DUPLEX：可靠LLM機器人規劃
DUPLEX 是一種神經符號架構，將 LLM 限制於資訊提取以進行基於 PDDL 的機器人規劃。快速系統使用輕量 LLM 快速將自然語言映射至 PDDL；規劃失敗時啟動慢速系統進行迭代修復。在 12 個規劃領域的成功率優於基準。
Search
Tag: #neuro-symbolic29 results
Stepwise：神經符號式證明搜尋
Stepwise 提出神經符號式框架，利用 LLM 和 ITP 工具自動化形式驗證中的證明搜尋。它採用最佳優先樹狀搜尋、針對證明狀態的 LLM 微調，以及符號式修復，以超越先前方法。在 seL4 基準測試中，它證明了 77.6% 的定理，優於 Sledgehammer 並展現強大泛化能力。
FormalEvolve：進化證明器有效自動形式化
FormalEvolve 是一種神經符號進化框架，用於產生多樣、語義一致的形式化陳述，以提升自動形式化中的證明器效能。它在嚴格的 100 次呼叫預算下，使用 LLM 驅動的變異、交叉與修補，以及 AST 重寫。於 CombiBench 達 58.0% 語義命中率，ProofNet 達 84.9%，程式碼即將公開發布。
自動駕駛系統推理挑戰調查
自動駕駛發展正從感知限制轉向推理缺陷，尤其在長尾與社交情境中。此調查提出認知層級架構分解任務，並系統化七大推理挑戰，如響應性-推理權衡。檢視SOTA方法，趨勢朝向「玻璃箱」代理，並呼籲神經符號架構解決延遲-安全衝突。
透過 IFOL_B 實現神經符號 AGI 的機率擴展
本研究為基於 IFOL_B 的神經符號 AGI 引入了機率框架，實現了不確定性下的邏輯推理。該方法利用 Shannon 最大資訊熵來計算全域知識與局部即時決策的機率密度函數。
天立啟鳴「AI+教育」方案入選聯合國 AI for Good 案例集
天立啟鳴的「AI 驅動個性化公平學習路徑」方案獲國際電信聯盟（ITU）AI for Good 全球峰會肯定，表彰其對 K12 教育的影響。該方案結合神經符號 AI 技術，已在中國 107 所學校落地，實現個性化教學與精準學情追蹤。
PACE：用於可操作反事實解釋的神經符號框架
PACE 是一個全新的神經符號框架，結合了神經預測模型與符號推理，旨在生成可行的反事實解釋。透過整合領域特定的約束條件，該框架確保了 AI 的建議既具備可解釋性又具備可操作性。
BoxLitE：用於忠實知識庫嵌入的凸優化方法
BoxLitE 是一種針對 DL-Lite^H 的新型知識庫嵌入模型，利用凸優化將概念映射到凸區域。此方法透過將一般概念映射到包含特定概念的較大區域，確保了層級結構的忠實表示。
連結法律解釋與形式邏輯的 AI 研究
本研究提出了一種神經符號學方法，旨在解決大型語言模型在法律實務中的可靠性問題。透過結合大型語言模型與形式驗證，該框架致力於確保法律推理過程能嚴格基於原始文本。
AGEL-Comp：神經符號代理泛化框架
AGEL-Comp 是一種神經符號框架，解決 LLM 代理在互動環境中的組合泛化失敗問題。它具備動態因果程式圖世界模型、從反饋合成知識的 ILP，以及混合 LLM-NTP 推理以確保規劃一致性。在 Retro Quest 評估中，它優於純 LLM 基準。