标签
SketchDirector 是一个用于复杂场景草图生成的智能体框架，通过大语言模型将文本提示分解为矢量资产，基于自演化记忆进行迭代布局推理，并利用扩散先验优化细节，同时发布了 MCSketch8K 数据集以支持后续研究。
一份由研究者精选的入门必读论文清单，共 3 篇：Search-R1 打基础，Agent Lightning v1.0 了解实践前沿，以及一篇综述纵览 LLM 的 agentic RL 全景。帖子附有 Search-R1 论文链接，该论文训练 LLM 在逐步推理过程中自主生成搜索查询并结合实时检索。
OA-RAG 是一种智能体框架，将基于形式化本体的推理与大语言模型（LLM）推理相结合，以提高检索增强生成的忠实性，报告依据级别（逻辑蕴含、有支持、相关、不相关），并在基于大规模本体构建的医学问答基准上取得领先表现。
该论文提出一个基于本体引导的多智能体差分诊断框架，将诊断推理锚定在结构化的医学知识库上，通过显式、可审计的推理步骤减少幻觉并提升可解释性，同时自动生成追问以降低不确定性。
研究人员推出了 Solvent，这是一个拥有 80 亿参数的大语言模型，通过结合强化学习与迭代式路线修订的两轮后训练课程，将长程推理扩展至多步逆合成，在四项基准测试中取得了 61.86% 的成绩，媲美前沿的万亿参数模型。
提出一个基于语料库的多智能体LLM系统通信失败分类体系，基于3211条失败轨迹分析发现失败主要源于恢复/校正与共识/决策问题，而非首轮错误，并建议加强分歧处理与少数信号保留。
该论文分析了基于结果奖励的强化学习（Outcome RL）对大模型数学与物理推理能力的影响，发现 pass@1 的提升主要来自更快完成回答（完成度）和更高的可靠性，而极少带来真正解决新问题的能力（能力边界）。
S3AC 提出一种稳定的 Actor-Critic 训练方法与难度感知提示采样（DAPS），在不依赖分组 rollout 的情况下改进大模型的长链推理，性能优于 GRPO-X 等现代基线，并可在 35B 模型上维持单 rollout 训练。
ReAPO 提出一种基于随机最短路径视角的重试感知策略优化方法，对 GRPO 进行改进，将额外生成分配给失败轨迹以实现更有原则的信用分配，在 Qwen3 和 OLMo-2 系列模型的数学与科学推理基准上显著提升首次尝试性能并减少生成 token 数。
该论文提出两阶段诊断评估方法，检验以图结构表示的LLM推理链的结构可靠性，发现图的可靠性随拓扑、提示设计和模型族而变化，且图结构对不确定性估计的校准和节点级诊断有帮助，但作为提示上下文时收益有限。
本文提出了一种面向软思维链（soft CoT）的稀疏松弛强化学习方法 SpaRLax，利用 entmax 实现自适应稀疏度，从而在不同时间步上传递梯度，并在九个推理基准上取得了优于基线方法的平均性能。
提出 Self-Assessment 强化学习框架（SARL），让检索增强的 LLM 搜索智能体在训练中学会感知自身搜索状态、识别缺失信息，从而提升搜索效率而无需额外推理时评估，在多跳推理与深度研究基准上取得显著相对提升。
一位用户指出其中的讽刺意味：AI模型已经解决了一些最难的未解数学难题，但很多人仍然认为AI连基本的乘法都做不好，这一话题源于一条关于ChatGPT算错乘法的吐槽。
该论文提出了依赖假说：在知识密集型任务中，大语言模型在低资源语言上的思维链忠实性更高，因为当模型无法直接回忆出答案时，会更加依赖推理过程。该效应在四个模型和多种忠实性度量上得到复现，而模型置信度可部分解释资源水平带来的影响。
探索如何利用大语言模型的思维链推理来解决纳维–斯托克斯数学论证的最后一步，将人工智能驱动的推理与流体动力学中的未解问题及千禧年难题相结合。
本文提出，通过以信息增益为奖励，训练指导动作选择的推理过程，将序贯贝叶斯实验设计摊销到大语言模型中。在“二十问”任务上训练得到的策略，以更低的成本超越了训练时和推理时的贝叶斯实验设计（BED）基线，能够泛化到未见过的类别，并迁移至 Medi-Q 临床对话基准。
论文提出 LePhilBench 基准，用于评估大语言模型的法律哲学推理能力，包含法理学画像与法理学感知的判决预测两项任务，测试集由 220 份美国最高法院判决构成，并由法律专业标注者生成 9,240 条法律哲学标签。
该论文提出 Librarian Agents 框架，利用强化训练 builder agent 将原始文档重组为可复用的层级化工作区，以服务未来的多样化查询。在 BrowseComp-Plus 上比最强检索与预计算基线高出 33 个百分点，并在 BRIGHT 上零样本泛化提升 31 个百分点。
该论文研究在智能体循环中，System One 模型选择错误动作的原因，发现大多数错误动作是在正确读取状态事实后仍行动错误，而非误解输入，并揭示模型无法组合已知事实来确定下一步动作。
SHELDON 是一个科学推理框架，通过在假设空间和观测空间中进行联合且独立的搜索来提升 LLM 的推理能力，在诊断、抽象推理和优化基准上较基线最高提升 26.7 分，并生成多达 4.5 倍的新颖解决方案。