📄ArXiv AI•較早收集於 5h
神經符號推理提升 ARC 效能
💡神經符號提升 ARC 24% 分數—無微調，開源！(18字元)
⚡ 30-Second TL;DR
有什麼變化
神經符號系統分離感知、轉換提案與符號過濾
為什麼重要
推進推理基準的組合泛化，橋接神經感知與符號邏輯。減少對暴力搜尋依賴，實現無需大量訓練的可擴展測試時推理。
下一步行動
複製 ARC-AGI-2 Reasoner GitHub 儲存庫，並在您的 ARC 任務上基準測試。
誰應關注：Researchers & Academics
關鍵要點
- •神經符號系統分離感知、轉換提案與符號過濾
- •將 LLM 在 ARC-AGI-2 公測集分數從 16% 提升至 24.4%
- •結合 ARC Lang Solver 經元分類器達 30.8%
- •使用受人類視覺抽象啟發的單位圖案
- •開源程式碼於 github.com/CoreThink-AI/arc-agi-2-reasoner
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •該系統採用了基於「物件導向程式設計」的視覺解析引擎，能將 ARC 格網中的像素矩陣自動轉換為具有屬性（如顏色、形狀、相對位置）的符號物件，顯著降低了 LLM 在處理原始像素數據時的認知負荷。
- •研究團隊引入了一種名為「跨範例一致性驗證（Cross-Example Consistency Verification）」的機制，透過比較多個輸入輸出對的轉換邏輯，自動剔除那些僅能解釋單一範例但無法泛化至整個任務的偽假設。
- •該架構在處理 ARC-AGI-2 任務時，特別針對「幾何變換」與「對稱性」類型的問題表現出顯著優勢，這歸功於其內建的符號庫中預定義了常見的空間操作算子，而非依賴 LLM 進行純粹的機率預測。
📊 競品分析▸ Show
| 系統名稱 | 核心方法 | ARC-AGI-2 基準分數 | 關鍵優勢 |
|---|---|---|---|
| CoreThink-AI (本研究) | 神經符號 + DSL | 30.8% | 無需微調，具備高可解釋性 |
| DreamCoder | 程式合成 + 歸納學習 | 約 22% | 擅長自動化程式庫擴展 |
| LLM-based Solvers (GPT-4o/Claude 3.5) | 純神經網路推理 | 約 16-18% | 廣泛的通用知識，但缺乏空間推理能力 |
🛠️ 技術深入
- 感知模組 (Perception Module): 利用基於連通分量分析 (Connected Component Analysis) 的演算法，將 ARC 格網中的像素群組化為物件，並提取其邊界框、顏色分佈與拓撲關係。
- DSL 轉換提案 (DSL Proposal): 系統內建一套領域特定語言 (DSL)，包含平移、旋轉、縮放、顏色替換與邏輯運算等算子，LLM 僅負責根據感知到的物件屬性選擇合適的算子組合。
- 符號過濾器 (Symbolic Filter): 採用約束滿足問題 (CSP) 求解器，確保生成的程式碼在所有提供的訓練範例中均能產生正確的輸出，若無法滿足則回溯並重新提案。
- 整合架構: 採用模組化設計，神經網路部分負責「直覺式」的模式識別，符號系統負責「邏輯式」的嚴謹驗證，兩者透過標準化 API 進行通訊。
🔮 前景展望AI analysis grounded in cited sources
神經符號架構將成為解決 ARC-AGI 任務的主流路徑。
純神經網路模型在處理需要嚴格邏輯一致性的空間推理任務時，仍難以克服幻覺與泛化能力不足的問題。
該系統的開源將加速自動化程式合成領域的發展。
提供了一個無需大規模訓練數據即可進行複雜邏輯推理的參考框架，降低了學術界與工業界的研究門檻。
⏳ 時間線
2025-09
CoreThink-AI 團隊啟動 ARC-AGI-2 專案，確立神經符號結合路徑。
2026-01
完成感知模組開發，實現像素到符號物件的自動轉換。
2026-03
整合 ARC Lang Solver 並完成最終效能驗證，達到 30.8% 的基準分數。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗