REASON: Accelerating Probabilistic Logical Reasoning for Scalable Neuro-Symbolic Intelligence
REASON通过统一图表示和自适应剪枝技术,实现概率逻辑推理的加速,提升神经符号AI的效率与可扩展性。
2026-01-28 cs.AI cs.AR
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
TITAN: Graph-Executable Reasoning for Cyber Threat Intelligence
Sapienza Università di Roma(萨皮恩扎罗马大学);Institute of Informatics and Telematics (IIT)(信息与电信学研究院);National Research Council of Italy (CNR)(意大利国家研究委员会);Department of Excellence in Robotics and AI(机器人与人工智能卓越部门);TeCIP Institute(TeCIP研究所);Scuola Superiore Sant'Anna(圣安娜高级学校)
TITAN框架通过路径规划器与图执行器,将自然语言威胁查询转化为知识图谱上的可执行推理,并构建了88209个示例的数据集,实现了语法有效且语义连贯的确定性推理路径生成。
2025-10-16 cs.AI cs.CL cs.CR
Towards a New Grammar of Reasoning for Artificial Legal Intelligence and the Mecelle as Its Semantic Protocol
NewMind AI
本文针对传统法律实践的认知与方法论危机,提出以《梅塞莱法典》语义协议为核心的本体动态框架,指出法律推理不可简化为数据处理,需结合神经符号系统等技术解决法律挑战,为AI时代法律推理提供新范式。
2026-08-06 cs.AI cs.CY
Survey on Applications of Neurosymbolic Artificial Intelligence
IBM Research(IBM研究院)
近年来,神经符号框架在各种应用中吸引了大量的关注,从推荐系统和信息检索到医疗保健和金融。这一成功是由于其出色的性能与有吸引力的特性相结合,例如学习和推理。新兴的神经符号领域目前正在经历一场复兴,因为各种实际应用所激发的新框架和算法正在引入,建立在经典神经和推理问题设置之上。这篇文章的目的是提供一个全面的审查,在现实世界中的神经符号人工智能的应用显着的最新进展。具体来说,我们介绍了一种常见的神经符号应用分类,并总结了这些领域的最新技术。此外,我们还确定了当前的重要趋势,并提供了与这一新兴领域的未来有关的新观点。
2022-09-08 cs.AI cs.SC
Neuro-Conceptual Artificial Intelligence: Integrating OPM with Deep Learning to Enhance Question Answering Quality
Tokushima University(德岛大学);Technion – Israel Institute of Technology(以色列理工学院)
本文提出 NCAI 框架,利用 OPM 概念建模与上下文内学习增强深度学习问答系统,并通过透明度指标验证其在推理透明性和答案准确性上的优势。
2025-02-12 cs.AI cs.CL
Artificial Intelligence for Mathematical Reasoning: An Integrated Survey of Language Models, Neuro-symbolic Systems, and Verified Discovery
University of California, Berkeley(加州大学伯克利分校);University of Cambridge(剑桥大学);University of Toronto(多伦多大学)
本文综述了数学推理领域从早期规则系统到当代推理模型、多智能体系统及验证发现工作流的演变,沿非正式推理、形式推理、数学发现及推理技术四轴组织,并评估了基准测试、失败模式及未来方向。
2026-07-28 cs.AI cs.CL cs.CV
Model-Grounded Symbolic Artificial Intelligence Systems Learning and Reasoning with Model-Grounded Symbolic Artificial Intelligence Systems
Massachusetts Institute of Technology(麻省理工学院);University of Alabama(阿拉巴马大学)
提出将指令微调大语言模型重新解释为模型接地的符号AI系统,以自然语言为符号层、模型内部表示空间实现接地,并开发了保持传统范式结构相似性的新学习与推理方法,初步评估表明其能提升学习效率与推理可靠性。
2025-07-14 cs.AI
The SP Theory of Intelligence as a Foundation for the Development of a General, Human-Level Thinking Machine
本文总结了“SP智能理论”及其在“SP计算机模型”中的实现如何简化和整合人工智能及相关领域的概念,从而为开发一种通用的、人类水平的思维机器提供了一个有前途的基础,这与人工通用智能研究的主要目标是一致的。这种简化和整合的关键是从生物信息学中借用和改编的强大的“多重比对”概念。这一概念有可能成为智能的“双螺旋”,对人类智能的意义不亚于DNA对生物科学的意义。SP系统的优点包括:在表示不同种类的知识方面的通用性;在智能方面的通用性(包括:无监督学习的优势;自然语言的处理;在面对数据错误时具有鲁棒性的多级抽象的模式识别;几种推理(包括:一步“演绎”推理;推理链;溯因推理;用概率网络和树进行推理;用“规则”进行推理;非单调推理和用默认值进行推理;用“解释”进行贝叶斯推理;等等);规划;解决问题;等等);各种知识和智能的各种方面以任何组合方式的无缝集成;以及在若干领域中的应用潜力(包括:帮助解决大数据带来的九个问题;帮助自主机器人开发人类水平的智能;作为一个具有智能和多功能性的数据库,用于表示和整合多种形式的知识;作为医学知识的载体和医疗诊断的辅助工具;还有几个)。
2016-12-22 cs.AI
Truly Assessing Fluid Intelligence of Large Language Models through Dynamic Reasoning Evaluation
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Harbin Institute of Technology(哈尔滨工业大学);The University of Hong Kong(香港大学)
提出基于分层认知框架的DRE-Bench动态推理基准,通过36项任务和多变体测试评估LLM流体智力,发现模型低级认知稳健但高级泛化不足。
2025-09-28 cs.AI
MACI: Multi-Agent Collaborative Intelligence for Adaptive Reasoning and Temporal Planning
Stanford University(斯坦福大学)
本文提出多智能体协作智能框架MACI,通过元规划器、任务智能体和运行时监控器三个组件,结合常识推理与规划验证解耦,克服传统LLM在推理、时间感知和约束管理上的局限,在调度任务中表现稳健。
2025-01-29 cs.AI
Agentic AI with Structured CoT for Enhancing AI's Spatial Intelligence: Visualization and Reasoning of Rotation
Texas A&M University(德克萨斯A&M大学)
本研究通过结构化思维链结合上下文信息,显著提升了GPT-5.6模型在三维旋转任务上的空间推理性能,揭示了视觉、文本与推理信息整合对智能体AI空间智能的关键作用。
2026-11-17 cs.AI
A criterion for Artificial General Intelligence: hypothetic-deductive reasoning, tested on ChatGPT
Higher School of Economics, Moscow(莫斯科高等经济学院)
本文提出假设-演绎推理是AGI的关键推理能力,通过简单测试发现ChatGPT在复杂问题上该能力有限,并指出若AI能在广泛语境中具备此能力则可视为AGI。
2026-06-23 cs.AI
Evolutionary System 2 Reasoning: An Empirical Proof
本文提出进化推理优化框架,通过进化策略提升LLM的推理能力,实验证实即使弱模型也能通过简单进化获得强大推理能力。
2025-12-05 cs.AI
Commonsense Reasoning, Commonsense Knowledge, and The SP Theory of Intelligence
本文介绍了如何“SP理论的智能”与“SP计算机模型”,概述了在附录中,可能会抛出光方面的常识推理(CSR)和常识知识(CSK),讨论了在另一篇论文中由欧内斯特戴维斯和加里马库斯(DM)。在四个主要部分,本文介绍:1)要解决的主要问题; 2)其他研究CSR和CSK; 3)为什么SP系统可能证明有用的CSR和CSK 4)如何DM描述的例子可能在SP系统中建模。关于DM所描述的CSR自动化的成功,SP系统在简化和集成方面的优势可以促进这些领域之间的无缝集成,以及这些领域与智能的其他方面的无缝集成。在考虑DM描述的CSR自动化的挑战时,本文详细描述了SP-多重比对的例子。SP系统如何模拟电影《教父》中马头场景的解释和推理过程。提出了一种解决DM描述的“长尾”问题的方法。SP系统有一些潜在的有用的东西要说的几个DM的研究目标在CSR和CSK。
2018-08-04 cs.AI
Prompt-Driven Low-Altitude Edge Intelligence: Modular Agents and Generative Reasoning
本文提出P2AECF框架,通过模块化代理和生成推理实现灵活、高效和适应的低空边缘智能。
2026-02-15 cs.AI
Value of Information for Argumentation based Intelligence Analysis
Defence Science and Technology Laboratory(国防科学技术实验室)
论证提供了论证和这些论证之间的攻击的表示。论证可以用来表示对证据进行推理以得出结论的过程。在这样的推理过程中,理解信息的价值可以根据推理过程的输出来提高决策的质量。一项信息的价值本质上取决于现有的证据和推理所回答的问题。在本文中,我们引入了一个价值的参数框架的信息,以确定最有价值的参数在框架中的参数的有限集合内,参数和攻击,可以添加到改变输出的评估。我们证明了在一个参数框架内的信息的价值,代表在海事领域的情报分析。了解信息在情报分析中的价值将使分析人员能够平衡收集的成本和风险,有效地要求进一步收集情报,以增加对假设分析的信心。
2021-02-16 cs.AI
Continuum-Interaction-Driven Intelligence: Human-Aligned Neural Architecture via Crystallized Reasoning and Fluid Generation
Tsinghua University(清华大学)
针对当前AI系统的幻觉、不可预测性等问题,本研究受人类认知二元性启发,提出整合概率生成与白盒过程性推理的双通道架构,解决对齐性与可信性问题,为可信AI部署与下一代人机协作提供新范式与理论基础。
2025-04-12 cs.AI
Swarm Intelligence Enhanced Reasoning: A Density-Driven Framework for LLM-Based Multi-Agent Optimization
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
近年来,为了进一步丰富大语言模型(LLM)在推理场景下的复杂问题求解能力,提出了许多方法,如思想链(CoT)提示和多Agent辩论(MAD).然而,这些方法可能无法解决复杂的问题,由于缺乏找到最佳解决方案的能力。群体智能在传统的优化问题中已经成为一种强有力的寻优工具。为此,我们建议通过引入一种新的基于Agent的群体智能(ASI)范式,将群体智能集成到推理过程中。在这种模式中,我们制定LLM推理作为一个优化问题,并使用群体智能计划,以指导一组基于LLM的代理在协作搜索最优解。为了避免群体智能陷入局部最优,我们进一步发展了一个群体智能增强推理(SIER)框架,它发展了一种密度驱动的策略来增强推理能力。具体来说,我们建议进行核密度估计和非支配排序,以同时优化解决方案的质量和多样性。在这种情况下,SIER通过扩展推理路径的多样性,有效地增强了解空间的探索能力;此外,采用步骤级质量评价,通过纠正低质量的中间步骤,帮助Agent提高解的质量。然后,我们使用质量阈值来动态地控制探索的终止和候选步骤的选择,从而使推理过程更加灵活和高效。广泛的实验是…
2025-05-30 cs.AI cs.MA
The Recursive Coherence Principle: A Formal Constraint on Scalable Intelligence, Alignment, and Reasoning Architecture
Caribbean Center for Collective Intelligence (CC4CI)(加勒比集体智能中心)
本文提出递归一致性原则RCP,并形式化FMI作为满足该原则的架构,论证AI错位、幻觉等问题源于递归一致性丧失。
2025-07-18 cs.AI
Ambient Technology & Intelligence
Middlesex University(密德萨斯大学);University of Texas at El Paso(得克萨斯大学埃尔帕索分校)
本文阐释环境智能的概念,说明其通过融合 IoT、传感器、AI 和先进人机交互,构建可感知并适应人的需求、实现无缝交互的智能环境。
2024-09-09 cs.AI
Personalized Emotional Intelligence in Generative AI through Symbolic Affective Reasoning
研究旨在解决生成式人工智能中缺乏个性化情感理解等问题,提出EROS混合框架,结合符号推理与深度学习,利用大规模数据集发现情感规则等,通过可扩展记忆库实现个性化,实验表明其能有效引发目标情感反应并适应个体偏好,为相关AI系统奠定基础。
2026-07-14 cs.AI
The Artificial Intelligence Cognitive Examination: A Survey on the Evolution of Multimodal Evaluation from Recognition to Reasoning
本文综述了多模态AI评估从识别到推理的演变,探讨了测评方法的转变及当前前沿基准的发展。
2026-01-05 cs.AI
Machine Psychology: Integrating Operant Conditioning with the Non-Axiomatic Reasoning System for Advancing Artificial General Intelligence Research
Stockholm University(斯德哥尔摩大学)
本文提出机器心理学框架,将操作性条件反射原理与非公理推理系统(NARS)结合以推进AGI研究,通过三项操作性学习任务验证了NARS的快速学习、适应性与复杂推理能力,为构建自适应AGI系统提供了可扩展的灵活方法。
2024-05-29 cs.AI
NUMINA: A Natural Understanding Benchmark for Multi-dimensional Intelligence and Numerical Reasoning Abilities
School of Advanced Technology, Xi’an Jiaotong-Liverpool University(西安交通大学利物浦大学先进技术学院);Department of Computer Science, University of Liverpool(利物浦大学计算机科学系);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Institute of Deep Perception Technology, JITRI(深度感知技术研究所)
NUMINA是一个用于多维智能和数值推理能力的自然理解基准,通过多尺度注释和自动化注释流程提升多模态室内感知理解,揭示当前LLM在三维空间计算中的不足。
2025-10-01 cs.AI
How Far are VLMs from Visual Spatial Intelligence? A Benchmark-Driven Perspective
ARC Lab, Tencent PCG(腾讯PCG部门ARC实验室);Shanghai Jiao Tong University(上海交通大学);University of Macau(澳门大学);Dalian University of Technology(大连理工大学);The Chinese University of Hong Kong(香港中文大学)
针对VLMs在视觉空间智能上的不足,本文系统调研其空间推理方法,提出三级能力分类并构建SIBench基准,实验揭示VLMs感知与推理的显著差距,为该领域研究提供路线图与基准支持。
2025-11-11 cs.AI
Computational principles of intelligence: learning and reasoning with neural networks
Dataveras
尽管在机器学习和人工智能方面取得了重大成就和当前的兴趣,但对智能理论的探索,允许通用和有效的问题解决,几乎没有取得进展。这项工作试图通过提出一个基于三个原则的智能新框架来为这一方向做出贡献。第一,学习到的输入表征的生成和镜像性质。第二,一个接地的,内在动机和迭代的学习,解决问题和想象力的过程。第三,使用抑制规则对因果组合表征的推理机制进行特别调整。这些原则共同创造了一种系统方法,提供可解释性,持续学习,常识等等。这个框架是从以下几个方面发展起来的:作为一个通用的问题解决方法,作为一个以人为本的工具,最后,作为大脑中信息处理的模型。
2020-12-17 cs.AI cs.LG
From Reasoning to Super-Intelligence: A Search-Theoretic Perspective
AA-I, July 2025(AA-I)
针对现有大语言模型CoT推理学习方法的缺陷,提出将推理建模为带验证器引导与回溯的深度优先搜索的Diligent Learner范式,证明其能高效从CoT数据学习,为构建可扩展可靠的大推理模型提供路径。
2025-07-26 cs.AI
Artificial general intelligence through recursive data compression and grounded reasoning: a position paper
本文提出了一个人工的,一般智能系统(AGI)的建设的初步纲要。本文认为,建立一个通用的数据压缩算法,解决所有问题的复杂性阈值应该是研究的主要推力。提出了AGI部分进展的度量方法。虽然细节还远不清楚,但一般压缩算法的一些一般属性已经得到了充实。它的归纳偏差应该是灵活的,并适应输入数据,同时不断寻找一个简单的,正交的和完整的假设解释的数据。它应该递归地减少其表示的大小,从而在每次迭代时不断压缩数据。摘要基于这种基本能力,提出了一种基于知识的推理系统。有人认为,如何接地和灵活的功能基础的假设允许足智多谋的思维。虽然在心理阶段对表征内容的模拟占了命题逻辑的大部分力量,但压缩导致简单的假设集合,允许检测和验证普遍量化的陈述。摘要本文强调了一般压缩和接地推理如何解释关于世界的第一概念的诞生和发展以及关于它们的常识推理。
2015-06-14 cs.AI
Imagine in Space: Exploring the Frontier of Spatial Intelligence and Reasoning Efficiency in Vision Language Models
针对当前先进视觉语言模型(VLMs)在空间推理上的不足,本研究假设想象是空间世界模型的主导推理机制,通过构建全合成基准SpatiaLite探究其机制,发现VLMs依赖语言表征且效率低,并提出图像驱动框架提升空间推理能力。
2025-11-16 cs.AI
Approaches to Artificial General Intelligence: An Analysis
本文分析了实现AGI的不同方法,包括人脑仿真、AIXI和集成认知架构。首先,本文对AGI的定义进行了界定,并阐述了AGI的要求。对于所提到的每一种拟议方法,都总结了所讨论的方法,并详细介绍了其关键过程,展示了其如何运作。然后,对每种方法进行了分析,考虑到各种因素,如技术要求,计算能力,以及是否符合要求。得出的结论是,虽然有各种方法可以实现AGI,如人脑仿真和集成认知架构,但实现AGI最有前途的方法是集成认知架构。这是因为人脑仿真被发现需要扫描技术,而这些技术很可能要到21世纪30年代才能获得,因此在此之前不太可能创建。此外,集成认知架构降低了计算需求,并为通用智能提供了合适的功能,使其成为实现AGI的最有可能的方式。
2022-01-29 cs.AI
Federated Intelligence: When Large AI Models Meet Federated Fine-Tuning and Collaborative Reasoning at the Network Edge
Tsinghua University(清华大学);Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出联邦微调与协同推理框架,解决大型AI模型在边缘网络部署中的隐私、资源与延迟挑战,并通过仿真验证其降低微调损失的有效性。
2025-03-27 cs.AI
AlphaCast: A Human Wisdom-LLM Intelligence Co-Reasoning Framework for Time Series Forecasting
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(中国科学技术大学认知智能国家重点实验室)
AlphaCast提出一种交互驱动的代理推理框架,利用无训练大语言模型实现准确的时间序列预测,通过多阶段工作流整合上下文准备、基于推理的生成和反思评估,将预测转化为多轮自主交互过程。
2026-10-12 cs.AI
MODF-SIR: A Multi-agent Omni-modal Distilled Framework for Social Intelligence Reasoning
School of Information Science and Engineering, Lanzhou University(兰州大学信息科学与工程学院);School of Medical Technology, Beijing Institute of Technology(北京理工大学医学技术学院);Cloud and AI BU, Huawei(华为云与AI业务部);School of Computing, National University of Singapore(新加坡国立大学计算机学院)
提出基于轻量级多模态大语言模型的多智能体协作框架,通过知识蒸馏增强训练与推理,结合测试时适应、长尾事件提取和链式思维提示,在多个基准上取得最优结果。
2026-06-11 cs.AI
Knowledge Management in Economic Intelligence with Reasoning on Temporal Attributes
人们必须在一定的时间内做出重要的决定。因此,必须采用手段或策略来帮助有效的决策。因此,经济情报(EI)已经成为一个领域,以帮助战略和及时的决策在一个组织。在实现这一目标的过程中:对投资于决策过程的智力资源的保护规定持更乐观的态度是必不可少的。这种智力资源就是行动者的知识以及影响决策的各种过程的知识。知识已被确认为提高生产力的战略性经济资源,也是任何组织或社区创新的关键。因此,认识到其时间属性的适当管理是非常必要的。知识的时间属性指的是创建这些知识的日期和时间(称为时间戳)以及相关知识之间的持续时间或间隔。本文着重于以用户为中心的知识管理方法的需求,以及开发相关的时间属性。我们的知识的角度是相对于决策问题的项目在EI。我们的假设是,在EI项目中的知识开发的时间属性的推理的可能性,应促进及时决策,通过生成有用的推论,从现有的和可重用的知识为一个新的项目。
2009-06-09 cs.AI
MIRAGE: A Multi-modal Benchmark for Spatial Perception, Reasoning, and Intelligence
Tsinghua University(清华大学);Shopee(虾皮);Alibaba International Digital Commerce(阿里巴巴国际数字商业集团);University of Bristol(布里斯托大学)
MIRAGE是一个多模态基准,通过计数、关系及二者结合的任务评估模型的空间感知与推理能力,揭示现有模型的局限,并为时空推理研究奠定基础。
2025-06-23 cs.AI cs.CV
Code to Think, Think to Code: A Survey on Code-Enhanced Reasoning and Reasoning-Driven Code Intelligence in LLMs
Meta AI;University of California, San Diego(加利福尼亚大学圣迭戈分校);University of Rochester(罗切斯特大学)
本文综述了代码与推理在大语言模型中的相互增强关系,分析了代码作为推理媒介的作用及推理对代码智能的推动,并提出了未来研究方向。
2025-02-26 cs.AI cs.CL cs.LG
ARC-AGI-2: A New Challenge for Frontier AI Reasoning Systems
ARC-AGI-2通过更细致的任务设计,为评估人工智能的抽象推理和问题解决能力提供更高级的基准测试。
2026-01-15 cs.AI
COSINT-Agent: A Knowledge-Driven Multimodal Agent for Chinese Open Source Intelligence
COSINT-Agent通过整合多模态大语言模型与实体-事件-场景知识图谱,提升中文开源情报的多模态推理能力与情报生成效率。
2026-01-13 cs.AI
Artificial Expert Intelligence through PAC-reasoning
本文提出人工专家智能(AEI)框架,以 PAC 推理实现复杂问题的可靠分解与精度控制,并引入 System 3 精确推理,为误差有界的推理时学习奠定基础。
2024-12-03 cs.AI cs.CL cs.LG
Hybrid Reasoning Systems That Prioritize and Enhance Human Intelligence
Southern California Permanente Medical Group(南加州永久医疗集团)
本文提出通过生成式AI工具增强人类推理能力,构建优先考虑人类智能的混合系统,以应对未来挑战。
2026-10-05 cs.AI cs.HC
Algorithmic Randomness as Foundation of Inductive Reasoning and Artificial Intelligence
Australian National University(澳大利亚国立大学)
这篇文章是一个简短的个人帐户的过去,现在和未来的算法随机性,强调其作用的归纳推理和人工智能。它是为对科学和哲学感兴趣的普通读者而写的。直觉上,随机性是缺乏秩序或可预测性。如果随机性是决定论的对立面,那么算法随机性就是可计算性的对立面。除了许多其他的东西,这些概念已经被用来量化奥卡姆剃刀,解决归纳问题,并定义智能。
2011-02-12 cs.AI cs.CC cs.IT
Social-R1: Towards Human-like Social Reasoning in LLMs
Social-R1通过多维奖励对齐模型推理与人类认知,利用ToMBench-Hard提供困难训练案例,使大模型在社交推理任务中实现超越和稳健泛化。
2026-03-10 cs.AI
The Role of General Intelligence in Mathematical Reasoning
对象是数学领域的核心,也是我们与之互动和推理的核心,就像它们是物理领域的核心一样(如果不是更多的话)。人类的数学推理最终必须建立在我们的一般智力基础上。然而在当代认知科学和人工智能中,物理和数学领域通常是分开探索的,这就允许对系统的对象进行假设,而忽略了潜在的联系。在本文中,我把这个问题放在哲学和认知的背景下。然后,我描述了一个抽象的理论框架,学习对象表示,使空间的数学对象与非数学的。最后,我描述了一个案例研究,建立在这一观点,以显示我们的一般能力,整合不同方面的对象影响我们的概念的自然数。
2021-04-27 cs.AI cs.LG math.HO
From Hallucination to Grounding: Diagnosing Visual Spatial Intelligence via CRISP
Chalmers University of Technology(查尔姆斯理工大学)
提出CRISP诊断范式,通过一致性评估解耦感知与推理,揭示闭源模型存在度量估计不准确和未利用隐式结构表示的问题,开源模型则受限于多跳组合推理能力。
2026-06-26 cs.AI cs.CV
Artificial Intelligence Should Genuinely Support Clinical Reasoning and Decision Making To Bridge the Translational Gap
ETH Zurich(苏黎世联邦理工学院);Johns Hopkins University School of Medicine(约翰霍普金斯大学医学院)
本文指出以技术为中心的AI方法导致临床转化鸿沟,提出以社会技术视角设计数据驱动工具来辅助医生认知与决策,强调现实影响优先于基准性能。
2025-06-05 cs.AI cs.CY cs.HC
VEGAS: Towards Visually Explainable and Grounded Artificial Social Intelligence
National Engineering Research Center for Multimedia Software, School of Computer Science, Wuhan University(武汉大学计算机学院多媒体软件国家工程研究中心);School of Computing, National University of Singapore(新加坡国立大学计算机学院)
针对现有社会智能评估过度依赖语言且缺乏推理路径解释的问题,提出VEGAS模型,通过开放式回答、视觉采样策略与通用指令微调实现视觉可解释的多模态推理。
2025-04-03 cs.AI
JT-DA: Enhancing Data Analysis with Tool-Integrated Table Reasoning Large Language Models
Jiutian Research, China Mobile, Beijing, China(钧天研究,中国移动,北京)
JT-DA-8B通过工具集成的表格推理方法,提升复杂表格分析任务的性能和准确性。
2025-12-07 cs.AI
Logic-Based Artificial Intelligence Algorithms Supporting Categorical Semantics
Shenandoah University Departmenet of Mathematics(谢南多大学数学系)
本文将范畴逻辑应用于人工智能体设计,基于Johnstone的矢列演算开发了前向链与范式算法,并调整一阶合一以支持多类理论,使符号推理能应用于不支持经典逻辑的语义范畴。
2025-04-27 cs.AI
Grounding What Shapes the Plan: Rethinking Groundedness for Physical Intelligence in Autonomous Driving
UMich(密歇根大学);UCLA(加州大学洛杉矶分校);NVIDIA(英伟达);JHU(约翰霍普金斯大学);USC(南加州大学);Stanford(斯坦福大学)
针对自动驾驶中推理接地性与行动结果脱节的问题,提出以物理实体为接地单元的GroundAct框架,通过参考标记与交互修正实现接地规划,在开闭环测试中表现优异。
2026-10-07 cs.AI
Beyond Statistical Learning: Exact Learning Is Essential for General Intelligence
Google DeepMind(谷歌DeepMind)
本文指出统计学习导致AI系统在演绎推理上不可靠,主张为实现可靠演绎推理,AI研究须从优化统计性能转向要求所有输入均正确的精确学习范式。
2025-06-30 cs.AI cs.LG
Neuro-Symbolic Artificial Intelligence: Towards Improving the Reasoning Abilities of Large Language Models
National Key Laboratory for Novel Software Technology, Nanjing University, China(国家新型软件技术重点实验室,南京大学,中国);School of Artificial Intelligence, Nanjing University, China(人工智能学院,南京大学,中国);School of Intelligence Science and Technology, Nanjing University, China(智能科学与技术学院,南京大学,中国)
本文系统综述了利用神经符号方法提升大语言模型推理能力的最新进展,从Symbolic->LLM、LLM->Symbolic和LLM+Symbolic三个视角梳理方法,并讨论关键挑战与未来方向。
2025-08-19 cs.AI cs.LG
Qwen2.5-32B: Leveraging Self-Consistent Tool-Integrated Reasoning for Bengali Mathematical Olympiad Problem Solving
Bangladesh University of Engineering and Technology(孟加拉工程技术大学)
针对孟加拉语数学奥林匹克问题,提出基于Qwen2.5系列模型,结合提示工程、量化、工具集成推理及超参数调优的方法,在DL竞赛中验证了其有效性。
2024-11-08 cs.AI
CoRe3D: Collaborative Reasoning as a Foundation for 3D Intelligence
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
CoRe3D通过协作推理框架实现3D内容生成,结合语义和空间推理提升3D输出的一致性与描述一致性。
2026-02-10 cs.AI cs.CV cs.LG