语言大模型 / LLM

STORM: Internalized Modeling for Spatial-Temporal Reasoning in Video-Language Models

STORM: 视频语言模型中时空推理的内化建模

Yiming Liang, Yixiao Chen, Yiyang Zhou, Yixuan Wang, Shoubin Yu, Andong Deng, Fuxiao Liu, Qin Zhang, Chen Chen, Mohit Bansal, Huaxiu Yao

机构 * Purdue（普渡大学） ； Harvard（哈佛大学） ； UNC（北卡罗来纳大学教堂山分校） ； UCF（佛罗里达大学） ； NVIDIA（英伟达） ； Physion Labs（Physion 实验室） 纠错

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

AI总结 提出STORM框架，通过有界连续潜在轨迹内化推理过程，无需显式文本思维链或外部工具，提升视频推理准确性并降低推理开销。

Cross-Lingual Consensus: Aligning Multilingual Cultural Knowledge via Multilingual Self-Consistency

跨语言共识：通过多语言自一致性对齐多语言文化知识

Andrew Ivan Soegeng, Patrick Sutanto, Tan Sang Nguyen

机构 * SAP ； School of Computing, National University of Singapore（国立新加坡大学计算机学院） 纠错

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

AI总结 提出一种自监督框架，利用多语言自一致性和自我批评机制，从本地语言表示中提取文化知识并迁移到英语，以缩小跨语言文化知识差距，在BLEnD基准上平均提升英语查询性能5.03%。

Comments Accepted to The 1st Workshop on Multilinguality in the Era of Large Language Models

ChainFlow-VLA: Causal Flow Planning with Vision-Language Models

ChainFlow-VLA: 基于视觉语言模型的因果流规划

Xiyang Wang, Xinlin Wang, Tingguang Zhou, Gong Chen, Xingtai Gui, Zhi Xu, Xiaolei Wu, Feiyang Tan, Hangning Zhou, Mu Yang

机构 * Afari Intelligent Drive（阿法瑞智能驾驶） ； Tianjin University（天津大学） ； University of Macau（澳门大学） 纠错

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

AI总结 提出ChainFlow-VLA框架，通过自回归生成因果轨迹模式与扩散残差校正的统一概率模型，结合视觉语言模型语义先验，实现自动驾驶中鲁棒的轨迹规划，在NAVSIM v1排行榜上达到94.85分，匹配人类水平。

Interpreting and Enhancing Emotional Circuits in Large Vision-Language Models via Cross-Modal Information Flow

通过跨模态信息流解读并增强大视觉-语言模型中的情感电路

Chengsheng Zhang, Chenghao Sun, Zhining Xie, Xinmei Tian

机构 * MoE Key Laboratory of Brain-inspired Intelligent Perception（脑启发智能感知与认知MOE实验室） ； Cognition, University of Science（认知，科学大学） ； AIPD, Tencent（AIPD，腾讯） 纠错

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

AI总结 本文提出了一种基于转向向量的因果归因框架，用于描述性情感推理，通过构建专用数据集揭示了三阶段'适应-聚合-执行'机制下的情感电路，发现视觉情感线索在中间层通过情感特定的注意力头进行聚合，随后在深层通过情感通用路径转换为叙述生成，并通过调控情感信息路由增强注意力流和语义激活，从而提升性能并缓解情感幻觉。

Comments Accepted by ICML 2026

ORCA: An Agentic Reasoning Framework for Hallucination and Adversarial Robustness in Vision-Language Models

ORCA：一种用于视觉语言模型幻觉和对抗鲁棒性的代理推理框架

Chung-En Johnny Yu, Brian Jalaian, Nathaniel D. Bastian

机构 * University of West Florida（佛罗里达大学） ； United States Military Academy（美国军事学院） 纠错

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

AI总结 本文提出ORCA框架，通过推理时的结构化推理和小规模视觉模型，提升预训练视觉语言模型的事实准确性与对抗鲁棒性，并在幻觉基准和对抗扰动测试中取得显著提升。

Comments Accepted at the ACM International Conference on Cloud and Big Data Computing (ICCBDC 2026)

Pseudocode-Guided Structured Reasoning for Automating Reliable Inference in Vision-Language Models

基于伪代码的结构化推理用于自动化可靠推理在视觉-语言模型中

Weicong Ni, Tianbao Jiang, Linlin Wang

机构 * East China Normal University（东华师范大学） 纠错

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

AI总结 本文提出了一种基于伪代码的结构化推理框架（PStar），旨在通过自适应选择结构化伪代码推理路径，提高视觉-语言模型在复杂任务中的可靠性和鲁棒性，从而减少幻觉现象并提升推理性能。

AgroCoT: A Chain-of-Thought Benchmark for Evaluating Reasoning in Vision-Language Models for Agriculture

AgroCoT：用于评估农业中视觉语言模型推理能力的推理链基准

Yibin Wen, Qingmei Li, Zi Ye, Jiarui Zhang, Xiaoya Fan, Zurong Mai, Jing Wu, Shuohong Lou, Yuhang Chen, Henglian Huang, Yang Zhang, Defeng Gu, Lingyuan Zhao, Yutong Lu, Haohuan Fu, Jianxi Huang, Juepeng Zheng

机构 * Sun Yat-sen University（中山大学） ； Tsinghua University（清华大学） ； Southwest University（西南大学） ； HuanTian Wisdom Technology Co., Ltd.（慧天智慧科技有限公司） ； China Agricultural University（中国农业大学） ； Southwest Jiaotong University（西南交通大学） ； National Supercomputing Center in Shenzhen（深圳国家超算中心） 纠错

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

AI总结 本文提出AgroCoT基准，通过整合推理链（CoT）方法，评估视觉语言模型在农业复杂场景中的推理和问题解决能力，发现现有模型在推理能力上的不足。

Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems

超越个体智能：调查基于大语言模型的多智能体系统的协作、故障归因与自我进化

Shihao Qi, Jie Ma, Rui Xing, Wei Guo, Xiao Huang, Zhitao Gao, Jianhao Deng, Jun Liu, Lingling Zhang, Bifan Wei, Boqian Yang, Pinghui Wang, Jianwen Sun, Jing Tao, Yaqiang Wu, Hui Liu, Yu Yao, Tongliang Liu

机构 * MOE KLINNS Lab（MOE KLINNS实验室） ； School of Computer Science and Technology（计算机科学与技术学院） ； School of Cyber Science and Engineering（网络安全工程学院） ； School of Software Engineering（软件工程学院） ； School of Control Science and Engineering（控制科学与工程学院） ； Shaanxi Provincial Key Laboratory of Big Data Knowledge Engineering（陕西省大数据知识工程重点实验室） ； Laboratory for AI and New Forms of Education（人工智能与新型教育实验室） ； Lenovo AI Technology Center, CTOO, Lenovo（联想AI技术中心，联想CTOO） ； Sydney AI Centre, The University of Sydney（悉尼AI中心，悉尼大学） 纠错

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

AI总结 本文探讨了基于大语言模型的多智能体系统中协作、故障归因与自我进化之间的因果关系，提出LIFE进展模型，系统分类各阶段并揭示其依赖与约束，为自适应多智能体系统提供理论框架和研究方向。

Breaking the Reasoning Horizon in Entity Alignment Foundation Models

突破实体对齐基础模型中的推理地平线

Yuanning Cui, Zequn Sun, Wei Hu, Kexuan Xin, Zhangjie Fu

机构 * Nanjing University of Information Science and Technology（南京信息工程大学） ； State Key Laboratory for Novel Software Technology, Nanjing University（南京大学软件新技术国家重点实验室） ； National Institute of Healthcare Data Science, Nanjing University（南京大学健康数据科学国家研究院） ； University of Queensland（昆士兰大学） ； Engineering Research Center of Digital Forensics, Ministry of Education, Nanjing University of Information Science and Technology（南京信息工程大学数字取证工程研究中心） 纠错

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

AI总结 本文提出基于并行编码策略的实体对齐基础模型，通过局部锚点引导信息流和合并关系图，有效解决实体对齐中长距离依赖捕捉问题，验证了模型在未见过的知识图谱上的强泛化能力。

Can You Keep a Secret? Involuntary Information Leakage in Language Model Writing

你能保密吗？语言模型写作中的非自愿信息泄露

Ari Holtzman, Peter West

机构 * University of Chicago（芝加哥大学） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

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

AI总结 研究测试语言模型能否隐瞒提示信息，发现五种前沿模型通过主题选择、意象和设定等主题泄露秘密词，泄露率高达79%，且模型主动隐藏时仍可被检测到。

HyPER: Bridging Exploration and Exploitation for Scalable LLM Reasoning with Hypothesis Path Expansion and Reduction

HyPER：通过假设路径扩展与缩减实现可扩展的大语言模型推理中的探索与利用平衡

Shengxuan Qiu, Haochen Huang, Shuzhang Zhong, Pengfei Zuo, Meng Li

机构 * Institute for Artificial Intelligence, Peking University, Beijing（北京大学人工智能研究院） ； Huawei（华为） ； School of Integrated Circuits, Peking University, Beijing（北京大学集成电路学院） 纠错

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

AI总结 HyPER通过动态扩展-缩减控制问题优化多路径解码，提升推理准确性与计算效率，实验显示在不同基准上准确率提升8-10%，token使用减少25-40%。

Learning Graph Foundation Models on Riemannian Graph-of-Graphs

在黎曼图-图上学习图基础模型

Haokun Liu, Zezhong Ding, Xike Xie

机构 * School of Biomedical Engineering, University of Science and Technology of China (USTC), Suzhou, Jiangsu, China（生物医学工程学院，中国科学技术大学（USTC），苏州，江苏，中国） ； Data Darkness Lab, Suzhou Institute for Advanced Research, USTC, Suzhou, Jiangsu, China（Data Darkness实验室，苏州市先进研究院，USTC，苏州，江苏，中国） ； School of Artificial Intelligence and Data Science, USTC, Hefei, Anhui, China（人工智能与数据科学学院，USTC，合肥，安徽，中国） 纠错

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

AI总结 本文提出R-GFM，一种基于黎曼图-图的图基础模型，通过多尺度图-图结构建模，提升结构域泛化性能，在多个数据集上取得最佳表现，下游任务相对提升达49%。

Comments This paper has been accepted by ICML 2026

Distilling 3D Spatial Reasoning into a Lightweight Vision-Language Model with CoT

将3D空间推理蒸馏到轻量级视觉-语言模型中：利用推理链

Alaa Asfour, Christopher Indris, Leihan Chen, Tejas Vyas, Guanghui Wang

机构 * Department of Computer Science, Toronto Metropolitan University（多伦多 Metropolitan 大学计算机科学系） 纠错

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

AI总结 本文提出一种知识蒸馏框架，将7B教师模型的3D空间推理能力转移到2.29B学生模型，实现8.7倍更低的推理延迟和3倍模型压缩，同时保留54-72%的性能。引入隐藏推理链提升推理能力，学生模型联合执行空间描述、深度估计和目标检测。

Teaching Language Models to Think in Code

教语言模型用代码思考

Hyeon Hwang, Jiwoo Lee, Jaewoo Kang

机构 * Korea University（韩国大学） ； AIGEN Sciences（AIGEN科技） 纠错

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

AI总结 本文提出ThinC框架，通过代码自身进行推理而非依赖自然语言，提升了数学问题解决能力，其在多个基准测试中表现优异。

Comments Preprint

Mind-Paced Speaking: A Dual-Brain Approach to Real-Time Reasoning in Spoken Language Models

有意识说话：一种双脑方法用于语音语言模型中的实时推理

Donghang Wu, Haoyang Zhang, Jun Chen, Xiangyu, Zhang, Hexin Liu, Eng Siong Chng, Fei Tian, Xuerui Yang, Xiangyu Zhang, Daxin Jiang, Gang Yu

机构 * StepFun ； Nanyang Technological University（南洋理工大学） ； 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 ：language model(title,abstract)；分类 cs.CL

AI总结 本文提出Mind-Paced Speaking方法，通过双脑架构实现语音语言模型的实时推理，显著提升推理性能并降低延迟。

Implicit Compression Regularization: Concise Reasoning via Internal Shorter Distributions in RL Post-Training

隐式压缩正则化：通过内部更短分布实现简洁推理（在强化学习后训练）

Chen Wang, Hexuan Deng, Yining Zhang, Yuchen Zhang, Jionghao Bai, Zhaochun Li, Ge Lan, Yue Wang

机构 * College of Software, Nankai University（南开大学软件学院） ； Zhongguancun Academy（中关村学院） ； Harbin Institute of Technology（哈尔滨工业大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； East China Normal University（华东师范大学） ； Zhejiang University（浙江大学） ； Beijing Institute of Technology（北京理工大学） 纠错

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

AI总结 本文提出隐式压缩正则化（ICR），通过内部更短分布实现简洁推理，改进强化学习后训练中的推理效率和准确性。

FRISM: Fine-Grained Reasoning Injection via Subspace-Level Model Merging for Vision-Language Models

FRISM：通过子空间级模型融合实现细粒度推理注入用于视觉-语言模型

Chenyu Huang, Peng Ye, Xudong Tan, Jinhan Mu, Shenghe Zheng, Li Shen, Tao Chen

机构 * College of Future Information Technology, Fudan University, Shanghai, China（复旦大学未来信息科技学院，中国） ； Shanghai Innovation Institute, China（上海创新研究院，中国） ； The Chinese University of Hong Kong, China（香港中文大学，中国） ； Harbin Institute of Technology, China（哈尔滨工业大学，中国） ； Shanghai Artificial Intelligence Laboratory, China（上海人工智能实验室，中国） ； Sun Yat-Sen University, Shenzhen, China（暨南大学深圳校区，中国） 纠错

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

AI总结 FRISM通过子空间级模型融合实现细粒度推理注入，有效提升视觉-语言模型的推理能力并保持视觉能力。

Comments Accepted by ICML 2026

MIRL: Mutual Information-Guided Reinforcement Learning for Vision-Language Models

MIRL：基于互信息的强化学习用于视觉-语言模型

Yin Zhang, Jiaxuan Zhao, Zonghan Wu, Zengxiang Li, Junfeng Fang, Kun Wang, Qingsong Wen, Yilei Shao

机构 * School of Mathematics, Tianjin University, Tianjin, China（天津大学数学学院） ； Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China（中国科学院信息工程研究所） ； Shanghai Advanced Institute of Finance (SAIFS), East China Normal University, Shanghai, China（上海先进金融研究所（SAIFS），东华大学） ； ENN Group, Digital Technology Research Institute, China（ENN集团，数字技术研究院） ； Nanyang Technological University, Singapore（南洋理工大学） ； National University of Singapore, Singapore（新加坡国立大学） 纠错

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

AI总结 MIRL通过利用生成描述与视觉输入之间的互信息，解决视觉语言模型在复杂推理任务中的感知误差和幻觉问题，提升回答准确性。

The Effects of Visual Priming on Cooperative Behavior in Vision-Language Models

视觉提示对视觉语言模型合作行为的影响

Kenneth J. K. Ong

机构 * ST Engineering, Singapore（1 ST工程，新加坡） 纠错

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

AI总结 本文研究了视觉提示如何影响视觉语言模型在囚徒困境中的合作行为，通过图像内容和颜色奖励矩阵实验，发现图像内容和颜色提示对模型决策模式有影响，不同模型的敏感性和缓解效果各异。

Understanding Adversarial Transferability in Vision-Language Models for Autonomous Driving: A Cross-Architecture Analysis

理解视觉语言模型在自动驾驶中的对抗转移性：跨架构分析

David Fernandez, Pedram MohajerAnsari, Amir Salarpour, Mert D. Pese

机构 * School of Computing, Clemson University, USA（克莱姆森大学计算机学院） 纠错

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

AI总结 本文通过跨架构研究探讨视觉语言模型在自动驾驶中的对抗转移性，评估了三种架构在不同场景下的对抗效果，发现高跨架构有效性。

Comments 9 pages, 2 figures. Accepted at SAE WCX 2026

Journal ref SAE Technical Paper 2026-01-0170, SAE WCX 2026

Self-Jailbreaking: Language Models Can Reason Themselves Out of Safety Alignment After Benign Reasoning Training

自我越狱：语言模型在良性推理训练后可通过推理自行摆脱安全对齐

Zheng-Xin Yong, Stephen H. Bach

机构 * Brown University（布朗大学） 纠错

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

AI总结 研究发现推理语言模型在良性训练后可能通过引入良性假设来规避安全限制，提出通过增加安全推理数据训练可缓解该问题。

Comments Published in The Fourteenth International Conference on Learning Representations (ICLR) 2026

SketchVLM: Vision language models can annotate images to explain thoughts and guide users

SketchVLM：视觉语言模型可以注释图像以解释思路并引导用户

Brandon Collins, Logan Bolton, Hung Huy Nguyen, Mohammad Reza Taesiri, Trung Bui, Anh Totti Nguyen

机构 * Auburn University（阿伯拉罕大学） ； Adobe Research（Adobe研究） 纠错

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

AI总结 SketchVLM通过生成可编辑的SVG叠加图提升视觉推理和绘图任务的准确性与注释质量，实现高达28.5%的精度提升和1.48倍的注释质量提升。

MiMo-Embodied: X-Embodied Foundation Model Technical Report

MiMo-Embodied：X-Embodied基础模型技术报告

Xiaoshuai Hao, Lei Zhou, Zhijian Huang, Zhiwen Hou, Yingbo Tang, Lingfeng Zhang, Guang Li, Zheng Lu, Shuhuai Ren, Xianhui Meng, Yuchen Zhang, Jing Wu, Jinghui Lu, Chenxu Dang, Jiayi Guan, Jianhua Wu, Zhiyi Hou, Hanbing Li, Shumeng Xia, Mingliang Zhou, Yinan Zheng, Zihao Yue, Shuhao Gu, Hao Tian, Yuannan Shen, Jianwei Cui, Wen Zhang, Shaoqing Xu, Bing Wang, Haiyang Sun, Zeyu Zhu, Yuncheng Jiang, Zibin Guo, Chuhong Gong, Chaofan Zhang, Wenbo Ding, Kun Ma, Guang Chen, Rui Cai, Diyun Xiang, Heng Qu, Fuli Luo, Hangjun Ye, Long Chen

机构 * Xiaomi Embodied Intelligence Team（小米具身智能团队） 纠错

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

AI总结 MiMo-Embodied是首个跨具身基础模型，成功整合并实现自动驾驶和具身AI领域的最先进性能，在17个具身AI基准和12个自动驾驶基准中均取得新纪录，通过多阶段学习、数据构建和CoT/RL微调实现领域间的强正迁移。

Comments Code: https://github.com/XiaomiMiMo/MiMo-Embodied | Model: https://huggingface.co/XiaomiMiMo/MiMo-Embodied-7B

A systematic evaluation of vision-language models for observational astronomical reasoning tasks

对视觉语言模型在观测天文学推理任务中的系统评估

Wenke Ren, Hengxiao Guo, Wenwen Zuo, Xiaoman Zhang

机构 * Shanghai Astronomical Observatory, Chinese Academy of Sciences（上海天文台，中国科学院） 纠错

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

AI总结 本文系统评估了视觉语言模型在观测天文学推理任务中的表现，发现模型性能依赖于模态，且物理知识 grounding 对提升准确性至关重要。

Comments 24 pages, 5 figures

PhysNote: Self-Knowledge Notes for Evolvable Physical Reasoning in Vision-Language Model

PhysNote: 为视觉-语言模型中的可进化物理推理提供自我知识笔记

Sinin Zhang, Yunfei Xie, Yuxuan Cheng, Haoyu Zhang, Tong Zhang

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； Rice University（里奇大学） ； City University of Hong Kong（香港城市大学） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出PhysNote框架，通过自我生成的知识笔记提升视觉-语言模型在动态物理推理中的表现，实验显示其在PhysBench上达到56.68%的准确率，优于多智能体基线。

Comments 11 pages. Accepted by ICLR 2026 Workshop ES-Reasoning

Discovering Failure Modes in Vision-Language Models using RL

通过强化学习发现视觉-语言模型的失败模式

Kanishk Jain, Qian Yang, Shravan Nayak, Parisa Kordjamshidi, Nishanth Anand, Aishwarya Agrawal

机构 * Mila – Québec AI Institute（魁北克AI研究所） ； Université de Montréal（蒙特利尔大学） ； Michigan State University（密歇根州立大学） ； McGill University（麦吉尔大学） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） 纠错

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

AI总结 本文提出基于强化学习的框架，自动发现视觉-语言模型在特定数据分布上的失败模式，通过生成问题来识别模型在细粒度视觉细节和技能组合上的不足。

Graph-to-Vision: Multi-graph Understanding and Reasoning using Vision-Language Models

图到视觉：利用视觉-语言模型进行多图理解与推理

Qihang Ai, Ruizhou Li, Menghui Wang, Haiyun Jiang

机构 * Nanyang Technological University（南洋理工大学） ； Shandong University（山东大学） ； Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

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

AI总结 本文提出首个评估和提升视觉语言模型多图推理能力的基准，涵盖四种常见图类型并支持复杂任务，评估了多种先进模型并验证了数据集的有效性。

Comments 26 pages, 23 figures

Seeing Isn't Believing: Uncovering Blind Spots in Evaluator Vision-Language Models

看到并不等于相信：揭示评估者视觉-语言模型的盲区

Mohammed Safi Ur Rahman Khan, Sanjay Suryanarayanan, Tushar Anand, Mitesh M. Khapra

机构 * Nilekani Centre at AI4Bharat（AI4Bharat的Nilekani中心） ； Indian Institute of Technology Madras（印度理工学院马德拉斯分校） ； BITS Pilani, Hyderabad（海得拉巴 BITS学院） 纠错

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

AI总结 本文系统评估了评估者视觉-语言模型在I2T和T2I任务中的可靠性，通过引入针对性扰动测试其在对象幻觉、空间推理等关键错误维度上的检测能力，发现当前模型存在显著盲区。

Exploring Collatz Dynamics with Human-LLM Collaboration

通过人类-大语言模型协作探索科拉兹动力学

Edward Y. Chang

机构 * Stanford University（斯坦福大学） ； QuadriumAI 纠错

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

AI总结 本文通过1014次计算实验，系统分析科拉兹猜想，利用29种数学方法揭示分布收敛到点收敛的不可还原障碍，证明了科拉兹猜想难以证明的本质原因。

Comments 233 pages, 11 figures, 52 tables

An Existence Proof for Neural Language Models That Can Explain Garden-Path Effects via Surprisal

神经语言模型解释路径效应的存在性证明

Ryo Yoshida, Shinnosuke Isono, Taiga Someya, Yohei Oseki, Tatsuki Kuribayashi

机构 * The University of Tokyo（东京大学） ； NINJAL ； NII LLMC（日本国家研究所语言模型中心） ； MBZUAI（穆桑大学人工智能研究所） 纠错

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

AI总结 本文通过微调神经语言模型，证明其能通过惊奇度解释路径效应，并提升对自然语料阅读时间的预测能力，同时引发对惊奇度理论的质疑。

Comments To appear in ACL 2026