语言大模型 / LLM

Illocutionary Explanation Planning for Source-Faithful Explanations in Retrieval-Augmented Language Models

意图解释规划：在检索增强语言模型中实现源忠实的解释

Francesco Sovrano, Alberto Bacchelli

机构 * Collegium Helveticum, ETH Zurich（瑞士苏黎世联邦理工学院学院） ； University of Zurich（瑞士苏黎世大学） 纠错

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

AI总结 研究通过意图宏观规划提升检索增强语言模型中解释的源忠实性，通过链式意图提示提升源忠实度，实验显示在部分模型中提升显著，但整体效果仍有限。

Comments 24 pages; Accepted for publication at XAI'2026

Enhancing Geo-localization for Crowdsourced Flood Imagery via LLM-Guided Attention

通过LLM引导注意力增强 crowdsourced 洪水影像的地理定位

Fengyi Xu, Jun Ma, Waishan Qiu, Cui Guo, Jack C. P. Cheng

机构 * Department of Urban Planning and Design, The University of Hong Kong（香港大学城市规划与设计系） ； Urban Systems Institute, The University of Hong Kong（香港大学都市系统研究所） ； Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology（香港理工大学土木与环境工程系） 纠错

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

AI总结 本文提出VPR-AttLLM框架，通过整合大语言模型的语义推理与地理知识，提升 crowdsourced 洪水影像的地理定位精度，实验表明在真实洪水影像上召回率提升1-3%，最高达8%。

Comments Updated author list to include additional contributor. Revised title and improved methodology section based on collaborative feedback

Journal ref Computers, Environment and Urban Systems, 127, 102434 (2026)

AscendKernelGen: A Systematic Study of LLM-Based Kernel Generation for Neural Processing Units

AscendKernelGen: 一种针对神经处理单元的LLM基内核生成系统研究

Xinzi Cao, Jianyang Zhai, Pengfei Li, Zhiheng Hu, Cen Yan, Bingxu Mu, Guanghuan Fang, Bin She, Jiayu Li, Yihan Su, Dongyang Tao, Xiansong Huang, Fan Xu, Feidiao Yang, Yao Lu, Chang-Dong Wang, Yutong Lu, Weicheng Xue, Bin Zhou, Yonghong Tian

机构 * Pengcheng Laboratory（鹏城实验室） ； Huawei（华为） ； Sun Yat-sen University（中山大学） ； Peking University（北京大学） 纠错

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

AI总结 本文提出AscendKernelGen框架，通过引入Ascend-CoT数据集和KernelGen-LM模型，提升NPU内核生成效率与正确性，实验显示复杂内核编译成功率从0%提升至95.5%。

Comments 33 pages,7 figures,16 tables

Revisiting the Uniform Information Density Hypothesis in LLM Reasoning

重新审视大语言模型推理中的均匀信息密度假说

Minju Gwak, Guijin Son, Jaehyung Kim

机构 * Yonsei University（延世大学） ； OneLine AI 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 本文研究大语言模型推理中均匀信息密度假说的有效性，提出新框架量化局部和全局信息流均匀性，发现高质量推理在局部均匀但全局非均匀，证明均匀性优于其他内部信号预测推理质量。

Comments ACL 2026 Findings

Multi-View Attention Multiple-Instance Learning Enhanced by LLM Reasoning for Cognitive Distortion Detection

多视角注意力多实例学习增强的认知扭曲检测

Jun Seo Kim, Hyemi Kim, Woo Joo Oh, Hongjin Cho, Hochul Lee, Hye Hyeon Kim

机构 * Gachon University（加成大学） ； Korea Telecom Research（韩国电信研究所） ； Yonsei University（延世大学） 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 本文提出结合大语言模型与多实例学习架构的方法，通过分解情绪、逻辑和行为成分提升认知扭曲检测的可解释性和推理能力。

Comments Accepted to the main conference of ACL 2026

Correct Chains, Wrong Answers: Dissociating Reasoning from Output in LLM Logic

正确推理，错误答案：分离LLM中的推理与输出

Abinav Rao, Sujan Rachuri, Nikhil Vemuri

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

AI总结 本文提出新型操作测试基准，区分操作逻辑与名称，揭示LLM在深度推理中存在策略与内容两类失败模式，验证名称不决定推理能力。

Comments 9 pages, 4 figures. ICLR 2026 Workshop on Logical Reasoning of LLMs

CascadeDebate: Multi-Agent Deliberation for Cost-Aware LLM Cascades

级联辩论：面向成本感知的LLM级联的多智能体辩论

Raeyoung Chang, Dongwook Kwon, Jisoo Lee, Nikhil Verma

机构 * Sogang University（首尔大学） ； Kwangwoon University（匡明大学） ； Seoul National University（首尔国立大学） ； LG Electronics, Toronto AI Lab（LG电子，多伦多人工智能实验室） 纠错

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

AI总结 本文提出CascadeDebate，通过在每个层级的升级边界插入多智能体辩论，解决单模型层级在模糊查询中易引发升级的问题，提升准确性和成本效率。

Comments 12 pages, 6 figures, 4 tables, 1 algorithm

Knowledge Reasoning Language Model: Unifying Knowledge and Language for Inductive Knowledge Graph Reasoning

知识推理语言模型：统一知识与语言以进行归纳知识图谱推理

Xingrui Zhuo, Jiapu Wang, Gongqing Wu, Zhongyuan Wang, Jichen Zhang, Shirui Pan, Xindong Wu

机构 * The Key Laboratory of Knowledge Engineering with Big Data (the Ministry of Education of China), Hefei University of Technology, China（合肥工业大学大数据知识工程教育部重点实验室） ； School of Computer Science and Information Engineering, Hefei University of Technology, China（合肥工业大学计算机与信息学院） ； Nanjing University of Science and Technology, China（南京理工大学） ； China Unicom Digital Technology Co., Ltd., Beijing, China（联通数字科技有限公司） ； China Unicom Internet of Things Co., Ltd., Nanjing, China（联通物联网有限责任公司） ； Shandong Inspur Science Research Institute, Jinan, China（山东浪潮科学研究院） ； Griffith University, Australia（格里菲斯大学） 纠错

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

AI总结 本文提出KRLM，通过统一语言模型知识与知识图谱上下文，解决归纳知识图谱推理中的知识扭曲和生成幻觉问题，实验表明其在25个真实数据集上表现优异。

HiMAC: Hierarchical Macro-Micro Learning for Long-Horizon LLM Agents

HiMAC：用于长视界LLM代理的分层宏微学习

Hongbo Jin, Rongpeng Zhu, Jiayu Ding, Wenhao Zhang, Ge Li

机构 * School of Electronic and Computer Engineering（电子与计算机工程学院） ； Peking University（北京大学） 纠错

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

AI总结 HiMAC通过分层宏微学习框架，提升LLM代理在长视界任务中的规划与执行能力，实现更高效的强化学习训练。

CHIMERA: Compact Synthetic Data for Generalizable LLM Reasoning

CHIMERA：紧凑的合成数据用于通用的LLM推理

Xinyu Zhu, Yihao Feng, Yanchao Sun, Xianzhi Du, Pingzhi Li, Olli Saarikivi, Yun Zhu, Yu Meng

机构 * University of Virginia（弗吉尼亚大学） ； Apple（苹果公司） ； University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） 纠错

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 CHIMERA通过紧凑的合成数据集提升LLM跨领域推理能力，提供丰富推理轨迹和结构化覆盖，实现高效训练和评估。

Stabilizing Policy Gradients for Sample-Efficient Reinforcement Learning in LLM Reasoning

为LLM推理稳定化策略梯度以实现样本高效的强化学习

Luckeciano C. Melo, Alessandro Abate, Yarin Gal

机构 * OATML, University of Oxford（OATML，牛津大学） ； OXCAV, University of Oxford（OXCAV，牛津大学） 纠错

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

AI总结 CAPO通过曲率感知优化提升LLM推理的样本效率和稳定性

Comments Published at ICLR 2026

LLM-Driven Multi-Turn Task-Oriented Dialogue Synthesis for Realistic Reasoning

基于大语言模型的多轮任务导向对话合成用于真实推理

Yu Zhu, Kai Yang

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

AI总结 本文提出基于LLM的多轮任务导向对话合成框架，通过三级优化生成真实推理场景下的对话，提升LLM的逻辑推理能力。

MobileLLM-R1: Exploring the Limits of Sub-Billion Language Model Reasoners with Open Training Recipes

MobileLLM-R1: 探索子十亿参数语言模型推理能力的极限与开放训练配方

Changsheng Zhao, Ernie Chang, Zechun Liu, Chia-Jung Chang, Wei Wen, Chen Lai, Sheng Cao, Yuandong Tian, Raghuraman Krishnamoorthi, Yangyang Shi, Vikas Chandra

机构 * Meta AI 纠错

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

AI总结 MobileLLM-R1通过开放训练配方在较少数据下实现子十亿参数模型的推理能力突破，显著超越现有模型。

Comments ICLR 2026

Not the Example, but the Process: How Self-Generated Examples Enhance LLM Reasoning

不是例子，而是过程：如何自动生成的例子增强LLM推理

Daehoon Gwak, Minseo Jung, Junwoo Park, Minho Park, ChaeHun Park, Junha Hyung, Jaegul Choo

机构 * KAIST AI（韩国科学技术院人工智能研究所） ； Applied Artificial Intelligence, Sungkyunkwan University（成均馆大学应用人工智能系） 纠错

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

AI总结 本研究通过对比不同提示策略，发现自动生成例子的过程增强了LLM推理性能，而非例子本身。

Comments Presented at AACL-IJCNLP 2025

ProMoral-Bench: Evaluating Prompting Strategies for Moral Reasoning and Safety in LLMs

ProMoral-Bench：评估大语言模型中道德推理与安全性的提示策略

Rohan Subramanian Thomas, Shikhar Shiromani, Abdullah Chaudhry, Ruizhe Li, Vasu Sharma, Kevin Zhu, Sunishchal Dev

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

AI总结 ProMoral-Bench通过统一道德安全评分评估多种提示策略，发现紧凑示例引导框架在道德和安全方面表现更优。

Reinforcement Inference: Leveraging Uncertainty for Self-Correcting Language Model Reasoning

强化推断：利用不确定性进行自我修正的语言模型推理

Xinhai Sun

机构 * Programme of Management Engineering, Politecnico di Milano（米兰理工学院管理工程项目） 纠错

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

AI总结 本研究提出强化推断方法，通过利用模型不确定性进行自我修正推理，提升语言模型在零样本设置下的准确性，同时减少计算成本。

SMaRT: Select, Mix, and ReinvenT -- A Strategy Fusion Framework for LLM-Driven Reasoning and Planning

SMaRT: 选择、混合与再发明 -- 一种用于大语言模型驱动推理与规划的策略融合框架

Nikhil Verma, Manasa Bharadwaj, Wonjun Jang, Harmanpreet Singh, Yixiao Wang, Homa Fashandi, Chul Lee

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

AI总结 SMaRT框架通过融合多样化推理策略，提升大语言模型在推理与规划任务中的性能和鲁棒性。

From Belief Entrenchment to Robust Reasoning in LLM Agents

从信念固化到LLM代理的稳健推理

Jihwan Oh, Minchan Jeong, Jongwoo Ko, Se-Young Yun

机构 * KAIST AI（韩国科学技术院人工智能研究所） 纠错

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

AI总结 DReaMAD通过引入多样化推理和动态辩论机制，有效缓解了LLM代理中的信念固化问题，提升了推理准确性与胜率。

Comments Accepted to TACL

HeartLLM: Discretized ECG Tokenization for LLM-Based Diagnostic Reasoning

HeartLLM: 12导联心电图离散化编码用于基于大语言模型的诊断推理

Jinning Yang, Wenjie Sun, Wen Shi

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 HeartLLM通过离散化ECG信号生成令牌，使LLM能处理心电图与自然语言输入，实现医疗诊断推理。

Reflection Pretraining Enables Token-Level Self-Correction in Biological Sequence Models

反射预训练使生物序列模型实现token级自我修正

Xiang Zhang, Jiaqi Wei, Yuejin Yang, Zijie Qiu, Yuhan Chen, Zhiqiang Gao, Muhammad Abdul-Mageed, Laks V. S. Lakshmanan, Wanli Ouyang, Chenyu You, Siqi Sun

机构 * Fudan University（复旦大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； University of British Columbia（不列颠哥伦比亚大学） ； Zhejiang University（浙江大学） ； The Chinese University of Hong Kong（香港中文大学） ； Stony Brook University（石溪大学） 纠错

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

AI总结 本文提出反射预训练方法，通过生成辅助标记提升生物序列模型的token表达能力，实现token级自我修正和推理能力提升。

Auto-Prompting with Retrieval Guidance for Frame Detection in Logistics

基于检索引导的自动提示法用于物流帧检测

Do Minh Duc, Quan Xuan Truong, Nguyen Tat Dat, Nguyen Van Vinh

机构 * Faculty of Information Technology, VNU University of Engineering and Technology（信息技术学院，越南工程大学） 纠错

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

AI总结 本文提出基于检索引导的自动提示法，通过优化提示提升物流文本帧检测的准确性和效率。

TIBSTC-CoT: A Multi-Domain Instruction Dataset for Chain-of-Thought Reasoning in Language Models

TIBSTC-CoT：一种用于语言模型链式推理的多领域指令数据集

Fan Gao, Cheng Huang, Nyima Tashi, Yutong Liu, Xiangxiang Wang, Thupten Tsering, Ban Ma-bao, Renzeg Duojie, Gadeng Luosang, Rinchen Dongrub, Dorje Tashi, Xiao Feng, Hao Wang, Yongbin Yu

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

AI总结 TIBSTC-CoT通过链式推理提示法构建多领域藏语数据集，开发出具备推理能力的藏语LLM，提升低资源语言处理性能。

Comments We will merge this paper with arXiv:2503.18288

Emergent Convergence in Multi-Agent LLM Annotation

多智能体大语言模型注释中的涌现收敛

Angelina Parfenova, Alexander Denzler, Juergen Pfeffer

机构 * Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学） ； Technical University of Munich（慕尼黑技术大学） 纠错

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

AI总结 本研究通过模拟多智能体协作任务，揭示了大语言模型在无显式角色提示下涌现的协调策略，展示了词汇和语义上的收敛及不对称影响模式。

Journal ref EMNLP2025

LLM-Powered Text-Attributed Graph Anomaly Detection via Retrieval-Augmented Reasoning

通过检索增强推理的大型语言模型驱动的文本属性图异常检测

Haoyan Xu, Ruizhi Qian, Zhengtao Yao, Ziyi Liu, Li Li, Yuqi Li, Yanshu Li, Wenqing Zheng, Daniele Rosa, Daniel Barcklow, Senthil Kumar, Jieyu Zhao, Yue Zhao

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

AI总结 本文提出基于检索增强推理的LLM驱动文本属性图异常检测框架，通过生成语义连贯但上下文不一致的异常节点，提升异常检测效果。

Layer Importance for Mathematical Reasoning is Forged in Pre-Training and Invariant after Post-Training

Aadim Nepal, Safal Shrestha, Anubhav Shrestha, Minwu Kim, Jalal Naghiyev, Ravid Shwartz-Ziv, Keith Ross

机构 * New York University Abu Dhabi（纽约大学阿布扎赫尔分校） ； Technical University of Munich（慕尼黑技术大学） ； NYU Center for Data Science（纽约大学数据科学中心） 纠错

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

Distilling LLM Agent into Small Models with Retrieval and Code Tools

Minki Kang, Jongwon Jeong, Seanie Lee, Jaewoong Cho, Sung Ju Hwang

机构 * KAIST（韩国科学技术院） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； KRAFTON（KRAFTON公司） 纠错

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

Comments NeurIPS 2025 Spotlight

AutoPDL: Automatic Prompt Optimization for LLM Agents

Claudio Spiess, Mandana Vaziri, Louis Mandel, Martin Hirzel

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

Comments An earlier version of this paper was published in AutoML 2025 Methods Track. This version adds missing standard deviations in Table 1

SignalLLM: A General-Purpose LLM Agent Framework for Automated Signal Processing

Junlong Ke, Qiying Hu, Shenghai Yuan, Yuecong Xu, Jianfei Yang

机构 * Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） ； School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学电子与电气工程学院） ； MARS Lab, Nanyang Technological University, Singapore（南洋理工大学MARS实验室） 纠错

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

Comments 11 pages

Spontaneous Giving and Calculated Greed in Language Models

Yuxuan Li, Hirokazu Shirado

机构 * School of Computer Science Carnegie Mellon University（计算机科学学院卡内基梅隆大学） 纠错

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

Comments Accepted to EMNLP 2025 main conference and selected as an Oral Presentation

Classical Planning with LLM-Generated Heuristics: Challenging the State of the Art with Python Code

Augusto B. Corrêa, André G. Pereira, Jendrik Seipp

机构 * University of Oxford（牛津大学） ； Federal University of Rio Grande do Sul（里约格兰德杜斯阿勒斯联邦大学） ； Linköping University（_linköping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)；prompting(abstract)

Comments Accepted to NeurIPS 2025