证据推理 LLM-DailyDigest 2026-08-16 2026-08-16 约 100 字 预计阅读 1 分钟 证据推理 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 临床诊疗核查 1 MedGuard：嵌入诊疗流程的医学事实核查守门人 08-25 事实核查 3 PremiseCheck：高效核查人类与 AI 同行评审中的事实错误 10-18 多轮证据消融评估与改进大模型事实核查 09-09 ReflectFact：自反思智能体提升多跳事实核查 08-16 信用分配 2 FALCA：面向长程深度搜索智能体的证伪感知强化学习与分层信用分配 10-21 多轮搜索智能体强化学习中的证据归因 GCA 10-19 医疗人工智能 1 X-Ragent：工具增强强化学习驱动的胸部 X 光证据推理 10-18 医疗人工智能评测 3 MedEVM：动态医疗诊断中的证据价值错位评测 09-30 WearableQA：真实世界可穿戴数据健康推理基准 09-11 BALMS：面向纵向心理健康感知的智能体大模型基准 08-28 可信推理 2 SLITE：基于语言学特征的可解释文本蕴含模型 09-22 LEAP：逐证据似然聚合实现可追溯概率预测 09-07 多智能体系统 3 集体涌现对齐：多智能体交互诱导推理对齐的测量与增强 10-27 迭代自精炼的 NL2SQL 多智能体框架 10-19 TrialAtlas：面向临床试验设计与优化的多智能体研究组织 09-21 多模态学习 1 计算机视觉与知识增强语言模型辅助智能养蜂 10-22 多模态推理 2 Omni-Streaming Thinking：全流式多模态思维 09-16 OCR-MetaReasoning：文本密集图像元推理评测基准 09-01 多跳推理 6 Beyond Retrieval Failure：多跳 RAG 为何遗漏关键证据 10-18 Explore-on-Graph：面向不完整知识图谱的混合嵌入与 LLM 推理 10-01 ConRAG：轻量级多跳关系推断 09-30 EIR：分离证据检索与推理重建，减少多跳智能体重试 09-29 多跳问答中的事实落地差距诊断 09-16 Hi-Q：层次化证据引导的多跳问答查询优化 09-03 学术搜索 4 TRACE：面向 LitTraceQA 的目标感知检索与契约约束抽取 10-01 Large Knowledge Model：从论文到科学推理景观 09-24 Lit3R：面向科学文献证据问答的检索—关联—阅读系统 09-16 ReCite：面向忠实引用的智能体推理框架 09-09 安全评测 1 RiskChainBench：混淆消息还原与证据驱动网络调查基准 09-19 工具调用 1 RECAST：通过自适应证据路由计算正确上下文 10-08 并行推理 1 TRACE：基于跨轨迹证据的并行搜索智能体轨迹选择 10-01 幻觉检测 4 RAGScope：面向 RAG 幻觉分流的防泄漏低成本证据门控协议 10-01 Enoki：高效多级幻觉检测框架 09-08 利用 SQL 符号能力实现无监督幻觉检测 09-07 GRACE：基于证据图谱的反思式智能体知识扩展框架 09-07 形式化证明 1 FYAN：面向文档级形式化的语义审计人机协作框架 10-01 思维链 2 ReDiST：面向学生能力的推理轨迹构造与蒸馏 10-19 推理轨迹与证据冲突时：回答配置如何影响证据遵循 10-18 推理研究综述 1 推理-搜索增强 LLM：操作分类、基准分析与受控证据综述 10-22 推理评测 1 EnigmaForge：问题隐藏在故事中的逻辑推理评测 09-25 搜索能力评测 1 扫描还是索引？长文档 RAG 的证据覆盖、答案质量与成本 10-22 数据策展 1 LongForge：用证据-断言推理图度量与改进长上下文指令数据 10-19 文档推理 1 Policy Central：警务政策冲突、冗余与相似性检测 10-22 智能体框架 1 ReDence：面向社会工程诈骗的证据驱动混合智能体框架 10-23 智能体评测 6 LongSearchEval：面向长程网页搜索的轨迹感知智能体评测 10-27 MMEnterprise-Bench：演化多模态记录下的企业智能体评测 10-21 HyperBrowseComp：网页浏览智能体的多语言多模态压力测试 10-08 Era by Eon：企业智能体隐性知识评测基准 09-25 MolDesignBench：面向场景化分子设计的 LLM 智能体评测 09-24 面向编程智能体的状态条件最小充分证据恢复 09-18 机制发现 1 MechBench：评测 AI 科研智能体的机制发现能力 09-30 机器遗忘 1 RD-Forget：智能体该遗忘什么？分离记忆存储与使用 09-10 模型可靠性 3 NSCR-LLM：开放权重模型的地理推理忠实性基准 10-01 越南劳动法跨语言问答：检索、翻译与验证器引导纠错 09-24 语言模型诊断受损奖励通道：易抓说谎，难证清白 09-16 模型微调 1 Span Readout 与选择性适配改进 JEV 蕴含重排序 10-27 状态追踪 1 BELIEFRAG：面向演化证据的状态感知自适应 RAG 10-01 知识图谱推理 1 SIRLM：结构内化规则语言模型实现可信知识图谱推理 08-19 神经符号人工智能 1 基于原子命题图的可解释自然语言推断 09-16 科研评测 4 量化 LLM 科研智能体的主张平滑现象 10-27 PhysClosureBench：评测科研智能体的证据闭合能力 10-18 RAP：研究注意力预测揭示目标条件化证据获取偏差 09-10 TruthInsightBench：基于证据的开放式科学发现智能体评测基准 09-07 科研预评审 1 磐石上线“创新评价”AI评审智能体 08-20 答案验证 1 ClaimScope：标签盲见证验证的数学主张审计基准 10-18 编程工具 1 REA：用 AI 智能体编排工具链实现软件逆向工程 10-18 自动化科学研究 1 Andromeda 2：证据驱动的自主实验室药物制剂开发智能体 09-17 自我反思 1 SRCoT：端侧 LLM 的闭环检索—反思—修订生成框架 10-19 自进化 1 Sirchmunk：免索引动态检索与知识自进化框架 10-08 规则推理 2 决策模型中规则迁移、联合可靠性与信息利用的受控测试 10-22 InterPact：验证规则决策中的关键证据 10-01 视觉推理 1 LOCI：定位器-批评器视觉证据迭代框架 09-01 记忆仲裁 1 超越记忆多数票：多智能体记忆仲裁的潜在来源推理 08-21 记忆能力评测 4 HABIT-Bench：评估智能体从长期弱证据中归纳用户习惯 10-29 SciValidityBench：科学智能体记忆的证据使用有效性评测 10-27 ColaBench：评测个人智能体的记忆引导知识获取 10-23 MOSAIC：全模态对话智能体长期记忆与跨模态推理基准 10-22 证据仲裁 1 文本与数字冲突时：大模型的证据仲裁 08-21 评测基准 5 OmniCompass：全模态视频定位与理解综合基准 10-18 SEAR：面向音频语言模型的伪造证据落地推理基准 10-01 MechReasoner：定性物理机械推理模拟器与评测基准 09-30 BENCHCOMPASS：支付领域大模型训练与脚手架决策评测基准 09-17 EviScope：基于配对反事实证据的忠实性诊断基准 09-16 评测审计 4 真实 PMID、错误论文：生物医学声明核验智能体的 Harness 设计 10-22 法律思维链忠实性的反事实审计：引用不等于采纳 10-09 搜索如何塑造结论：审计深度研究智能体的证据选择偏差 10-01 Copy Ceiling：本体 grounding 生成中的输入暴露控制 09-22 评测编排 1 HarnessEval：以可执行 Harness 重构 Benchmark 08-19 长期记忆 5 复杂智能体记忆并非总是必要：朴素 Raw-RAG 基线更强 10-23 MemCompile：面向长期智能体记忆的查询条件化证据编译 10-19 QGMem：面向长期对话智能体的查询感知事件图记忆 10-09 MemAdapter：反事实适应缓解记忆诱导型谄媚 10-08 相关不等于充分：长期记忆问答中的证据缺口弥合 10-08
