语言大模型 / LLM

Transforming External Knowledge into Triplets for Enhanced Retrieval in RAG of LLMs

将外部知识转化为三元组以增强LLM中RAG的检索

Xudong Wang, Chaoning Zhang, Qigan Sun, Zhenzhen Huang, Chang Lu, Sheng Zheng, Zeyu Ma, Caiyan Qin, Yang Yang, Hengtao Shen

机构 * School of Computing, Kyung Hee University（韩国庆熙大学计算机学院） ； School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院） ； School of Information and Software Engineering, University of Electronic Science and Technology of China（电子科技大学信息与软件工程学院） ； School of Robotics and Advanced Manufacture, Harbin Institute of Technology（哈尔滨工业大学机器人与先进制造学院） ； School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院） 纠错

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

AI总结 Tri-RAG通过结构化三元组构建提升检索效率，减少冗余信息，提高生成质量与资源利用率。

Comments 12 pages, 5 figures

Building evidence-based knowledge bases from full-text literature for disease-specific biomedical reasoning

从全文文献构建基于证据的知识库以支持疾病特定的生物医学推理

Chang Zong, Sicheng Lv, Si-tu Xue, Huilin Zheng, Jian Wan, Lei Zhang

机构 * School of Computer Science and Technology, Zhejiang University of Science and Technology（浙江理工大学计算机科学与技术学院） ； Institute of Medicinal Biotechnology, Chinese Academy of Medical Sciences & Peking Union Medical College（中国医学科学院药物生物技术研究所） ； Zhejiang Key Laboratory of Biomedical Intelligent Computing Technology（浙江省生物医学智能计算技术重点实验室） 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.AI

AI总结 本文提出EvidenceNet，一个基于全文文献构建的疾病特定知识库，通过大语言模型提取实验支持的结构化证据记录，用于生物医学推理任务。

Comments 30 pages, 5 figures, 12 tables

CARO: Chain-of-Analogy Reasoning Optimization for Robust Content Moderation

CARO：用于鲁棒内容审核的类比推理优化

Bingzhe Wu, Haotian Lu, Yuchen Mou

机构 * National Engineering Laboratory for Big Data System Computing Technology（大数据系统计算技术国家工程实验室） ； Shenzhen University（深圳大学） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 CARO通过两阶段训练框架提升LLM的类比推理能力，有效缓解内容审核中的误导性决策短路问题，实验显示其在模糊审核基准上平均F1得分提升24.9%。

Comments Accepted to ACL 2026 findings; under official publication process

EviCare: Enhancing Diagnosis Prediction with Deep Model-Guided Evidence for In-Context Reasoning

EviCare: 通过深度模型引导的证据增强诊断预测

Hengyu Zhang, Xuyun Zhang, Pengxiang Zhan, Linhao Luo, Hang Lv, Yanchao Tan, Shirui Pan, Carl Yang

机构 * Macquarie University（麦考瑞大学） ； Fuzhou University（福州大学） ； Monash University（莫纳什大学） ； Griffith University（格里菲斯大学） ； Emory University（埃默里大学） 纠错

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

AI总结 EviCare通过整合深度模型指导的证据选择、证据优先级排序和关系证据构建，提升基于LLM的诊断预测性能，在MIMIC-III和MIMIC-IV数据集上实现20.65%的平均提升，尤其在新诊断预测上提升显著。

Comments Accepted by KDD 2026

Semantic-Topological Graph Reasoning for Language-Guided Pulmonary Screening

语义-拓扑图推理用于语言引导的肺部筛查

Chenyu Xue, Yiran Liu, Mian Zhou, Jionglong Su, Zhixiang Lu

机构 * Xi’an Jiaotong-Liverpool University（西交利物浦大学） ； University College London（伦敦大学学院） ； University of Liverpool（利物浦大学） 纠错

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 本文提出语义-拓扑图推理框架，结合大语言模型与视觉基础模型，解决临床报告语义模糊和低对比度扫描的解歧问题，实现高精度肺部筛查。

Bridging Large-Model Reasoning and Real-Time Control via Agentic Fast-Slow Planning

通过代理快慢规划弥合大模型推理与实时控制

Jiayi Chen, Shuai Wang, Guangxu Zhu, Chengzhong Xu

机构 * Shenzhen Research Institute of Big Data, The Chinese University of Hong Kong (Shenzhen)（深圳市大数据研究院，香港中文大学（深圳）） ； Shenzhen Institutes of Advanced Technology (SIAT), Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； State Key Laboratory of Internet of Things for Smart City (SKL-IOTSC), University of Macau（澳门大学智慧城市物联网国家重点实验室） 纠错

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

AI总结 本文提出一种分层框架，通过感知-决策-轨迹-控制的分离，提升自动驾驶系统在扰动下的鲁棒性，减少侧向偏移和完成时间。

Comments 8 pages, 12figures

Let the Model Distribute Its Doubt: Confidence Estimation through Verbalized Probability Distribution

让模型分配其怀疑：通过 verbalized 概率分布进行置信度估计

Ante Wang, Weizhi Ma, Yang Liu

机构 * Dept. of Comp. Sci. & Tech., Institute for AI, Tsinghua University（清华大学计算机科学与技术系、人工智能研究院） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） 纠错

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

AI总结 本文通过生成 verbalized 概率分布提升置信度估计，系统实验显示其在多个 LLM 和任务中表现优异，推理效率高且计算节省显著，但也揭示了特定任务的局限性。

LocationReasoner: Evaluating LLMs on Real-World Site Selection Reasoning

LocationReasoner: 评估大语言模型在真实世界选址推理中的能力

Miho Koda, Yu Zheng, Ruixian Ma, Mingyang Sun, Devesh Pansare, Fabio Duarte, Paolo Santi

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

AI总结 本文提出LocationReasoner基准测试，评估大语言模型在复杂现实选址场景中的推理能力，发现先进模型在实际应用中表现有限，且代理策略常因过度推理而效果不佳。

Comments ICLR 2026 Workshop on Efficient Spatial Reasoning

ExVerus: Verus Proof Repair via Counterexample Reasoning

ExVerus：通过反例推理进行证明修复

Jun Yang, Yuechun Sun, Yi Wu, Rodrigo Caridad, Yongwei Yuan, Jianan Yao, Shan Lu, Kexin Pei

机构 * The University of Chicago（芝加哥大学） ； Purdue University（普渡大学） ； The University of Toronto（多伦多大学） ； Microsoft Research（微软研究院） 纠错

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

AI总结 ExVerus利用反例推理指导LLM生成更准确的证明，通过自动生成和验证反例来提高证明的鲁棒性和效率。

Comments 31 pages, 8 figures

Enhanced Mycelium of Thought (EMoT): A Bio-Inspired Hierarchical Reasoning Architecture with Strategic Dormancy and Mnemonic Encoding

增强思维菌丝（EMoT）：一种受生物启发的分层推理架构，具有战略休眠和记忆编码

Florian Odi Stummer

机构 * Institute of General Medicine（医学系） 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 EMoT是一种受生物启发的分层推理架构，通过四层结构（微、中、宏、元）实现战略休眠与激活，结合记忆宫殿和五种记忆编码方式，提升多领域复杂问题解决能力，但存在样本量小、计算成本高等限制。

Comments 32 pages, 6 figures, 15 tables; includes ablation studies and reasoning trace visualisation

KLDrive: Fine-Grained 3D Scene Reasoning for Autonomous Driving based on Knowledge Graph

KLDrive: 基于知识图谱的细粒度3D场景推理用于自动驾驶

Ye Tian, Jingyi Zhang, Zihao Wang, Xiaoyuan Ren, Xiaofan Yu, Onat Gungor, Tajana Rosing

机构 * University of California San Diego, La Jolla, California, USA（加州大学圣地亚哥分校） ； University of California Merced, Merced, California, USA（加州大学默塞德分校） 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 KLDrive通过构建可靠场景知识图谱和LLM代理进行事实驱动推理，提升自动驾驶中的细粒度问答性能，实验表明其在NuScenes-QA和GVQA上均取得最佳准确率和SPICE分数。

SYMDIREC: A Neuro-Symbolic Divide-Retrieve-Conquer Framework for Enhanced RTL Synthesis and Summarization

SYMDIREC：一种用于增强RTL综合与摘要的神经符号分割-检索-解决框架

Prashanth Vijayaraghavan, Apoorva Nitsure, Luyao Shi, Charles Mackin, Ashutosh Jadhav, David Beymer, Ehsan Degan, Vandana Mukherjee

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)；prompting(abstract)

AI总结 SYMDIREC通过结合符号规划与LLM推理，提升RTL综合与摘要的准确性，实现比基线方法更高的Pass@1率和ROUGE-L分数。

Journal ref EACL 2026

Eliciting Chain-of-Thought Reasoning for Time Series Analysis using Reinforcement Learning

通过强化学习激发时间序列分析的链式推理

Felix Parker, Nimeesha Chan, Chi Zhang, Kimia Ghobadi

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COUNTS框架，通过强化学习训练LLM进行时间序列任务的链式推理，提升复杂时间数据处理能力。

TableMind++: An Uncertainty-Aware Programmatic Agent for Tool-Augmented Table Reasoning

TableMind++: 一种面向工具增强表格推理的不确定性感知程序化代理

Mingyue Cheng, Shuo Yu, Chuang Jiang, Xiaoyu Tao, Qingyang Mao, Jie Ouyang, Qi Liu, Enhong Chen

机构 * State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室） 纠错

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

AI总结 TableMind++通过引入不确定性感知推理框架，有效缓解LLM的幻觉问题，提升表格推理的准确性和鲁棒性。

Comments 6 tables, 9 figures. arXiv admin note: text overlap with arXiv:2509.06278

MathSmith: Towards Extremely Hard Mathematical Reasoning by Forging Synthetic Problems with a Reinforced Policy

MathSmith: 通过强化策略生成合成问题以实现极难的数学推理

Shaoxiong Zhan, Yanlin Lai, Ziyu Lu, Dahua Lin, Ziqing Yang, Fei Tan

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 MathSmith通过生成合成问题提升LLM的数学推理能力，采用强化学习优化问题难度和推理复杂性。

Comments Accepted to AAAI 2026

FaithCoT-Bench: Benchmarking Instance-Level Faithfulness of Chain-of-Thought Reasoning

FaithCoT-Bench: 对链式推理实例级忠实度的基准测试

Xu Shen, Song Wang, Zhen Tan, Laura Yao, Xinyu Zhao, Kaidi Xu, Xin Wang, Tianlong Chen

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 FaithCoT-Bench提出了一种统一的基准，用于评估链式推理在实例级的忠实度，通过专家标注的轨迹和系统评估揭示了现有方法的优缺点。

FrugalRAG: Less is More in RL Finetuning for Multi-Hop Question Answering

FrugalRAG: 在多跳问答中少即是多

Abhinav Java, Srivathsan Koundinyan, Nagarajan Natarajan, Amit Sharma

机构 * Microsoft Research India（微软印度研究院） 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 FrugalRAG通过强化学习减少检索步骤，实现多跳问答任务的高效准确权衡。

BioBridge: Bridging Proteins and Language for Enhanced Biological Reasoning with LLMs

BioBridge: 蛋白质与语言的桥梁：利用大语言模型增强生物推理

Yujia Wang, Jihong Guan, Wengen Li, Shuigeng Zhou, Xuhong Wang

机构 * School of Computer Science and Technology（计算机科学与技术学院） ； College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院） ； Fudan University（复旦大学） ； 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 ：LLM(abstract)；large language model(abstract)；language model(abstract)；pretraining(abstract)

AI总结 BioBridge结合蛋白质领域知识与通用语言能力，通过领域自适应持续预训练框架提升生物推理性能。

VulReaD: Knowledge-Graph-guided Software Vulnerability Reasoning and Detection

VulReaD: 基于知识图谱的软件漏洞推理与检测

Samal Mukhtar, Yinghua Yao, Zhu Sun, Mustafa Mustafa, Yew Soon Ong, Youcheng Sun

机构 * The University of Manchester（曼彻斯特大学） ； Agency for Science, Technology and Research（科技研究局） ； Singapore University of Technology and Design（新加坡科技设计大学） ； 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 ：LLM(abstract)；large language model(abstract)；language model(abstract)；preference optimization(abstract)

AI总结 VulReaD通过知识图谱引导的推理方法，在软件漏洞检测中实现CWE级别的分类，提升二元和多类检测性能，增强可解释性。

Comments 22 pages, 3 figures

How Much Reasoning Do Retrieval-Augmented Models Add beyond LLMs? A Benchmarking Framework for Multi-Hop Inference over Hybrid Knowledge

检索增强模型在大语言模型之上添加多少推理能力？一种用于混合知识多跳推理的基准评估框架

Junhong Lin, Bing Zhang, Song Wang, Ziyan Liu, Dan Gutfreund, Julian Shun, Yada Zhu

机构 * Massachusetts Institute of Technology（麻省理工学院） ； IBM Research（IBM研究院） ； University of Central Florida（中央佛罗里达大学） 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 HybridRAG-Bench通过混合知识和多跳推理评估框架，有效区分真实检索与参数回忆，为混合知识增强推理系统提供测试平台。

TKG-Thinker: Towards Dynamic Reasoning over Temporal Knowledge Graphs via Agentic Reinforcement Learning

TKG-Thinker: 向通过代理强化学习实现动态推理的时序知识图谱迈进

Zihao Jiang, Miao Peng, Zhenyan Shan, Wenjie Xu, Ben Liu, Gong Chen, Ziqi Gao, Min Peng

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） 纠错

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

AI总结 TKG-Thinker通过代理强化学习实现动态推理，提升时序知识图谱问答的性能和泛化能力。

Toward Faithful and Complete Answer Construction from a Single Document

从单个文档构建忠实且完整的答案

Zhaoyang Chen, Cody Fleming

机构 * Department of Mechanical Engineering（机械工程系） ； Iowa State University（爱荷华州立大学） 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 EVE通过结构化框架提升文档基础推理的完整性和准确性，同时解决单次生成中覆盖与准确性的权衡问题。

Integrating Fine-Grained Audio-Visual Evidence for Robust Multimodal Emotion Reasoning

融合细粒度音频视觉证据以实现鲁棒的多模态情绪推理

Zhixian Zhao, Wenjie Tian, Lei Xie

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 SABER-LLM通过构建大规模情绪推理数据集和结构化证据分解范式，实现鲁棒的多模态情绪推理。

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

Kadri Hacioglu, Manjunath K E, Andreas Stolcke

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

S3-CoT: Self-Sampled Succinct Reasoning Enables Efficient Chain-of-Thought LLMs

S3-CoT：自采样简洁推理实现高效链式推理LLM

Yanrui Du, Sendong Zhao, Yibo Gao, Danyang Zhao, Qika Lin, Ming Ma, Jiayun Li, Yi Jiang, Kai He, Qianyi Xu, Bing Qin, Mengling Feng

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； National University of Singapore（新加坡国立大学） 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 S3-CoT通过自采样简洁推理实现高效链式推理LLM，解决冗余推理问题，提升模型性能与泛化能力。

FinCoT: Grounding Chain-of-Thought in Expert Financial Reasoning

FinCoT：在专家金融推理中 grounding 思维链

Natapong Nitarach, Warit Sirichotedumrong, Panop Pitchayarthorn, Pittawat Taveekitworachai, Potsawee Manakul, Kunat Pipatanakul

机构 * SCB 10X, SCBX Group（SCB 10X集团） 纠错

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

AI总结 FinCoT通过整合专家金融推理蓝图，提升金融领域模型性能并减少推理成本，实现更可解释的推理过程。

Comments Accepted at FinNLP-2025, EMNLP (Oral Presentation)

PARSE: An Open-Domain Reasoning Question Answering Benchmark for Persian

PARSE：一种面向开放领域的推理问答基准，用于波斯语

Jamshid Mozafari, Seyed Parsa Mousavinasab, Adam Jatowt

机构 * University of Innsbruck（因斯布鲁克大学） 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 PARSE是一个面向开放领域的波斯语推理问答基准，通过多阶段过滤和人工评估确保质量，展示了波斯语提示和结构化提示对性能的提升，为低资源环境下开发和评估推理能力的LLM提供了基础。

Comments Submitted to SIGIR 2026

Guided by Trajectories: Repairing and Rewarding Tool-Use Trajectories for Tool-Integrated Reasoning

轨迹引导：修复与奖励工具使用轨迹以实现工具集成推理

Siyu Gong, Linan Yue, Weibo Gao, Fangzhou Yao, Shimin Di, Lei Feng, Min-Ling Zhang

机构 * School of Computer Science and Engineering, Southeast University, Nanjing, China（东南大学计算机科学与工程学院） ； Key Lab. of Computer Network and Information Integration (Southeast University), MOE, China（计算机网络与信息集成重点实验室（东南大学）） ； State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China, Hefei, China（认知智能国家重点实验室（中国科学技术大学）） 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 AutoTraj通过自动修复和奖励工具使用轨迹，提升大型语言模型在工具集成推理中的性能。

Leveraging LLMs For Turkish Skill Extraction

利用LLMs进行土耳其语技能提取

Ezgi Arslan İltüzer, Özgür Anıl Özlü, Vahid Farajijobehdar, Gülşen Eryiğit

机构 * Kariyer.net, R&D Center（Kariyer.net 研发中心） ； Istanbul Technical University（伊斯坦布尔技术大学） 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 本文利用LLMs提升土耳其语技能提取性能，提出首个土耳其语技能提取数据集，并通过端到端流程实现0.56的性能指标。

From Answer Givers to Design Mentors: Guiding LLMs with the Cognitive Apprenticeship Model

从答案提供者到设计导师：通过认知 apprenticeship 模型引导 LLMs

Yongsu Ahn, Lejun R Liao, Benjamin Bach, Nam Wook Kim

机构 * Boston College（波士顿学院） ； Inria（法国国家信息与自动化技术研究院） ； University of Edinburgh（爱丁堡大学） 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 本文通过认知 apprenticeship 模型引导 LLMs 作为设计导师，提升设计推理和反思反馈质量。