标签
本文构建了 EventTyp 和 EventTypGold 语料库，用于研究对话中的典型性与非典型性推断，发现人类依赖三种线索——常识知识、话语强调和挖苦——而大语言模型由于缺乏有关事件典型性的常识知识，在此类推断中表现不佳。
该论文提出一个基于回答集编程(ASP)的混合声明式框架，用于对交互式运动轨迹进行可解释的前瞻性推理，并在Argoverse 2基准上进行评估，每个预测轨迹都附带可检查的事件级假设。
CogGym 是一个可扩展框架，利用认知实验比较人类与AI认知能力，研究发现规模更大的语言模型能更好地模仿人类推理，但仍落后于形式化基准。
一篇论文发现，推理模型和人类在相似的常识性问题上都会遇到困难，且在多次运行取平均值后，思维链（Chain-of-Thought）的 token 数量与人类反应时间呈正相关，这使其成为衡量问题难度的更可靠信号。
一篇新论文提出了SaliTrap，一个包含1,145个提示的基准测试，揭示了大语言模型知道任务不可能完成，但仍然会针对显式细节进行优化，这种失败被称为显著性偏差。即使是最好的模型，也只有约55%的时间能避开陷阱，而且察觉陷阱往往并不能阻止其遵从。
本文介绍了SaliTrap，一个揭示大语言模型在常识推理中存在显著性偏差（即被显式但无关的条件分散注意力）的基准。研究表明，这种失败主要源于知识抑制而非知识缺失，并且简单的提示即可缩小这一差距。
TouchThinker 引入了百万量级的触觉推理数据集和基准，利用动作感知表示实现高效推理，将触觉常识推理扩展到开放世界场景。
本文识别了LLM智能体中的一个关键失效模式：当新证据与先前信念冲突时，它们无法更新个性化记忆。本文引入了STALE基准和一个三维探测框架，揭示了即使最佳模型也仅达到55.2%的准确率，并提出了CUPMem作为鲁棒记忆修正的原型。