神经符号AI

研究者提出NeurOWL框架，结合大语言模型与本体嵌入技术，为不完整的OWL本体提供语义推理支持，实现验证与溯因的联合处理。

研究提出神经符号AI管道，利用小型本地语言模型结合确定性规则检查，自动化处理LEED绿色建筑认证文档，实验发现4B参数模型在文本验证任务中表现优于8B模型，而添加低分辨率图纸图像反而降低准确性。

研究团队提出一种神经符号智能体框架，通过知识图谱工具增强Gemma 3、Llama 3.2等小语言模型的多跳逻辑推理能力，在亲属关系基准测试中实现1.5-2倍性能提升。

研究团队提出基于Belnap类型化内涵一阶逻辑的概率神经符号AGI框架，通过概率计算增强机器人的认知能力，实现神经网络学习与符号推理的深度融合。

研究者提出PASE框架，将LLM作为核心计划合成引擎生成结构化恢复计划，并通过神经符号世界模型验证可行性，实验显示可减少40%以上系统恢复时间。

研究人员提出PACE神经符号框架，通过结合神经网络预测与符号规则约束，生成既符合领域知识又具备可操作性的反事实解释。