本研究探讨大型语言模型（LLMs）的推理能力，提出KUMO评估框架，结合LLMs与符号引擎，动态生成推理任务。结果表明，LLMs在简单推理任务上超越大学生，而在复杂任务中表现相当，验证了KUMO的有效性。

本研究使用符号引擎探讨了在潜空间中逼近多个数学运算的可能性，并分析了每个范式在神经编码器实例化时的特性。研究发现多运算范式对于区分不同的运算符很重要，而对于单一运算的结论可以在原始表达式编码器中实现。架构选择对训练动态、结构组织和泛化能力有显著影响，导致不同范式和编码器类别之间存在显著变化。