NARS 推理神經符號基準

🔑 增強重點摘要

• •NARS-Reasoning-v0.1 旨在解決大型語言模型（LLM）在處理非公理推理系統（Non-Axiomatic Reasoning System, NARS）特有邏輯時的語義對齊問題，特別是針對不確定性推理的處理。
• •該基準測試不僅限於邏輯轉換，還引入了對 OpenNARS 執行環境的直接反饋迴路，允許模型通過模擬推理結果來驗證其生成的 Narsese 代碼正確性。
• •此項研究標誌著從單純的符號邏輯轉換轉向「神經-符號混合推理」的實踐，利用 LoRA 微調技術在保持 Phi-2 基礎語言能力的同時，增強其對 Narsese 語法結構的敏感度。

🛠️ 技術深入

• •基準數據集結構：包含三元組數據（自然語言描述、一階邏輯 FOL 表達式、對應的 Narsese 語句），並附帶推理標籤（True, False, Uncertain）。
• •編譯管道：採用確定性編譯器將 FOL 映射至 Narsese，利用 OpenNARS 的推理引擎進行語法與邏輯一致性驗證，過濾掉無效的訓練樣本。
• •模型架構：基於 Phi-2 (2.7B 參數) 模型，應用 LoRA (Low-Rank Adaptation) 技術，針對推理符號結構進行監督式微調。
• •推理機制：模型被訓練為輸出符合 Narsese 語法的符號序列，並通過 LSP（語言結構感知）機制強化模型對邏輯算子（如蘊含、合取、析取）的結構化理解。

🔮 前景展望AI analysis grounded in cited sources

⏳ 時間線