标签
介绍了Neuro-Symbolic Drive，一个使用来自经典规划器的基于规则推理轨迹来微调驾驶VLA（Qwen3.5-4B）的框架，与标准CoT推理相比，显著降低了平均位移误差和漏检率。
本文正式提出了基础模型与知识图谱之间的“阻抗不匹配”概念，并利用结构化残差流、向量符号架构和正交子空间编辑，提出了一种神经符号融合的理论路线图。
作者描述了他构建的一个明斯基大脑：一个由40多个LLM代理组成的运行时，它们按照连接组（connectome）连接，并按系统发育阶段排列，以模拟大脑。他寻求关于如何在Reddit上发布这个项目的建议。
IVIE是一种神经符号方法，结合用于创意生成的大语言模型与符号验证，以生成连贯且可玩的互动小说世界。人工评估表明其世界具有沉浸感和主题连贯性。
本文介绍了SPIN，一种用于去中心化多智能体集群控制的框架，该框架利用张量网络分解将计算复杂度从指数级降低到线性级，从而支持低功耗边缘部署。通过仿真对追踪、覆盖和协调任务进行了验证。
PandaAI提出了一种用于量化金融序列决策的闭环神经符号LLM智能体，通过集成市场状态建模和约束Alpha生成来应对金融数据的低信噪比和非平稳性，在性能上较最先进的时间序列模型有显著提升。
BiNSGPS 是一个框架，在多模态 LLM 顾问与符号求解器之间引入双向交互机制，用于几何问题求解。该框架允许求解器将反馈传递回顾问，以纠正错误并生成辅助假设。在 Geometry3K 和 PGPS9K 基准测试上分别取得了 90.5% 和 90.1% 的最优性能。
密歇根大学的研究人员推出了MechSim——一个基于机制的神经符号推理框架，使LLM智能体能够对科学模拟器的内部假设、依赖关系和执行行为进行推理，而非将其视为黑盒。该框架在医疗、金融和公共政策等高风险领域提升了解释质量与决策可靠性。
AXIOM是一种信任优先的神经符号执行架构，用于数学推理。其中LLM作为规范化器，将自然语言问题重写为由确定的CAS管道处理的模式，在可解析查询上实现了94.36%的正确率和100%的信任度。
介绍DisjunctiveNet，一个统一的端到端框架，通过可微凸优化层在神经网络中强制执行硬性的、输入相关的混合整数线性约束，在真实世界数据集上实现完美的规则满足。
PhyDrawGen 是一个神经符号管道，它结合基于大语言模型的场景理解、确定性约束求解器以及基于视觉语言模型的验证循环，从自然语言生成物理精确的示意图，在物理问题基准测试中优于现有模型。
本文提出了一种神经符号框架，通过将一致性校正推迟到后提取阶段，从文本中构建基于本体的知识图谱，从而减少令牌使用，同时提高知识图谱的一致性并保持问答性能。
本文提出了一种针对高风险领域LLM输出的神经符号验证架构，结合形式化符号方法与神经语义分析。在一个医疗器械损伤评估系统上进行的评估显示，该架构对结构化实体的幻觉检测率超过83%，语义虚构的检测率达72%，报告创建时间缩短30%。
本文探讨如何利用大语言模型（LLM）在基于规则的交互式叙事系统中预测状态变化，旨在提升叙事连贯性与玩家表现力。使用 Llama 3 70B 和 Gemini 1.5 Flash 进行的实验表明，世界状态转换既能维持一致性，又能鼓励玩家进行创造性输入。
SciAtlas是一个大规模、多学科的知识图谱，包含超过4300万篇论文和30亿个三元组，旨在通过神经符号检索算法为AI驱动的自动化科学研究提供结构化知识。
ReacTOD提出了一种用于零样本对话状态跟踪的有界神经符号架构，采用带有确定性验证的自校正ReAct循环。它在MultiWOZ和Schema-Guided Dialogue基准上取得了最先进的结果，将联合目标准确率提升了多达14个百分点。
介绍了ANNEAL，一种神经符号代理，能将重复性故障转化为过程知识图谱的受控符号编辑，无需修改模型权重，在测试环境中实现持久的结构修复并消除重复性故障。
提出了Logic-GNN，一种神经符号框架，通过时序图神经网络和图柯尔莫哥洛夫复杂度归纳出临床记录的符号语法，从而能够将数据录入错误检测为语法违规并进行纠正。该系统在一个大型医疗数据集上取得了0.94的F1分数，性能比现有最佳方法提升12%。
本文实证研究了LLMs在税法中的法律推理，表明数据污染会夸大性能，而神经符号混合系统比单体LLMs提供更可靠和稳健的泛化能力。
本文提出了NSPI，一种结合LLM与符号计算的神经符号框架，用于证明多项式不等式。它利用LLM生成的平方和猜想，通过符号计算进行精炼，并在Lean中形式化验证证明，在最多10个变量的多项式上展示了可扩展性。