceML通过构建人类与智能体在Kaggle竞赛中的配对轨迹数据集，实证分析了人类与智能体在机器学习开发规划上的差异，发现智能体存在行为循环问题，提炼的人类规划提示可缩小部分差距。