大模型推理能力

GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction

GLOW：基于图-语言协同推理的代理工作流性能预测

Wei Guan, Jian Cao, Jinyu Cai, Qiqi Cai, Jianqi Gao, See-Kiong Ng

机构 * School of Computer Science, Shanghai Jiao Tong University, China（上海交通大学计算机科学学院） ； Institute of Data Science, National University of Singapore, Singapore（新加坡国立大学数据科学研究所） ； School of Computer Engineering and Science, Shanghai University, China（上海大学计算机工程与科学学院） 纠错

专题命中 逻辑推理 ：reasoning(title,abstract)；分类 cs.AI、cs.LG

AI总结 GLOW通过结合图神经网络与大语言模型，提出了一种统一的代理工作流性能预测框架，有效捕捉拓扑依赖和语义逻辑，提升预测准确性与排序效用。

A Neurosymbolic Approach to Loop Invariant Generation via Weakest Precondition Reasoning

通过最弱前条件推理的神经符号方法生成循环不变式

Daragh King, Vasileios Koutavas, Laura Kovacs

机构 * Trinity College Dublin（都柏林三一学院） ； Lero, Research Ireland Centre for Software（爱尔兰软件研究中心） ； Faculty of Informatics, TU Wien（信息学院，维也纳技术大学） 纠错

专题命中 逻辑推理 ：reasoning(title,abstract)；分类 cs.AI

AI总结 NeuroInv通过结合神经推理和符号验证方法，高效生成循环不变式，成功率达到99.5%，在复杂验证场景中表现优异。

Scaling Neuro-symbolic Problem Solving: Solver-Free Learning of Constraints and Objectives

规模化神经符号问题求解：无求解器学习约束与目标

Marianne Defresne, Romain Gambardella, Sophie Barbe, Thomas Schiex

专题命中 逻辑推理 ：reasoning(abstract)；分类 cs.AI

AI总结 本文提出了一种可微神经符号架构和损失函数，用于高效学习解决NP难推理问题，通过概率损失同时学习约束和目标，实现可扩展训练和高精度推断。