标签
XLOG是专为神经符号集成设计的CUDA原生逻辑编程引擎，通过共享的类型化前端和CUDA运行时结合神经感知与符号推理，在训练和推理中实现显著的性能提升。
本文介绍了一种生产级企业分析系统，该系统通过领域专家技能和知识编译，将交互模式从问题优先反转为分析师优先，从而实现带有验证指标和建议问题的主动分析。
提出 Moose，一种神经符号方法，将 OWL 2 EL 本体编译为句子决策图（SDD），用于可微加权模型计数，从而在部分监督下实现潜概念学习，并首次在 OWL EL 设置中提供推理捷径分析。
本文形式化了LLM维基的流式知识编译，引入了一个重要性信号，用于在token预算下从流式语料库中主动固定重要文档。它证明了O(√(T log K))的遗憾界，并在金融和维基百科领域验证了该方法，表明遗憾分析是一种可靠的评估指标。
本文介绍了 WiCER，这是一种将领域知识编译到 LLM Wiki 系统中的迭代算法，旨在最大限度地减少知识蒸馏过程中的信息丢失和灾难性失败率。研究表明，与盲编译方法相比，该方法通过更好地保留关键事实，改进了全上下文 KV 缓存推理的效果。
本文介绍了认知智能体编译（CAC），这是一个利用教师大语言模型（Teacher LLMs）将问题求解知识编译为显式、可检查智能体的框架，专用于教育应用。该框架旨在通过将知识表示与策略及验证规则分离，解决标准大语言模型中缺乏可控性和可解释性的问题。