Language Generation via Combinatorial Constraint Satisfaction: A Tree Search Enhanced Monte-Carlo Approach
Purdue University（普渡大学）；ByteDance AI Lab（字节跳动人工智能实验室）
在复杂约束条件下生成自然语言是实现可控文本生成的一个原则性表述。我们提出了一个框架，允许指定的组合约束的句子生成。我们提出了TSMH，一个有效的方法来生成高似然句子相对于一个预先训练好的语言模型，同时满足约束。我们的方法是高度灵活的，不需要特定任务的培训，并利用高效的约束满足解决技术。为了更好地处理组合约束，树搜索算法被嵌入到马尔可夫链蒙特卡罗（MCMC）的建议过程中，以探索满足更多约束的候选人。与现有的MCMC方法相比，我们的采样方法具有更好的混合性能。实验表明，TSMH在多个语言生成任务上取得了一致的显著改进。
2020-11-30 cs.AI cs.CL
Neural-Symbolic Computing: An Effective Methodology for Principled Integration of Machine Learning and Reasoning
UFRGS（南里奥格兰德联邦大学）；FBK（布鲁诺·凯斯勒基金会）；Sony Japan（索尼日本）
目前人工智能和机器学习，特别是深度学习的进展不仅在研究界，而且在流行的媒体渠道上都产生了前所未有的影响。然而，有影响力的思想家提出了对人工智能的可解释性和问责制的担忧。尽管人工智能最近的影响，一些工作已经确定了与基于深度学习的系统集成的原则性知识表示和推理机制的需要，以提供合理和可解释的模型，这样的系统。正如Valiant所预见的那样，神经符号计算的目标是整合两种最基本的认知能力：从环境中学习的能力，以及从所学到的东西中推理的能力。神经符号计算是一个活跃的研究课题，多年来，调和的优势，强大的学习神经网络和推理和解释的符号表示。在本文中，我们调查最近的成就，神经符号计算作为一个原则性的方法集成机器学习和推理。我们通过概述方法的主要特征来说明该方法的有效性：神经学习与符号知识表示和推理的原则性整合，允许构建可解释的人工智能系统。神经符号计算提供的见解为可解释和可问责的人工智能系统日益突出的需求提供了新的启示。
2019-05-15 cs.AI
Search-Augmented Masked Diffusion Models for Constrained Generation
University of Virginia（弗吉尼亚大学）；University of Colorado at Boulder（科罗拉多大学 Boulder分校）
SearchDiff通过整合有信息的搜索到反向去噪过程中，提高了约束满足和属性遵循，优于离散扩散和自回归基线。
2026-02-02 cs.AI cs.LG
G-RRM: Guiding Symbolic Solvers with Recurrent Reasoning Models
提出神经符号方法G-RRM，将符号等变循环推理模型与回溯或SAT求解器结合，通过神经引导提升约束满足问题的搜索效率，在9×9数独上回溯加速33.3倍。
2026-07-03 cs.AI
Differentiable Symbolic Planning: A Neural Architecture for Constraint Reasoning with Learned Feasibility
Sithara Inc.（Sithara公司）
本文提出可微符号规划（DSP），通过神经架构实现离散符号推理并保持全可微性，结合通用认知内核（UCK）在约束推理基准中取得高准确率。
2026-02-19 cs.AI cs.LG
Multi-Modal Learning meets Genetic Programming: Analyzing Alignment in Latent Space Optimization
Mila, Université Laval（Mila，拉瓦尔大学）；Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学）；Canada-CIFAR AI Chair（加拿大-卡内基梅隆人工智能主席）
本文研究SNIP方法在符号回归中多模态潜在空间优化的对齐效果，发现跨模态对齐在优化过程中未改善且过于粗糙，导致有效对齐引导的优化尚未实现。
2026-08-06 cs.AI cs.NE
Constraint Satisfaction Approaches to Wordle: Novel Heuristics and Cross-Lexicon Validation
本文提出基于约束满足问题的Wordle求解方法，通过新颖的启发式策略和跨词典验证，展示了在结构化谜题求解中的优越性能。
2025-11-22 cs.AI cs.CL
Eidoku: A Neuro-Symbolic Verification Gate for LLM Reasoning via Structural Constraint Satisfaction
Independent Researcher（独立研究者）
Eidoku通过结构约束满足方法有效检测LLM推理中的结构不一致幻觉，提供神经符号验证机制。
2025-12-19 cs.AI cs.LO
AS2 -- Attention-Based Soft Answer Sets: An End-to-End Differentiable Neuro-Soft-Symbolic Reasoning Architecture
Clemson University（克莱姆森大学）
AS2提出一种端到端可微的神经-软符号推理架构，通过软连续近似替代离散求解器，实现约束满足反馈的可微传递，提升在视觉数独和MNIST加法任务中的性能。
2026-11-05 cs.AI
Learning Interpretable Temporal Properties from Positive Examples Only
Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Arizona State University（亚利桑那州立大学）；TU Dortmund University（多特蒙德工业大学）；Carl von Ossietzky University of Oldenburg（卡尔·冯·奥西茨基奥尔登堡大学）；Center for Trustworthy Data Science and Security, University Alliance Ruhr（鲁尔大学联盟可信数据科学与安全中心）
我们考虑的问题，解释的时间行为的黑盒系统使用人类可解释的模型。为此，根据最近的研究趋势，我们依赖于确定性有限自动机（DFA）和线性时序逻辑（LTL）公式的基本但可解释的模型。与大多数现有的学习DFA和LTL公式的作品相比，我们只依赖于正面的例子。我们的动机是，负面的例子通常很难观察到，特别是从黑箱系统。为了只从正面例子中学习有意义的模型，我们设计了依赖于模型的简洁性和语言最小性作为正则化器的算法。为此，我们的算法采用两种方法：一个象征性的和一个反例引导的。虽然符号的方法利用了一个有效的编码语言最小的约束满足问题，反例引导的依赖于生成合适的否定的例子修剪搜索。这两种方法都为我们提供了有效的算法，并在学习模型上提供了理论保证。为了评估我们的算法的有效性，我们评估所有的合成数据。
2023-03-02 cs.AI cs.LO
DiBS: Diffusion-Informed Branch Selection
Nanyang Technological University（南洋理工大学）；University of Science and Technology of China（中国科学技术大学）；Tsinghua University（清华大学）
针对数独求解中学习型求解器缺乏正确性保证而符号求解器存在长尾搜索的问题，提出扩散模型引导的分支选择方法DiBS，在保持符号求解器完备性的同时，利用扩散模型排序候选值，显著降低搜索成本。
2026-06-02 cs.AI cs.LG
When Do Symbolic Solvers Enhance Reasoning in Large Language Models?
University College London（伦敦大学学院）；University of Oxford（牛津大学）
本文研究符号求解器如何在大语言模型中增强推理，发现其在需要有限隐式推理但具有充足搜索空间的问题中表现优异，尤其在约束满足问题中提升显著。
2025-12-02 cs.AI
Hard Rules, Soft Preferences: Bridging Reasoning, Learning, and Optimization for Personalized Packing Checklist Generation
Tech LLC（529科技有限责任公司）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Virginia（弗吉尼亚大学）
针对航空旅行打包易出错问题，提出含符号引擎、偏好学习器和CP - SAT优化器的推理引导学习框架，能生成个性化、合规行李清单，在实验中表现良好，在应用中提升了清单完成量并减少了时间。
2026-07-20 cs.AI cs.LG
Position: Certified Correctness in Neural Constraint Reasoning Requires Symbolic Integration
本文针对神经约束推理在分布偏移下易出现约束违反的问题，提出需优先将神经方法与符号方法双向集成，通过多智能体认证推理框架实现计算效率与可证正确性。
2026-08-18 cs.AI
ONOTE: Hypergraph-Grounded Omnimodal Reasoning for Computational Music Science
Beijing University of Posts and Telecommunications（北京邮电大学）；Nanyang Technological University（南洋理工大学）
本文提出ONOTE基准测试，通过确定性流程消除记谱系统偏差，揭示多模态模型在感知准确性和音乐理论理解间的根本分歧。
2026-08-25 cs.AI cs.MM cs.SD
A Neuro-Symbolic Framework for Reasoning under Perceptual Uncertainty: Bridging Continuous Perception and Discrete Symbolic Planning
The University of Hong Kong（香港大学）；Guangzhou College of Commerce（广州商学院）
针对AI系统中连续感知与离散符号推理的连接挑战，提出一种神经符号框架，通过概率符号状态提取与不确定性感知规划器实现感知到规划的不确定性建模与传播，在桌面机器人操纵任务中取得优于POMDP基线的性能，且具通用性。
2025-11-18 cs.AI
Semantic Probabilistic Layers for Neuro-Symbolic Learning
UCLA（加州大学洛杉矶分校）；University of Trento（特伦托大学）；University of Edinburgh（爱丁堡大学）
我们为结构化输出预测（SOP）设计了一个预测层，它可以插入任何神经网络，保证其预测与一组预定义的符号约束一致。我们的语义概率层（SPL）可以在结构化的输出空间上对复杂的相关性和硬约束进行建模，同时通过最大似然进行端到端学习。SPL以一种干净和模块化的方式将精确的概率推理与逻辑推理相结合，学习复杂的分布并将其支持限制在约束的解决方案上。因此，他们可以忠实地，有效地，模型复杂的SOP任务超出了替代神经符号的方法。我们的经验表明，SPL优于这些竞争对手在具有挑战性的SOP任务，包括分层多标签分类，寻路和偏好学习的准确性，同时保持完美的约束满足。
2022-06-01 cs.AI cs.LG
Reasoning in Non-Probabilistic Uncertainty: Logic Programming and Neural-Symbolic Computing as Examples
University of Bremen（不来梅大学）；City University London（伦敦城市大学）；University of Edinburgh（爱丁堡大学）；University of Luxembourg（卢森堡大学）；University of Amsterdam（阿姆斯特丹大学）
本文旨在实现两个目标：表明概率不是处理不确定性的唯一方法（甚至还有一些不确定性是由于概率方法无法解决的原则性原因）;并提供证据证明基于逻辑的方法可以很好地支持不确定性推理。对于后者的要求，两个范例：逻辑编程与Kleene语义建模推理的话语中的信息，对预期模型的状态的事务的解释，和神经符号实现的输入/输出逻辑处理不确定性在动态规范的上下文中。
2017-03-01 cs.AI
Neuro-Symbolic Injection of LTLf Constraints in Autoregressive Reinforcement Learning Policies
Sapienza University of Rome（罗马大学）
提出神经符号框架，将LTLf约束编译为DFA并通过可微损失注入Transformer策略，在导航任务中提升约束满足且保持回报竞争力。
2026-06-06 cs.AI cs.FL
Learning with Logical Constraints but without Shortcut Satisfaction
State Key Lab of Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；The University of Hong Kong（香港大学）；Birkbeck, University of London（伦敦大学伯克贝克学院）
针对神经符号学习中逻辑约束被捷径空洞满足的问题，本文提出引入逻辑连接词对偶变量并构建兼容原始损失的变分分布式损失框架，提升了泛化能力与约束满足效果。
2024-03-01 cs.AI cs.LG
Neuro-Symbolic Verification on Instruction Following of LLMs
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Science and Technology of China（中国科学技术大学）；Microsoft Research（微软研究院）
本文提出NSVIF框架，通过神经符号方法验证大语言模型是否遵循指令，实验表明其在指令遵循验证中表现优异。
2026-01-25 cs.AI
Constraint-Aware Neurosymbolic Uncertainty Quantification with Bayesian Deep Learning for Scientific Discovery
Department of Computer Science and Engineering Muffakham Jah College of Engineering and Technology (MJCET)（计算机科学与工程系穆法卡姆·贾赫工程与技术学院）
CANUF通过结合贝叶斯深度学习与可微符号推理，首次实现科学预测中的不确定性量化、约束满足和可解释性解释。
2026-01-18 cs.AI cs.CV cs.LG
Neuro-Symbolic Learning for Predictive Process Monitoring via Two-Stage Logic Tensor Networks with Rule Pruning
University of Parma（帕尔马大学）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出一种神经符号学习方法，通过两阶段优化策略结合逻辑张量网络与规则剪枝，提升预测过程监控的准确性，尤其在合规约束下表现优异。
2026-03-27 cs.AI
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
Planning from Pixels in Atari with Learned Symbolic Representations
Technical University of Denmark（丹麦技术大学）
基于宽度的规划方法已被证明在Atari 2600域中使用像素输入产生最先进的性能。RolloutIW是一种成功的方法，它用B-PROST布尔特性集表示状态。RolloutIW的增强版本$π$ -IW表明，对于基于宽度的搜索，学习的特性可以与手工制作的特性相竞争。在本文中，我们利用变分自编码器（VAE）直接从像素中学习功能的原则性方式，没有监督。经过训练的VAE的推理模型从像素中提取布尔特征，RolloutIW使用这些特征进行规划。由此产生的组合优于原来的RolloutIW和雅达利2600上的人类专业游戏，并大大减少了功能集的大小。
2021-03-15 cs.AI cs.LG
SymDiag: Explainable Diagnosis for LLM Reasoning via Neuro-Symbolic Verification
Beijing Institute of Technology（北京理工大学）；Zhongguancun Academy（中关村学院）；Xinjiang Future Enterprise Incubator Co., Ltd.（新疆未来企业孵化器有限公司）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
SymDiag是一种神经符号框架，将LLM推理验证重构为结构化故障诊断，可定位推理故障步骤、分离翻译与推理错误，在多类基准中提升了不可靠推理检测与推理修复反馈效果。
2026-08-11 cs.AI
Spatial Reasoning via Modality Switching Between Language and Symbolic Representations
Michigan State University（密歇根州立大学）
研究多跳文本空间故事中，将语言推理切换到几何感知模态（如布局或网格）能否提升推理性能，并提出基于可信度和复杂度的切换指标，实现原则性模态选择，使LLM性能提升高达42%。
2026-09-15 cs.AI
Delta1 with LLM: symbolic and neural integration for credible and explainable reasoning
本文提出Delta1与LLM结合的框架，通过符号推理与神经网络整合，实现可信且可解释的推理，适用于医疗、合规和监管领域。
2026-03-13 cs.AI cs.LO
Towards Combining HTN Planning and Geometric Task Planning
LAAS/CNRS（法国国家科学研究中心系统架构与分析实验室）
在本文中，我们提出了一个符号规划器和几何任务规划器之间的接口，这是一个标准的轨迹规划器的不同之处在于，前者是能够执行抽象的实体-任务的几何推理。我们相信，这种方法有利于一个更有原则的接口，象征性的规划，同时也留下了更多的空间，几何规划师作出独立的决定。我们展示了两个规划者如何进行接口，以及他们的规划和回溯如何交错。我们还提供了使用组合系统的方法的见解，和实验结果作为基准与未来的扩展组合系统，以及几何任务规划。
2013-07-04 cs.AI
Symbolic Querying of Vector Spaces: Probabilistic Databases Meets Relational Embeddings
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
我们提出了统一的技术，从概率数据库和关系嵌入模型的目标执行复杂的查询不完整和不确定的数据。我们形式化的概率数据库模型，所有的查询。这使我们能够利用来自概率数据库的丰富的理论和算法文献来解决问题。虽然这种形式化可以与任何关系嵌入模型一起使用，但缺乏定义良好的联合概率分布会导致简单的查询问题变得难以证明。考虑到这一点，我们引入\TO，一个关系嵌入模型，旨在成为一个易于处理的概率数据库，利用典型的嵌入假设的概率框架。使用一个原则，高效的推理算法，可以从它的定义，我们经验证明，\TOs是一个有效的和一般的模型，这些查询任务。
2020-06-27 cs.AI cs.DB
Adaptive Selection of Symbolic Languages for Improving LLM Logical Reasoning
本文提出一种自适应选择符号语言的方法，通过在翻译前为不同自然语言逻辑推理问题匹配最优符号语言（一阶逻辑、逻辑编程或布尔可满足性），显著提升了LLM的逻辑推理性能。
2025-10-12 cs.AI
Attention as Binding: A Vector-Symbolic Perspective on Transformer Reasoning
Sahil Rajesh Dhayalkar（独立研究者）
本文提出将Transformer的注意力机制视为软向量符号计算，通过向量符号架构视角解释其推理行为，并提出改进架构和训练目标以提升逻辑可靠性和可解释性。
2025-12-08 cs.AI cs.LG
Current Practices for Building LLM-Powered Reasoning Tools Are Ad Hoc -- and We Can Do Better
School of Computing and Information Systems, The University of Melbourne（计算与信息系统学院，墨尔本大学）
本文指出当前构建LLM驱动的自动推理工具实践是临时性的，提出神经符号转换系统这一原则性计算模型，以结合符号算法强保证与LLM直觉，扩展逻辑推理能力。
2025-07-08 cs.AI cs.PL
Neurosymbolic AI: The 3rd Wave
City, University of London（伦敦大学城市学院）；Federal University of Rio Grande do Sul（南里奥格兰德联邦大学）
当前人工智能（AI）和机器学习（ML）的进步在研究社区和行业中取得了前所未有的影响。然而，有影响力的思想家提出了对人工智能的信任，安全性，可解释性和问责制的担忧。许多人已经认识到需要将有根据的知识表示和推理与深度学习相结合，并需要合理的可解释性。多年来，神经符号计算一直是一个活跃的研究领域，寻求通过网络模型的符号表示将神经网络中的鲁棒学习与推理和可解释性结合在一起。在本文中，我们将神经符号AI的最新和早期研究成果与识别下一波AI系统的关键成分的目标联系起来。我们专注于研究，以原则性的方式整合基于神经网络的学习与符号知识表示和逻辑推理。20年的神经符号计算所提供的见解，为人工智能在信任、安全、可解释性和问责制方面日益突出的作用提供了新的视角。我们还从神经符号系统的角度确定了未来十年人工智能研究的方向和挑战。
2020-12-16 cs.AI cs.LG
Teaching LLMs to Plan: Logical Chain-of-Thought Instruction Tuning for Symbolic Planning
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Microsoft AI（微软人工智能）
提出PDDL-Instruct指令微调框架，通过逻辑思维链推理教导LLM严谨推理动作适用性与状态转换，在标准基准上实现94%规划准确率，较基线绝对提升66%。
2025-09-14 cs.AI cs.CL
Beyond Surface Forms: Symbolic Edits as a Test for Logical Reasoning with LLMs
Monash University（莫纳什大学）；University College London（伦敦大学学院）
本研究提出工具驱动的符号编辑框架，通过可控修改逻辑算子等结构成分，发现不同LLM在算子编辑下的推理行为不一致，可用于评估模型推理可靠性。
2026-09-01 cs.AI cs.CL
Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach
Department of Computing（计算系）；Imperial College London（帝国理工学院伦敦分校）
本文提出利用大语言模型作为不完美的专家，结合语义结构先验和条件独立性证据，实现因果发现的先进方法。
2026-08-12 cs.AI
ASyMOB: Algebraic Symbolic Mathematical Operations Benchmark
MIT（麻省理工学院）；Technion - Israel Institute of Technology（技术学院-以色列理工学院）
提出ASyMOB基准，包含35,368个符号数学问题，通过扰动测试揭示大模型在符号数学推理中的鲁棒性不足，并发现LLM与CAS的互补潜力。
2026-06-18 cs.AI cs.CL cs.SC
Logically Consistent Language Models via Neuro-Symbolic Integration
University of Trento（特伦托大学）；University of Edinburgh（爱丁堡大学）
针对LLM易生成非事实信息且推理时自相矛盾的问题，提出基于神经符号推理的损失函数，使模型与外部事实和规则保持逻辑一致，提升自洽性，支持多约束组合，并增强对未见事实知识的系统外推能力。
2024-09-09 cs.AI cs.CL cs.LG
Can Large Language Models Reason? A Characterization via 3-SAT
Centre for Applied Autonomous Sensor Systems (AASS), Örebro University（厄勒布鲁大学应用自主传感器系统中心（AASS））；Department of Computer Science, KU Leuven（鲁汶大学计算机科学系）
本文通过随机3-SAT相变实验协议，从计算理论视角系统评估LLM推理能力，证明其无法进行真正推理且性能随问题难度变化，并发现集成外部推理器可显著提升表现。
2024-10-22 cs.AI
From Eigenmodes to Proofs: Integrating Graph Spectral Operators with Symbolic Interpretable Reasoning
Andrew Kiruluta and Priscilla Burity（独立研究者）
Spectral NSR通过将逻辑规则嵌入谱模板并在图谱谱域推理，统一了符号推理的可解释性与谱学习的可扩展性，在多个基准上超越现有方法。
2025-09-07 cs.AI cs.CL cs.LG
Comprehension Without Competence: Architectural Limits of LLMs in Symbolic Computation and Reasoning
Amazon Web Services（亚马逊网络服务）
本文通过对照实验与架构分析，诊断大语言模型在符号推理等任务上的系统性失败根源，提出计算性裂脑综合征概念，划定当前大语言模型的能力边界并指明未来模型改进方向。
2025-11-14 cs.AI cs.LG
Ternary Gamma Semirings as a Novel Algebraic Framework for Learnable Symbolic Reasoning
Government College (A), Rajahmundry, A.P., India（印度安得拉邦拉贾姆ун迪政府学院）；Department of Mathematics, Acharya Nagarjuna University, Guntur, A.P., India（安得拉邦古尔塔阿查里亚纳加普大学数学系）；Government College For Women(A), Guntur, Andhra Pradesh, India（印度安得拉邦古尔塔政府女子学院）；Dept. of Mathematics,Acharya Nagarjuna University, Guntur, A.P., India（安得拉邦古尔塔阿查里亚纳加普大学数学系）
本文提出神经三元半环，通过三元运算符替代传统二元乘法，为可学习符号推理提供数学严谨且有效的代数框架。
2025-11-21 cs.AI math.RA
Enhancing Reasoning Capabilities of LLMs via Principled Synthetic Logic Corpus
Advanced AI Innovation Center, Hitachi（日立高级人工智能创新中心）；The University of Sheffield（谢菲尔德大学）
针对LLM推理能力不足的问题，本文提出附加逻辑训练（ALT）方法，并基于符号逻辑理论构建了高质量多步演绎合成语料库FLD×2。实验表明，该方法显著提升了LLaMA-3.1-70B等先进模型在逻辑、数学、编程及BBH基准上的表现。
2024-12-23 cs.AI cs.LG cs.LO
PhyNiKCE: A Neurosymbolic Agentic Framework for Autonomous Computational Fluid Dynamics
PhyNiKCE通过神经符号框架提升CFD模拟的可信度与效率，实现96%的性能提升并减少59%的自我校正循环。
2026-02-12 cs.AI cs.CL
Probabilistic Neuro-Symbolic Reasoning for Sparse Historical Data: A Framework Integrating Bayesian Inference, Causal Models, and Game-Theoretic Allocation
Independent Researcher（独立研究者）
HistoricalML通过整合贝叶斯推断、因果模型和博弈论，解决稀疏历史数据建模难题，识别出德国与第一次世界大战前的结构性紧张，并通过模拟揭示布匿战争中政治支持胜过军事能力。
2025-12-01 cs.AI cs.GT math.PR
ChinaTravel: An Open-Ended Travel Planning Benchmark with Compositional Constraint Validation for Language Agents
State Key Laboratory of Novel Software Technology, Nanjing University, China（南京大学新型软件技术国家重点实验室）；School of Intelligence Science and Technology, Nanjing University, China（南京大学智能科学与技术学院）；School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院）；Noah’s Ark Lab, Huawei, China（华为诺亚实验室）
ChinaTravel通过开放数据集和组合通用领域语言，提升语言代理在复杂真实场景中的约束满足能力，实现37%的约束满足率，比纯神经模型提升10倍。
2026-04-29 cs.AI cs.CL
Beyond LLMs: Advancing the Landscape of Complex Reasoning
Elemental Cognition
本文指出 LLMs 在解决约束满足与优化问题上的不足，提出基于神经符号方法的 EC AI 平台，结合高性能逻辑推理引擎与 LLMs，在构建、验证和修复解方面显著优于 LLMs。
2024-02-12 cs.AI cs.CL
A Neurosymbolic Fast and Slow Architecture for Graph Coloring
University of South Carolina（南卡罗来纳大学）；IBM Research（IBM研究院）
本文提出神经符号双系统架构SOFAI_v2，通过元认知协调LLM快速求解与符号审慎求解，在图着色任务上显著提升成功率和速度。
2025-09-29 cs.AI cs.CL
Hypertokens: Holographic Associative Memory in Tokenized LLMs
Sloop FX, Inc.（Sloop FX 公司）
本文提出 HDRAM 符号记忆框架，将 transformer 潜在空间视为扩频信道，通过结合纠错码、全息计算和量子启发式搜索的 hypertokens，在不改变架构的前提下显著提升了 LLMs 的联想检索能力。
2025-06-02 cs.AI cs.CL cs.LG
Logical Phase Transitions: Understanding Collapse in LLM Logical Reasoning
Huazhong University of Science and Technology（华中科技大学）
研究通过控制逻辑复杂性分析大语言模型的逻辑推理性能，发现逻辑相变现象，提出神经符号课程调优框架以提升高复杂度下的推理能力。
2026-04-15 cs.AI cs.CL cs.LO
