本研究提出了一种复杂度注释的第一阶逻辑推理数据集，旨在提升大语言模型对复杂算法的理解能力。该数据集包含35亿个标记，促进对模型学习符号推理过程的深入研究，增强算法能力的透明性。

本研究提出了一种名为GeoGen的管道，旨在提升多模态大语言模型在几何问题解决中的能力。GeoGen结合符号推理与多模态模型，能够自动生成几何图形的逐步推理路径，从而显著改善模型在几何推理任务中的表现。

本研究探讨了“神经-符号代码”概念，填补了神经网络与符号推理整合的研究空白，强调其在提升人工智能系统可信度和可解释性方面的重要性。

本研究提出了SymRTLO框架，结合大规模语言模型与符号推理技术，旨在提升RTL代码优化效果。该方法通过检索增强生成系统和抽象语法树模板进行代码重写，显著改善功耗、性能和面积，解决了传统方法在复杂设计约束下的挑战。

本文探讨了大型语言模型（LLM）在自然语言处理中的不准确性和逻辑不一致性，提出了一种结合符号推理与机器学习的神经符号方法，以提升LLM输出的连贯性和准确性。实验结果表明，该方法显著改善了LLM的语义和事实准确性。

本研究提出了一种新颖的符号推理方法Polygon，用于SQL查询的等价性证明和消歧义。Polygon通过低估近似推理和多种搜索，在超过30,000个基准测试中表现优于现有技术。

本研究探讨了大型语言模型在贝叶斯推理中的解释策略，发现思维链对生态有效策略反应不足，存在符号推理偏倚。这对改进机器学习辅助学习方法具有重要意义。

本研究提出了一种神经符号策略生成器，结合大型语言模型与符号推理，解决了大型语言模型在形式证明中的策略生成不足问题。通过分析人类解决奥林匹克不等式的方式，提出了两类策略并在数学竞赛中进行评估，取得了显著的性能提升。

本研究首次提出了一种神经证书框架，针对连续时间随机动态系统，填补了现有概率验证方法的空白。该方法结合机器学习和符号推理，为非线性系统提供可达性、回避性和持续性规格的形式化概率界限，并在基准测试中展示了其有效性。

本研究提出了一种新颖的归纳模仿学习框架（ABIL），旨在解决现有模仿学习在开放环境中处理长时间任务的不足。ABIL结合数据驱动学习与符号推理，展现出在长时间任务中的数据效率和泛化能力，为符号规划提供了新思路。

AGI的标志是具备人类级的逻辑推理能力。Bagel团队研究了算术、常识和符号推理，发现推理时的计算效果优于训练时的计算，这推动了大型语言模型向更深层次的推理发展。

本文综述了神经符号计算（NSAI）在人工智能中的应用，强调其结合深度学习与符号推理的优势，提升了可解释性、鲁棒性和可信度，适用于复杂推理任务。研究显示，NSAI在自然语言处理等领域具有巨大潜力，并提出改进框架以解决AI系统的偏见和脆弱性问题。

本文综述了大型语言模型（LLMs）在推理能力方面的研究进展，特别是在逻辑推理和符号推理中的表现及其局限性。研究表明，LLMs在复杂推理任务中面临挑战，尤其是在理解逻辑规则和处理条件句方面。作者呼吁进一步研究LLMs的推理机制，以提升其逻辑推理能力。

该论文探讨了大型语言模型在数学推理中的能力，特别是符号推理的准确性。研究通过新数据集和精调协议提升了模型在数学问题上的表现。尽管在某些基准测试中取得成功，但仍面临数据集污染和符号复杂度上升的挑战。研究提出了数学主题树基准，评估不同模型的表现，发现GPT-4的准确度有限，推理能力需进一步验证。