ARCANA：用於 ARC-AGI-2 推理的多代理框架
ARCANA 是一個協作式多代理框架，旨在於嚴格限制下解決複雜的 ARC-AGI-2 任務。它結合了以物件為中心的感知、潛在程式策略和反思性回饋，以提高推理效率。
Search
Tag: #symbolic-ai11 results
OCM：透過可執行環境建模提升 Agent 任務表現
OCM 提出了一種新穎的框架，將 Agent 的經驗組織為基於 Python 的可執行物件與程序知識庫。此方法使 Agent 能夠維護可驗證的長期記憶，從而提升在複雜環境中的表現並減少無效操作。
利用符號反饋提升 LLM 規劃的可靠性
本研究提出了一種框架，利用符號驗證器在 LLM 進行長程規劃時提供修正反饋。透過將邏輯符號映射為自然語言，該系統顯著提升了任務的可行性與目標達成率。
PrologMCP：用於 LLM 代理的標準化 Prolog 工具介面
PrologMCP 是一個開源伺服器，讓 LLM 代理能透過 Model Context Protocol (MCP) 使用 Prolog 進行符號推理。它允許代理將複雜的演繹任務委派給形式化求解器，在邏輯密集型基準測試中，其準確度顯著優於標準 LLM 推理。
Palantir的AI驅動盈利逆轉
Palantir靠大量工程師部署的本體論平台熬過20年虧損，2023年起在大模型浪潮中實現盈利。CEO Alex Karp哲學強調人機共生而非代碼。本體論抽象國防、金融等複雜領域，支持因果推理。
🔬
物理學迫使AI符號語義
挑戰視覺AI中靜態語義的不完整性，提出適用於受限代理的動態觀察語義纖維叢。證明透過蘭道爾原理的熱力學限制產生語義常數B，需要相變至離散符號結構。語言成為避免資訊崩潰的本體論必要性。
讓 AI 推理變得可驗證
這篇立場論文主張，AI 推理應被操作性地定義為一種以有效且健全推論為基礎、可學習的規則式流程。論文提出基於文獻整合的框架與檢核清單，讓推理評估更加嚴謹且可驗證。
全新 AI 工具可創造出完全原創且具功能性的語言
一款全新的 AI 工具已開發完成，它不僅能進行翻譯，還能發明全新的語言。該工具能從零開始生成獨特的語音、語法結構和詞彙系統。
DiBS：用於約束滿足問題的擴散模型分支選擇
DiBS 是一種將擴散模型整合至符號求解器的新方法，旨在優化 Sudoku 等約束滿足問題中的分支選擇。透過擴散模型作為引導，該方法顯著降低了複雜實例中的搜尋成本與回溯次數。
一階知識庫演進的的多項式複雜度分析
研究人員證明，針對局部效應、正規及非循環動作類別的一階演進僅呈多項式成長。此發現確保了知識庫更新能維持在可判定片段內，提升了 AI 推理的實際應用價值。