Harmful Prompt Laundering: Jailbreaking LLMs with Abductive Styles and Symbolic Encoding
Seoul National University(首尔大学)
提出仅需黑盒访问的越狱技术HaPLa,通过溯因框架与符号编码策略绕过LLMs安全限制,在GPT系列模型上攻击成功率超95%,并揭示了安全调整与保持模型帮助性之间的根本挑战。
2025-09-13 cs.AI cs.CL
Symbolically Scaffolded Play: Designing Role-Sensitive Prompts for Generative NPC Dialogue
ExplorAI, Department of Computer Science, University of Regina(ExplorAI,计算机科学系,里嘉大学)
大语言模型(LLM)通过使非玩家角色(NPC)能够维持无脚本的对话,有望改变交互式游戏。然而,目前还不清楚限制提示是否真的能改善玩家体验。我们通过采访调查这个问题,这是一个基于GPT-4 o的语音侦探游戏。一项受试者内可用性研究($N=10$)比较了高限制(HCP)和低限制(LCP)提示,除了对技术故障的敏感性外,没有发现可靠的经验差异。在这些发现的指导下,我们将HCP重新设计为混合JSON+RAG支架,并与LLM法官进行了综合评估,定位为可用性测试的早期补充。结果发现了一个新的模式:脚手架效应是角色依赖的:采访者(任务给予者NPC)获得稳定性,而可疑的NPC失去即兴的可信度。这些发现推翻了更严格的限制本质上会增强游戏的假设。扩展模糊符号脚手架,我们介绍\textit{Symbolically Scaffolded Play},一个框架中,符号结构表示为模糊的,数字的边界,稳定的连贯性,在需要的地方,同时保持即兴的惊喜维持参与。
2025-10-29 cs.AI cs.HC
Fuzzy, Symbolic, and Contextual: Enhancing LLM Instruction via Cognitive Scaffolding
Department of Computer Science University of Regina(计算机科学系 皇家大学)
该研究探究提示层归纳偏置对大语言模型教学对话认知行为的影响,提出搭配短期记忆模式的符号支架方法,经消融实验验证完整系统优于基线,证明认知支架可有效塑造LLM的教学策略。
2025-10-29 cs.AI cs.CL
Rethinking Reasoning in LLMs: Neuro-Symbolic Local RetoMaton Beyond ICL and CoT
本文提出用局部任务自适应加权有限自动机替代 RetoMaton 的全局数据存储,以克服 CoT 和 ICL 推理不稳定、不可解释的问题,并在多个推理任务上验证其性能提升与可追溯性。
2025-08-22 cs.AI cs.CL
Non-Interactive Symbolic-Aided Chain-of-Thought for Logical Reasoning
Japan Advanced Institute of Science and Technology(日本科学技术先进研究院)
本研究提出符号辅助思维链方法,将轻量级符号融入少样本提示以优化大语言模型逻辑推理,在四个基准上的实验证明其能跨模型规模提升推理能力,多数据集表现优于传统CoT。
2025-10-04 cs.AI cs.CL
Logic-LM: Empowering Large Language Models with Symbolic Solvers for Faithful Logical Reasoning
University of California, Santa Barbara(加州大学圣巴巴拉分校)
本文提出Logic-LM框架,通过将大型语言模型与符号求解器结合,把自然语言转化为符号公式进行推理,并引入自我修正模块,在五个逻辑数据集上显著提升了LLM的逻辑推理性能。
2023-10-19 cs.AI cs.CL
Predicting Performance of Symbolic and Prompt Programs with Examples
Nanayang Technological University, Singapore(南洋理工大学,新加坡);Massachusetts Institute of Technology, USA(麻省理工学院,美国);Cornell University, USA(康奈尔大学,美国)
本文研究了通过示例预测程序性能的问题,提出了一种基于简单硬币翻转模型的方法,利用观察到的执行结果和性能先验知识来预测程序性能,并开发了RAP方法来构建代理先验以提高预测效果。
2026-05-15 cs.AI cs.LG
Mapping the Course for Prompt-based Structured Prediction
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出结合大语言模型与组合推理,提升结构预测的准确性和一致性,并通过实验验证符号推理在下游任务中的有效性。
2026-03-26 cs.AI cs.CL
Reasoning in Large Language Models Through Symbolic Math Word Problems
University of Pennsylvania(宾夕法尼亚大学);Aragon High School(阿拉贡高中);Princeton University(普林斯顿大学);Google Research(谷歌研究院)
本文通过创建SVAMP数据集的符号版本SVAMP_Sym,研究LLMs在数学应用题中的推理能力,提出自我提示方法使符号推理与数值答案对齐,提升推理可解释性并实现集成效果。
2023-08-03 cs.AI cs.CL cs.LG
Symbolic Learning Enables Self-Evolving Agents
AIWaves Inc.(AIWaves公司)
提出智能体符号学习框架,以数据为中心、模拟反向传播与梯度下降,使语言智能体在部署后自我优化,实现自我进化。
2024-06-26 cs.AI cs.CL cs.LG
In Context Learning and Reasoning for Symbolic Regression with Large Language Models
Department of Chemical, Biochemical, and Environmental Engineering, University of Maryland Baltimore County(化学、生物化学与环境工程系,马里兰大学巴尔的摩县分校);Department of Computer Science and Electrical Engineering, University of Maryland Baltimore County(计算机科学与电气工程系,马里兰大学巴尔的摩县分校)
本文探讨了大型语言模型在符号回归中的潜力,通过上下文学习和推理生成并优化表达式,成功复现了吸附 Langmuir 模型和 Nikuradse 数据集,展示了提示策略对模型性能的提升作用。
2026-04-16 cs.AI cs.CL
Dspy-based Neural-Symbolic Pipeline to Enhance Spatial Reasoning in LLMs
Stuttgart University(斯图加特大学)
本研究提出基于DSPy的LLM与ASP迭代反馈神经符号框架,结合模块化解析、迭代反馈与鲁棒错误处理,在StepGame和SparQA数据集上显著提升空间推理准确率,兼具泛化性与轻量替代方案。
2024-12-12 cs.AI cs.CL
CoRRPUS: Code-based Structured Prompting for Neurosymbolic Story Understanding
University of Pennsylvania(宾夕法尼亚大学);University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
本文提出CoRRPUS系统,利用Codex等代码大语言模型引导符号方法跟踪故事状态,在bAbI Task 2和Re^3任务上以极少手工工程超越现有结构化LLM技术,强调符号表示与专门化提示对推理的重要性。
2023-06-08 cs.CL
Least-to-Most Prompting Enables Complex Reasoning in Large Language Models
Google Research(谷歌研究院)
本文提出最少到最多提示策略,通过将复杂问题分解为简单子问题并依次求解,使大型语言模型能够泛化到比提示示例更难的任务,在 SCAN 等基准上显著超越思维链提示。
2023-04-16 cs.AI cs.CL
From Numbers to Prompts: A Cognitive Symbolic Transition Mechanism for Lightweight Time-Series Forecasting
School of Electrical Engineering, Korea University(韩国大学电气工程学院)
本文提出STM机制,通过符号抽象和提示工程实现高效时间序列预测,显著提升模型效率并降低资源消耗。
2026-01-23 cs.AI cs.LG
SYMDIREC: A Neuro-Symbolic Divide-Retrieve-Conquer Framework for Enhanced RTL Synthesis and Summarization
IBM Research(IBM研究院)
SYMDIREC通过结合符号规划与LLM推理,提升RTL综合与摘要的准确性,实现比基线方法更高的Pass@1率和ROUGE-L分数。
2026-03-17 cs.CL cs.PL
Safe and Adaptive Cloud Healing: Verifying LLM-Generated Recovery Plans with a Neural-Symbolic World Model
Zhejiang University(浙江大学)
提出PASE框架,将LLM作为规划引擎生成恢复计划,通过神经符号世界模型验证可行性,并利用DRL优化提示,实现动态自适应修复,显著降低恢复时间并提高未知故障检测精度。
2026-07-03 cs.AI cs.CL
HYBRIDMIND: Meta Selection of Natural Language and Symbolic Language for Enhanced LLM Reasoning
Yale University(耶鲁大学)
HYBRIDMIND通过元选择器为每个推理问题动态选择自然语言或符号语言,微调LLaMA-3.1-8B-Instruct作为元选择器在FOLIO和MATH上分别超越GPT-4o达4.4%和1.3%,并在FOLIO挑战子集上提升10%。
2025-02-26 cs.CL
Decomposed Prompting: A Modular Approach for Solving Complex Tasks
Allen Institute for AI(艾伦人工智能研究所);Stony Brook University(石溪大学);University of Edinburgh(爱丁堡大学)
本文提出分解提示方法,通过将复杂任务模块化分解为可由专用LLM提示处理的简单子任务,并在符号推理和多跳问答等任务上验证其优于少样本提示的性能。
2023-04-11 cs.CL
LLM-Symbolic Integration for Robust Temporal Tabular Reasoning
University of Utah(犹他大学);University of Pennsylvania(宾夕法尼亚大学);Arizona State University(亚利桑那州立大学)
本文提出TempTabQA-C数据集与符号中间表示,将表格转为数据库模式,使LLM生成并执行SQL查询,并结合自适应少样本提示,显著提升时间表格问答的鲁棒性与性能。
2025-06-06 cs.CL
LOGIC-LM++: Multi-Step Refinement for Symbolic Formulations
Microsoft(微软)
针对LLM难以准确生成和精化形式符号表示的问题,本文提出Logic-LM++,通过成对比较评估LLM生成的多步精化方案,并在三个推理数据集上显著优于标准提示、思维链及Logic-LM。
2024-08-06 cs.AI cs.CL cs.LO
Tokenization Constraints in LLMs: A Study of Symbolic and Arithmetic Reasoning Limits
University of British Columbia(不列颠哥伦比亚大学);Zhejiang University(浙江大学);Cisco(思科);Stony Brook University(石溪大学)
该研究揭示大语言模型的符号推理能力受分词结构约束,提出分词感知概念形式化其影响,实验证实原子对齐的分词格式可让小模型在结构化推理中超越大模型。
2025-05-20 cs.AI cs.CL
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
Google Research(谷歌研究院)
我们将探讨如何生成一个思维链--一系列中间推理步骤--显著提高大语言模型执行复杂推理的能力。特别是,我们展示了如何自然地出现在足够大的大语言模型,通过一个简单的方法,称为思维链提示,其中一些思维链示范提供了作为范例,提示这样的推理能力。在三个大语言模型上的实验表明,思维链提示提高了一系列算术、常识和符号推理任务的性能。经验上的收获可能是惊人的。例如,仅用8个思维链示例就能提示540 B参数语言模型,在数学应用题的GSM 8 K基准测试中达到最先进的精度,甚至超过了使用验证器的微调GPT-3。
2023-01-10 cs.AI cs.CL
OntoURL: A Benchmark for Evaluating Large Language Models on Symbolic Ontological Understanding, Reasoning and Learning
University of Groningen(格罗宁根大学);Leiden University(莱顿大学)
本研究提出本体能力分类体系与首个综合性基准OntoURL,从理解、推理、学习三维度系统评估大语言模型的符号本体处理能力,揭示了当前模型的优劣势与不同提示策略的影响。
2025-10-02 cs.CL
From Symbolic to Natural-Language Relations: Rethinking Knowledge Graph Construction in the Era of Large Language Models
Walmart Global Tech(沃尔玛全球科技)
本文探讨在大语言模型时代,知识图谱构建应从符号关系转向自然语言关系描述,提出混合设计原则以实现更灵活的关系表示。
2026-01-14 cs.AI cs.CL
SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph and Symbolic Solvers
Shanghai JiaoTong University(上海交通大学)
该研究针对大型语言模型逻辑推理的缺陷,提出结合逻辑知识图谱与动态求解器路由的神经-符号架构,在基准任务上优于现有方法,实现了可验证的高准确率逻辑推理。
2026-08-28 cs.AI cs.CL
To CoT or not to CoT? Chain-of-thought helps mainly on math and symbolic reasoning
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Johns Hopkins University(约翰霍普金斯大学);Princeton University(普林斯顿大学)
本文通过元分析和多模型多数据集评估,发现思维链(CoT)主要对数学和符号推理任务有效,在其他任务上提升有限,并指出其收益主要来自改进符号执行,建议选择性使用CoT并探索超越提示的新推理范式。
2025-05-07 cs.AI cs.CL cs.LG
NeuroSymActive: Differentiable Neural-Symbolic Reasoning with Active Exploration for Knowledge Graph Question Answering
University of Macau(澳门大学);University of Chinese Academy of Sciences(中国科学院大学);The Australian National University(澳大利亚国立大学);Juntendo University(静冈大学);Guangdong Institute of Intelligence Science and Technology(广东智能科学与技术研究院);Central South University(中南大学);Southeast University(东南大学);China Agricultural University(中国农业大学);Adelaide University(阿德莱德大学)
NeuroSymActive结合可微神经符号推理层和主动探索控制器,通过软统一流程模块和神经路径评估器提升知识图谱问答的准确性和效率。
2026-07-29 cs.AI cs.CL
Bridging Symbolic Control and Neural Reasoning in LLM Agents -- The Structured Cognitive Loop
JEI University(JEI大学)
本文提出结构认知循环(SCL)架构,通过分离检索、认知、控制、行动和记忆模块,解决LLM代理的推理与执行纠缠、记忆波动和行动序列失控问题,实现零策略违规、防止冗余调用并保持决策可追溯性。
2026-07-01 cs.AI cs.CL
CAPTURE: Context-Aware Prompt Injection Testing and Robustness Enhancement
First Author Affiliation(第一作者机构);Second Author Affiliation(第二作者机构)
针对现有大语言模型提示注入防护依赖静态基准、存在过度防御且上下文感知场景效能不足的问题,提出上下文感知基准CAPTURE,基于其数据训练的CaptureGuard可同时降低漏报误报并泛化到外部基准。
2025-06-17 cs.AI cs.CL
Jailbreaking Large Language Models with Symbolic Mathematics
University of Texas at San Antonio(圣安东尼奥德克萨斯大学);Tecnológico de Monterrey(蒙特雷理工学院);Florida International University(佛罗里达国际大学)
提出MathPrompt越狱方法,利用符号数学编码有害提示绕过LLM安全机制,在13个先进模型上平均攻击成功率达73.6%,揭示现有安全训练的泛化缺陷。
2024-11-05 cs.AI cs.CL cs.CR
Leveraging LLMs for Hypothetical Deduction in Logical Inference: A Neuro-Symbolic Approach
University of Science and Technology of China(中国科学技术大学)
针对大语言模型逻辑推理依赖外部符号求解器、泛化性差且易丢失信息的问题,提出神经符号方法LINA,由LLM自主完成全流程逻辑推理,采用假设演绎范式缩小搜索空间,在多项逻辑推理任务上性能显著优于现有方法。
2024-10-29 cs.CL
Can LLMs understand LilyPond? A benchmark for symbolic music generation and understanding
University of Padova(帕多瓦大学);Universitat Pompeu Fabra(庞培法布拉大学)
提出 LilyBench,基于 LilyPond 的基准,联合评估开源 LLM 的符号音乐生成与理解能力,实验表明零样本可生成可执行 LilyPond,但结构理解任务仍有挑战,且指标间存在系统性分歧。
2026-06-07 cs.CL cs.SD
Generating Data for Symbolic Language with Large Language Models
The University of Hong Kong(香港大学);University of Cambridge(剑桥大学)
本文提出SymGen,利用LLMs生成符号语言数据,通过提示和基于一致性的验证器提升正确性,使1%大小的任务模型达到相当性能并节省标注成本。
2023-05-23 cs.AI cs.CL
Argument-Aware Semantic Alignment of Normative Texts: A Toulmin-Based Neuro-Symbolic Approach
Purdue University(普渡大学);Cleantech Software(清洁技术软件公司)
该研究针对专业规范文本语义对齐难题,提出结合神经文本表示与图尔敏特征的神经符号方法,在网络安全标准映射基准上验证论元结构特征可提升对齐效果。
2026-09-01 cs.AI cs.CL
ATA: A Neuro-Symbolic Approach to Implement Autonomous and Trustworthy Agents
Otera Austria(奥特拉奥地利)
本文提出神经符号框架 ATA,通过离线构建可人工验证的符号知识库、在线由符号引擎决策,在复杂推理任务中实现确定性、稳定性与抗提示注入的可信自主智能体。
2025-10-18 cs.AI cs.CL
Towards Verifiable Text Generation with Symbolic References
Massachusetts Institute of Technology(麻省理工学院);Good Data Initiative(好数据倡议)
针对大语言模型易产生幻觉、输出验证成本高的问题,提出符号锚定生成方法SymGen,通过在输出中穿插符号引用展示文本来源,在多类实验中验证了其可在保证文本流畅准确的同时提升人工验证效率。
2024-04-15 cs.AI cs.CL cs.LG
Semantic Compression of LLM Instructions via Symbolic Metalanguages
Independent Researcher(独立研究者)
MetaGlyph通过符号元语言实现大语言模型指令压缩,显著减少token数量并提升解析效率。
2026-01-12 cs.CL
VERUS-LM: a Versatile Framework for Combining LLMs with Symbolic Reasoning
Leuven.AI -- KU Leuven Institute for AI(Leuven.AI — 哥伦比亚大学莱顿人工智能研究所)
VERUS-LM通过结合大语言模型与符号推理,提升复杂推理任务的适应性与效率,实现更广泛的推理能力。
2026-01-07 cs.AI
Symbolic Grounding Reveals Representational Bottlenecks in Abstract Visual Reasoning
Applied Artificial Intelligence Group, Tallinn University of Technology, Estonia(塔林技术大学应用人工智能小组,爱沙尼亚);Kimova AI, Tallinn, Estonia(Kimova AI,塔林,爱沙尼亚)
本文通过Bongard-LOGO基准测试,发现符号输入能显著提升抽象视觉推理性能,揭示了表征能力是核心瓶颈。
2026-04-23 cs.AI cs.CL cs.CV
Large Language Models' Internal Perception of Symbolic Music
本文通过让LLM从文本提示生成MIDI数据集并训练神经网络进行分类与旋律补全,揭示LLM能隐式编码基本音乐结构,同时指出其因缺乏显式音乐语境而存在局限。
2025-07-17 cs.AI cs.CL cs.LG
BaziQA-Benchmark: Evaluating Symbolic and Temporally Compositional Reasoning in Large Language Models
Shanghai Jiao Tong University(上海交通大学)
BaziQA-Benchmark通过结构化推理协议评估大语言模型在符号性和时间组合推理中的表现,揭示其在时间难度和推理顺序上的敏感性及系统性缺陷。
2026-02-13 cs.CL
MURMUR: Modular Multi-Step Reasoning for Semi-Structured Data-to-Text Generation
UNC Chapel Hill(北卡罗来纳大学教堂山分校);Meta AI
对大语言模型的简化使得文本多步推理最近取得了重大进展。然而,当应用于从半结构化数据(例如,图或表),但是这些方法通常遭受低语义覆盖、幻觉和逻辑不一致。我们提出了MURMUR,一个神经符号模块化的方法,从半结构化的数据与多步推理的文本生成。MURMUR是一种最佳优先搜索方法,它使用以下方法生成推理路径:(1)具有特定语言和逻辑技能的神经和符号模块,(2)其产生式规则定义模块有效组合的语法,以及(3)评估每个推理步骤质量的价值函数。我们进行实验的两个不同的数据到文本生成任务,如WebNLG和LogicNLG。这些任务在数据表示(图形和表格)方面有所不同,并涵盖多种语言和逻辑技能。MURMUR在最近的Few-Shot基线(如直接提示和思想链提示)上获得了显着改进,同时还在域外数据上实现了与微调的GPT-2相当的性能。此外,人工评估表明,MURMUR生成高度忠实和正确的推理路径,与直接提示相比,在LogicNLG上的逻辑一致性摘要增加了26%。
2022-12-16 cs.AI cs.CL cs.LG
Investigating Symbolic Capabilities of Large Language Models
College of Information Sciences and Technology, The Pennsylvania State University(宾夕法尼亚州立大学信息科学与技术学院);University of South Florida(南佛罗里达大学)
本研究评估了八个大型语言模型在符号任务(如加法、乘法等)上的表现,发现随着符号复杂度增加,性能显著下降,即使微调模型也仅小幅提升,凸显了符号推理能力的局限及改进需求。
2024-05-21 cs.CL cs.LG
Not that Groove: Zero-Shot Symbolic Music Editing
Drexel University(德雷塞尔大学)
本文研究仅基于文本指令的符号音乐编辑,提出用创造性格式连接LLM与音乐,实现零样本鼓点律动编辑,并构建与音乐家判断高度一致的单元测试评估数据集。
2025-05-13 cs.CL cs.SD eess.AS
Code-as-Symbolic-Planner: Foundation Model-Based Robot Planning via Symbolic Code Generation
Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学);MIT-IBM Watson AI Lab(MIT-IBM沃森人工智能实验室)
针对机器人任务与运动规划中纯文本推理和多约束优化的局限,提出Code-as-Symbolic-Planner框架,引导LLM生成代码作为求解器、规划器和检查器,结合文本推理与多轮演化,在多类环境中显著提升了规划成功率与泛化能力。
2025-08-07 cs.AI cs.CL cs.RO
Uncovering Hidden Correctness in LLM Causal Reasoning via Symbolic Verification
University of Toronto(多伦多大学);Vector Institute(向量研究所);ETH Zürich(苏黎世联邦理工学院);MPI for Intelligent Systems(智能系统研究所);ETH AI Center(苏黎世联邦理工学院人工智能中心)
本文提出DoVerifier,通过符号验证揭示LLM因果推理中的隐藏正确性,提升因果推理评估的严谨性与信息量。
2026-01-29 cs.AI
Symbolic Chain-of-Thought Distillation: Small Models Can Also "Think" Step-by-Step
University of California Los Angeles(加利福尼亚大学洛杉矶分校);Allen Institute for Artificial Intelligence(艾伦人工智能研究所);University of Southern California(南加利福尼亚大学);Yonsei University(延世大学);University of Washington(华盛顿大学)
本文提出SCoTD,用大教师模型生成的多条推理链蒸馏125M至1.3B小学生模型,证明小模型也能通过逐步推理在常识任务上显著获益。
2024-04-15 cs.CL
Neuro-Symbolic Synergy for World Modeling
NeSyS通过结合LLMs的概率语义先验与可执行符号规则,实现交互世界建模的表达力与鲁棒性,提升预测准确性和数据效率。
2026-09-16 cs.CL
Symbolic or Numerical? Understanding Physics Problem Solving in Reasoning LLMs
Georgia Tech(佐治亚理工学院);University of Queensland(昆士兰大学);UC Merced(默塞德大学)
本文研究Deepseek-R1等推理型大语言模型在SciBench物理题上的表现,发现其达到最先进准确率并倾向符号推导,且少样本提示仍能进一步提升性能。
2025-07-03 cs.CL
Faithful Logical Reasoning via Symbolic Chain-of-Thought
National University of Singapore(新加坡国立大学);University of California, Santa Barbara(加利福尼亚大学圣巴巴拉分校);University of Auckland(奥克兰大学)
本文提出SymbCoT框架,将符号表达式和逻辑规则融入链式思维提示,以增强大语言模型的逻辑推理能力,在多个标准数据集上取得最先进性能并提升推理的忠实性与可解释性。
2024-06-11 cs.CL
Verifier-Guided Twelve-Tone Composition: A Generate-Verify-Repair Harness for Symbolic Music Generation
研究针对大语言模型生成退化十二音乐谱的问题,提出神经符号框架,通过生成-验证-修复-追踪循环提升事件局部一致性,经实验该框架提高了交付率和检查通过率,专家盲评显示其生成的作品在多方面更受青睐。
2026-07-16 cs.AI
LLM-Assisted Formalization Enables Deterministic Detection of Statutory Inconsistency in the Internal Revenue Code
Loyola University Chicago(芝加哥洛约拉大学)
针对大语言模型在税务法条冲突检测中结构化推理能力不足的问题,提出结合LLM与Prolog的神经符号混合框架,实现了对美国《国内税收法典》法条冲突的确定性、可复现检测。
2025-11-15 cs.AI
Think before You Simulate: Symbolic Reasoning to Orchestrate Neural Computation for Counterfactual Question Answering
Arizona State University(亚利桑那州立大学);Samsung Research(三星研究)
针对神经符号模型反事实问答能力不足的问题,本文提出基于因果图与ASP符号推理协调感知和模拟模块的增强方法,在CLEVRER基准取得SOTA,结合大模型提示还可提升CRAFT基准反事实推理性能。
2025-06-12 cs.AI