标签
本文提出一个物理接地的多模态智能体框架，用于磁约束聚变装置中性束注入离子源的非平稳自适应调控，在EXL-50U平台455次放电的时序回放中验证了符号化物理量优于波形图像，并在监督运行下实现86.80%的束提取率。
本文提出“求解器充分符号化”概念，从推理算法视角定义符号的计算有用性，并开发反例引导的符号发明算法，用于混合离散-连续机器人规划，在仿真与真实机器人任务中降低求解成本同时保持解质量与可解释性。
SAT-RL 是一种强化学习框架，通过多轮工具执行来训练大语言模型与 Z3 等符号求解器交互，结合合成数据生成、基于求解器增强轨迹的监督预热训练，以及以求解器为依据、采用工具感知奖励的强化学习，以提升模型在域内和域外任务中的逻辑推理能力。
论文提出 SAE-IDF，利用稀疏自编码器和按稀有度加权的特征构建共享坐标系，以在异构系统间匹配符号单元；在 12 项任务上性能超越基于稠密表示的 LLM 基线，同时保持人类可解释性。
本文提出RoleWorld，一种符号化世界建模方法，通过可复用的功能角色抽象实现LLM智能体在不同环境间的知识迁移，在MARS基准上展示了跨环境的稳健泛化能力。
Philip Zucker 提出了 "Refinement E-Graphs"（细化 E-图），它是对 E-图的一种扩展，在等价关系之外增加了具有特权地位的 <= 关系，从而支持单向的细化重写规则，可用于数字电路中 don't-care 逻辑等编译器优化场景。
本文提出了一种神经符号路由器，通过语法推断（L* 算法）学习基于 DFA 的调度器，将结构化查询发送给确定性的符号求解器，并将小型语言模型留给边缘硬件上的开放式问题。在 Raspberry Pi 4B 上进行的评估表明，该路由器的整体准确率达到 98.3%，运行速度比 Program-of-Thought 基线方法快 8.8 倍。
本文提出一个框架，通过几何视觉解析和符号求解来增强大型语言模型，使其在复杂几何问题上达到先进多模态模型的水平，并使用来自2025年中国中考的新基准进行评估。
本文提出了一种名为CDRL（认证驱动强化学习）的框架，该框架利用符号推理生成可重用约束，以改进组合搜索空间中的强化学习，并在中微子味模型发现中得到验证，有效模型率和效率均有所提高。
本文介绍了用于设计神经符号AI系统的RAIL原则（推理、保证、接口、学习），该系统将机器学习与符号推理相结合，并论证了这种方法对于可靠、高效和可信的AI至关重要。
提出SymCA，一种利用LLM将标注物化为全局到局部符号决策过程的可解释列标注框架，相较于基线取得了显著的准确率提升。
本文提出，人工智能记忆巩固应跨域重组知识（如同梦境），而非单纯重放经验，并证明跨域巩固在神经（LoRA微调）和符号系统中均能提升性能。
本文引入归纳逻辑编程来提取强化学习策略的符号化表示，并提出了新颖的可解释性度量（激活率、特征覆盖度、语法距离和语义距离），用于在单智能体和多智能体设置中进行客观评估。
GATS引入了一种基于图增强的树搜索与分层世界模型（符号型、学习型、生成型），消除了规划过程中的LLM调用，在合成任务和压力测试中实现了100%的成功率，优于LATS和ReAct。
本文提出了一种基于模糊逻辑的新的回答集编程（ASP）扩展，通过隶属函数将数值信息与定性推理相结合，并通过一个旅游推荐案例研究进行了演示。
介绍RusFinChain——首个面向金融领域可验证思维链推理的俄语符号基准测试，涵盖17个领域，包含5,280个参数化示例，并增强了评估指标，包括模糊数值对齐。
RuleChef 是一个框架，利用大型语言模型（LLM）为自然语言处理任务（如文本分类、命名实体识别或关系抽取）生成人类可编辑、可执行的规则。它基于任务描述和一组标注示例生成规则，然后根据更多示例和人类对现有规则的反馈进行迭代改进。RuleChef 还可以通过观察任何现有模型在给定任务上的输入-输出对来引导规则生成。LLM 仅在训练阶段使用，合成规则并根据在留出集上测量的失败进行迭代修补。这个过程最终产生一个快速、确定且可审查的规则系统。初步评估在分类和命名实体识别任务上进行。我们将 RuleChef 作为开源软件发布，采用 Apache 2.0 许可。
本文认为，包括GPT-5在内的数据驱动机器学习系统无法仅通过缩放达到符号级别的逻辑推理，原因在于它们在区分逻辑结构与统计规律方面存在固有局限性。
本文提出了过程验证强化学习，利用 Lean 证明助手作为过程预言机，在训练期间提供细粒度的策略级反馈，从而提升定理证明性能。
本文介绍了RecurrReason，这是一个难度可控的基准测试，包含四个符号逻辑谜题，用于评估序列模型中的多步推理能力。在T5和GPT-2上的微调实验表明，架构比规模更能决定成功，且预训练迁移依赖于局部转移结构。