Faithful-First Reasoning, Planning, and Acting for Multimodal LLMs
Shanghai Jiao Tong University(上海交通大学);The Hong Kong University of Science and Technology(香港科技大学);The Australian National University(澳大利亚国立大学);Fudan University(复旦大学);University of Sydney(悉尼大学)
本文提出Faithful-First RPA框架,通过逐步监督提升多模态推理的忠实度,实验表明其在多个基准上提升了24%的感知忠实度,且不降低任务准确性。
2026-04-08 cs.AI
FOL-Traces: Verified First-Order Logic Reasoning Traces at Scale
USC(美国大学);Harvard University(哈佛大学)
FOL-Traces是一个大规模验证的首阶逻辑推理轨迹数据集,用于严格评估结构逻辑推理,通过挑战性任务揭示模型在语法意识和推理过程忠实度上的不足。
2026-01-25 cs.AI
Image First or Text First? Optimising the Sequencing of Modalities in Large Language Model Prompting and Reasoning Tasks
School of Mathematical and Computational Sciences(数学与计算科学学院);Massey University(梅西大学)
本文通过三个商用大语言模型实证研究图像与文本在多模态提示中的排序对推理性能的影响,发现简单任务中排序影响显著而复杂任务中减弱,并提出模态序列应与推理逻辑流程对齐以改进提示设计。
2024-10-04 cs.AI
Counterfactual Benchmarking and Training for Factuality Consistency and Order-Robust Grounded Reasoning in LLMs over Heterogeneous Knowledge
Tongji University(同济大学);Swinburne University of Technology(斯威本科技大学);Wuhan University of Technology(武汉理工大学)
本研究构建异构知识下LLM事实一致性基准TKFQA,提出训练框架ORLF,可提升LLM的推理与顺序鲁棒性,优于多种基线方法。
2026-08-11 cs.AI
New Algebraic Normative Theories for Ethical and Legal Reasoning in the LogiKEy Framework
University of Luxembourg(卢森堡大学)
为了设计和工程伦理和法律推理机和负责任的系统,Benzmüller,Parent和van der Torre引入了LogiKEy方法,基于道义逻辑的语义嵌入经典高阶逻辑。本文使用代数方法大大扩展了LogiKEy道义逻辑和数据集,并在布尔代数之上开发了规范推理的输入/输出操作理论。
2021-09-11 cs.AI
Reasoning in the OWL 2 Full Ontology Language using First-Order Automated Theorem Proving
FZI Research Center for Information Technology(FZI信息技术研究中心);University of Miami(迈阿密大学)
OWL 2已经被万维网联盟(W3C)标准化为语义网的本体语言家族。这些语言中最具表现力的是OWL 2 Full,但迄今为止还没有为这种语言实现reasoner。一致性和蕴涵检查对于OWL 2 Full来说是不可判定的。我们已经将OWL 2 Full语义的一个大片段翻译成一阶逻辑,并使用自动定理证明系统来基于该理论进行推理。结果是有希望的,并表明,这种方法可以应用于实践中有效的OWL推理,超出了目前的语义Web推理的能力。这是在CADE 2011,LNAI 6803,pp上发表的同名论文的扩展版本。446-460.扩展版本提供了附录,其中包含在报告的评价中使用的其他资源。
2011-07-31 cs.AI
The First Impression Problem: Internal Bias Triggers Overthinking in Reasoning Models
Nanjing University(南京大学)
本文研究了推理模型中过度思考的根源,发现内部偏见是导致过度思考的关键因素,并通过实验验证了偏见对推理过程的影响。
2026-03-01 cs.AI
The Error You See Is Not the Error You Made: Progression-aware Reasoning Origin for Reasoning Error Localization
针对多步LLM推理验证中错误定位不准的问题,提出无训练框架PRO,通过联合建模上下文支持与后续兼容性并利用干预证据区分错误起源,在多项任务上超越强基线。
2026-09-29 cs.AI
Order Doesn't Matter, But Reasoning Does: Training LLMs with Order-Centric Augmentation
Shanghai Key Laboratory of Data Science, School of Computer Science, Fudan University(上海数据科学关键实验室,计算机科学学院,复旦大学);School of Data Science, Fudan University(数据科学学院,复旦大学);Ant Group(蚂蚁集团)
针对大语言模型在逻辑推理中受顺序变化影响、泛化能力不足的问题,本文提出基于交换律的以顺序为中心的数据增强框架,通过打乱前提顺序和基于有向无环图重排推理步骤,显著提升了模型在多个逻辑推理基准上的性能与适应性。
2025-11-09 cs.AI cs.CL
Learning What to Attend First: Modality-Importance-Guided Reasoning for Reliable Multimodal Emotion Understanding
Integrated Vision and Language Lab, KAIST, South Korea(韩国成均馆大学集成视觉与语言实验室)
本文提出MIGR框架,通过模态重要性引导推理,提升多模态情感理解的可靠性,实验表明能有效减少情感不一致的解释实例。
2025-12-02 cs.AI
Proceedings of the First International Workshop on Next-Generation Language Models for Knowledge Representation and Reasoning (NeLaMKRR 2024)
该论文集为NeLaMKRR 2024研讨会成果,旨在搭建跨学科平台,探索调和基于transformers的语言模型与基于逻辑表示的知识推理方法,以提升模型在精度和可靠性要求高的领域中的应用。
2024-10-12 cs.AI
Decision Making "Biases" and Support for Assumption-Based Higher-Order Reasoning
Decision Science Consortium, Inc.(决策科学联盟公司)
人类的决策似乎系统地违反了规范理论所施加的一致性约束,这些偏见反过来又证明了正式的决策分析模型的应用是合理的。有人认为,这两种说法都是错误的。特别是,我们将认为,“确认偏见”是基于一个过于狭隘的观点,如何相互矛盾的证据是,应该被处理。有效的决策辅助应侧重于支持控制过程,通过控制过程,知识被扩展到新的情况,并在其中采用,利用和修改假设。非单调概率论者代表了这种援助的初步工作。
2013-03-27 cs.AI
Premise Order Matters in Reasoning with Large Language Models
Google DeepMind(谷歌DeepMind);Stanford University(斯坦福大学)
本研究揭示大语言模型对前提顺序敏感,顺序与推理步骤一致时性能最佳,打乱顺序可致准确率下降超30%,并发布R-GSM基准验证该效应。
2024-05-28 cs.AI cs.CL
Improving LLMs' Generalized Reasoning Abilities by Graph Problems
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出GraphPile图问题推理预训练语料并训练GraphMind,以增强大语言模型跨数学、逻辑和常识任务的泛化推理能力。
2025-07-23 cs.AI
LPAR-05 Workshop: Empirically Successfull Automated Reasoning in Higher-Order Logic (ESHOL)
这个研讨会汇集了实践者和研究人员谁是参与基于高阶逻辑的逻辑系统的日常方面。我们希望为围绕以下四个主题的讨论创造一个友好和高度互动的环境。实现和开发基于任何不可预测性概念的证明助手,高阶逻辑推理系统的自动定理证明工具,高阶逻辑中证明表示的逻辑框架技术,用于存储,维护和查询证明数据库的正式数字图书馆。我们设想与会者有兴趣促进高阶逻辑推理系统的发展和可见性。我们特别感兴趣的是讨论高阶版本的TPTP的发展和自动化高阶推理系统的实用优势的比较。此外,研讨会还包括系统演示。ESHOL是在CADE 2005和IJCAR 2004举办的ESCAR和ESFOR研讨会的继承者。
2006-01-10 cs.AI cs.LO
First Experiments with a Flexible Infrastructure for Normative Reasoning
Computer Science and Communications, University of Luxembourg(卢森堡大学计算机科学与通信学院)
一个灵活的基础设施规范推理概述。一个小规模的演示版本的设想系统已实施的证明助手伊莎贝尔/HOL利用第一作者的通用逻辑推理方法的基础上浅语义嵌入元逻辑HOL。这样一个灵活的推理基础设施的需要是有动机的,并说明了从一般数据保护条例中选择的一个相反的职责的示例方案。
2018-04-09 cs.AI cs.LO
Thinking Out of Order: When Output Order Stops Reflecting Reasoning Order in Diffusion Language Models
University of California, Riverside, CA, USA(加州大学河滨分校);Independent Researcher(独立研究者);University of California, San Diego, CA, USA(加州大学圣地亚哥分校)
本文提出屏蔽扩散语言模型(MDLMs)在处理输出顺序与推理顺序不一致时展现出的顺序鲁棒性,通过实验验证其在不同基准上的稳定性能。
2026-01-29 cs.AI cs.CL
High Order Reasoning for Time Critical Recommendation in Evidence-based Medicine
University of Queensland(昆士兰大学)
本文提出一种基于大型语言模型的高阶推理框架,通过“what-if”“why-not”“so-what”“how-about”四类问题辅助ICU循证医学中的时间紧迫型决策,实验显示其在治疗方案相似度、替代方案选择、动机分析、跨疾病迁移及出院后生命状态预测等方面均取得显著效果。
2024-05-05 cs.AI
First Token Matters: Understanding Safety Collapse in Large Reasoning Models
Harbin Institute of Technology(哈尔滨工业大学);Guangzhou University(广州大学);City University of Macau(澳门城市大学)
本文发现大型推理模型在有害查询下首个生成令牌处出现拒绝信号崩溃(ORC),提出轻量级推理时干预SafeToken,通过注入安全锚点缓解该问题,提升安全性并保留推理能力。
2026-09-17 cs.AI
PRIMA: Planner-Reasoner Inside a Multi-task Reasoning Agent
Auburn University(奥本大学);Tencent AI Lab(腾讯AI实验室)
我们考虑的问题,多任务推理(MTR),代理可以解决多个任务,通过(一阶)逻辑推理。这种能力对于类人智能来说是必不可少的,因为它具有很强的通用性和处理多个任务的简单性。然而,开发有效的MTR的一个主要挑战是推理能力和效率之间的内在冲突。一个具有MTR能力的代理必须掌握大量的“技能”来处理不同的任务,但是在推理阶段执行特定的任务只需要一小部分直接相关的技能。我们如何保持广泛的推理能力和高效的特定任务性能?为了解决这个问题,我们提出了一个规划推理框架能够最先进的地铁能力和高效率。Reasoner对可共享的(一阶)逻辑推理规则进行建模,Planner从中选择一个子集来组成有效的推理路径。整个模型使用深度强化学习以端到端的方式进行训练,并且在各种领域的实验研究验证了其有效性。
2022-02-13 cs.AI
Neuro-symbolic Commonsense Social Reasoning
University College London(伦敦大学学院)
社会规范是所有人类社会互动的基础,但对它们进行形式化和推理仍然是人工智能系统的主要挑战。我们提出了一个新颖的系统,用于从社会化学101数据集中获取自然语言中的社会经验规则(ROT),并将其转换为一阶逻辑,其中使用神经符号定理证明器执行推理。我们通过几个步骤来实现这一点。首先,ROTs被转换成抽象意义表示(AMR),这是一个图形表示的概念在一个句子中,并对齐AMR与RoberTa嵌入。然后,我们通过一种新的算法生成AMR的替代简化版本,重新组合和合并嵌入,以增加对不同文本措辞和不正确AMR解析的鲁棒性。AMR然后被转换成一阶逻辑,并查询与神经符号定理证明。本文的目标是开发和评估一种神经符号方法,该方法以逻辑形式对社会情境进行显式推理。
2023-03-14 cs.AI
K-Level Reasoning: Establishing Higher Order Beliefs in Large Language Models for Strategic Reasoning
East China Normal University(华东师范大学);Microsoft Research Asia(微软亚洲研究院)
本文提出K-R框架,将博弈论Level-K思想与大语言模型结合,通过递归机制使LLM智能体形成高阶信念并实现分层战略推理,在四个测试平台上验证了其优势。
2024-10-17 cs.AI cs.CL
Reasoning about Unmodelled Concepts - Incorporating Class Taxonomies in Probabilistic Relational Models
Institute for Artificial Intelligence(人工智能研究所);University of Bremen(不来梅大学)
一阶概率方法应用中的一个关键问题是它们隐含的图形模型的巨大尺寸。大小是由对象和关系的域生成的可能世界产生的。这种爆炸的原因之一是,到目前为止,这些方法没有充分利用可能世界的结构和相似性,以便更复杂地编码模型。我们提出了模糊推理的马尔可夫逻辑网络,这使得使用的分类知识作为一个源的结构强加到可能的世界。我们表明,通过利用这种结构,概率分布可以表示更companies和推理系统变得能够推理的概念不包含在概率知识库。
2015-04-21 cs.AI
Model-First Reasoning LLM Agents: Reducing Hallucinations through Explicit Problem Modeling
Stanford AI Professional Program(斯坦福AI专业项目);IESE EMBA Program(IESE EMBA项目)
本文提出基于模型的推理方法,通过显式问题建模减少LLM在复杂规划任务中的幻觉和不一致性。
2025-12-16 cs.AI
First Try Matters: Revisiting the Role of Reflection in Reasoning Models
MiroMind AI;National University of Singapore(新加坡国立大学);Singapore University of Technology and Design(新加坡科技设计大学)
本文通过分析八个推理模型在五个数学数据集上的生成轨迹,发现反思多为确认性且很少改变初始答案,并提出问题感知早停与动态截断反思方法,以减少24.5%推理令牌且准确率仅降2.9%。
2025-10-09 cs.AI
When Slower Isn't Truer: Inverse Scaling Law of Truthfulness in Multimodal Reasoning
Institute for AI(人工智能研究院);Peking University(北京大学);Hong Kong University of Science and Technology(香港科技大学)
研究探讨了多模态推理中慢思考模式的反比例定律,发现慢思考模型在面对不完整或误导性视觉输入时更易生成虚假细节,揭示了推理模型在处理模糊输入时的脆弱性。
2026-04-16 cs.AI
Beyond the First Error: Process Reward Models for Reflective Mathematical Reasoning
ACL Proceedings(ACL会议)
针对现有过程奖励模型标注方法忽略长思维链自我修正机制的问题,提出引入错误传播与终止概念的新型标注法,训练的7B PRM在多指标上性能优于现有开源模型与传统标注方法。
2025-05-20 cs.AI
Consciousness and Automated Reasoning
University of Koblenz(科布伦茨大学)
本文的目的是演示如何一阶逻辑推理系统结合一个大的知识库可以被理解为一个人工意识系统。为此,我们回顾了心灵哲学领域的一些方面,特别是Tononi的信息整合理论(IIT)和Baars的全球工作空间理论。这些将被应用到推理系统Hyper与ConceptNet作为常识和认知推理的场景内的知识库。最后,我们证明了这样一个系统是非常好的能够做有意识的思维漫游。
2020-07-22 cs.AI
Universal Reasoning, Rational Argumentation and Human-Machine Interaction
University of Luxemburg(卢森堡大学);Freie Universität Berlin(柏林自由大学)
经典高阶逻辑,当被用作元逻辑时,其中各种其他(经典和非经典)逻辑可以被浅嵌入,非常适合于实现通用逻辑推理方法。反过来,正如莱布尼茨所设想的那样,普遍逻辑推理可能支持机器内理性论证的严格形式化和深入逻辑分析。描述了相应的通用逻辑推理框架,并讨论了一系列示例性应用。在未来,通用逻辑推理与适当的、受控形式的理性论证相结合,可能会成为人类和智能机器之间的沟通层。
2017-03-28 cs.AI
Differentiable Learning of Logical Rules for Knowledge Base Reasoning
Carnegie Mellon University(卡内基梅隆大学)
研究了知识库推理中概率一阶逻辑规则的学习问题。这个学习问题是困难的,因为它需要学习连续空间中的参数以及离散空间中的结构。我们提出了一个框架,神经逻辑编程,它结合了一阶逻辑规则的参数和结构学习在一个端到端的可微模型。这种方法的灵感来自于最近开发的可微逻辑TensorLog,其中推理任务可以编译成可微操作序列。我们设计了一个神经控制器系统,学习组成这些操作。从经验上讲,我们的方法在多个知识库基准数据集(包括Freebase和WikiMovies)上的性能优于先前的工作。
2017-11-27 cs.AI
Multi-hop Graph Convolutional Network with High-order Chebyshev Approximation for Text Reasoning
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
图卷积网络(GCN)以其在长时间和非连续词交互中的优势,在各种自然语言处理(NLP)任务中得到广泛应用。然而,现有的单跳图推理在GCN可能会错过一些重要的非连续依赖。在这项研究中,我们定义了频谱图卷积网络与高阶动态切比雪夫近似(HDGCN),它增强了多跳图推理融合消息聚合从直接和长期的依赖到一个卷积层。为了减轻高阶切比雪夫近似中的过度平滑,还提出了一种具有线性计算复杂度的基于多投票的交叉注意(MVCAttn)。对四个转换和归纳NLP任务的实验结果和消融研究验证了该模型的有效性。我们的源代码可在https://github.com/MathIsAll/HDGCN-pytorch上获得。
2021-06-08 cs.AI cs.CL
An Extensible Logic Embedding Tool for Lightweight Non-Classical Reasoning
University of Greifswald(格赖夫斯瓦尔德大学)
逻辑嵌入工具为非经典推理问题到经典高阶逻辑提供了一个过程编码。它是可扩展的,可以支持越来越多的不同的非经典逻辑推理的目标。当用作高阶定理证明器的预处理器或库时,该工具允许逻辑的现成自动化,否则目前很少有证明器可用。
2022-03-23 cs.AI cs.LO
Reasoning While Recommending: Entropy-Guided Latent Reasoning in Generative Re-ranking Models
Individual Author(独立研究者)
EGLR模型通过在推荐过程中引入熵引导的潜在推理机制,解决了生成重排序中动态熵变化的问题,提升了探索-利用的平衡能力。
2026-01-20 cs.AI
Order of Magnitude Comparisons of Distance
Courant Institute(柯朗研究所)
数量级推理-通过粗略比较数量的大小进行推理-通常被称为“信封后计算”,其含义是计算虽然近似但很快。本文展示了一类有趣的约束集的数量级推理是证明快速。具体来说,我们提出了一个多项式时间算法,可以解决一组形式的约束“点a和b比点c和d更接近。“我们证明,如果‘靠得更近’被解释为指的是尺度上的无限差异或指的是尺度上的有限差异,只要尺度上的差异大于约束集中的变量数,则可以应用该算法。我们还证明了在这样的约束下的一阶理论是可判定的。
2011-05-27 cs.AI
Project SHADOW: Symbolic Higher-order Associative Deductive reasoning On Wikidata using LM probing
Data ScienceTech Institute(Data ScienceTech学院);Université Côte d’Azur(蔚蓝海岸大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);I3S(信息科学与系统实验室)
本文提出微调语言模型SHADOW,通过联想演绎推理进行中间任务训练,在LM-KBC 2024挑战赛的Wikidata三元组补全任务上以68.72%的F1分数超越基线20%。
2024-09-23 cs.AI cs.CL
Plausible Reasoning and First-Order Plausible Logic
School of Information and Communication Technology, Nathan campus, Griffith University, Brisbane, Queensland 4111, Australia(信息与通信技术学院,纳瑟恩校区,格里菲斯大学,布里斯班,昆士兰4111,澳大利亚)
本文提出了一种满足大部分可接受原则的一阶逻辑PL,用于正确推理可能推理的例子,同时概述了17条逻辑原则及其中的14条必要原则和3条可欲原则。
2026-04-21 cs.AI cs.LO
Think about it! Improving defeasible reasoning by first modeling the question scenario
Carnegie Mellon University(卡内基梅隆大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究院)
可废止推理是一种推理模式,其中结论可以通过考虑新的证据而被推翻。现有的关于可废止推理的认知科学文献表明,一个人在回答问题之前会形成一个问题场景的心理模型。我们的研究目标是询问神经模型是否可以在回答可撤销查询之前同样受益于设想问题场景。我们的方法是,给定一个问题,让模型首先创建一个相关影响的图,然后在回答问题时利用该图作为额外的输入。我们的系统,好奇,实现了一个新的国家的最先进的三个不同的可废止推理数据集。这一结果意义重大,因为它说明了可以通过引导系统“思考”问题并显式地对场景建模来提高性能,而不是反射性地回答。代码、数据和预训练模型位于https://github.com/madaan/thinkaboutit。
2021-10-24 cs.AI cs.CL
Order Matters in Hallucination: Reasoning Order as Benchmark and Reflexive Prompting for Large-Language-Models
University of Science and Technology of China(中国科学技术大学)
针对LLM推理与答案生成顺序导致的不一致及数值幻觉,本文提出双顺序一致性基准和一种简单反身提示策略,实验显示其可提升多种模型的可靠性。
2025-05-12 cs.AI cs.CL
Reasoning via Video: The First Evaluation of Video Models' Reasoning Abilities through Maze-Solving Tasks
DeepWisdom;Tsinghua University(清华大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Renmin University of China(中国人民大学);University of Oxford(牛津大学);National University of Singapore(新加坡国立大学);Xiamen University(厦门大学);Hong Kong University of Science and Technology (GuangZhou)(香港科技大学(广州))
本文首次评估视频模型在迷宫解决任务中的推理能力,提出VR-Bench基准,展示视频生成在空间推理中的潜力。
2025-11-24 cs.AI cs.CV
QMFOL: Benchmarking Large Language Model Reasoning via Quantifiable Monadic First-Order Logic Test Case Generation
Huazhong University of Science and Technology(华中科技大学);Nanyang Technological University(南洋理工大学);Hubei University(湖北大学);East China Normal University(华东师范大学);National University of Singapore(新加坡国立大学)
提出QMFOL框架,通过可控制复杂度的合取/析取模式生成一元一阶逻辑推理任务,并构建包含2880个实例的基准QMFOLBench,评估显示逻辑复杂度增加导致性能下降和计算开销上升。
2026-06-19 cs.AI cs.SE
BIS Reasoning 1.0: The First Large-Scale Japanese Benchmark for Belief-Inconsistent Syllogistic Reasoning
本文提出BIS推理1.0,首个针对大语言模型信念不一致推理评估的日语三段论数据集,通过系统引入逻辑有效但信念不一致的三段论,揭示信念偏差问题,并评估多种模型在零样本下的表现。
2026-03-16 cs.AI cs.CL
The Confidence Shortcut: A Reasoning Failure Mode of Masked Diffusion Models
Department of Artificial Intelligence, Yonsei University(延世大学人工智能系)
本文发现掩码扩散模型在置信度解码时存在推理失败模式,表现为过早预测局部易解部分而忽略长程依赖,导致复杂输入错误率升高,而随机掩码训练能保持推理轨迹条件。
2026-10-02 cs.AI cs.CL
BFS-PO: Best-First Search for Large Reasoning Models
Department of Engineering, University of Modena(Modena大学工程系);Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学北京校区人工智能学院)
BFS-PO是一种通过最佳优先搜索策略减少大规模推理模型过度思考问题的强化学习算法,提高了推理准确性和响应简洁性。
2026-11-10 cs.AI cs.CL
Common Sense Knowledge Learning for Open Vocabulary Neural Reasoning: A First View into Chronic Disease Literature
Universidad Tecnológica de la Mixteca(米斯特克科技大学);Instituto Nacional de Enfermedades Respiratorias “Ismael Cosío Villegas”(伊斯梅尔·科西奥·维莱加斯国家呼吸疾病研究所)
在本文中,我们使用最先进的神经语言模型(NLM)在科学文献中的应用,从开放词汇知识库(openKBs)解决推理任务。为此,使用常识KB作为源任务来训练基于自我注意的NLM。然后在目标知识库上测试NLM,用于开放式词汇推理任务,涉及与最流行的慢性疾病(也称为非传染性疾病,NCD)相关的科学知识。我们的研究结果确定了NLM的执行一致,并在源和目标任务的知识推理的意义。此外,在我们的检查分析中,我们讨论了模型学习的语义分析和推理能力,同时首次深入了解了我们的方法对NCD研究的潜在好处。
2021-11-30 cs.AI cs.CL
HI-TOM: A Benchmark for Evaluating Higher-Order Theory of Mind Reasoning in Large Language Models
University of Michigan(密歇根大学);Westlake University(西湖大学)
本文探索大型语言模型的高阶心智理论推理,提出HI-TOM基准,发现模型在高阶任务上性能下降,并分析失败案例以揭示当前局限及对NLP未来的启示。
2023-10-25 cs.AI cs.CL
Extensional Higher-Order Paramodulation in Leo-III
University of Luxembourg(卢森堡大学)
Leo-III是一个自动化的定理证明器,用于扩展类型论,具有Henkin语义和选择。通过将基于调节的证明搜索适应于高阶逻辑来启用具有原始等式的推理。证明器可以与多个外部专家推理系统(诸如一阶证明器和SMT求解器)协作。Leo-III与TPTP/TSTP框架兼容,用于输入格式,报告结果和证明,以及推理系统之间的标准化通信,例如,从证明助手(如Isabelle/HOL)内部进行证明重建。Leo-III支持多态一阶和高阶逻辑,所有正常的量化模态逻辑以及不同的道义逻辑中的推理。它的发展开始了TPTP基础设施的不断扩展,以在非经典逻辑中进行推理。
2021-02-28 cs.AI cs.LO cs.SC
Laying the Foundation First? Investigating the Generalization from Atomic Skills to Complex Reasoning Tasks
Fudan University(复旦大学);Fudan-Aishu Cognitive Intelligence Joint Research Center(复旦-爱数认知智能联合研究中心)
本文提出探测框架与分层课程学习策略,发现原子技能不能自发泛化到复杂推理任务,但通过该策略可显著提升开源模型性能,且泛化有效于跨数据集和跨领域场景。
2024-03-14 cs.AI cs.CL cs.LG
Discussion Graph Semantics of First-Order Logic with Equality for Reasoning about Discussion and Argumentation
Department of Informatics, Kyoto University, Japan(信息学系,京都大学,日本)
本文针对现有AI论证推理缺乏通用形式框架的问题,提出带等词一阶逻辑的讨论图语义,推广Dung外延概念并证明其相关可刻画性结论。
2025-11-13 cs.AI cs.LO
Perception Before Reasoning: Two-Stage Reinforcement Learning for Visual Reasoning in Vision-Language Models
针对直接迁移强化学习至视觉语言模型效果不佳的问题,提出两阶段强化学习框架,分别增强感知与推理能力,得到模型PeBR-R1,在七个基准上验证了优越性能。
2025-10-17 cs.AI cs.CV
ReGraM: Region-First Knowledge Graph Reasoning for Medical Question Answering
Department of Software, Soongsil University(软件系,顺斯大学)
ReGraM通过区域优先的知识图谱推理框架,提升医疗问答的准确性和一致性。
2026-01-14 cs.AI cs.CL
FoE: Forest of Errors Makes the First Solution the Best in Large Reasoning Models
School of Software and Microelectronics, Peking University(北京大学软件与微电子学院);State Key Laboratory of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院通用人工智能国家重点实验室)
本文发现大推理模型中首个解往往最优,提出RED框架通过抑制错误增长和修剪后续错误提升性能,实验显示在多个基准上性能提升达19.0%。
2026-04-03 cs.AI cs.CL
State Representation and Termination for Recursive Reasoning Systems
S P Jain School of Global Management(S P Jain 全球管理学院);Indian Statistical Institute(印度统计研究所);eClerx Services Ltd.(eClerx 服务有限公司)
本文提出了一种递归推理系统的状态表示方法及终止条件,通过epistemic状态图编码提取的主张、证据关系、开放问题和置信度权重,并定义了顺序间隙以判断迭代的必要性。
2026-05-02 cs.AI cs.CL cs.LG
Learning First-Order Rules with Relational Path Contrast for Inductive Relation Reasoning
School of Computer Science and Technology, Xi’an Jiaotong University(西安交通大学计算机科学与技术学院)
提出 RPC-IR,通过提取关系路径、构造正负路径对比并联合监督训练,学习实体无关的一阶逻辑规则,在三个归纳数据集上提升知识图谱关系推理性能与可解释性。
2021-10-17 cs.AI cs.LO
The Integration of Connectionism and First-Order Knowledge Representation and Reasoning as a Challenge for Artificial Intelligence
一方面基于一阶逻辑的智能系统,另一方面基于人工神经网络(也称为连接主义系统)的智能系统,有很大的不同。将鲁棒的神经网络机器与符号知识表示和推理范例(如逻辑编程)以这样的方式组合将是非常期望的,即,将保留任一范例的优点。然而,目前最先进的研究远远未能实现这一最终目标。作为要克服的主要障碍之一,我们认识到的问题是如何符号知识可以通过连接系统编码:满意的答案,这将自然导致知识提取算法和集成的神经符号系统。
2004-08-31 cs.AI cs.LO cs.NE