本研究提出了一种神经符号方法，旨在提升视频理解系统在事件推理和决策方面的能力。该方法通过将视频查询分解为基本事件并结构化为连贯序列，增强了系统的可解释性和推理能力，推动智能视频代理的发展。

本文探讨大型语言模型（LLMs）在逻辑推理和事件推理方面的不足，并提出多种提升推理能力的策略。通过构建综合数据集（LMM-LR）进行评估，验证了逻辑训练的有效性。同时，研究介绍了EconLogicQA基准，评估LLMs在经济领域的顺序推理能力，发现传统模型在理解复杂逻辑时表现不佳。整体目标是提升LLMs的推理能力，推动更公平的人工智能系统发展。