语言大模型 / LLM

Don't Let It Hallucinate: Premise Verification via Retrieval-Augmented Logical Reasoning

不要让它幻觉：通过检索增强的逻辑推理进行前提验证

Yuehan Qin, Shawn Li, Yi Nian, Xinyan Velocity Yu, Yue Zhao, Xuezhe Ma

机构 * University of Southern California（南加州大学） 纠错

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

AI总结 本文提出一种基于检索增强的逻辑推理方法，用于在生成前验证用户查询中的前提，从而减少幻觉并提高事实准确性。

Comments TMLR 2026

Teaching LLMs According to Their Aptitude: Adaptive Reasoning for Mathematical Problem Solving

根据能力教学LLMs：数学问题解决的自适应推理

Xin Xu, Yan Xu, Tianhao Chen, Yuchen Yan, Chengwu Liu, Zaoyu Chen, Yufei Wang, Yichun Yin, Yasheng Wang, Lifeng Shang, Qun Liu, Lu Yin

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Zhejiang University（浙江大学） ； Peking University（北京大学） ； The Hong Kong Polytechnic University（香港理工大学） ； University of Surrey（萨里大学） 纠错

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

AI总结 TATA通过自适应框架使LLMs根据自身能力自主调整推理策略，提升数学问题解决的效率和准确性。

Comments 8 pages

Personalized Learning Path Planning with Goal-Driven Learner State Modeling

基于目标驱动学习者状态建模的个性化学习路径规划

Joy Jia Yin Lim, Ye He, Jifan Yu, Xin Cong, Daniel Zhang-Li, Zhiyuan Liu, Huiqin Liu, Lei Hou, Juanzi Li, Bin Xu

机构 * Department of Computer Science and Technology, Beijing National Research Center for Information Science and Technology（计算机科学与技术系，信息科学国家研究中心） ； Tsinghua University（清华大学） ； Institution of Education（教育研究所） ； Department of Statistics and Data Science（统计与数据科学系） 纠错

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

AI总结 Pxplore通过整合强化学习与LLM，实现基于目标驱动的个性化学习路径规划，提升学习路径的连贯性和有效性。

Comments Accepted at The Web Conference 2026 (WWW'26)

Not All Negative Samples Are Equal: LLMs Learn Better from Plausible Reasoning

并非所有负样本都平等：LLM通过合理推理学习更好

Zixiang Di, Jinyi Han, Shuo Zhang, Ying Liao, Zhi Li, Xiaofeng Ji, Yongqi Wang, Zheming Yang, Ming Gao, Bingdong Li, Jie Wang

机构 * East China Normal University（华东师范大学） ； Fudan University（复旦大学） ； Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出PNS方法，通过合成高质量负样本提升LLM推理能力，实验显示其在多个基准测试中优于其他方法。

Do Reasoning Models Enhance Embedding Models?

推理模型能增强嵌入模型吗？

Wun Yu Chan, Shaojin Chen, Huihao Jing, Kwun Hang Lau, Elton Chun-Chai Li, Zihao Wang, Haoran Li, Yangqiu Song

机构 * CSE, HKUST（香港科技大学计算机科学与工程系） 纠错

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

AI总结 本文研究了推理模型是否能提升嵌入模型的性能，发现其初始化对对比学习效果无显著影响，并提出HRSA框架揭示流形重新对齐现象。

Comments 10 main pages, 18 appendix pages, 13 figures, 11 tables, 4 prompts

Chat-TS: Enhancing Multi-Modal Reasoning Over Time-Series and Natural Language Data

Chat-TS: 提升时间序列与自然语言数据的多模态推理能力

Paul Quinlan, Qingguo Li, Xiaodan Zhu

机构 * Electrical and Computer Engineering, Queen’s University（皇后大学电气与计算机工程学院） ； Mechanical and Materials Engineering, Queen’s University（皇后大学机械与材料工程学院） ； Ingenuity Labs Research Institute, Queen’s University（皇后大学创新实验室研究 institute） 纠错

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

AI总结 Chat-TS通过整合时间序列标记提升多模态推理能力，提供新数据集和训练策略，在保持自然语言能力的同时增强时间序列推理性能。

Matrix as Plan: Structured Logical Reasoning with Feedback-Driven Replanning

矩阵作为计划：基于反馈驱动的重计划的结构化逻辑推理

Ke Chen, Jiandian Zeng, Zihao Peng, Guo Li, Guangxue Zhang, Tian Wang

机构 * Faculty of Arts and Sciences（艺术与科学学院） ； Beijing Normal University（北京师范大学） ； Institute of Artificial Intelligence and Future Networks（人工智能与未来网络研究所） ； Engineering Research Center of Cloud-Edge Intelligent Collaboration on Big Data, Ministry of Education（教育部云-边智能协同大数据工程研究中心） 纠错

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

AI总结 MatrixCoT通过引入矩阵基础计划和反馈驱动重计划机制，提升LLM在复杂符号推理任务中的鲁棒性和可解释性。

Comments 12 pages, 5 figures, 2 tables. Accepted at The Web Conference (WWW) 2026

Acting Flatterers via LLMs Sycophancy: Combating Clickbait with LLMs Opposing-Stance Reasoning

通过LLMs的趋炎附势行为进行煽动性行为：用LLMs的对立立场推理对抗软文

Chaowei Zhang, Xiansheng Luo, Zewei Zhang, Yi Zhu, Jipeng Qiang, Longwei Wang

机构 * Yangzhou University（扬州大学） ； Auburn University（亚伯拉罕大学） ； University of South Dakota（南达科他大学） ； Institute for Clarity in Documentation（文档清晰研究所） ； Inria Paris-Rocquencourt（巴黎-罗quentourt研究所） ； Rajiv Gandhi University（拉贾夫·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒尔研究实验室） 纠错

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

AI总结 本文提出利用LLMs的趋炎附势行为生成对立立场推理，以提升软文检测的鲁棒性。

Towards AGI A Pragmatic Approach Towards Self Evolving Agent

迈向AGI：一种务实的自我进化代理方法

Indrajit Kar, Sammy Zonunpuia, Zonunfeli Ralte

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

AI总结 本文提出一种分层自我进化多代理框架，通过整合基础LLM、操作SLM代理、代码生成LLM和教师LLM，实现代理的持续适应与自我进化，展示了在不同任务难度下的进化优势。

Rewarding the Rare: Uniqueness-Aware RL for Creative Problem Solving in LLMs

奖励罕见性：面向LLM创造性问题解决的唯一性感知强化学习

Zhiyuan Hu, Yucheng Wang, Yufei He, Jiaying Wu, Yilun Zhao, See-Kiong Ng, Cynthia Breazeal, Anh Tuan Luu, Hae Won Park, Bryan Hooi

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

AI总结 本研究提出唯一性感知强化学习方法，通过奖励罕见的高级策略提升LLM在复杂推理任务中的多样性与性能。

Comments Work in Progress

How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning?

离线大语言模型如何通过链式推理解析质谱中的分子结构？

Yufeng Wang, Lu Wei, Lin Liu, Hao Xu, Haibin Ling

机构 * Stony Brook University（石溪大学） ； Stanford University（斯坦福大学） ； Harvard Medical School（哈佛医学院） 纠错

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

AI总结 本研究评估了离线大语言模型通过链式推理解析质谱数据的能力，发现其在化学准确性上存在局限。

Big Reasoning with Small Models: Instruction Retrieval at Inference Time

大模型的推理：推理时的指令检索

Kenan Alkiek, David Jurgens, Vinod Vydiswaran

机构 * School of Information University of Michigan（信息学院 华盛顿大学） 纠错

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

AI总结 本文提出一种在推理时通过检索结构化指令来增强小型模型推理能力的方法，通过领域背景与分步程序的配对，提升模型在医学、法律和数学等领域的准确性。

nvBench 2.0: Resolving Ambiguity in Text-to-Visualization through Stepwise Reasoning

nvBench 2.0：通过分步推理解决文本到可视化中的歧义

Tianqi Luo, Chuhan Huang, Leixian Shen, Boyan Li, Shuyu Shen, Wei Zeng, Nan Tang, Yuyu Luo

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

AI总结 nvBench 2.0通过分步推理解决文本到可视化中的歧义问题，提出Step-Text2Vis模型在模糊场景中表现更优。

Planning without Search: Refining Frontier LLMs with Offline Goal-Conditioned RL

无需搜索的规划：通过离线目标条件强化学习精炼前沿大语言模型

Joey Hong, Anca Dragan, Sergey Levine

机构 * UC Berkeley（伯克利大学） 纠错

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

AI总结 通过目标条件价值函数引导LLM推理，实现高效多轮交互规划，优于传统RL微调和提示方法。

Comments Published at NeurIPS 2025; 18 pages, 4 figures, 2 tables

BengaliFig: A Low-Resource Challenge for Figurative and Culturally Grounded Reasoning in Bengali

BengaliFig：一种低资源挑战，用于孟加拉语中的隐喻和文化相关推理

Abdullah Al Sefat

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

AI总结 BengaliFig通过孟加拉语隐喻和文化相关推理的低资源挑战，评估LLM在文化特定推理中的表现，并推动包容性NLP评估。

Can we use LLMs to bootstrap reinforcement learning? -- A case study in digital health behavior change

能否利用大语言模型（LLM）来引导强化学习？——数字健康行为改变的案例研究

Nele Albers, Esra Cemre Su de Groot, Loes Keijsers, Manon H. Hillegers, Emiel Krahmer

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

AI总结 本文探讨了利用大语言模型生成用户交互样本以提升数字健康行为改变的强化学习效果，并通过实验验证了LLM生成样本的实用性与有效性。

Cognitive BASIC: An In-Model Interpreted Reasoning Language for LLMs

认知BASIC：一种用于大语言模型的内部解释推理语言

Oliver Kramer

机构 * Computational Intelligence Group University of Oldenburg（奥尔登堡大学计算智能组） 纠错

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

AI总结 Cognitive BASIC通过简单命令实现LLM内部透明推理，展示了多步骤推理和矛盾解决能力。

Comments 6 pages, Submitted to ESANN 2026

Improving Rule-based Reasoning in LLMs using Neurosymbolic Representations

Varun Dhanraj, Chris Eliasmith

机构 * School of Computer Science, University of Waterloo, Waterloo, Canada（计算机科学学院，滑铁卢大学，滑铁卢，加拿大） ； Centre for Theoretical Neuroscience, University of Waterloo（理论神经科学中心，滑铁卢大学） 纠错

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

Journal ref Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (EMNLP), pages 30577--30596

Extracting Events Like Code: A Multi-Agent Programming Framework for Zero-Shot Event Extraction

Quanjiang Guo, Sijie Wang, Jinchuan Zhang, Ben Zhang, Zhao Kang, Ling Tian, Ke Yan

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

Comments 11 pages, 5 figures, accepted by AAAI 2026 (Oral)

GEM: Generative Entropy-Guided Preference Modeling for Few-shot Alignment of LLMs

Yiyang Zhao, Huiyu Bai, Xuejiao Zhao

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

Comments This paper has been accepted by AAAI 2026-AIA and designated as an oral presentation paper

Comprehension Without Competence: Architectural Limits of LLMs in Symbolic Computation and Reasoning

Zheng Zhang

机构 * 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)；prompting(abstract)

Comments v2: Two TMLR revision rounds addressing reviewer feedback. Added real-world validation (3.4), interpretability analysis (7), computational hallucination framework, strengthened theory. v3: Sec 3.2 - added transformer architecture diagram, clarified UAT capacity vs computational limits, improved role specialization theorem presentation

Debiasing LLMs by Masking Unfairness-Driving Attention Heads

Tingxu Han, Wei Song, Ziqi Ding, Ziming Li, Chunrong Fang, Yuekang Li, Dongfang Liu, Zhenyu Chen, Zhenting Wang

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

GAP: Graph-Based Agent Planning with Parallel Tool Use and Reinforcement Learning

Jiaqi Wu, Qinlao Zhao, Zefeng Chen, Kai Qin, Yifei Zhao, Xueqian Wang, Yuhang Yao

机构 * Tsinghua University（清华大学） ； Huazhong University of Science and Technology（华中科技大学） ； National University of Singapore（新加坡国立大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

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

Causal Sufficiency and Necessity Improves Chain-of-Thought Reasoning

Xiangning Yu, Zhuohan Wang, Linyi Yang, Haoxuan Li, Anjie Liu, Xiao Xue, Jun Wang, Mengyue Yang

机构 * Tianjin University（天津大学） ； City University of Hong Kong（香港城市大学） ； University College London（伦敦大学学院） ； Peking University（北京大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； University of Bristol（布里斯托大学） 纠错

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

From Large to Small: Transferring CUDA Optimization Expertise via Reasoning Graph

Junfeng Gong, Zhiyi Wei, Junying Chen, Cheng Liu, Huawei Li

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； South China University of Technology（华南理工大学） 纠错

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

Test-time Prompt Intervention

Chenxu Yang, Qingyi Si, Mz Dai, Dingyu Yao, Mingyu Zheng, Minghui Chen, Zheng Lin, Weiping Wang

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

Comments 24 pages, 20 figures, under review

Fine-Tuned Thoughts: Leveraging Chain-of-Thought Reasoning for Industrial Asset Health Monitoring

Shuxin Lin, Dhaval Patel, Christodoulos Constantinides

机构 * IBM Research（IBM研究院） 纠错

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

Comments Accepted at EMNLP 2025

Reinforcement Learning for Out-of-Distribution Reasoning in LLMs: An Empirical Study on Diagnosis-Related Group Coding

Hanyin Wang, Zhenbang Wu, Gururaj Kolar, Hariprasad Korsapati, Brian Bartlett, Bryan Hull, Jimeng Sun

机构 * School of Computing and Data Science, UIUC（计算与数据科学学院，UIUC） ； Mayo Clinic Health System（梅奥诊所健康系统） ； Mayo Clinic Rochester（梅奥诊所罗切斯特分部） ； Mayo Clinic Phoenix（梅奥诊所凤凰城分部） ； Carle Illinois College of Medicine, UIUC（Carle伊利诺伊医学院，UIUC） 纠错

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

Reasoning Pattern Matters: Learning to Reason without Human Rationales

Chaoxu Pang, Yixuan Cao, Ping Luo

机构 * Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所智能信息处理重点实验室） 纠错

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

Comments Submitted to Frontiers of Computer Science

Can Speech LLMs Think while Listening?

Yi-Jen Shih, Desh Raj, Chunyang Wu, Wei Zhou, SK Bong, Yashesh Gaur, Jay Mahadeokar, Ozlem Kalinli, Mike Seltzer

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Meta Superintelligence Labs（Meta超智能实验室） 纠错

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